Pipeline Pulse

O problema

Dados de marketing raramente chegam prontos para análise.

Uma campanha pode aparecer com nomes diferentes entre plataformas de mídia paga (como Google Ads e Meta) e exportações de CRM (como formatos de exemplo do Salesforce ou HubSpot). Exportações podem conter duplicidades, campos ausentes, formatos inconsistentes e registros que não conseguem ser atribuídos automaticamente.

Antes de calcular CAC, ROAS ou receita atribuída, é necessário responder perguntas mais básicas:

• Esses registros representam a mesma campanha?
• Existem duplicidades?
• Quais valores podem ser confiavelmente utilizados?
• Quanto da receita realmente pode ser atribuído?
• Existem problemas de qualidade que deveriam impedir uma recomendação?

O objetivo do Pipeline Pulse foi tratar essa camada de reconciliação antes da visualização.

A solução

A aplicação transforma arquivos de origem em um modelo canônico antes de produzir métricas. O fluxo principal é:

Importação → Validação de schema → Normalização → Deduplicação → Reconciliação de campanhas → Dataset canônico → Avaliação de qualidade → KPIs → Classificação → Resumo baseado em regras (explicação por IA opcional no ambiente privado)

Essa separação evita que o dashboard simplesmente apresente números plausíveis derivados de dados inconsistentes.

Reconciliação entre sistemas

Pipeline Pulse foi projetado para lidar com arquivos que não possuem necessariamente um identificador comum entre mídia e CRM.

Nomes de campanha podem variar em capitalização, pontuação, ordem de palavras e convenções de nomenclatura.

O sistema normaliza essas diferenças e tenta reconciliar os registros de forma determinística. Casos que não podem ser resolvidos com segurança permanecem explícitos para revisão manual em vez de serem silenciosamente atribuídos.

O resultado é um conjunto de campanhas canônicas utilizado por todo o restante da aplicação.

Qualidade dos dados

A aplicação mantém a qualidade dos dados separada da performance de campanha.

Um resultado ruim de negócio não significa necessariamente um problema de dados — e um problema de dados não deve ser interpretado como baixa performance.

Pipeline Pulse acompanha informações como:

• registros processados
• duplicidades removidas
• campanhas reconciliadas
• registros não atribuídos
• cobertura de atribuição
• avisos de qualidade
• falhas críticas de validação

Problemas de qualidade podem impedir recomendações até que os dados atendam aos critérios definidos para análise. No protótipo atual, qualquer registro não atribuído ou isolado coloca as campanhas em revisão.

Métricas determinísticas

CAC, ROAS, gasto total e receita atribuída são calculados pelo próprio pipeline, não pelo modelo de linguagem. Entre as métricas principais:

CAC — Gasto total ÷ registros Closed Won atribuídos

ROAS — Receita de negócios ganhos atribuída ÷ gasto de mídia

O CAC conta registros ganhos aceitos, não pessoas únicas. Sem IDs, linhas normalizadas idênticas contam uma vez.

A separação entre cálculo e interpretação foi uma decisão deliberada sobre a estrutura do fluxo.

O sistema calcula. A IA explica.

IA como camada de explicação

O modelo de linguagem não recebe a responsabilidade de calcular KPIs ou decidir como os dados devem ser reconciliados.

Ele trabalha sobre dados já estruturados e validados para transformar os resultados em uma explicação executiva mais legível.

Isso reduz o risco de recomendações baseadas em números inconsistentes, não validados ou calculados fora do pipeline determinístico.

Quando a qualidade dos dados não é suficiente, a aplicação sinaliza as limitações e suspende recomendações. Valores ausentes podem tornar métricas indisponíveis.

O pipeline público é totalmente determinístico e não depende de serviços externos de IA. Em um ambiente privado, uma camada server-side opcional utiliza os resultados validados para gerar explicações executivas. Essa integração não é habilitada na demonstração pública.

Desenvolvimento iterativo

Uma parte importante do projeto foi testar as hipóteses do sistema com dados deliberadamente imperfeitos. Os primeiros testes expuseram problemas como:

• campanhas equivalentes com nomes diferentes
• dependência excessiva de IDs compartilhados
• duplicidades de CRM
• valores ausentes
• diferenças entre campanha reconciliada e registro atribuído
• risco de transformar incerteza em recomendação

Esses casos foram usados para refinar tanto a lógica quanto os testes.

Resultado

Pipeline Pulse passou de um protótipo de dashboard para uma aplicação que torna visível o trabalho normalmente escondido antes da análise: limpar, reconciliar, validar e só então interpretar.

A aplicação atual aceita diferentes datasets de mídia e CRM, produz métricas a partir de dados reconciliados e mantém a IA limitada à camada de explicação.