IA para análise de dados de marketing: onde o ChatGPT acerta e onde ele inventa
IA para análise de dados funciona para explorar uma planilha e falha para decidir com ela: o modelo calcula certo sobre uma definição que ele mesmo escolheu.
Usar IA para análise de dados de marketing funciona para explorar e falha para decidir. O ChatGPT lê planilhas de até cerca de 50 MB e escreve e roda Python num notebook Jupyter para fazer as contas (OpenAI, consultado em 14/10/2026); o Claude faz o mesmo com arquivos de até 30 MB (Anthropic). A aritmética sai certa. O que não vem junto com o CSV é a definição de receita, de ROAS ou de cliente novo, e sem ela o modelo escolhe uma sozinho.
A regra de triagem: se a resposta depende de uma definição de negócio que não está escrita no arquivo, a IA não vai inventar o número. Vai inventar a definição, e calcular o número certo em cima dela.
Qual é o sintoma, e por que ele é tão fácil de não ver?
O sintoma é um fluxo que você provavelmente já rodou. Você exporta o relatório de aquisição do GA4, sobe no ChatGPT ou no Claude e pede “o ROAS por canal do último trimestre”. Em menos de um minuto volta uma tabela limpa, com gráfico e uma recomendação de onde cortar verba.
A tabela convence porque tem forma de análise. Ninguém pergunta de qual coluna saiu a receita.
O problema aparece depois. O financeiro fecha o trimestre com a receita do ERP ou da VTEX, e a soma por canal que a IA devolveu não bate com ela. Ou alguém repete a pergunta numa conversa nova, com o mesmo arquivo, e o ROAS do Google Ads muda. Ou o diretor pergunta “esse ROAS considera o que foi vendido no Mercado Livre?” e ninguém sabe.
Três sinais denunciam o problema:
- O total não fecha com a fonte da verdade. A soma dos canais na tabela da IA difere da receita que o financeiro reconhece.
- A mesma pergunta dá números diferentes em sessões diferentes. O modelo desempatou de um jeito na primeira vez e de outro na segunda.
- Ninguém consegue dizer qual definição foi usada. Se você não sabe responder “receita bruta ou líquida, por data de pedido ou de pagamento?”, a IA também não sabia. Ela escolheu.
Por que a conta está certa e a resposta está errada?
Porque a ferramenta faz exatamente o que promete. A OpenAI descreve o recurso como um ambiente que “escreve e roda código Python” sobre os arquivos da sessão (OpenAI). O código opera sobre as colunas que encontra. Se a planilha tem uma coluna chamada “Receita”, o código soma essa coluna, corretamente. O erro está antes do código, em quatro lugares.
1. O export já carrega a definição de quem o gerou. A receita que sai do GA4 é a receita segundo o GA4: atribuída por um modelo que, na documentação do próprio Google, exclui visitas diretas do crédito, a menos que o caminho inteiro seja direto (Google). A IA não sabe disso, a menos que você diga. Ela trata a coluna como receita e divide pelo investimento. O resultado é o ROAS segundo o GA4, apresentado como ROAS.
2. O arquivo pode estar incompleto sem avisar. Quando a tabela excede o limite de linhas, o GA4 agrupa os valores menos frequentes numa linha “(other)” (Google). Num export com campanha, origem e mídia cruzadas, parte das campanhas pequenas some ali dentro. A IA soma o que está no arquivo. E a própria OpenAI avisa que um arquivo pode subir com sucesso e ainda ser grande ou complexo demais para análise completa (OpenAI).
3. O modelo escolhe o método. Está na documentação, sem rodeio: o ChatGPT pode escolher um método de análise ou um tipo de gráfico que não corresponde à sua intenção na primeira tentativa (OpenAI). Em pergunta de marketing, “método” inclui decisões como filtrar ou não pedidos cancelados, somar frete ou não, contar a venda no dia do pedido ou no dia do Pix compensado.
4. Cruzar fontes é onde a falha fica silenciosa. O ambiente de Python do ChatGPT não faz requisição externa nem chamada de API (OpenAI), então o custo do Meta Ads precisa subir num segundo arquivo. Para juntar os dois, o modelo casa linhas por nome de canal. “facebook / cpc” no GA4 e “Meta” na planilha de mídia não casam sozinhos, e a junção que falha não dá erro: devolve menos linhas. O mesmo vale para venda de loja própria e de marketplace, que chegam com identificadores diferentes e somam duas vezes se ninguém escreveu a regra de deduplicação.
