Do CSV ao insight: análise exploratória sem se perder no caminho

Chega um arquivo por e-mail e uma frase junto: "dá uma olhada nisso e me diz o que você acha". Sem contexto, sem pergunta definida, sem dicionário de dados.

É a situação mais comum de quem trabalha com dados e a que mais gera trabalho jogado fora — porque é fácil passar quatro horas produzindo gráficos bonitos sobre uma base que estava errada desde a terceira linha.

Este é o roteiro que uso nas primeiras duas horas. Ele não é sofisticado; é justamente por isso que funciona.

Passo 0: descubra a pergunta antes de abrir o arquivo

Parece perda de tempo e é o passo que mais economiza. Volte para quem pediu e pergunte:

• Que decisão depende disso?
• O que você espera encontrar? A resposta revela a hipótese que a pessoa já tem — e você precisa saber qual é, para não confirmá-la sem querer.
• De onde veio esse arquivo? Exportação de sistema, planilha mantida à mão e resultado de outra análise têm confiabilidades muito diferentes.

Se a resposta for "não sei, só quero entender melhor", faça a análise mesmo assim — mas com prazo curto e escopo pequeno. Exploração sem destino é legítima; só não deve consumir dois dias.

Passo 1: conheça o terreno antes de calcular qualquer coisa

Antes de qualquer média, quatro checagens:

1. Quantas linhas e colunas? Se você esperava 50 mil e vieram 12 mil, alguma coisa foi filtrada na exportação — e ninguém te avisou.
2. Qual o período coberto? Menor e maior data. É comum descobrir que o arquivo para no dia 20 porque a exportação foi feita naquele dia.
3. Quantos valores faltando por coluna? Uma coluna com 40% de vazio muda toda a interpretação do que ela mede.
4. Quantos valores distintos por coluna? Revela o tipo real: 2 valores é sinalizador, 15 é categoria, 40 mil é identificador.

Essas quatro respostas levam dez minutos e já derrubam uma parte considerável das análises antes de elas começarem — o que é ótimo, porque derrubar cedo é barato.

Passo 2: olhe os extremos, não a média

Ordene cada coluna numérica e olhe os dez maiores e os dez menores valores. É a checagem com melhor retorno por minuto que existe.

O que costuma aparecer:

• Valores negativos onde não deveria haver — estorno registrado como venda.
• Um valor absurdamente alto que sozinho distorce a média.
• Zeros que na verdade significam "não informado".
• Datas em 1900 ou 2099, típicas de campo vazio preenchido por padrão.
• Um único cliente responsável por metade do volume.

A média esconde. Os extremos denunciam. Sempre olhe as pontas antes de resumir o meio.

Esse último caso merece atenção especial. Quando um registro concentra boa parte do total, quase toda conclusão sobre "o comportamento típico" fica errada — e a decisão certa costuma ser analisar com e sem ele, separadamente.

Passo 3: as armadilhas que invalidam o resultado

Duplicata que não parece duplicata

Conte as linhas totais e as linhas distintas. Se diferem, entenda por quê antes de somar qualquer coisa. Às vezes é erro de exportação; às vezes são registros legítimos que parecem iguais nas colunas que você olhou.

Junção que multiplica

Ao cruzar dois arquivos, confira a contagem antes e depois. Se cresceu, você duplicou linhas — e todo total daí em diante está inflado, sem nenhum aviso.

Número que virou texto

Vírgula decimal, símbolo de moeda e separador de milhar fazem a planilha tratar número como texto. O sintoma clássico é ordenação estranha: 1.000 aparecendo antes de 9. Some, e o resultado será zero ou algo absurdo.

Fuso e formato de data

Dia 3 de abril e 4 de março se escrevem quase igual dependendo do formato. Se a base cruza sistemas diferentes, confira alguns registros conhecidos antes de agrupar por mês.

Sobrevivência silenciosa

A mais traiçoeira, porque não deixa rastro no arquivo. Se a base só tem clientes ativos, qualquer conclusão sobre satisfação está enviesada — quem estava insatisfeito saiu e não está ali. Pergunte sempre: quem ficou de fora deste arquivo?

Passo 4: confirme com um caso que você já conhece

Antes de confiar em qualquer agregado, escolha um caso cujo resultado você conhece por outra fonte — o faturamento de um mês, o total de um cliente grande — e veja se bate.

Se bate, sua confiança sobe para o resto. Se não bate, você acabou de evitar um relatório inteiro errado, e ainda ganhou uma pista de onde está o problema.

Passo 5: escreva a conclusão antes de fazer os gráficos

Inversão que economiza horas. Depois da exploração, escreva em três linhas o que você concluiu.

Duas coisas acontecem. Se não conseguir escrever, você ainda não concluiu nada — e mais gráficos não vão resolver isso. Se conseguir, você descobre que precisa de dois ou três gráficos, não de quinze. Os outros doze eram exploração sua, e exploração não precisa virar entrega.

Passo 6: registre o que você fez

Ao final, deixe anotado: de onde veio o arquivo, o período, quantas linhas foram descartadas e por quê, e quais suposições você assumiu.

Isso responde em trinta segundos a pergunta que aparece três semanas depois — "por que esse número é diferente do sistema?" — e que, sem registro, vira uma investigação do zero.

O que fica

Análise exploratória boa não é a que usa a técnica mais sofisticada. É a que descobre cedo que o dado não presta, quando isso custa dez minutos em vez de dois dias.

Pergunta antes do arquivo, terreno antes do cálculo, extremos antes da média, um caso conhecido para validar, e a conclusão escrita antes do primeiro gráfico. Não tem nada de avançado nesse roteiro — e é exatamente por isso que ele raramente falha.