Artigos

Natural language querying: como perguntar sobre seus dados financeiros em portugues e obter respostas instantaneas

Como ferramentas de NLQ permitem que equipes financeiras consultem dados sem SQL, em linguagem natural e em portugues.

Claudinho Kobs

Claudinho Kobs

— 6 min read

Até 2025, quase 30% das aplicacoes de processamento de linguagem natural já estavam concentradas no setor financeiro — banking, seguros e serviços financeiros corporativos. Não por acaso: poucas areas dependem tanto de dados e, ao mesmo tempo, sofrem tanto com a dificuldade de acessa-los. Uma pergunta simples como "qual foi o OPEX de marketing no Q3, por centro de custo?" pode exigir uma query SQL, uma exportacao de ERP ou uma ligacao para o time de BI. Com Natural Language Querying (NLQ), a mesma pergunta e feita em portugues — e respondida em segundos.

Neste artigo, exploramos o que e NLQ aplicado a finanças, como funciona por baixo dos panos, quais ferramentas já oferecem essa capacidade e como sua equipe pode comecar a usar.

O que e Natural Language Querying (NLQ)

NLQ e a capacidade de consultar bases de dados usando linguagem humana — em vez de SQL, formulas ou navegacao em menus de sistemas. Em vez de escrever:

SELECT centro_custo, SUM(valor)
FROM despesas
WHERE categoria = 'marketing'
  AND periodo BETWEEN '2025-07-01' AND '2025-09-30'
GROUP BY centro_custo
ORDER BY SUM(valor) DESC;

Voce pergunta: "Qual foi o gasto de marketing por centro de custo no terceiro trimestre de 2025?" — e o sistema traduz sua pergunta em uma query, executa e apresenta o resultado em formato legivel (tabela, grafico ou texto).

A diferenca parece cosmetica, mas o impacto e profundo:

  • Democratiza o acesso a dados — qualquer pessoa da equipe financeira pode consultar informacoes sem depender de TI ou BI
  • Acelera decisões — em vez de esperar um relatorio, o gestor obtem a resposta na hora
  • Reduz filas de demanda — o time de BI deixa de ser gargalo para perguntas ad hoc
  • Permite follow-ups imediatos — "agora me mostra apenas os centros de custo com desvio acima de 10%" — sem nova solicitacao

Como o NLQ funciona: a engenharia por tras da simplicidade

Para quem trabalha com finanças e não com tecnologia, entender o mecanismo ajuda a calibrar expectativas e avaliar ferramentas. O processo de NLQ envolve quatro etapas:

1. Interpretacao da pergunta

O modelo de linguagem (LLM) analisa sua pergunta, identifica a intencao (consultar dados), as entidades (marketing, centro de custo, Q3 2025) e a operação desejada (soma, agrupamento).

2. Traducao para query estruturada

A pergunta em linguagem natural e convertida em uma query — geralmente SQL ou uma chamada a API. Essa etapa e conhecida como Text-to-SQL e e onde a maioria dos desafios tecnicos acontece.

O sistema precisa conhecer o esquema dos seus dados (quais tabelas existem, como se relacionam, que campos tem) para traduzir corretamente. Por isso, ferramentas de NLQ que se conectam diretamente ao seu ERP ou data warehouse tendem a ser mais precisas do que chatbots genericos.

3. Execucao e recuperacao dos dados

A query e executada contra a base de dados real. Os resultados são recuperados e formatados.

4. Geracao da resposta

O LLM recebe os dados brutos e gera uma resposta em linguagem natural, com tabelas, graficos ou narrativas conforme o contexto da pergunta.

O ponto critico: a precisão do NLQ depende da qualidade do mapeamento entre linguagem natural e esquema de dados. Termos ambiguos ("receita" pode ser faturamento bruto, liquido, MRR ou ARR) precisam ser resolvidos. Ferramentas maduras permitem configurar um dicionario de termos de negocio (business glossary) que orienta a traducao.

