Dados ruins, respostas ruins: o que organizar antes de adotar IA no restaurante
Antes de pedir que uma IA explique queda de vendas, identifique clientes em risco ou sugira uma campanha, organize a base que sustenta a resposta. O ponto de partida é simples: cada métrica precisa ter definição, fonte, período, granularidade e responsável.
IA não corrige automaticamente pedidos duplicados, canais misturados, horários em fusos diferentes ou clientes sem identificação. Ela pode resumir com muita fluidez uma base incoerente. Este guia mostra como preparar os dados do restaurante sem transformar o projeto em uma limpeza interminável.
Por que a qualidade dos dados muda a qualidade da resposta
A IA trabalha sobre o contexto que recebe. Se “venda” significa pedido criado em um sistema e pedido concluído em outro, uma pergunta como “quanto vendemos?” já nasce ambígua. Se um mesmo cliente aparece com telefones diferentes, a frequência pode ser subestimada. Se cancelamentos entram como receita, o diagnóstico pode apontar crescimento onde houve perda operacional.
O AI Risk Management Framework do NIST trata validade e confiabilidade como bases de uma IA confiável e recomenda testes e monitoramento contínuos nas condições reais de uso. O curso oficial do Google sobre qualidade e confiabilidade de datasets reforça que dados incompletos, ruidosos ou mal filtrados reduzem a utilidade do resultado.
No restaurante, isso não é uma discussão abstrata. A decisão pode mexer em compra de estoque, escala da equipe, preço, mídia e relacionamento com clientes. Quanto maior o impacto, mais forte deve ser a validação.
Comece pelo caso de uso, não pelo “projeto de IA”
Escolha uma pergunta concreta. “Quero usar IA” não define quais dados precisam estar certos. “Quero entender por que a recompra caiu nas últimas oito semanas” define o mínimo necessário: identidade de cliente, pedidos válidos, datas, canal, unidade, valor e uma regra estável de recompra.
| Pergunta | Dados mínimos | Teste antes de confiar |
|---|---|---|
| Por que os pedidos caíram? | Pedidos por data, status, canal e unidade | Reconciliar total com o sistema operacional no mesmo período |
| Quem está em risco? | Cliente identificável, histórico e intervalo entre compras | Revisar duplicatas e clientes com poucos pedidos |
| Qual campanha funcionou? | Audiência, envio, conversão, janela e receita | Separar correlação de atribuição e excluir pedidos anteriores ao envio |
| Qual item perdeu força? | Item, quantidade, preço, disponibilidade e canal | Checar renomeações, combos e períodos sem estoque |
Esse recorte evita dois erros: esperar meses por uma base “perfeita” ou conectar tudo sem saber qual decisão será melhorada.

As seis camadas que precisam estar organizadas
1. Fontes e cobertura
Liste de onde vêm pedidos, clientes, itens, campanhas e avaliações. Registre quais unidades e períodos cada integração cobre. Uma base pode estar correta e ainda assim incompleta porque uma loja, canal ou janela histórica ficou de fora.
Na Repediu, a base de clientes é construída a partir das vendas recebidas. Por isso, um cadastro sem pedido dentro da janela integrada não aparece como cliente. A Central explica por que a quantidade de clientes pode ser diferente entre a Repediu, o PDV e o cardápio digital. Essa diferença de definição precisa ser conhecida antes de comparar totais.
2. Identidade de cliente e unidade
Defina quais campos identificam a pessoa e como tratar telefone ausente, CPF, e-mail, pedidos anônimos e cadastros duplicados. Faça o mesmo para unidades: nome comercial não deve ser a única chave quando ele muda com frequência.
Não una registros apenas porque os nomes parecem iguais. Uma regra de identidade precisa ser conservadora, documentada e reversível. Errar para o lado da fusão pode misturar históricos de pessoas diferentes; errar para o lado da separação reduz a frequência aparente.
3. Datas, horários e janelas
Escolha qual evento vale para cada análise: criação, confirmação, preparo, entrega ou cancelamento. Registre o fuso da loja e a última atualização. Uma comparação diária feita com eventos diferentes produz falsos picos e vales.
Também defina a janela. “Cliente inativo” pode significar 30 dias para um negócio de almoço recorrente e 120 dias para consumo ocasional. A IA não deve adivinhar essa regra.
4. Taxonomia de canais, produtos e status
Canal de venda e fonte técnica não são a mesma coisa. O cliente pode pedir pelo iFood, enquanto o dado chega por uma integração de API. A visão de Canais de venda da Repediu separa essas dimensões justamente para evitar leitura errada.
