A IA propõe. Os seus dados validam.
Motor de descoberta que analisa os seus dados reais, propõe hipóteses em linguagem natural e valida-as estatisticamente. Chat conversacional sobre o seu negócio. De insight a regra automática num clique.
Que tipos de padrões descobre?
Correlações
Pares de variáveis que se movem juntas. "As encomendas com mais de 3 linhas têm 2x menos incidências de entrega." Significância e efeito medidos.
Segmentações
Grupos de clientes/produtos com comportamento distintivo. Não são os segmentos que o utilizador definiu — são os que os dados sugerem.
Tendências
Séries temporais com mudança significativa. "As vendas do produto A caem 12% mês a mês desde Fevereiro, com alta confiança." Alertas antes que seja tarde.
Anomalias
Registos que não se enquadram no padrão histórico. "Esta encomenda é 5x maior que a média do cliente; merece revisão antes de expedir."
Churn precoce
Clientes que estão a mudar de comportamento no sentido do abandono. Detectado por frequência, ticket médio, tipos de produto, tempo entre encomendas.
Oportunidades cruzadas
Produtos que são comprados juntos com frequência mas não por todos os clientes relevantes. Sugestões de cross-sell com contexto.
Exemplo: de hipótese a regra, em 3 cliques
Dia 1 — A IA sugere: "Os clientes que compram 3+ vezes gastam 2x mais nos 6 meses seguintes."
Dia 1 — Motor de validação: significância p<0,01, amostra de 12.400 clientes, efeito médio 2,1x. Confirmado.
Dia 1 — Acção sugerida: "Notificar o comercial quando um cliente atinja 3 encomendas em 60 dias, e atribuir follow-up automático."
Dia 1 (3 cliques depois) — A regra está activa no Flow. Sem intervenção de IT. Sem refazer dashboards. Sem escrever SQL.
Chat conversacional — perguntas em linguagem natural
Um responsável de operações pergunta: "Que clientes estão prestes a sair?". A IA consulta a ontologia, segmenta por comportamento (frequência, ticket, tempo entre encomendas), devolve a lista priorizada com razão de cada caso e sugere a acção seguinte.
Tudo isto sem SQL, sem dashboards pré-fabricados, sem pedir o relatório à equipa de analytics e esperar dois dias. As respostas são rastreáveis — cada valor tem o seu lineage no Data Lake e a sua validação estatística.
Perguntas frequentes sobre Hipóteses e padrões
Que tipo de hipóteses descobre o motor?
Correlações entre variáveis (os clientes que compram X também compram Y com frequência Z), segmentações (há um grupo de clientes com comportamento atípico em tarifas), tendências temporais (as vendas do produto A estão a cair 12% mês a mês) e anomalias (esta encomenda não se enquadra no padrão histórico do cliente).
Como sei que uma hipótese é fiável?
Cada hipótese é validada estatisticamente: significância, tamanho do efeito, tamanho da amostra, p-value. O Integrafy-OS mostra o nível de confiança e o intervalo. Se uma hipótese se sustenta sobre 10 registos, é marcada como 'preliminar'. Se se sustenta sobre 10.000, é marcada como 'robusta'.
Isto é data mining clássico ou LLMs?
Ambos. Os LLMs geram hipóteses em linguagem natural ('E se os clientes com mais encomendas também tiverem mais devoluções?'). Métodos estatísticos clássicos validam-nas rigorosamente. O LLM é o explorador; a estatística é o juiz.
As hipóteses podem ser convertidas em regras automáticas?
Sim. Quando uma hipótese se confirma com robustez suficiente, o Integrafy-OS propõe convertê-la em alerta, regra de Flow ou acção automática. Por exemplo: 'Notificar o comercial quando um cliente habitual deixe de comprar durante X dias'.
O chat conversacional partilha os meus dados com OpenAI/Anthropic?
Não por omissão. O Integrafy-OS expõe os dados através do servidor MCP com autorização granular. Pode executar o chat com um LLM on-premise (Llama, Mistral) se a sua política o exigir. Se usar Claude/GPT cloud, os dados são processados sem treinar os modelos e sob as suas políticas de DPA.
Que padrão nos seus dados ainda não viu?
Demonstração do motor de hipóteses com os seus dados reais em 30 minutos.