Boas práticas de visualização de dados: um guia prático para gráficos claros, honestos e eficazes

Richard Tomlinson passou a maior parte de sua carreira ajudando organizações a trabalhar com seus próprios dados, inclusive fazendo com que suas próprias equipes confiem neles. Em funções de BI e de produto, ele viu o mesmo padrão de falha se repetir: dashboards criados com boas intenções que as pessoas simplesmente deixaram de usar. Agora que a AI pode gerar um gráfico em segundos, sua experiência lhe diz que o "self-service" precisa significar algo mais do que apenas rapidez.

Nesta conversa, Richard explica por que os dashboards perdem a confiança muito antes de perderem o bom design, o que a AI realmente muda em relação a esse problema e o que as pessoas precisam trazer para um gráfico que nenhuma assistência de AI pode fornecer por si só.

Por que as pessoas param de usar dashboards de BI?

Fale sobre um dashboard que você viu falhar. Não um que parecia ruim, mas um que as pessoas simplesmente pararam de abrir.

Richard Tomlinson: Os dashboards que falham não são necessariamente feios. Muitas vezes, eles falham porque alguém vê um número em que não acredita e não consegue entender rapidamente por que ele está ali.

Imagine um executivo abrindo um dashboard de receita na manhã de segunda-feira e vendo um valor diferente do relatório que o departamento financeiro circulou na sexta-feira. Ele não sabe se o dashboard está usando uma definição de receita diferente, um tempo de atualização diferente, um filtro diferente ou simplesmente os dados errados. Se ele precisar pedir a um analista para descobrir, o dashboard já falhou em uma de suas tarefas mais importantes.

A confiança tende a desaparecer muito mais rápido do que é construída. Os usuários raramente abrem um chamado dizendo que não confiam mais na plataforma de BI. Eles simplesmente param de abri-la e voltam para as planilhas, analistas ou relatórios preparados manualmente.

É por isso que penso que uma boa visualização começa antes da visualização em si. Um gráfico claro não pode compensar uma métrica confusa, uma fonte questionável ou uma definição de negócios inconsistente. Em um ambiente de analytics baseado em AI, isso importa ainda mais, porque os usuários podem gerar muito mais análises de forma muito mais rápida. Se os dados subjacentes, a semântica e a governança forem inconsistentes, a AI acabará apenas ajudando você a produzir gráficos inconsistentes mais rapidamente.

As melhores experiências modernas de analytics conectam a visualização de volta aos seus dados e ao seu significado, para que haja uma única versão da verdade em todas as superfícies, em vez de cinco. Por exemplo, os conjuntos de dados do Databricks AI/BI Dashboard herdam a governança do Unity Catalog, e a plataforma mantém a linhagem entre os ativos de dados. Isso significa que um usuário que duvida de um número pode rastreá-lo de volta à sua fonte, em vez de descartar todo o sistema.

O que os líderes devem priorizar ao adotar ferramentas de dashboard de AI?

À medida que a AI transforma a forma como usamos e interagimos com os dados, o que os líderes devem priorizar ao adotar novas ferramentas de dashboard de AI?

Richard Tomlinson: Gosto da ideia de "débito de confiança", porque as organizações o acumulam toda vez que os usuários encontram duas versões da mesma métrica, uma discrepância inexplicável, um dashboard desatualizado ou uma resposta que não conseguem verificar.

A AI pode piorar substancialmente esse débito, porque muda a economia do analytics. As organizações costumavam criar centenas ou até milhares de dashboards selecionados ao longo de anos. Com a AI generativa, qualquer pessoa pode criar um novo gráfico em segundos e, com a criação agêntica (agentic authoring), a AI agora pode criar rapidamente um dashboard de várias páginas completo, incluindo conjuntos de dados, visualizações, filtros e layout.

