Antes de virar produto, o Data Hub foi projeto — e a gente fez à mão, várias vezes

Quando alguém abre um dashboard pronto, o que se vê é a tela. O trabalho que sustenta aquilo é outro, e é lento.

É a reunião em que Finanças e Comercial discutem se devolução entra ou não no faturamento. É a exceção daquele cliente que tem regra própria desde 2019 e que ninguém nunca documentou. É descobrir que existem três tabelas com a mesma informação e ter que decidir qual vale — e conseguir que as duas áreas aceitem a decisão.

Cada uma dessas conversas termina virando uma medida dentro do modelo. E aquela medida passa a ser a resposta oficial da empresa para uma pergunta.

Um modelo maduro de Power BI é isso: anos de decisão empilhada. É a curadoria mais cara que a empresa já pagou, e quase nunca é tratada como um ativo — é tratada como o encanamento do relatório.

Construir isso dentro de indústria, energia, varejo e agro é o que a inQuesti faz desde 2012.

A diretoria pede, e o caminho que todo mundo propõe é começar do zero: conectar a IA no data lake ou direto no banco, descrever o significado dos dados outra vez, reconstruir quem pode ver o quê, e validar número por número até dar para confiar.

A gente entregou assim. Mais de uma vez, em algumas das maiores empresas do Brasil.

Funciona — e é longo, é caro, e tem um detalhe amargo no fim: o que se constrói responde pior do que o BI que já estava lá do lado. Não por falta de competência. Porque o BI teve anos de discussão e o projeto novo teve meses.

A demonstração encantava. Sempre encanta: três tabelas conhecidas e perguntas cuja resposta a gente já sabia de cor.

O problema aparecia quando alguém de fora perguntava uma coisa que ninguém tinha previsto. Aí a IA tinha que escolher entre as três versões da métrica, e escolhia. Sem avisar. Acertava quase sempre — o que é o pior cenário possível, porque o erro não vinha em lote. Vinha pingado, misturado com acerto, com cara de número certo.

E o conserto óbvio era pior que o defeito. Fazer a IA perguntar de volta — “você quer com ou sem devolução?”, “pela data de emissão ou de competência?” — é tecnicamente a coisa certa e mata a adoção. O diretor não quer desambiguar. Ele pergunta, recebe outra pergunta, responde. Na segunda vez, não volta mais.

Nenhum desses projetos deu erro. Eles simplesmente pararam de ser usados, e o time raramente sabia dizer por quê.

Toda vez que a gente reconstruía o significado dos dados para a IA, estava reescrevendo do zero uma coisa que já existia — ali do lado, no modelo de BI da própria empresa, pronta, validada e em uso para decidir todo dia.

Não faltava dado. Não faltava regra de negócio. Faltava tradução.

O Data Hub é isso. Ele não gera consulta livre no banco: responde pelas medidas que o time do cliente já cadastrou e validou. Não cria métrica nova e não inventa número. E como o modelo do BI é a mesma camada que guarda a regra de acesso, quem só enxergava a própria carteira no relatório continua enxergando só ela quando pergunta em português.

A definição mais honesta que a gente tem: é um tradutor entre o usuário e as métricas dele.

Não é ideia de startup. É a parte cara de um projeto que a gente já tinha feito várias vezes, transformada em produto — para o próximo cliente não pagar de novo pela mesma descoberta.

O desenho, camada por camada, está em Arquitetura. O que ele guarda, o que ele alcança e o que fica registrado está em Governança.

Quem sustenta o Hub é o mesmo time que está dentro de ambiente de cliente hoje: plataforma em Fabric e Databricks, modelo semântico, regra de acesso em escala, migração de Qlik e Tableau para Power BI. Quando você abre um chamado sobre o produto, quem responde já viu aquele problema num projeto de verdade — o que é bem diferente de suporte de software.

A inQuesti fica em São Paulo e é parceira Microsoft em Data & AI. Os projetos, com nome de cliente e resultado, estão em inquesti.com.br.