Às 22h de uma quinta-feira, Rodrigo ainda estava no escritório. Na tela: sete planilhas abertas, uma dependendo da outra, uma fórmula quebrada em algum lugar que ele não conseguia encontrar. Amanhã tinha reunião com os sócios. Os números precisavam fechar. Esse era o roteiro de todo mês, há três anos. Ele chamava de “semana dos dados”. Todo mundo na empresa sabia que não podia entrar na sala dele quando as planilhas estavam abertas.
A empresa onde Rodrigo trabalhava como Diretor de Operações é uma gestora de recebíveis corporativos em São Paulo, 42 funcionários, fundada em 2018. O negócio cresceu. A operação cresceu. As planilhas cresceram junto, mas sem nenhum critério. Cada setor criou a sua. A área comercial tinha o pipeline no Salesforce e uma planilha paralela “porque o Salesforce não calcula direito”. O financeiro tinha o ERP da TOTVS e mais três Excels de controle. A carteira de crédito vivia em um Google Sheets que três analistas atualizavam manualmente toda semana.
Essa é a realidade de business intelligence para pequenas empresas antes de qualquer implementação: não é falta de dados, é excesso de dados fragmentados. A gestora tinha informação. O problema era que ninguém sabia exatamente qual era a certa.
- O momento que mudou tudo
- Por que a tentativa interna não funcionou?
- Como foi o processo com a Northern
- O que mudou na prática: os 3 dashboards
- Quais foram os resultados reais nos primeiros 90 dias?
- O que aprenderam que vale para qualquer PME
O momento que mudou tudo
No segundo semestre de 2023, a empresa passou por uma auditoria interna de carteira. O auditor comparou o Excel de inadimplência com o sistema financeiro e encontrou uma discrepância de R$2,3 milhões. Não era fraude, não era roubo. Era dado desatualizado: dois contratos quitados que continuavam aparecendo como ativos na planilha porque ninguém tinha feito o update naquele mês.
Rodrigo lembra da reunião com os sócios depois disso. “A gente tomou uma decisão de crédito baseada em carteira errada. Deus quis que foi uma decisão conservadora. Se fosse ao contrário, tínhamos um problema sério.”
Não foi um prejuízo real. Foi um quase-prejuízo. Mas quase foi suficiente para mudar a conversa. A pergunta na mesa deixou de ser “quando vamos arrumar as planilhas” e virou “quando vamos parar de depender delas para decisões críticas”.
Segundo estudo da Business Intelligence Survey (2024), 64% das PMEs planejam aumentar investimentos em BI e analytics nos próximos dois anos. O gatilho raramente é estratégia. Quase sempre é um incidente como esse: um dado errado em uma reunião errada, uma decisão tomada com informação velha.
Por que a tentativa interna não funcionou?
Antes de contratar ninguém, a empresa tentou resolver sozinha. Rodrigo pesquisou Power BI (ferramenta de visualização de dados da Microsoft, gratuita para uso individual), assistiu a tutoriais no YouTube e contratou um consultor freelancer por R$6.500 para conectar as planilhas num dashboard.
Funcionou por cinco semanas.
Na sexta semana, um dos analistas renomeou a coluna “Status_Contrato” para “StatusContrato” na planilha de controle. O dashboard quebrou. O consultor não estava mais disponível, a documentação era mínima e ninguém na equipe sabia o que fazer. O relatório daquele mês voltou para o Excel.
Esse padrão se repete com frequência em empresas que tentam implementar BI sem estrutura de dados organizada e sem governança, as regras que definem quem pode mudar o quê, onde e quando. Um dashboard conectado diretamente a planilhas é tão frágil quanto as planilhas. Quando a planilha muda, o dashboard quebra. Quando o consultor vai embora, ninguém mantém.
A tentativa interna custou R$6.500 e quase três meses de expectativa. Valeu? Na visão de Rodrigo, sim, mas por um motivo inesperado: “A gente aprendeu o que não ia funcionar. Quando foi contratar a Northern, eu sabia exatamente o que perguntar.”
Se você está nessa fase, pode reconhecer o padrão. Leia também: Custo de processos manuais: quanto sua empresa perde por mês. E para entender por que automação de relatórios resolve a superfície, mas não a raiz, veja como empresas reais saíram do ciclo de planilhas manuais.
Como foi o processo com a Northern
O primeiro encontro com a Northern durou duas horas. Rodrigo apresentou as planilhas, os sistemas, os problemas. A equipe não prometeu solução na hora. Pediu três semanas de discovery para mapear as fontes de dados antes de qualquer proposta de desenvolvimento.
Isso irritou um pouco. “Eu queria uma proposta com número logo, não mais três semanas de reunião”, ele admite. Mas foi a coisa certa a fazer.
No discovery, o time da Northern identificou 12 fontes de dados diferentes na empresa. Salesforce para CRM, TOTVS para ERP e financeiro, Google Sheets para carteira, um sistema legado de boletos, planilhas locais em computadores de analistas que ninguém tinha acesso remoto. E o problema mais crítico: o Salesforce identificava clientes por e-mail, o TOTVS por código numérico. Sem um campo em comum, era impossível cruzar dados de CRM com dados financeiros automaticamente.