O Genie Code do Databricks, por exemplo, pode receber um objetivo em linguagem natural, encontrar os dados relevantes, criar conjuntos de dados, gerar visualizações, configurar filtros, organizar páginas e refinar o resultado muito mais rápido do que costumava demorar. Isso é um ganho real de produtividade, mas muda o que os líderes precisam governar, já que não é possível revisar manualmente cada gráfico gerado por AI.

Portanto, minha resposta é que eu priorizaria quatro coisas:

1. Governar os dados, para que a AI herde as mesmas permissões e controles aplicados em todos os outros lugares.
2. Governar o significado, para que medidas e dimensões importantes venham de definições de negócios reutilizáveis, em vez de serem reinventadas toda vez que alguém gera um gráfico.
3. Preservar a proveniência, para que o usuário possa entender quais dados e cálculos produziram um resultado importante.
4. Projetar para inspeção, para que as visualizações estimulem perguntas de acompanhamento, filtragem e detalhamento, em vez de apresentar uma resposta inexplicável como fato.

Uma boa governança, na verdade, permite mais self-service. Com bases sólidas, a AI pode gerar com segurança muito mais experiências analíticas sem que uma equipe central de BI precise criar cada uma delas manualmente.

O que faz os gráficos gerados por AI falharem?

Quando um assistente de AI gera o gráfico, ele toma decisões com base no formato dos dados, e não na decisão que a pessoa está tentando tomar. Onde isso falha?

Richard Tomlinson: Eu ajustaria um pouco essa premissa. Os assistentes de AI modernos usam mais do que apenas o formato dos dados. Eles também podem interpretar a solicitação e seu contexto. Se eu disser: "Mostre como a receita mudou nos últimos 12 meses", isso implica uma série temporal. Se eu perguntar: "Quais são as cinco regiões que geram mais receita?", os mesmos dados podem apontar para um gráfico de barras ordenado. O ideal é que os autores consigam descrever as visualizações em linguagem natural, é por isso que o Databricks já permite que o Genie Code planeje e crie várias visualizações como parte de um objetivo maior de dashboard.

O que a AI ainda tem dificuldades é no propósito. Um conjunto de dados diz quais valores estão disponíveis. Um prompt diz o que alguém perguntou. Nenhum dos dois diz com segurança quem vai usar a visualização, qual decisão está tentando tomar, qual comparação é mais importante, o que deve atrair atenção primeiro, qual nível de precisão é necessário, qual contexto o público já entende ou o que poderia ser mal interpretado.

Digamos que uma métrica tenha caído de 94% para 91%. A AI pode mapear essa queda corretamente em um gráfico, mas se isso é catastrófico ou apenas um ruído irrelevante depende inteiramente do contexto de negócios, que não está em lugar nenhum do conjunto de dados. É por isso que o papel humano está mudando de desenhar gráficos para especificar a intenção e exercer o julgamento. A AI pode fazer o trabalho mecânico de criar uma visualização, mas alguém ainda precisa decidir o que ela deve comunicar e se está correta.

Por que o BI legado produz análises ruins mesmo quando os dados estão corretos?

Quais são os outros desafios que surgem nos sistemas legados, além de dados imprecisos ou ausentes?

Richard Tomlinson: Os problemas mais difíceis surgem não por causa de linhas ausentes, mas por causa da falta de contexto. Um ambiente de BI legado pode conter dados precisos e, ainda assim, produzir análises ruins porque a lógica de negócios se fragmentou em dashboards, campos calculados, extrações, modelos semânticos, planilhas e conhecimento institucional.

Você acaba com cinco definições diferentes para o mesmo KPI e ninguém tem certeza de qual dashboard é o canônico. A lógica de cálculo reside dentro de relatórios individuais, os usuários precisam saber qual ferramenta e aba contêm a resposta, e alterar uma definição significa rastrear todos os locais onde ela foi duplicada.

