BI-team da Avito monta dashboards com agente em 8–10 dias, em vez de 20

Os colegas trazem cada vez mais dashboards montados com ajuda de IA para os desenvolvedores de BI. Há muitos gráficos, todos detalhados, mas não fica claro para onde olhar nem qual conclusão tirar. Ira Kulbyakina, da equipe de Imóveis da Avito, analisou por que isso acontece e mostrou, com um exemplo, como esse tipo de dashboard é levado a um estado utilizável. Segundo os autores, com um agente um dashboard complexo fica pronto em 8–10 dias, em vez de 20.

Onde o agente ajuda e onde não ajuda

O trabalho em um dashboard costuma seguir esta sequência. Primeiro, levantam-se os requisitos. Depois, a equipe estuda os dados: quais tabelas estão atualizadas e como calcular as métricas. Em seguida, escreve o SQL e o código das visualizações e conecta os filtros a cada gráfico manualmente. O agente assume essas etapas técnicas. A Avito criou servidores MCP para o Redash e para o data warehouse em Trino. Por meio deles, o agente busca tabelas, extrai dados, escreve consultas e constrói gráficos. As pessoas continuam verificando por conta própria as fontes e os cálculos.

Os problemas começam quando se pede ao agente que monte um dashboard inteiro a partir dos gráficos. Para o modelo, cada gráfico é uma tarefa separada, com sua própria consulta, tipo de visualização e cores. Os erros dentro de um único gráfico (escalas diferentes no mesmo painel, soma no lugar de média, período anterior esquecido) são fáceis de pegar com regras. As decisões no nível da tela inteira são mais difíceis: qual cor fica associada a cada indicador, com o que comparar cada número, o que é mais importante e o que não deve aparecer na tela.

O experimento: o dashboard do call center

A colega reconstituiu a especificação técnica a partir de um dashboard existente do call center, que encaminha compradores de imóveis na planta às construtoras. Depois, a autora montou um novo dashboard com outro agente, que não havia visto a versão original. A pergunta principal do cliente («Por que diminuíram os encaminhamentos qualificados?») não foi destacada à parte na especificação, para que o próprio agente entendesse qual era a principal.

A primeira versão parecia completa: sete cartões, evolução no tempo, gráfico de cascata, fontes, cidades, mapa de calor, carga e tabela. Mas não cumpria o seu papel. Vieram então os ajustes:

• Evolução no tempo. Um gráfico com percentuais e quantidades no mesmo painel foi dividido em cinco. O período anterior passou a aparecer em linha tracejada, e as semanas incompletas foram pintadas de cinza; do contrário, o fim do mês pareceria uma queda brusca.
• Mapa de calor. Em setembro há cinco terças-feiras e cinco quartas-feiras, e os demais dias aparecem quatro vezes; por isso, as somas de ligações distorciam o quadro. A soma foi trocada pela média, foi adicionada uma legenda e os números foram para o tooltip.
• Fontes e cidades. Viraram tabelas com barra, valor e variação em relação ao período anterior, e a primeira linha passou a ser «Total».
• Funcionários. Foram agrupados por equipes, as linhas pequenas foram reunidas em «Outros» e todos receberam a mesma cor, para que nenhuma equipe parecesse atrasada só por causa do vermelho.
• Indicadores unificados. Em todo o dashboard ficou a participação de encaminhamentos não qualificados, em vez de mostrar os qualificados num lugar e os não qualificados em outro.

O principal o agente não fez sozinho. A resposta à pergunta do cliente estava no gráfico de cascata, que mostra a contribuição de cada fator para a variação dos encaminhamentos qualificados. O agente o construiu, mas o colocou de lado, com metade da largura, e não entendeu que aquilo era a resposta. As pessoas tiveram de mover a cascata para baixo dos cartões, em largura total, e destacar a única contribuição relevante: −63 encaminhamentos qualificados por causa do aumento da participação dos não qualificados. O número de chamados até aumentou, mas os encaminhamentos qualificados diminuíram justamente porque a participação dos não qualificados cresceu.

Regras que vale a pena fixar

A autora reuniu as conclusões em uma lista que pode ser transformada em skill para o agente:

• A comparação precisa ser honesta: uma escala por gráfico, períodos incompletos sinalizados e média em vez de soma quando os períodos têm números diferentes de dias.
• Um número sem base de comparação não significa nada. Ao lado de 82,3% é preciso mostrar o período anterior.
• Não duplicar o que já está mostrado: se há números sobre as barras, a escala é desnecessária.
• Tudo o que serve para a leitura deve ter rótulo: período, base de comparação, unidades.
• A cor fica associada a um significado em toda a tela. Verde e vermelho só para a avaliação «melhor/pior», e o aumento do volume de ligações é neutro e fica em cinza.

O que isso significa

Vale mencionar as limitações à parte. Todo o artigo se baseia em um único dashboard com dados sintéticos. Os números finais da economia de tempo não são divulgados no trecho disponível do texto; por isso, «8–10 dias em vez de 20» deve ser entendido como uma declaração da equipe, e não como uma medição independente. Os autores continuam verificando manualmente as fontes e os cálculos.

A conclusão prática é simples. Dá para delegar ao agente a busca de dados, o SQL e a rotina dos filtros, mas a priorização e a hierarquia visual é melhor formular de maneira explícita. Se as regras do dashboard forem formalizadas como skill, o agente tende a cometer menos erros típicos já na primeira iteração. E a pergunta «o que é mais importante aqui e por quê» ainda deve ser feita por uma pessoa.