A solução foi construir uma camada intermediária, um data warehouse (repositório centralizado de dados de múltiplas fontes) com uma tabela de mapeamento que traduzia e-mails do Salesforce em códigos do TOTVS. Simples na teoria. Na prática, 40% dos registros de clientes tinham pelo menos um campo inconsistente: nome diferente nos dois sistemas, CNPJ com formatação diferente, e-mail desatualizado.
O prazo original era 6 semanas. Demorou 11. “A gente foi honesto desde o discovery: se os dados estiverem sujos, o prazo estica”, explica a equipe da Northern. Os dados estavam sujos. O prazo estendeu.
Rodrigo é direto sobre esse ponto: “Não foi culpa deles. Fomos nós que passamos anos acumulando dado sem padrão. O trabalho deles foi limpar o que a gente jogou dentro.” Para entender o que uma implementação desse tipo envolve, veja o setup mínimo de inteligência de dados para PMEs.
O que mudou na prática: os 3 dashboards que transformaram a gestão
Ao final do processo, a empresa tinha três dashboards em produção, cada um para uma audiência diferente.
Dashboard de Carteira
Atualizado a cada duas horas, direto do TOTVS via API. Mostra a posição total da carteira, inadimplência por safra (agrupamento de contratos por data de origem), concentração por setor e alertas automáticos quando um contrato passa de 15 dias sem movimentação. Antes, a equipe só sabia da inadimplência quando atualizava a planilha manualmente, em geral uma vez por semana.
Dashboard Comercial
Conectado ao Salesforce em tempo real. Pipeline por consultor, taxa de conversão por etapa, ticket médio vs. meta mensal, tempo médio de fechamento. Os consultores passaram a ver a própria performance sem precisar perguntar para o gestor. As reuniões de pipeline mudaram de “me apresenta o número” para “por que esse contrato está parado aqui há 12 dias”.
Dashboard Executivo
Atualizado diariamente. P&L simplificado, projeção de caixa para 30 dias, NPS dos últimos 90 dias, três alertas fixos (inadimplência acima de X%, caixa abaixo de Y dias, pipeline abaixo de Z meta mensal). Rodrigo abre no celular todo domingo às 20h antes da reunião de segunda. Leva 20 minutos para estar por dentro de tudo. Antes, levava uma sexta-feira inteira só para montar os slides.
Para entender como estruturar um painel executivo eficiente, veja: Como criar dashboard executivo: o que funciona e o que falha.
Quais foram os resultados reais nos primeiros 90 dias?
Rodrigo tem resistência a “case de sucesso”. “Toda empresa faz o case bonito. Deixa eu te contar o que realmente mudou.”
Aqui estão os números:
| Indicador | Antes | Depois |
|---|---|---|
| Tempo para fechar relatório mensal | 3 dias úteis | 22 minutos (automatizado) |
| Defasagem dos dados nas reuniões | 2 semanas | 2 horas (máximo) |
| Tempo para detectar inadimplência | 7-14 dias após vencimento | Alerta automático em 24h |
| Horas semanais de consolidação manual | 28 horas (5 analistas) | 3 horas (validação e exceções) |
| Tempo de Rodrigo preparando reunião de segunda | Sexta-feira inteira | 20 minutos no domingo |
O número mais importante não está na tabela. Nos primeiros três meses, o sistema identificou três contratos com comportamento de pagamento atípico, dois com mais de 40 dias sem movimentação e um com padrão de pagamentos parciais crescentes. A equipe entrou em contato proativamente com os tomadores. Dois renegociaram antes do vencimento. Um foi liquidado antecipadamente. Estimativa de perdas evitadas: R$340 mil.
“Esse número paga o projeto inteiro”, diz Rodrigo.
O que aprenderam que vale para qualquer PME
Três lições que Rodrigo passou a compartilhar com outros gestores:
1. O problema nunca é a ferramenta
Power BI, Looker Studio, Metabase, Tableau: todas funcionam. O que trava a implementação é sempre o dado. Se os dados estão fragmentados, despadronizados e sem governança, qualquer ferramenta vai reproduzir o caos das planilhas em formato mais bonito. O investimento real é em organizar o dado antes de visualizá-lo.
2. Discovery antes de proposta não é enrolação
Rodrigo levou um tempo para aceitar isso. Mas sem as três semanas de mapeamento, a Northern teria construído algo em cima de uma base errada. O discovery não é custo, é mitigação de risco. Projetos de dados que pulam essa etapa costumam voltar para o início depois de 3 meses.
3. O ROI mais rápido não é o relatório automático
Todo mundo fala de “economizar horas de relatório”. Isso é real, mas o retorno mais concreto foram as decisões que passaram a ser tomadas antes. Identificar um contrato em risco com 30 dias de antecedência vale mais do que qualquer automação de planilha.