A AI expõe esse problema muito rapidamente. Um assistente pode entender a pergunta corretamente e, ainda assim, não ter uma maneira confiável de determinar qual das cinco definições de receita a empresa considera oficial. É por isso que a peça que falta não é simplesmente anexar um modelo de linguagem a uma camada de visualização. Os dashboards baseados em AI precisam de uma base de dados governados, além de semântica e contexto de negócios reutilizáveis.

Até mesmo a Microsoft alerta em suas diretrizes atuais do Power BI que os resultados do Copilot podem ser de baixa qualidade ou enganosos se os dados subjacentes, o modelo semântico e os usuários não tiverem sido devidamente preparados. O Databricks aborda esse mesmo problema trazendo dashboards, conjuntos de dados governados, semântica de negócios e analytics conversacional para uma única base de dados governada. Os conjuntos de dados de AI/BI podem ser extraídos diretamente de tabelas, views e Metric Views, além de herdar as permissões do Unity Catalog. Essa arquitetura importa ainda mais em um mundo focado em AI, porque a AI precisa reutilizar o significado de negócios em vez de reconstruí-lo toda vez que cria um gráfico.

Como escrever prompts de AI melhores para gráficos e dashboards?

Quais são os hábitos das pessoas que conseguem consistentemente o que precisam de um assistente de AI sem precisar de três rodadas de acompanhamento?

Richard Tomlinson: Os usuários bem-sucedidos fornecem o contexto da decisão, não apenas instruções para o gráfico. Um prompt fraco é: "Mostre as vendas por produto". Um muito mais forte é: "Estou preparando nossa análise semanal de vendas. Mostre quais categorias de produtos mais contribuíram para a mudança na receita em relação ao trimestre passado. Facilite a identificação dos maiores colaboradores positivos e negativos". A segunda versão informa à AI o público, a comparação, a métrica e o propósito da visualização.

Fornecer esse tipo de contexto pode melhorar drasticamente os prompts analíticos. O que estou tentando entender? Indique a pergunta de negócios em vez de apenas nomear um conjunto de dados. O que devo comparar? Períodos de tempo, regiões, segmentos, planejado versus realizado ou antes versus depois? Qual definição de métrica é importante? Se houver alguma ambiguidade, especifique a métrica de negócios em vez de deixar a AI inventar uma. Para quem é isso? Um dashboard executivo e a exploração de um analista geralmente precisam de níveis de detalhe completamente diferentes. E qual decisão isso deve apoiar? Essa é a parte que as pessoas mais costumam deixar de fora.

Também está acontecendo outra mudança. Sistemas de AI melhores devem reduzir a quantidade de engenharia de prompt que você precisa fazer logo de início. Sistemas agênticos conseguem, cada vez mais, esclarecer requisitos ambíguos, inspecionar os dados disponíveis, construir um plano analítico e iterar sobre o resultado. Por exemplo, o Genie Code pode descobrir dados, construir conjuntos de dados e visualizações, e refinar progressivamente um dashboard, em vez de exigir que o autor detalhe cada etapa de implementação. Isso não significa que, no futuro, todos precisarão se tornar engenheiros de prompt de alto nível; trata-se de os humanos se tornarem bons em expressar intenções, enquanto os agentes ficam melhores em lidar com a implementação.

Quais são as melhores práticas de visualização de dados na era da AI?

À medida que as pessoas começam a fazer consultas de AI diretamente em dashboards, consultas e pipelines, como mudam as características de um "bom" design de visualização?

Richard Tomlinson: Esta talvez seja a mudança mais interessante de todas. Antes, a visualização era o destino final. Alguém abria um dashboard para ver gráficos predefinidos por um analista. Isso ajudava a entender os dados, mas a transferência de informações parava por aí.

Com a AI, interagir com visualizações é mais parecido com uma conversa. O usuário faz uma pergunta, o sistema gera uma resposta e talvez um gráfico, o gráfico revela algo interessante, o usuário pergunta sobre aquilo, e então o sistema executa outra análise e produz outra visualização. A experiência é dinâmica, não predefinida.

