Uma ferramenta de IA consegue ler uma folha de cálculo, gerar vários gráficos e explicar o resultado antes que a maioria das pessoas consiga sequer verificar a primeira fórmula. Essa velocidade é útil, mas também faz com que uma resposta confiante seja facilmente aceite prematuramente.
Para verificar o que ainda precisa ser revisado, carregamos um conjunto de dados de e-commerce controlado referente a seis meses no ChartGen e perguntamos a ele qual mês teve o melhor desempenho e o que causou a alteração.
O resultado não se resumiu a um simples sucesso ou fracasso. O ChartGen identificou a principal tendência de receita, correlacionou-a com os pedidos e o valor médio dos pedidos, e detectou a única métrica que tornava o cenário mais complexo. Um segundo prompt tornou os cálculos muito mais fáceis de auditar.
Mesmo assim, alguns rótulos e premissas precisavam de revisão humana antes que o resultado estivesse pronto para um relatório.
O Conjunto de Dados Utilizado no Teste
O arquivo continha seis registros mensais e seis campos:
O conjunto de dados foi propositalmente pequeno. Cada percentual poderia ser recalculado manualmente, e não existiam campos de cliente, campanha, produto ou motivo de reembolso que pudessem explicar o motivo pelo qual uma métrica foi alterada.
Primeiro, perguntamos:
"Analise estes dados mensais de desempenho do comércio eletrônico. Qual mês teve o melhor desempenho e o que causou essa mudança?"
A primeira resposta foi melhor do que um simples resumo de receitas
A ChartGen descreveu o aumento da receita de junho como um “impulsionamento de dois motores”, pois o volume de pedidos e o valor médio dos pedidos aumentaram em conjunto. A empresa também sugeriu várias explicações possíveis, incluindo uma campanha de venda adicional, uma alteração na combinação de produtos ou uma promoção.
Mais importante ainda, a análise não se limitou aos indicadores positivos. Ela classificou a taxa de reembolso como um sinal de alerta e concluiu que o mês de junho apresentou o melhor desempenho bruto, enquanto o cenário líquido se mostrou menos claro.
A ChartGen atribuiu o aumento da receita de junho aos pedidos e ao valor médio dos pedidos, mas depois qualificou o resultado devido ao pico de reembolsos.
Esta foi uma primeira análise útil. A descrição de um levantamento duplo correspondia aos dados, e termos como “sugere” deixaram claro que as causas propostas eram possibilidades e não factos confirmados.
Uma afirmação contida no documento ia ainda mais além. A resposta indicou que o crescimento simultâneo das encomendas e do valor médio por encomenda era “relativamente raro”. Os seis registos mensais não permitiram determinar quão raro era esse padrão. Para sustentar essa afirmação, seria necessário um conjunto de dados históricos mais vasto ou uma fonte externa.
As possíveis explicações continuaram sendo apenas hipóteses. Nada na planilha indicava se o ChartGen estava analisando uma promoção, uma nova categoria de produtos, uma alteração de preços ou uma composição de clientes diferente.
A receita estava correta, mas o eixo alterou a impressão
O primeiro gráfico gerado apresentou a receita mensal de janeiro a junho. Todos os seis valores estavam corretos, e o mês de junho estava claramente marcado com o valor de 120 000 dólares.
O gráfico de receita gerado utilizou uma linha de base de 80 000 dólares, o que fez com que a diferença entre as barras mensais parecesse maior.
O eixo vertical teve início em 80 000 dólares em vez de zero. Essa escolha fez com que a barra de junho parecesse ter aproximadamente o dobro da altura da barra de janeiro em relação à linha de base visível.
A receita real aumentou de 100 000 dólares para 120 000 dólares, o que representa um aumento de 20%. O gráfico não alterou os valores, mas atribuiu à diferença visual um peso superior ao que os números por si só justificariam.
Esta é uma distinção importante na análise de gráficos de IA. Um rótulo correto não garante uma escala visual neutra. A Função de Análise do Governo do Reino Unido, no seu guia de gráficos, observa que a quebra de um eixo numérico pode ajudar os leitores a identificar uma tendência estreita, mas nem sempre é apropriada. Neste caso, a linha de base de 80 000 dólares conferiu a um aumento de 20% um peso visual maior do que o que lhe cabia.
Duas linhas ascendentes não significavam que as escalas eram comparáveis
O ChartGen também posicionou os pedidos e o valor médio dos pedidos num gráfico de linhas de eixo duplo.
As encomendas utilizam o eixo esquerdo, enquanto o valor médio por encomenda utiliza uma escala separada no lado direito.
