Introdução de Negócio
Muitas empresas já fizeram a parte difícil de organizar seus dados. Vendas, operação, financeiro e atendimento estão consolidados em um data lake, limpos e prontos para análise. Mesmo assim, a área de negócio continua dependendo do time de dados para responder cada pergunta nova.
O motivo é que o acesso aos dados ainda passa por dashboards. Eles são ótimos para acompanhar os indicadores que foram previstos quando foram criados, mas não respondem às perguntas que surgem no dia a dia, como qual região puxou a queda de vendas da última semana ou quais clientes atrasaram mais de um pagamento no trimestre.
Cada pergunta dessas vira um pedido para um analista, que precisa escrever uma consulta, montar um gráfico e devolver a resposta. Quando ela chega, muitas vezes a decisão já foi tomada sem os dados.
O que queremos resolver
O gargalo não está nos dados, está no caminho entre o dado e quem precisa dele.
Como resolver na AWS
A Lascasas Consulting conecta o data lake a uma camada de BI conversacional, em que o usuário faz a pergunta em linguagem natural e recebe a resposta em gráfico. Na base, os dados brutos chegam à camada bronze do Amazon S3, e o Amazon EMR Serverless faz a limpeza e as transformações, gravando na camada silver os dados padronizados e na camada gold os indicadores prontos para o negócio, sem nenhum cluster para administrar.
O AWS Glue Data Catalog registra as tabelas das camadas silver e gold, e o Amazon Athena permite consultá-las em SQL, tanto pelo time de dados quanto pela camada de BI. É sobre o Athena que o Amazon Quick se conecta para entregar a experiência conversacional.
A figura acima mostra o fluxo completo, do dado bruto na camada bronze até a resposta em linguagem natural no Amazon Quick.
O ponto central da solução são os Topics do Amazon Quick, que funcionam como uma camada semântica entre os dados e as perguntas. Um Topic reúne até 12 datasets, define como as tabelas se relacionam e recebe instruções com o vocabulário próprio da empresa, para que "faturamento" ou "cliente ativo" signifiquem a mesma coisa em todas as respostas. Os datasets podem consultar o Athena diretamente ou usar o motor em memória do Quick, conforme a necessidade de desempenho.
A segurança vem junto. As regras de acesso por linha definidas no dataset continuam valendo dentro do Topic, então cada pessoa só recebe resposta sobre os dados que já podia ver. Um gerente regional pergunta sobre vendas e vê apenas a sua região, sem nenhuma configuração extra na conversa. Para quem quer ir além, o artigo sobre Governança de IA Corporativa mostra como acompanhar o uso do próprio Quick, e o de IA Responsável na AWS trata das proteções para respostas geradas por IA.
Ganhos que a arquitetura traz
Autoatendimento de dados: a área de negócio faz a pergunta e recebe a resposta, sem abrir um pedido para o time de dados.
Time de dados liberado: com menos pedidos de relatório, os analistas voltam a trabalhar em modelagem, qualidade de dados e projetos estratégicos.
Uma única definição para cada indicador: a camada semântica garante que todos usem a mesma regra de cálculo, acabando com a disputa entre versões de dashboard.
Segurança herdada do lake: as regras de acesso por linha valem também nas respostas em linguagem natural.
Processamento sem infraestrutura para gerenciar: o EMR Serverless e o Athena rodam sob demanda, e a empresa paga pelo processamento que de fato usa.
Diretoria com acesso direto: executivos consultam os números quando precisam, em linguagem natural e sem intermediários.
Casos na literatura
A Tradeshift migrou de uma ferramenta de BI legada para o Amazon Quick e substituiu 40 dashboards separados por mais de 100 datasets consultáveis em linguagem natural. A empresa reduziu em 40% o custo total da solução, chegou a 98% da organização usando a plataforma e passou a encontrar gargalos operacionais em menos de cinco segundos, contra um a dois dias antes.
A Trustly usou o Amazon Q in QuickSight, a geração anterior do recurso de perguntas em linguagem natural, e em seis meses recebeu 15 mil perguntas respondidas com 89% de precisão, de áreas como risco, produto, vendas e diretoria. Com a nova solução de BI, a empresa estima insights quatro vezes mais rápidos e viu o número de usuários subir de 80 para 300.
A Genpact usa o Amazon Quick e relata uma economia de perto de 100 mil horas por ano, com atividades que levavam horas de trabalho manual passando a ter respostas imediatas.
Lições aprendidas
Ter os dados organizados é só metade do caminho. O valor aparece quando quem toma a decisão consegue perguntar e receber a resposta na hora, sem depender de uma fila de pedidos.
Um data lake bem estruturado, com uma camada semântica que traduz o vocabulário do negócio e regras de acesso herdadas, transforma o BI de um conjunto de dashboards estáticos em uma conversa com os dados da empresa.