Artigos

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

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

Claudinho Kobs

Claudinho Kobs

— 6 min read

Até 2025, quase 30% das aplicações de processamento de linguagem natural já estavam concentradas no setor financeiro — banking, seguros e serviços financeiros corporativos. Não por acaso: poucas áreas 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 exportação de ERP ou uma ligacao para o time de BI. Com Natural Language Querying (NLQ), a mesma pergunta é feita em português — é respondida em segundos.

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

O que é Natural Language Querying (NLQ)

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

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

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

A diferença parece cosmética, mas o impacto e profundo:

  • Democratiza o acesso a dados — qualquer pessoa da equipe financeira pode consultar informações sem depender de TI ou BI
  • Acelera decisões — em vez de esperar um relatório, 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 solicitação

Como o NLQ funciona: a engenharia por trás 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. Interpretação da pergunta

O modelo de linguagem (LLM) analisa sua pergunta, identifica a intenção (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 é conhecida como Text-to-SQL e é onde a maioria dos desafios técnicos 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 genéricos.

3. Execução e recuperação dos dados

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

4. Geração da resposta

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

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

Ferramentas de NLQ para equipes financeiras

O ecossistema está evoluindo rapidamente. Aqui estão as principais abordagens disponíveis:

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, variância, métricas financeiras e KPIs operacionais
  • Pigment Analyst Agent — além de consultas, o agente analisa proativamente os dados e sugere insights. A abordagem e conversacional: você pode fazer follow-ups e refinar a análise iterativamente
  • Anaplan CoModeler — foco em construção e consulta de modelos via linguagem natural. Previsto para disponibilidade geral no Q1 2026
  • Cube AI — combina consultas em linguagem natural com forecasting e análise de variância

Ferramentas de BI com NLQ

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

Soluções específicas para ERPs

  • NSGPT AI (para NetSuite) — permite consultar dados do NetSuite em linguagem natural, incluindo análise de variância orçamentária
  • Oracle NLQ para EBS — lançado 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 técnica, é possível 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, descrição)
- receitas (id, data, cliente, produto, valor, tipo)
- orçamento (id, período, 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 usuário "
             f"em uma query SQL válida. 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 usuário "
             "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 português: desafios e soluções

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

Ambiguidade de termos financeiros: "Receita" em português 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 única, não como três 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 práticas:

  • Business glossary bilingue — configure um dicionario que mapeie termos em português 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 usuário valide se a traducao está correta

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

Casos de uso práticos para equipes financeiras

1. Acompanhamento diario de caixa

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

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

2. Análise de variância ad hoc

Quando o CFO pergunta algo na reuniao:

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

3. KPIs e métricas de performance

Para dashboards sob demanda:

  • "Qual é o DSO médio dos últimos 3 meses por segmento de cliente?"
  • "Como está 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 estratégicas

Exploracoes mais complexas:

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

Limitações e cuidados

NLQ não é magica. Alguns cuidados importantes:

  • Precisão não é 100%. Perguntas ambiguas ou que envolvem cálculos complexos podem gerar resultados incorretos. Sempre valide respostas críticas
  • Dados sensíveis. Definir quem pode perguntar o que é fundamental. Nem todo usuário deve ter acesso a dados de remuneração ou resultados confidenciais
  • Governança 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 é uma pergunta para NLQ. A ferramenta fornece dados; a decisão contínua sendo humana

Ações práticas

  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 você 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 útil 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 análises complexas com múltiplas condições. Comece simples, ganhe confiança e amplie
  5. Defina políticas de acesso. Antes de democratizar o acesso a dados, defina quem pode consultar o que. NLQ sem governança pode expor informações sensíveis inadvertidamente

Leia mais