Nenhum dos quatro é falha de modelo, e trocar o ChatGPT pelo Claude não resolve nenhum. É o mecanismo que chamamos de alucinação de métrica: a resposta numericamente correta sobre uma definição que a empresa nunca escreveu.
Um exemplo com números redondos, sintético e declarado como tal, mostra o tamanho do estrago:
| Canal | Receita no export do GA4 | Investimento | ROAS que a IA devolve |
|---|---|---|---|
| Google Ads | R$ 400 mil | R$ 80 mil | 5,0 |
| Meta Ads | R$ 150 mil | R$ 60 mil | 2,5 |
| Direto e orgânico | R$ 250 mil | R$ 0 | n/a |
| Total | R$ 800 mil | R$ 140 mil |
Se o ERP reconhece menos que isso no mesmo trimestre, por cancelamento, devolução ou boleto não pago, cada ROAS da tabela está inflado na mesma proporção, e a recomendação de “dobrar o Google” foi feita sobre receita que não entrou. A IA não errou nenhuma divisão.
Quais tarefas são seguras para entregar à IA, e quais não?
A linha que separa as duas é uma pergunta: a resposta depende de uma definição de negócio? Se não depende, a IA faz bem e rápido. Se depende, ela vai precisar adivinhar.
| Tarefa | Segura? | Por quê |
|---|---|---|
| Achar padrão e sazonalidade numa série | Sim | A forma da curva não muda com a definição de receita |
| Apontar anomalia (pico, queda, dia zerado) | Sim | É ponto de partida para investigar, não conclusão |
| Limpar e padronizar (UTM, nome de campanha, datas) | Sim, revisando | Tarefa mecânica; o resultado é verificável linha a linha |
| Rascunhar hipótese ("a queda coincide com a troca de criativo") | Sim | Hipótese pede teste; ninguém decide verba com ela |
| Escrever a fórmula, a query ou o script para você revisar | Sim | O código fica legível e auditável |
| Receita do mês | Não | Bruta, líquida, faturada ou atribuída: o arquivo não diz qual |
| ROAS ou CAC por canal | Não | Depende de quem leva o crédito pela venda e de qual receita entra |
| LTV ou recompra | Não | Depende do que conta como cliente e de cruzar loja própria com marketplace |
| Comparar duas fontes (GA4 contra VTEX, Meta contra GA4) | Não | Cada fonte tem sua definição; a junção falha em silêncio |
| "Qual canal devo cortar?" | Não | É decisão sobre as quatro linhas acima ao mesmo tempo |
Análise de marketing tem duas camadas: a aritmética, que o Python resolve, e a semântica, que ninguém colocou no arquivo. A própria Anthropic recomenda conferir cálculos complexos ou críticos com software especializado ou à mão (Anthropic); em marketing, a verificação que importa é a da definição.
Como diagnosticar se uma análise já está contaminada?
Seis verificações, todas possíveis na mesma conversa em que a análise foi feita. A documentação da OpenAI já pede a primeira: revisar o código, as saídas e as premissas antes de confiar no resultado (OpenAI).
| Verificação | Como fazer | Sinal de problema |
|---|---|---|
| Abrir o código | Peça "mostre o código que gerou esta tabela" | Filtro, junção ou coluna que você não pediu |
| Perguntar a definição | "Qual coluna você usou como receita, e o que ela inclui?" | A resposta descreve a regra em prosa em vez de citar uma definição sua |
| Repetir em sessão nova | Mesmo arquivo, mesma pergunta, conversa limpa | Números diferentes: o desempate não é estável |
| Fechar o total antes de quebrar | Compare a soma da tabela com a receita do ERP ou da VTEX no mesmo período | Diferença sem explicação nomeada |
| Contar a junção | "Quantas linhas de cada arquivo ficaram sem par?" | Canal ou campanha que sumiu depois do cruzamento |
| Procurar o "(other)" | Busque a linha no export antes de subir | Parte da receita está numa linha sem canal |
Se for fazer uma só, faça a quarta: quebrar por canal um total que não fecha com o financeiro produz uma distribuição precisa de um número errado.
