Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Faça Perguntas aos Seus Dados em Linguagem Natural

Aula 2 de 14 Atualizada a 5 de novembro de 2026 Intermediario
Nesta página
  1. Consulte os Seus Dados Como Se Estivesse a Falar com um Colega
  2. O Princípio: Da Linguagem Natural ao Código Python
  3. Tipos de Perguntas Que Pode Fazer
  4. Como Formular Perguntas Eficazes
  5. Iterar Sobre os Resultados
  6. Mais Capacidade de Raciocínio para Análises Complexas
  7. A Sua Vez
  8. Pontos-chave

Consulte os Seus Dados Como Se Estivesse a Falar com um Colega

A maior vantagem do ChatGPT para a análise de dados resume-se a uma coisa: ele compreende as suas perguntas em linguagem corrente. Não precisa de SQL, Python ou de uma fórmula do Excel aninhada em três níveis. Basta descrever exatamente o que procura, tal como diria a um colega analista que estivesse a olhar para o mesmo ficheiro, e o ChatGPT traduz a sua intenção em código executável. Esta mudança é real e altera a natureza do trabalho: o seu esforço desloca-se da sintaxe para a formulação da pergunta certa.

O Princípio: Da Linguagem Natural ao Código Python

Quando faz uma pergunta sobre os seus dados, eis o que acontece nos bastidores:

Da linguagem natural ao resultado Quatro passos: faz a pergunta em linguagem corrente; o ChatGPT escreve o código Python, muitas vezes usando pandas; o código é executado num notebook Jupyter; o resultado chega sob a forma de tabela, número ou gráfico. PRINCÍPIO Da linguagem natural ao resultado 1 Pergunta Em linguagem corrente 2 Código Python, muitas vezes pandas 3 Execução Num notebook Jupyter 4 Resultado Tabela, número, gráfico Visualize o código e reveja as premissas antes de confiar no resultado.
Com base no artigo "Data analysis with ChatGPT" do Centro de Ajuda da OpenAI (novembro de 2026).

Este código não é uma caixa negra: pode visualizá-lo, revê-lo e pedir ao ChatGPT para ajustar o método. Note que o ambiente Python não tem acesso à web: se a sua análise necessitar de dados externos, importe-os ou ligue-se a uma fonte.

Tipos de Perguntas Que Pode Fazer

As perguntas de resumo ajudam-no a familiarizar-se com o ficheiro antes de se debruçar sobre os detalhes: “Quantas linhas e colunas tem este ficheiro?”, “Dê-me uma visão geral dos dados” ou “Que colunas estão disponíveis e quais são os seus tipos?”. Estas perguntas impedem-no de iniciar uma análise que pressupõe uma granularidade que os seus dados não possuem — não pode calcular o tamanho médio do cesto por cliente se o ficheiro já estiver agregado por região.

Seguem-se as perguntas de agregação, que condensam milhares de linhas em números acionáveis: “Qual é o total de vendas por categoria de produto?”, “Qual é o tamanho médio do cesto por mês?”, “Quantos clientes únicos por trimestre?”. Este é o cerne dos relatórios mensais e, frequentemente, representa metade do trabalho que lhe será solicitado.

As perguntas de filtragem isolam depois um subconjunto relevante — “Mostre-me apenas vendas superiores a 10 000 €”, “Quais os produtos que não tiveram vendas em março?”, “Liste os clientes na região de Île-de-France” — enquanto as perguntas de classificação ordenam os dados para destacar extremos: “Quem são os 10 melhores vendedores?”, “Classifique as regiões por receita em ordem decrescente”, “Qual foi o mês com melhor desempenho?”. Na prática, uma análise séria encadeia todos os quatro tipos: resume, agrega, filtra a anomalia que detetou e, em seguida, classifica para priorizar a ação. Pode também selecionar linhas, colunas ou células na pré-visualização interativa da tabela e fazer a sua pergunta apenas sobre essa seleção — o valor mais frequente numa coluna, a média de algumas células.