Padronize também produto, categoria, combo, tamanho, status e motivo de cancelamento. Quando “concluído”, “finalizado” e “entregue” representam a mesma etapa, mapeie-os para uma regra comum sem apagar o valor original.
5. Completude, consistência e duplicidade
Crie testes que respondam: quantos pedidos estão sem cliente? Quantos valores são negativos? Existem IDs repetidos? O total de itens bate com o pedido? Há datas futuras? O mesmo pedido apareceu em duas fontes?
Nem todo campo vazio é erro. Uma venda de balcão pode não ter telefone. O importante é distinguir ausência esperada de falha de captura e medir a cobertura por fonte, unidade e período.
6. Linhagem, owner e atualização
Para cada indicador, registre de onde veio, quais transformações recebeu, quando foi atualizado e quem responde pela definição. Sem isso, qualquer divergência vira debate de opinião.
A tela Todas as vendas permite filtrar por cliente, canal, integração e período, além de exportar transações individuais. Ela é um bom ponto de reconciliação para investigar uma diferença antes de levar a pergunta à IA.

Um checklist de prontidão em 30 minutos
- Escreva a pergunta e a decisão. O que alguém fará de diferente com a resposta?
- Defina o período e a unidade de análise. Pedido, cliente, item, campanha ou loja?
- Nomeie a fonte principal. Qual sistema resolve divergências?
- Reconcilie três totais. Volume, valor e clientes no mesmo recorte.
- Meça cobertura. Campos essenciais preenchidos e fontes presentes.
- Procure duplicatas e atrasos. IDs repetidos e última carga.
- Documente exceções. Cancelados, testes, cortesia, pedidos sem identificação.
- Defina revisão humana. Quem valida antes de agir?
Se o caso de uso passar por esse gate, faça um piloto pequeno. Compare a resposta da IA com um relatório conhecido e revise exemplos em que ela acertou, errou ou ficou sem evidência.
O que a IA pode fazer depois que a base está pronta
Com contexto confiável, a IA pode acelerar investigação, síntese e comunicação. Na Repediu, o Repeteco IA responde perguntas sobre vendas, faturamento, clientes, canais, produtos e campanhas usando os dados da conta. Ele também pode montar campanhas, mas o envio permanece sujeito à revisão e confirmação humana.
Essa separação é saudável: a IA reduz o tempo entre pergunta e análise; o gestor mantém a responsabilidade pela decisão. Uma resposta clara não substitui evidência, e uma campanha pronta não substitui a conferência de público, oferta e contexto.
Erros que parecem de IA, mas começam nos dados
- Resposta muda sem explicação: a carga foi atualizada ou a janela mudou.
- Clientes “sumiram”: a fonte não cobriu o período ou a identidade foi alterada.
- Canal parece crescer demais: canal e fonte técnica foram misturados.
- Receita não bate: status, desconto, taxa ou cancelamento têm regras diferentes.
- Produto duplicado: nomes, tamanhos ou SKUs não foram normalizados.
- Campanha parece causar tudo: não há janela de atribuição nem grupo de comparação.
Quando a base está pronta o suficiente?
Quando você consegue explicar a definição, reproduzir o total, localizar a origem de uma amostra e conhecer as principais lacunas. “Pronta” não significa imutável. Significa que os riscos são visíveis e proporcionais à decisão.
Comece em modo sombra: use a IA para gerar leitura paralela, sem automatizar ações críticas. Registre divergências, ajuste regras e só aumente autonomia depois de um histórico consistente.
Avalie a qualidade da sua base antes do próximo prompt
Escolha uma pergunta real, reconcilie volume, valor e clientes e use o checklist deste artigo para encontrar a primeira lacuna acionável.
Perguntas frequentes
Preciso corrigir todos os dados antes de usar IA?
Não. Corrija e monitore o que afeta o caso de uso. Uma análise de horários exige datas e fusos confiáveis; uma análise de recompra exige identidade e histórico. O escopo define o gate.
Mais dados sempre geram respostas melhores?
Não. Cobertura ajuda, mas volume não compensa definição errada, duplicidade ou fonte desatualizada. Dados relevantes e confiáveis valem mais do que uma coleção sem governança.
Quem deve ser owner da qualidade?
Cada indicador precisa de um owner de negócio e, quando necessário, um owner técnico. O primeiro responde pela definição e uso; o segundo, pela captura, integração e disponibilidade.