O gráfico mostrava corretamente que ambas as métricas aumentaram em junho. No entanto, as duas linhas utilizavam unidades e eixos diferentes: as encomendas no eixo da esquerda e o valor em dólares por encomenda no eixo da direita.
As suas posições verticais não podiam ser comparadas diretamente. As linhas próximas não significavam que as duas métricas tivessem o mesmo tamanho, se movessem na mesma percentagem ou mantivessem uma relação de causa e efeito entre si.
O gráfico também manteve rótulos no estilo de planilha, como Average\_Order\_Value, e a legenda encurtou o nome do campo. Trata-se de pequenos problemas de apresentação, mas eles ganham importância quando um gráfico deixa o espaço de trabalho de análise e passa a integrar um relatório para o cliente.
A versão mais segura utilizaria dois gráficos alinhados com o mesmo eixo mensal, ou rotularia claramente a variação percentual de cada métrica, em vez de convidar os leitores a comparar a altura das linhas.
Um gráfico gerado não estava pronto para publicação
A terceira saída tinha como objetivo apresentar a tendência da taxa de reembolso mensal. O seu título indicava corretamente que o valor de junho atingira 5,02%, mas a imagem exportada exibia apenas uma linha de referência média de aproximadamente 2,48%. Os seis valores mensais e o pico registado em junho não estavam visíveis no gráfico.
Excluímos essa imagem dos recursos visuais do artigo.
Isso não era um problema com o cálculo subjacente, mas sim com a evidência apresentada. O leitor conseguia ver a afirmação no subtítulo, mas não conseguia verificá-la a partir do próprio gráfico.
Essa verificação é fácil de ignorar quando a análise escrita já parece correta: confirme se todos os gráficos exportados exibem de fato as séries descritas no seu título e legenda.
Um Segundo Prompt Tornou o Raciocínio Mais Fácil de Auditar
Em seguida, pedimos ao ChartGen que utilizasse apenas os dados carregados, apresentasse os seus cálculos, separasse as observações das explicações e identificasse qualquer métrica que contradissesse a conclusão principal.
A segunda resposta calculou:
Crescimento da receita de maio a junho: 9,09%
Crescimento de pedidos: 3,40%
Crescimento do valor médio do pedido: 5,49%
Crescimento de reembolso: 161,9%
Taxa de reembolso: de 1,98% a 5,02%
Também foi verificado se a Receita era consistente com o resultado da multiplicação dos Pedidos pelo Valor Médio do Pedido. As pequenas diferenças foram explicadas pelo facto de os valores do VMP serem armazenados com duas casas decimais.
A resposta de acompanhamento expôs os cálculos e verificou se os campos relacionados estavam conciliados.
Isso foi mais útil do que outro resumo geral, pois mostrou a origem das porcentagens e tornou visíveis as diferenças de arredondamento.
O ChartGen também separou as possíveis explicações das suas observações. Promoções, novas categorias de produtos, problemas de qualidade e o momento dos reembolsos foram explicitamente apresentados como hipóteses que o conjunto de dados não conseguiu confirmar.
A segunda resposta marcou claramente as explicações relativas a campanhas, produtos, processamento de encomendas e contabilidade como hipóteses não confirmadas.
Essa separação tornou a resposta mais segura para uso, evitando que uma narrativa de negócios plausível fosse confundida com um resultado contido na planilha.
A Resposta de Verificação Ainda Precisa de Verificação
A segunda resposta aprimorou a análise, mas ainda não estava pronta para ser copiada diretamente em um relatório sem alterações.
O “Média do Conjunto de Dados” Utilizou uma Linha de Base Incorreta
Ele classificou a taxa de reembolso de 1,99% como a “média do conjunto de dados”. Ao longo dos seis meses, a média foi de aproximadamente 2,48%. O valor de 1,99% representava a linha de base de janeiro a maio, antes do pico registrado em junho. Esse número era útil, mas a denominação estava incorreta.
A estimativa da receita líquida baseou-se em três pressupostos
A resposta também estimou a receita líquida de junho multiplicando o número de reembolsos pelo valor médio do pedido e subtraindo o resultado da receita bruta. O cálculo aritmético era compreensível, mas o arquivo de origem não continha os valores reais dos reembolsos. Também não indicava se os reembolsos de junho pertenciam a pedidos de junho.
Essa estimativa baseava-se em pelo menos três pressupostos:
- Todos os pedidos reembolsados apresentavam o mesmo valor que o pedido médio mensal.
- Todos os reembolsos registrados em junho estavam relacionados às vendas de junho.
- O campo de Receita ainda não havia sido ajustado para reembolsos.
Isso poderia ser apresentado como um cenário, mas não como uma observação baseada exclusivamente em fatos.