Ferramentas de NLQ para equipes financeiras

O ecossistema esta evoluindo rapidamente. Aqui estão as principais abordagens disponiveis:

Plataformas de FP&A com NLQ nativo

  • Drivetrain AI Analyst — permite fazer perguntas em linguagem natural sobre qualquer dado conectado a plataforma. Suporta perguntas sobre forecast, variancia, metricas financeiras e KPIs operacionais
  • Pigment Analyst Agent — além de consultas, o agente analisa proativamente os dados e sugere insights. A abordagem e conversacional: voce pode fazer follow-ups e refinar a analise iterativamente
  • Anaplan CoModeler — foco em construcao e consulta de modelos via linguagem natural. Previsto para disponibilidade geral no Q1 2026
  • Cube AI — combina consultas em linguagem natural com forecasting e analise de variancia

Ferramentas de BI com NLQ

  • Power BI Q&A (Microsoft) — permite fazer perguntas em linguagem natural sobre qualquer dataset do Power BI. Suporta portugues, embora com precisão variavel dependendo da complexidade
  • Yellowfin AI NLQ — lancado em 2025, usa LLMs para traduzir perguntas em queries e gerar visualizacoes automaticamente
  • ThoughtSpot — pioneiro em NLQ para analytics, com motor de busca que funciona como um "Google para seus dados"

Soluções especificas para ERPs

  • NSGPT AI (para NetSuite) — permite consultar dados do NetSuite em linguagem natural, incluindo analise de variancia orcamentaria
  • Oracle NLQ para EBS — lancado em 2024 com melhorias significativas em 2025, permite consultas em linguagem natural sobre dados do Oracle E-Business Suite via APEX

Abordagem DIY com LLMs

Para equipes com capacidade tecnica, e possivel construir um sistema de NLQ customizado:

# Exemplo conceitual de NLQ com LLM
from openai import OpenAI
import sqlite3

# Esquema do banco de dados financeiro
schema = """
Tabelas:
- despesas (id, data, categoria, centro_custo, valor, descricao)
- receitas (id, data, cliente, produto, valor, tipo)
- orcamento (id, periodo, categoria, centro_custo, valor_orcado)
"""

client = OpenAI()

def consultar(pergunta: str):
    # 1. Traduzir pergunta para SQL
    response = client.chat.completions.create(
        model="gpt-4",
        messages=[
            {"role": "system", "content": f"Traduza a pergunta do usuario "
             f"em uma query SQL valida. Schema: {schema}. "
             f"Retorne APENAS o SQL, sem explicacao."},
            {"role": "user", "content": pergunta}
        ]
    )
    sql = response.choices[0].message.content

    # 2. Executar query
    conn = sqlite3.connect("financeiro.db")
    resultado = conn.execute(sql).fetchall()

    # 3. Gerar resposta em linguagem natural
    response = client.chat.completions.create(
        model="gpt-4",
        messages=[
            {"role": "system", "content": "Responda a pergunta do usuario "
             "com base nos dados. Seja claro e direto."},
            {"role": "user", "content": f"Pergunta: {pergunta}\n"
             f"Dados: {resultado}"}
        ]
    )
    return response.choices[0].message.content

# Uso
print(consultar("Qual foi o gasto de marketing por centro de custo no Q3?"))

NLQ em portugues: desafios e soluções

Um ponto relevante para equipes brasileiras: a maioria das ferramentas de NLQ foi desenvolvida pensando em ingles. Isso gera desafios especificos:

Ambiguidade de termos financeiros: "Receita" em portugues pode ser revenue, income ou receivable dependendo do contexto. O sistema precisa de contexto para desambiguar.

Nomes compostos: "Contas a receber" precisa ser interpretado como uma entidade unica, não como tres palavras separadas.

Formatos de data e moeda: "Primeiro trimestre de 2025" precisa ser traduzido para o range correto, e valores em reais precisam ser formatados com virgula decimal.

