/data-explore

name: data-explore
description: Perfila e explora um dataset para entender sua forma, qualidade e padrões. Use ao encontrar uma nova tabela ou arquivo, verificar taxas de nulo e distribuições de colunas, identificar problemas de qualidade como duplicatas ou valores suspeitos, ou decidir quais dimensões e métricas analisar. Funciona com tabelas PostgreSQL do stack Evolution (Evo CRM, Evo AI), dados do Stripe, Omie, Licensing, ou arquivos CSV/Excel carregados.
argument-hint: "<nome da tabela, fonte de dados ou arquivo>"

data-explore — Perfilar e Explorar um Dataset

Gera um perfil de dados abrangente para uma tabela ou arquivo carregado. Entenda a forma, qualidade e padrões dos dados antes de mergulhar na análise.

Uso

/data-explore <nome_da_tabela ou arquivo>

Fluxo de Trabalho

1. Acessar os Dados

**Se a fonte de dados estiver disponível via skill ou conexão PostgreSQL:**

1. Resolver o nome da tabela (tratar prefixos de schema, sugerir correspondências se ambíguo) 2. Consultar metadados da tabela: nomes de colunas, tipos, descrições se disponíveis 3. Executar queries de perfilamento contra os dados ao vivo

**Se um arquivo for fornecido (CSV, Excel, Parquet, JSON):**

1. Ler o arquivo e carregar no dataset de trabalho 2. Inferir tipos de colunas a partir dos dados

**Se for uma fonte do workspace (Stripe, Omie, Licensing, Evo CRM):**

1. Usar a skill correspondente (`int-stripe`, `int-omie`, `int-licensing`, `int-evo-crm`) 2. Extrair uma amostra representativa 3. Prosseguir com o perfilamento sobre os dados extraídos

**Se nenhum dado estiver disponível:**

1. Pedir ao usuário que forneça o nome de uma tabela (com fonte conectada) ou faça upload de um arquivo 2. Se descrever um schema de tabela, fornecer orientação sobre quais queries de perfilamento executar

2. Entender a Estrutura

Antes de analisar qualquer dado, entender sua estrutura:

**Perguntas a nível de tabela:**

• Quantas linhas e colunas?
• Qual é o grain (uma linha por quê)?
• Qual é a chave primária? É única?
• Quando os dados foram atualizados pela última vez?
• Até quando os dados retroagem?

**Classificação de colunas** — categorizar cada coluna como uma de:

• **Identificador**: Chaves únicas, chaves estrangeiras, IDs de entidade
• **Dimensão**: Atributos categóricos para agrupamento/filtragem (status, tipo, plano, país)
• **Métrica**: Valores quantitativos para medição (receita, contagem, duração, score)
• **Temporal**: Datas e timestamps (criado_em, atualizado_em, data_evento)
• **Texto**: Campos de texto livre (descrição, notas, nome)
• **Booleano**: Flags verdadeiro/falso
• **Estrutural**: JSON, arrays, estruturas aninhadas

3. Gerar Perfil de Dados

Executar as seguintes verificações de perfilamento:

**Métricas a nível de tabela:**

• Contagem total de linhas
• Contagem de colunas e breakdown de tipos
• Tamanho aproximado da tabela (se disponível nos metadados)
• Cobertura do intervalo de datas (min/max das colunas de data)

**Todas as colunas:**

• Contagem de nulos e taxa de nulos
• Contagem distinta e razão de cardinalidade (distinto / total)
• Valores mais comuns (top 5-10 com frequências)
• Valores menos comuns (bottom 5 para identificar anomalias)

**Colunas numéricas (métricas):**

min, max, média, mediana (p50)
desvio padrão
percentis: p1, p5, p25, p75, p95, p99
contagem de zeros
contagem de negativos (se inesperado)

**Colunas string (dimensões, texto):**

comprimento mínimo, máximo, médio
contagem de strings vazias
análise de padrão (valores seguem um formato?)
consistência de case (tudo maiúsculo, minúsculo, misto?)
contagem de espaços antes/depois

**Colunas de data/timestamp:**

data mínima, data máxima
datas nulas
datas futuras (se inesperado)
distribuição por mês/semana
lacunas na série temporal

**Colunas booleanas:**

contagem de verdadeiro, falso, nulo
taxa de verdadeiro

**Apresentar o perfil como uma tabela de resumo limpa**, agrupada por tipo de coluna (dimensões, métricas, datas, IDs).

4. Identificar Problemas de Qualidade dos Dados

Aplicar o framework de avaliação de qualidade abaixo. Sinalizar problemas potenciais:

• **Altas taxas de nulo**: Colunas com >5% de nulos (avisar), >20% de nulos (alertar)
• **Surpresas de baixa cardinalidade**: Colunas que deveriam ser de alta cardinalidade mas não são (ex: um `instancia_id` com apenas 50 valores distintos)
• **Surpresas de alta cardinalidade**: Colunas que deveriam ser categóricas mas têm muitos valores distintos
• **Valores suspeitos**: Valores negativos onde apenas positivos são esperados, datas futuras em dados históricos, valores claramente placeholder (ex: "N/A", "TBD", "test", "999999", "0000-00-00")
• **Detecção de duplicatas**: Verificar se há uma chave natural e se ela tem duplicatas
• **Distorção de distribuição**: Distribuições numéricas extremamente distorcidas que podem afetar médias
• **Problemas de encoding**: Case misto em campos categóricos, espaços em branco, formatos inconsistentes

5. Descobrir Relacionamentos e Padrões

Após perfilar colunas individuais:

• **Candidatos a chave estrangeira**: Colunas de ID que podem se ligar a outras tabelas
• **Hierarquias**: Colunas que formam caminhos naturais de drill-down (país > estado > cidade)
• **Correlações**: Colunas numéricas que se movem juntas
• **Colunas derivadas**: Colunas que parecem calculadas a partir de outras
• **Colunas redundantes**: Colunas com informações idênticas ou quase idênticas

6. Sugerir Dimensões e Métricas Interessantes

Com base no perfil de colunas, recomendar:

• **Melhores colunas de dimensão** para segmentar dados (colunas categóricas com cardinalidade razoável, 3-50 valores)
• **Colunas de métrica-chave** para medição (colunas numéricas com distribuições significativas)
• **Colunas de tempo** adequadas para análise de tendências
• **Agrupamentos naturais** ou hierarquias aparentes nos dados
• **Chaves de join potenciais** para ligar a outras tabelas

7. Recomendar An