O aumento de 164% utilizou uma linha de base pouco clara
A resposta também descreveu o aumento da taxa de reembolso como sendo de 164%, sem especificar o período de comparação. De 1,98% em maio para 5,02% em junho, o aumento relativo foi de aproximadamente 153,5%. Um aumento de 164% utilizaria uma base de referência diferente, próxima dos 1,90% registrados em janeiro.
Seis meses não foram suficientes para uma reclamação formal de valor atípico
Por fim, classificar junho como um valor atípico estatístico com base em seis observações mensais foi uma afirmação mais contundente do que o necessário. Junho foi claramente uma anomalia em relação ao intervalo registrado entre janeiro e maio. Uma conclusão estatística formal exigiria um histórico mais longo e um método adequado ao processo subjacente.
Nenhum desses problemas tornou a segunda resposta inútil. Eles demonstraram por que um prompt de verificação aprimora o trabalho sem substituir o revisor.
A Conclusão que Realmente Publicaríamos
Após verificar os dados de origem, os cálculos, as etiquetas e as premissas, o resultado pode ser apresentado de forma mais clara:
Em junho, foram registrados a receita bruta, o volume de pedidos e o valor médio por pedido mais altos de todo o conjunto de dados de seis meses. A receita aumentou 9,09% em relação a maio, enquanto os pedidos subiram 3,40% e o valor médio por pedido teve um acréscimo de 5,49%.
O resultado não representou uma melhoria incondicional. Os reembolsos aumentaram de 42 para 110, e a taxa de reembolso subiu de 1,98% para 5,02%, um acréscimo de 3,04 pontos percentuais.
O conjunto de dados não inclui valores de reembolso, registos ao nível do produto, informações sobre campanhas ou motivos de reembolso. Por conseguinte, não é possível confirmar a receita líquida de junho nem explicar o que causou o pico de reembolsos.
Esta versão mantém as conclusões que podem ser reproduzidas e remove as explicações que o arquivo não consegue fornecer.
Quais foram as alterações entre a primeira resposta e a versão final?
A primeira resposta do ChartGen foi sólida em termos de orientação. Ele identificou o mês mais relevante, apontou os dois fatores que contribuíram para o crescimento da receita e detectou a anomalia nos reembolsos sem que isso fosse solicitado.
O segundo prompt aprimorou a resposta ao expor os cálculos e separar os fatos das hipóteses.
A revisão humana ainda alterou quatro pontos:
O gráfico de receita precisava de uma linha de base mais adequada.
O gráfico de reembolso precisava ser regenerado, pois sua série mensal não estava visível.
A linha de base da taxa de reembolso precisava de uma etiqueta correta.
A estimativa da receita líquida e as explicações causais precisaram permanecer fora das conclusões verificadas.
Essa é uma forma prática de usar um Gerador de Gráficos com IA. Deixe que ele faça a primeira análise rápida, depois verifique as partes que exigem contexto ou julgamento.
Um Processo de Revisão Rápida para Insights de Gráficos Gerados por IA
Comece por verificar se o gráfico contém os campos, datas, unidades e agregação corretos. Recalcule a variação principal a partir do ficheiro de origem, em vez de a partir da etiqueta do gráfico.
Em seguida, inspecione a visualização em si. Verifique a linha de base dos eixos, confirme se todas as séries prometidas estão visíveis e tenha cuidado quando duas métricas utilizarem escalas diferentes.
Em seguida, separe três tipos de declarações:
Valores copiados diretamente dos dados
Resultados calculados a partir desses valores
Explicações que exigem informações fora do arquivo
Por fim, faça uma segunda pergunta que tenha como objetivo questionar a primeira resposta. Solicite as fórmulas, métricas contraditórias, premissas e evidências ausentes. A segunda resposta também deve ser analisada; uma resposta mais detalhada pode apresentar novas premissas, acompanhadas de verificações úteis.
O Resultado É Confiável, Mas Apenas com a Verificação Adequada
Este teste chegou a uma conclusão clara. O ChartGen identificou o padrão principal, mas a sua saída não estava pronta para ser publicada sem revisão.
Os valores de receita, os cálculos de maio a junho e o pico de reembolsos corresponderam aos dados de origem. A receita líquida estimada e as causas propostas não dispunham de evidências suficientes.
A análise de gráficos por IA é útil para uma primeira revisão rápida, não como prova final. Verifique os valores, cálculos, o design do gráfico e as afirmações causais antes de utilizar o resultado em um relatório.
Experimente o ChartGen com o seu arquivo CSV ou Excel e, em seguida, utilize um segundo prompt para verificar o resultado antes de publicá-lo.