Soluções praticas:

  • Business glossary bilingue — configure um dicionario que mapeie termos em portugues para os campos do seu banco de dados. "Faturamento bruto" = campo revenue_gross, "despesas com pessoal" = categoria HR_COSTS
  • Exemplos de perguntas — forneca ao sistema exemplos de perguntas comuns e suas traducoes SQL correspondentes. Isso funciona como few-shot learning e melhora significativamente a precisão
  • Validação visual — as melhores ferramentas mostram a query gerada antes de executar, permitindo que o usuario valide se a traducao esta correta

A boa noticia: modelos de linguagem como GPT-4, Claude e Gemini tem forte capacidade em portugues. A precisão da interpretacao da pergunta já e muito boa — o gargalo costuma ser a traducao para o esquema especifico dos dados da empresa, não o entendimento do idioma.

Casos de uso praticos para equipes financeiras

1. Acompanhamento diario de caixa

Em vez de abrir o sistema de tesouraria e navegar em menus:

  • "Qual e a posicao de caixa consolidada de hoje?"
  • "Quais pagamentos vencem esta semana acima de R$ 100 mil?"
  • "Como esta o saldo das contas no Banco do Brasil vs. Itau?"

2. Analise de variancia ad hoc

Quando o CFO pergunta algo na reuniao:

  • "Por que o OPEX de novembro ficou 15% acima do orcado?"
  • "Quais centros de custo mais contribuiram para o desvio de despesas administrativas?"
  • "Mostra a evolucao do headcount realizado vs. orcado nos ultimos 6 meses"

3. KPIs e metricas de performance

Para dashboards sob demanda:

  • "Qual e o DSO medio dos ultimos 3 meses por segmento de cliente?"
  • "Como esta a margem bruta por linha de produto este trimestre vs. o anterior?"
  • "Quais clientes estão com faturas vencidas há mais de 60 dias e quanto representam?"

4. Suporte a decisões estrategicas

Exploracoes mais complexas:

  • "Se aumentarmos o preco em 5%, qual seria o impacto na receita considerando a elasticidade historica?"
  • "Quais são os 10 fornecedores com maior aumento de custo no ultimo ano?"
  • "Compare o custo por funcionario entre as unidades de SP, RJ e MG"

Limitacoes e cuidados

NLQ não e magica. Alguns cuidados importantes:

  • Precisão não e 100%. Perguntas ambiguas ou que envolvem calculos complexos podem gerar resultados incorretos. Sempre valide respostas criticas
  • Dados sensiveis. Definir quem pode perguntar o que e fundamental. Nem todo usuario deve ter acesso a dados de remuneracao ou resultados confidenciais
  • Governanca de dados. O NLQ e tao bom quanto os dados que alimentam o sistema. Se o ERP tem dados inconsistentes, a resposta será inconsistente
  • Perguntas que requerem julgamento. "Devemos investir nesse projeto?" não e uma pergunta para NLQ. A ferramenta fornece dados; a decisao continua sendo humana

Acoes praticas

  1. Identifique as 10 perguntas mais frequentes da sua equipe. Quais consultas o time de FP&A faz repetidamente — semanalmente ou no fechamento? Essas são candidatas ideais para NLQ
  2. Teste com ferramentas que voce já tem. Se sua empresa usa Power BI, ative o Q&A e teste perguntas reais. Se usa Google Sheets, experimente Gemini para consultas. O primeiro contato com NLQ não exige investimento adicional
  3. Construa um business glossary. Documente os termos financeiros da sua empresa e como eles se mapeiam para campos no ERP/banco de dados. Esse dicionario será util independente da ferramenta de NLQ escolhida
  4. Comece com consultas simples e evolua. NLQ funciona melhor com perguntas diretas ("total de receita por produto em janeiro") do que com analises complexas com multiplas condicoes. Comece simples, ganhe confianca e amplie
  5. Defina politicas de acesso. Antes de democratizar o acesso a dados, defina quem pode consultar o que. NLQ sem governanca pode expor informacoes sensiveis inadvertidamente

Leia mais