O que é uma camada semântica e como ela ajuda a IA a entender sua empresa

Uma camada semântica conecta os conceitos do negócio aos dados e cálculos que os representam. Ela permite definir o que é um cliente, uma venda ou uma assinatura ativa para que relatórios e agentes de IA usem critérios compartilhados.

Para a IA, interpretar uma pergunta e calcular a resposta são tarefas diferentes. Um modelo pode entender “como as vendas mudaram?” e ainda escolher a data errada, incluir pedidos de teste ou somar valores em moedas diferentes.

Um exemplo: o que conta como venda

Imagine uma loja fictícia. Os valores estão em USD, após descontos e antes de impostos e frete. Os reembolsos são de mercadorias e foram concluídos até a atualização do relatório.

Pedido	Mercadorias	Reembolsos	Status	É teste?
A100	100	20	Pago	Não
A101	60	0	Pago	Não
A102	500	0	Pago	Sim
A103	70	0	Cancelado	Não

Somar a coluna de mercadorias resulta em 730. Nossa métrica de vendas líquidas de mercadorias resulta em 140: os dois pedidos reais pagos, menos seus reembolsos concluídos.

O nome de uma coluna não informa ao modelo qual dessas respostas a empresa precisa. Também é necessário decidir se um reembolso posterior altera o período da venda original ou aparece no período do reembolso. As duas convenções podem ser úteis, mas respondem a perguntas diferentes.

O que uma camada semântica contém

• Entidades e granularidade: o que cada linha representa, como um pedido ou um item.
• Métricas: cálculos aprovados e regras de inclusão.
• Dimensões: formas válidas de agrupar resultados, como país ou canal.
• Relacionamentos: como unir tabelas sem duplicar nem perder registros.
• Convenções de tempo: fuso horário e data correspondente a cada métrica.
• Contexto do negócio: nomes, exemplos, exclusões e perguntas que exigem esclarecimento.

As definições executáveis são importantes. Um documento com a fórmula ajuda o modelo, mas não garante que a consulta a utilize. Um serviço de consultas pode oferecer operações sobre métricas aprovadas e validar combinações antes da execução. O alcance depende da ferramenta e da configuração.

Os modelos semânticos do dbt mostram uma forma de representar esses conceitos. Looker e Omni oferecem outras implementações. Não é necessário substituir toda a plataforma de dados para começar a definir esse contrato.

Como uma pergunta de IA chega aos dados

Para responder “quais foram as vendas líquidas do mês passado por país?”, um processo controlado pode:

1. Identificar a métrica aprovada e a dimensão país.
2. Resolver o período pelo calendário do negócio, ou pedir esclarecimento.
3. Validar a combinação de métrica e agrupamento.
4. Aplicar as permissões do usuário autenticado.
5. Calcular o resultado no data warehouse.
6. Explicar o resultado com período, moeda e última atualização.

Algumas arquiteturas deixam o modelo gerar SQL com contexto semântico. Outras limitam o agente a operações sobre métricas. Oferecer uma ferramenta semântica não impede automaticamente o uso de outra conexão para consultar tabelas sem essas restrições.

O que ela não resolve sozinha

Uma camada semântica pode calcular de forma consistente uma definição errada. Ela não recupera transações ausentes, resolve uma política comercial indefinida ou demonstra que uma campanha causou um aumento nas vendas.

Também não substitui controles de acesso. As permissões devem ser aplicadas na aplicação, no serviço de consultas ou no banco de dados. Escrever “não mostre dados de outro cliente” nas instruções não implementa essa restrição.

Além disso, uma consulta correta pode gerar uma explicação enganosa. A IA pode apresentar correlação como causa ou comparar um dia incompleto com um dia completo. É preciso avaliar tanto o número quanto a explicação.

Por onde começar

Escolha uma pergunta e poucas métricas. Atribua um responsável de negócio a cada definição. Confira um conjunto fixo de dados com um cálculo revisado manualmente e teste perguntas, períodos e permissões diferentes.

Registre a métrica solicitada, a versão do modelo semântico, a consulta, o resultado e a explicação. Quando alguém questionar uma resposta, esse registro permite identificar a etapa que falhou.

Continue com por que a IA erra os números do negócio e o guia para construir uma camada semântica. Para aplicar essa abordagem à sua empresa, converse com a Timewise Labs.

Adaptado do artigo da Labs4Change.