Os AI/BI Dashboards já levam isso em consideração. Um dashboard publicado pode incluir um Genie Agent complementar que permite aos visualizadores fazerem perguntas em linguagem natural sobre os dados subjacentes, em vez de ficarem limitados a algo estático.

Isso significa que o primeiro gráfico não precisa antecipar todas as perguntas possíveis. Ele só precisa comunicar o insight principal de forma clara e tornar a próxima pergunta óbvia e fácil de fazer.

Tudo isso nos leva às quatro características que você deseja ver em suas visualizações na era da AI. Elas precisam ser:

1. Autoexplicativas, pois um gráfico gerado pode aparecer fora do dashboard onde foi criado, de modo que títulos, unidades, períodos de tempo e métricas precisam ser compreensíveis por si sós.
2. Rastreáveis, para que os usuários consigam entender de onde veio um número importante.
3. Interativas, de modo que a filtragem, o detalhamento e o acompanhamento conversacional permitam que você passe naturalmente da observação para a investigação.
4. Sensíveis ao contexto, para que a visualização reflita a pergunta do usuário e a terminologia de negócios, em vez de apenas plotar quaisquer campos que tenham sido retornados.

Há também uma implicação mais profunda aqui. Dashboards, consultas, pipelines e documentos não são mais coisas consumidas apenas por humanos. Os artefatos de analytics agora podem se tornar parte do conhecimento legível por máquina de uma organização, e não apenas de sua camada de apresentação. Eles podem se tornar o contexto que os sistemas de AI usam para entender como a organização funciona. Por exemplo, o Genie Code já permite que os autores façam referência a tabelas, pipelines, notebooks, consultas e arquivos como contexto ao construir uma experiência analítica.

Por que os usuários deixam de confiar no self-service analytics?

Qual é o padrão imediatamente antes de alguém deixar de confiar no self-service analytics e voltar a perguntar diretamente a um analista?

Richard Tomlinson: Geralmente, o problema não é o sistema não entregar nada ao usuário. Em vez disso, ele entrega algo plausível que a pessoa não consegue conciliar com o que já sabe. Talvez um número pareça errado, ou ela altere um filtro e obtenha um resultado inesperado, ou dois dashboards divirjam e ela não saiba dizer qual definição está sendo usada. Ela pode fazer uma pergunta de acompanhamento e obter outro gráfico, mas isso não explica a discrepância.

Nesse ponto, a pessoa tem duas opções: continuar depurando o sistema analítico por conta própria ou enviar uma mensagem para alguém e perguntar. Quando perguntar a uma pessoa se torna mais rápido do que verificar a resposta do autoatendimento, o self-service já falhou.

É por isso que a métrica crítica para o BI moderno não deve ser apenas o tempo para obter a resposta. Deve ser também o tempo para confiar. A AI melhora drasticamente a primeira métrica. Consultas, visualizações e dashboards inteiros podem ser gerados em segundos. Mas, a menos que a segunda métrica também melhore, tudo o que você fez foi acelerar a produção de coisas em que as pessoas não confiam.

Acertar nisso significa combinar três coisas que o BI tradicional costuma tratar separadamente: respostas fáceis de entender, evidências que tornam a resposta confiável e um caminho para investigar quando algo não parece certo. Uma boa experiência de self-service não é aquela que remove o analista do processo a todo custo. É aquela em que as pessoas só precisam do analista quando uma pergunta realmente exige conhecimento humano, e não porque não conseguem entender ou confiar no sistema à sua frente.

No fim das contas, é por isso que a visualização ainda importa na era agêntica. A AI pode gerar uma quantidade enorme de análises. Uma boa visualização significa que essa análise pode ser inspecionada, contestada e, o mais importante, usada para a tomada de ações.

Veja como a criação assistida por AI e os dados governados criam dashboards em que as pessoas confiam. Explore os AI/BI Dashboards.

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original