Sua empresa está no mesmo ponto? Vamos mapear onde estão seus dados
A Northern faz um mapeamento inicial das suas fontes de dados e identifica onde estão os maiores gargalos antes de qualquer proposta de desenvolvimento. Se você reconheceu a história do Rodrigo, a conversa começa por aí.
Perguntas frequentes sobre business intelligence para pequenas empresas
Business Intelligence é o conjunto de processos, tecnologias e ferramentas que transforma dados brutos de múltiplas fontes (ERP, CRM, planilhas, sistemas legados) em informação organizada e acessível para a tomada de decisão. Para uma PME, na prática significa ter um painel com os números certos, atualizados automaticamente, sem precisar montar relatório manual toda semana.
Não. Essa percepção era verdadeira há dez anos, quando implementar BI exigia servidores caros e consultores de grandes consultorias. Hoje, com ferramentas como Power BI, Looker Studio e Metabase, uma PME com 20-50 funcionários pode ter dashboards funcionais por um custo acessível. O diferencial é ter alguém que saiba organizar o dado antes de criar a visualização.
O Excel funciona até o momento em que você precisa cruzar dados de duas fontes diferentes, ou quando mais de uma pessoa edita o mesmo arquivo, ou quando o relatório de ontem precisa ser comparado com o de três meses atrás. Nesses cenários, o Excel vira um risco: 88% das planilhas corporativas contêm pelo menos um erro de dado (Fonte: F1F9, 2023). O problema não é o Excel, é depender dele para decisões críticas sem controle de versão e sem auditabilidade.
Dashboard empresarial é uma tela (ou conjunto de telas) que mostra os indicadores mais importantes da empresa em tempo real ou com atualização automática. Ele ajuda nas decisões porque reduz o tempo entre “o evento aconteceu” e “o gestor sabe do evento”. Sem dashboard, a informação chega na reunião de segunda com duas semanas de atraso. Com dashboard, o gestor pode agir no mesmo dia.
As três mais comuns: dados fragmentados em múltiplos sistemas sem campo em comum para cruzamento, falta de governança (regras sobre quem atualiza o quê), e a ausência de alguém interno para manter o que foi construído. O dashboard em si é a parte mais simples. A complexidade está em organizar e padronizar os dados antes de visualizá-los. Projetos que pulam essa etapa costumam quebrar em poucos meses.
Com um data warehouse, repositório centralizado de dados de múltiplas fontes que serve como “fonte única da verdade”. Em vez de cada área ter sua planilha com sua versão dos números, todos consultam o mesmo banco de dados com as mesmas regras de cálculo. Quando o CRM e o ERP têm IDs de clientes diferentes, a solução é uma camada de mapeamento que traduz um sistema para o outro antes de consolidar.
Varia muito conforme o número de fontes de dados, a qualidade dos dados existentes e o nível de automação desejado. Para uma PME com 2-4 sistemas a integrar e 3-5 dashboards, o investimento com time especializado no Brasil fica entre R$30k e R$90k. Somam-se os custos de infraestrutura em nuvem (geralmente R$200-800/mês) e uma fase de discovery de 2-4 semanas para mapear as fontes antes de começar.
Entre 6 e 16 semanas para uma implementação completa com 3-5 dashboards, dependendo da qualidade dos dados existentes. Discovery (mapeamento de fontes): 2-4 semanas. Construção do modelo de dados e pipelines: 3-6 semanas. Criação e ajuste dos dashboards: 2-4 semanas. Se os dados tiverem inconsistências (o que é comum em empresas que nunca padronizaram), some mais 2-4 semanas de limpeza e governança.
O erro mais comum: conectar o Power BI diretamente nas planilhas sem construir um modelo de dados intermediário. Funciona por algumas semanas e quebra quando alguém muda o nome de uma coluna ou reorganiza a estrutura do arquivo. Outros problemas frequentes: sem documentação de regras de negócio, sem governança sobre quem atualiza o quê, e sem ninguém interno designado para manter o sistema depois que o consultor vai embora.
Três sinais de que chegou a hora: você passa mais tempo consolidando dados do que analisando, as reuniões gerenciais dependem de relatório manual que atrasa a pauta, ou você já tomou (ou quase tomou) uma decisão com base em dado desatualizado. Não existe “pronto para BI” no sentido de dados perfeitos. Existe vontade de parar de tomar decisão às cegas. Comece pelo discovery para entender onde estão seus dados antes de escolher qualquer ferramenta.
Conclusão
A gestora de recebíveis onde Rodrigo trabalha não se tornou uma empresa orientada por dados porque contratou uma ferramenta cara. Se tornou porque parou de aceitar que “semana dos dados” fosse uma rotina normal. O Excel não era o problema. A falta de estrutura para usar os dados que já existiam era.
Se você reconheceu alguma parte dessa história, o próximo passo não é escolher entre Power BI e Looker Studio. É mapear onde estão os seus dados. O resto vem depois.
