A solicitação chega às 16h20. Um stakeholder quer um KPI de receita diária segmentado por channel (canal) referente aos últimos 90 dias, e precisa disso no Slack antes da reunião de alinhamento (standup) de amanhã.
Um assistente de IA pode elaborar rapidamente uma primeira versão da consulta SQL. No entanto, a responsabilidade pelo número entregue continua sendo sua. Se a consulta contabilizar a receita em duplicidade devido a um join do tipo muitos-para-muitos, a falha subsequente será sua, e não do modelo. A estratégia profissional é utilizar a IA para ganhar velocidade onde o custo do erro é baixo e manter etapas de verificação onde o custo do erro é alto.
Explore as principais etapas do processo.
Utilize a IA para gerar sugestões de código SQL quando o resultado do trabalho puder ser inspecionado. Elaborar a estrutura de uma consulta, traduzir uma pergunta em uma cláusula GROUP BY ou criar um conjunto de consultas de validação são boas aplicações, pois você pode executá-las e comparar os resultados.
Um exemplo prático: você tem uma tabela fact_orders com 12,4 milhões de linhas abrangendo o período de 2024-01-01 a 2024-06-30, e uma tabela dim_channel com a chave channel_id. A pergunta é: “receita líquida diária por canal nos últimos 90 dias”. A IA pode elaborar as junções (joins) e o filtro de data; em seguida, você verifica a granularidade das linhas e a cardinalidade da junção antes de confiar nos totais.
Evite usar a IA em tarefas que exijam autoridade na tomada de decisão. A definição de KPIs, a delimitação de métricas e as regras de negócio não são questões de simples redação ou rascunho; são decisões estratégicas. A IA pode reformular sua definição, mas cabe a você decidir se “receita” significa receita bruta, líquida de reembolsos, líquida de descontos ou receita reconhecida — e você assume a responsabilidade pelas consequências caso as partes interessadas ajam com base em uma definição incorreta.
Veja como diferentes tarefas se comparam em termos de risco.
Você utilizará um único fluxo de trabalho ao longo deste curso. Uma etapa de verificação é um ponto em que você não prossegue até ter evidências de que a consulta está correta em relação à definição estabelecida.
Comece com uma especificação clara. Escreva a definição da métrica, a janela de tempo, a granularidade e as dimensões de segmentação em linguagem simples.
Em seguida, gere o código. A IA elabora o SQL e também as verificações que você usará para validá-lo. Você mesmo executa tudo no seu data warehouse.
Validação não significa apenas “retornou linhas”. Valide por triangulação. Compare com um número conhecido de um dashboard para um dia específico, verifique os totais antes e depois do join e confirme a granularidade contando as chaves distintas. Se o valor de SUM(revenue) mudar ao fazer o join com dim_channel, isso é um sinal de alerta que você deve resolver antes de compartilhar o resultado.
A documentação faz parte da etapa de conclusão. Salve o SQL final, as premissas e as consultas de validação. Se outro analista não conseguir reproduzir seu resultado amanhã, o trabalho ainda não está concluído.
Experimente o fluxo de trabalho que você seguirá neste curso.