Como corrigir sem abandonar a IA?
Em três níveis, do mais barato ao que resolve de vez.
Nível 1: escreva a definição na pergunta. “Receita = valor dos pedidos aprovados, sem frete, por data de pagamento, excluindo cancelados.” Isso desfaz o desempate silencioso para aquela conversa. Junto, autorize a resposta “não sei”, para que a falta de definição vire recusa em vez de palpite; o mecanismo está em como fazer a IA admitir que não sabe.
Nível 2: suba um arquivo de definições junto com os dados. Um documento curto com cada métrica, a fórmula, a fonte e o que fica de fora. Num projeto do ChatGPT ou do Claude, ele fica disponível para todas as conversas. A definição deixa de depender de memória, mas continua frágil: o arquivo envelhece, cada pessoa tem a sua cópia, e ninguém audita qual versão respondeu.
Nível 3: tire a definição do arquivo e ponha no dado. A IA para de receber planilha e passa a consultar métricas já definidas, versionadas e auditáveis, por um servidor MCP ou por API. Quando a pergunta chega, “receita” já tem uma regra só, e a mesma regra vale para o financeiro, para o BI e para o agente. É o que separa um text-to-SQL que erra com SQL válido de um que responde sobre definição.
Nós erramos aqui antes de entender isso. Na Precisian, passamos seis meses tentando plugar agente em dado não modelado, e ele inventava coisa. O relato completo está no post sobre alucinação de métrica. O que levo dele para esta triagem é simples: a parte exploratória nunca foi o problema. O problema sempre foi pedir decisão a um modelo que não tinha onde ler o que nossos números significavam.
É esse o trabalho que a Precisian faz: um data lake isolado por cliente, com camada semântica versionada por cima, acessível pela IA que o seu time já usa via MCP, API ou BI. A IA continua sendo a sua. A gente entrega o dado pronto para ser perguntado.
Quando isso não tem conserto?
Em quatro situações, e em nenhuma delas trocar de ferramenta ajuda.
Quando o dado não existe. Venda fechada no WhatsApp sem registro de origem, loja física sem CPF no cupom, pedido de marketplace sem identificador do cliente. A IA pode estimar, e a estimativa vai sair com a mesma confiança de um número medido. A correção começa na coleta.
Quando a empresa nunca decidiu a definição. Se marketing e financeiro usam receitas diferentes e ninguém arbitrou, nenhuma camada técnica escolhe por eles. Escrever a definição é decisão de negócio, com dono. A IA só deixa a falta dela mais rápida de perceber.
Quando a pergunta é causal. “Por que as vendas caíram em setembro?” não se responde com uma planilha, por mais bem modelada que ela seja. A IA vai devolver uma correlação narrada como causa. Use a resposta como hipótese e teste antes de agir.
Quando a operação é pequena demais para precisar disso. Uma loja com um canal pago, uma fonte de venda e uma pessoa que confere o número toda semana não precisa de camada semântica. O nível 1 desta lista, com a conferência humana que ela já faz, resolve. A Precisian é a resposta errada para esse caso, e dizer isso economiza a conversa dos dois lados.
O que este artigo não cobre?
Não compara a acurácia do ChatGPT com a do Claude em análise de dados. Não encontrei fonte primária com método declarado que faça essa comparação em dado de marketing, e qualquer número sobre isso envelhece a cada versão de modelo.
Os limites de arquivo citados são os publicados pela OpenAI e pela Anthropic em 14/10/2026. Eles mudam por plano, por modelo ou por configuração do workspace.
E não trata da questão de privacidade de subir base de cliente num chat de IA, que tem implicação de LGPD própria. Esse ponto está em LGPD e IA com dados de cliente.
Se a sua equipe já tomou decisão de verba com um ROAS que saiu de um export do GA4 numa conversa de IA, o primeiro passo é medir quanto a receita daquele export diverge da receita que o financeiro fechou no mesmo período. Agende uma conversa sobre o seu caso, sem compromisso de contrato, mas sem promessa de resposta em 30 minutos também.