Como Formular Perguntas Eficazes

A qualidade da resposta depende diretamente da clareza da sua pergunta. O seu primeiro reflexo deve ser nomear as colunas em vez de falar em generalidades. “Analise as vendas” deixa o ChatGPT a adivinhar qual a coluna que contém o montante; esta formulação não deixa margem para interpretação:

Calculate the total of the "amount_incl_tax" column grouped by "region"
and sorted from highest to lowest.

O seu segundo reflexo é especificar o formato de saída que deseja. Caso contrário, receberá uma resposta escrita quando precisava de uma tabela para colar no seu relatório, e perderá o tempo que poupou no cálculo ao ter de reformatar:

Give me the result as a table with these columns:
region, total sales, number of transactions, average basket size.

O terceiro, muitas vezes negligenciado, é fornecer o contexto empresarial que o ficheiro não contém. O ChatGPT não sabe que certas linhas não devem ser incluídas no cálculo:

The "status" column contains "approved", "pending", and "cancelled".
Only include approved orders.

Sem este esclarecimento, as suas encomendas canceladas inflacionam a receita e o erro passa despercebido: o resultado continua a parecer perfeitamente plausível. Este é o tipo de erro que passa despercebido numa reunião de direção.

Iterar Sobre os Resultados

A análise de dados raramente é linear e não se espera que encontre a pergunta certa à primeira tentativa. Começa por pedir a receita total por mês, nota uma quebra em fevereiro e pergunta depois por que motivo ocorreu essa queda. Se a resposta permanecer vaga, filtra pela categoria “premium” e recalcula, comparando depois com o mesmo período do ano anterior para determinar se se trata de uma sazonalidade conhecida ou de um incidente.

O ChatGPT mantém o contexto da conversa e o ficheiro carregado, pelo que cada pergunta se baseia nas anteriores. Isto torna possível uma exploração progressiva: a quebra de fevereiro, uma vez isolada no segmento premium, pode ser explicada por um único grande cliente que mudou para um concorrente — uma conclusão inalcançável a partir da primeira pergunta.

Mais Capacidade de Raciocínio para Análises Complexas

Algumas perguntas não podem ser resolvidas com uma simples agregação. Correlações cruzadas, análises de múltiplas fontes, interpretações nuances: sempre que for necessário um raciocínio em várias etapas, escolha um nível de raciocínio mais elevado no seletor do ChatGPT — Alto ou Extra Alto, dependendo do seu plano, ou o botão Pensar (Think) nos planos Free e Go. O raciocínio adicional ajuda a considerar fatores que possam explicar uma ligação entre duas variáveis antes de concluir pela causalidade, a detetar padrões subtis — uma sazonalidade deslocada em três semanas, um segmento em declínio trimestre após trimestre — e a construir recomendações a partir dos números calculados. Nenhuma configuração, no entanto, transforma correlação em causalidade: é aqui que o seu conhecimento do setor e, por vezes, um teste, decidem.

A Sua Vez

As suas primeiras perguntas.

  1. Importe um ficheiro que conheça bem
  2. Faça uma pergunta de cada família: resumo, agregação, filtragem, classificação
  3. Reformule uma delas nomeando as colunas e especificando o formato de saída, comparando depois as duas respostas
  4. Adicione uma regra de negócio — por exemplo, excluir encomendas canceladas — e meça a diferença
  5. Visualize o código de um cálculo e verifique-o manualmente em duas ou três linhas

Fontes oficiais: Data analysis with ChatGPT · Extracting Insights with ChatGPT Data Analysis (Centro de Ajuda da OpenAI) · Prompting (documentação do ChatGPT)

Pontos-chave

  • Faça perguntas em linguagem corrente; o ChatGPT traduz-as em código
  • Seja específico: nomeie as colunas, especifique os filtros, indique o formato desejado
  • Itere dentro da mesma conversa para aprofundar a sua análise
  • Eleve o nível de raciocínio para análises em várias etapas
  • Verifique sempre os resultados — o ChatGPT pode interpretar mal uma coluna