Um stakeholder solicita uma “lista de clientes limpa” e confiável para uma campanha de e-mail e para a atualização de um painel de indicadores (dashboard). Você tem a planilha exportada, mas ela contém campos em branco, formatos de data variados, nomes de países inconsistentes e registros duplicados. O risco não é a dificuldade da limpeza em si. O risco é que uma etapa de limpeza rápida, sugerida pela IA, altere silenciosamente a contagem ou o significado dos registros, e você assuma a responsabilidade pelas falhas subsequentes — como a campanha atingir o público errado ou os dados do painel apresentarem distorções.
Neste curso, a IA atua como uma ferramenta de elaboração e aceleração. Você a utiliza para propor transformações, fórmulas, scripts (Apps Script ou VBA) e para listar possíveis problemas de qualidade dos dados. Você não deixa que ela decida o que descartar, como realizar a imputação de dados ou o que define uma “duplicata”. Os critérios de sucesso são as condições mensuráveis que definem o nível de limpeza adequado para a tarefa de negócios. Você os estabelece previamente para garantir que a limpeza não seja apenas um exercício estético.
Sua regra fundamental é simples: cada etapa gerada pela IA deve ser executável, reversível e auditável no Excel ou no Google Sheets, com evidências que possam ser apresentadas em uma revisão.
Considere um conjunto de dados chamado customer_contacts_export.xlsx, contendo 18.240 linhas extraídas de um CRM e abrangendo o período de 01/01/2025 a 30/06/2025. Cada linha representa um contato. Os campos principais incluem email, full_name (nome completo), signup_date (data de cadastro), country (país), phone (telefone) e source (origem). As dimensões de segmentação de interesse do responsável pelo marketing são country e source, e a pergunta específica a ser respondida é: quais países apresentam o crescimento mais rápido em termos de cadastros mensais?
Explore como se apresentam os problemas nos dados brutos.
Sua entrega não é apenas “um arquivo limpo”. É um conjunto de artefatos que torna seu trabalho reproduzível.
Você produz uma tabela limpa na qual identificadores críticos estão padronizados e as regras de processamento são consistentes. Você realiza verificações de qualidade (QA) que comprovam que não houve perda silenciosa de linhas nem criação de valores impossíveis. Você gera um registro de alterações que detalha exatamente o que foi modificado, o que foi descartado e o motivo.
Um LLM (Large Language Model) é um modelo de linguagem de grande porte que gera textos, fórmulas e códigos com base em padrões de seu treinamento e nas suas entradas. Ele não tem visibilidade do estado da sua planilha ou arquivo de trabalho, a menos que você forneça essas informações. Um prompt é a instrução e o contexto fornecidos ao LLM para gerar uma possível saída. Uma alucinação é uma afirmação ou regra gerada que parece plausível, mas não tem fundamento nos seus dados ou nas suas restrições.
Situações de erro com aparência de certeza ocorrem frequentemente na limpeza de dados, pois essa etapa exige definições de negócio. O modelo pode sugerir uma chave de desduplicação como email + nome_completo, mas não tem como saber se e-mails compartilhados representam famílias, caixas de entrada compartilhadas ou erros de digitação. Se você aceitar essa regra e excluir linhas, terá introduzido um viés irrecuperável em todas as contagens e taxas subsequentes.
Identifique quais tarefas são seguras para delegar e quais exigem verificação.