Business Intelligence sempre foi sobre transformar dados em decisão. O que mudou foi a velocidade: com IA generativa, tarefas que tomavam horas — escrever uma query, interpretar um relatório, montar a narrativa de um dashboard — agora levam minutos. A diferença entre quem extrai valor disso e quem não extrai está em uma habilidade nova: saber o que pedir.
Reunimos abaixo 10 prompts prontos para usar no seu dia a dia de BI, do SQL ao storytelling executivo. Copie, adapte os campos entre colchetes ao seu contexto e ajuste o tom conforme a ferramenta (ChatGPT, Claude, Gemini ou o copiloto do seu BI).
Antes de começar: 3 regras de ouro
- Dê contexto. Diga quem é você, qual o objetivo e quem vai ler o resultado. Um prompt sem contexto gera resposta genérica.
- Nunca cole dados sensíveis. Anonimize informações de clientes, valores estratégicos e dados pessoais antes de enviar para uma IA pública.
- Itere. O primeiro resultado é um rascunho. Refine pedindo mais profundidade, outro formato ou um recorte diferente.
1. Análise exploratória de um conjunto de dados
Use quando recebe uma base nova e precisa entender rápido o que há nela.
Você é um analista de dados sênior. Vou descrever as colunas de uma base de [tema]. Sugira: (1) as 5 perguntas de negócio mais relevantes que esses dados podem responder; (2) as métricas e KPIs que eu deveria calcular; (3) possíveis problemas de qualidade de dados que eu deveria checar. Colunas: [lista de colunas].
2. Escrever uma query SQL
Transforme uma pergunta de negócio em SQL — mesmo sem dominar a sintaxe.
Escreva uma query SQL (dialeto [PostgreSQL / BigQuery / MySQL]) que responda: [pergunta de negócio]. As tabelas relevantes são [tabela1 (colunas...), tabela2 (colunas...)]. Explique o que cada parte da query faz e sugira um índice para otimizar o desempenho.
3. Definir KPIs para uma área
Para estruturar a medição de um time ou processo do zero.
Atue como especialista em BI. Preciso definir os KPIs para a área de [área/processo] de uma empresa de [segmento]. Liste de 6 a 8 indicadores, organizados entre métricas de resultado e métricas de processo, com a fórmula de cálculo e a frequência de acompanhamento recomendada para cada um.
4. Interpretar um resultado e gerar insights
Quando o número está na tela, mas o "e daí?" ainda não está claro.
Analise os dados a seguir e me diga: o que eles revelam, quais são as 3 conclusões mais importantes para a tomada de decisão e quais hipóteses explicariam o que estou vendo. Seja direto e priorize por impacto no negócio. Dados: [cole a tabela ou o resumo].
5. Encontrar anomalias e outliers
Para auditar uma série de dados antes de confiar nela.
Aja como analista de qualidade de dados. Na série abaixo, identifique valores atípicos, quebras de tendência e possíveis erros de medição. Para cada anomalia, indique a provável causa e se ela deve ser investigada ou descartada. Série: [dados].
6. Transformar dados em narrativa executiva
O storytelling que faz a diretoria entender em 30 segundos.
Você é um analista que apresenta para o board. Com base nos números abaixo, escreva um resumo executivo de no máximo 5 frases, em linguagem de negócio (sem jargão técnico), destacando o que mudou, por que importa e qual ação você recomenda. Números: [dados do período].
7. Segmentar clientes (análise RFM)
Para priorizar esforço de marketing e vendas com base em comportamento.
Explique como montar uma segmentação RFM (Recência, Frequência, Valor) para a minha base de clientes e proponha de 4 a 5 segmentos acionáveis, com o nome de cada segmento, a característica que o define e a ação de marketing recomendada para cada um.
8. Investigar uma causa raiz
Quando uma métrica caiu (ou subiu) e ninguém sabe por quê.
A métrica [métrica] [caiu/subiu] [X%] no período [período]. Conduza uma análise de causa raiz: liste as dimensões que eu deveria cruzar para isolar o motivo (canal, região, produto, etc.), em que ordem investigar e quais perguntas fazer a cada passo até chegar à causa provável.
9. Projetar uma previsão (forecast)
Para sair do achismo ao planejar o próximo trimestre.
Com base no histórico abaixo, projete [métrica] para os próximos [N] períodos. Explique qual método de previsão é mais adequado para este padrão de dados, quais sazonalidades considerar e qual a margem de incerteza da projeção. Histórico: [dados].
10. Especificar um dashboard
O briefing pronto para você (ou seu time) construir no Power BI, Looker ou Metabase.
Atue como product manager de dados. Quero um dashboard de [objetivo] para o público [perfil]. Especifique: os KPIs principais no topo, os gráficos secundários (e o tipo de visualização ideal para cada um), os filtros necessários e a pergunta de negócio que cada bloco responde.
O alerta que todo BI precisa ouvir
IA generativa acelera o trabalho, mas não substitui o julgamento. Dois cuidados são inegociáveis:
Privacidade. Nunca envie dados pessoais, financeiros ou estratégicos para ferramentas públicas de IA. Use versões corporativas com garantia de privacidade, anonimize antes de enviar ou rode modelos em ambiente próprio. Um vazamento por descuido custa muito mais do que o tempo economizado.
Validação. A IA pode alucinar números e inventar tendências que parecem plausíveis. Todo resultado que vira decisão precisa ser validado contra a fonte real dos dados. A IA é o copiloto; a responsabilidade pela decisão continua sua.
De prompts isolados a inteligência de verdade
Prompts resolvem tarefas pontuais. O salto de valor acontece quando a IA é integrada à sua operação de dados — conectada às suas fontes, com governança, segurança e dashboards que se atualizam sozinhos. É a diferença entre usar IA e ter inteligência de negócio de verdade.
É exatamente isso que a Inundaweb constrói: soluções de Business Intelligence e IA aplicada conectadas ao seu negócio, com a segurança que os seus dados exigem. Se você quer sair dos prompts avulsos para uma estratégia de dados que sustenta decisão, vamos conversar.