Produto de dados com IA generativa
Do dashboard à conversa com os dados: como a Niteo ajudou a Functional Health Tech a validar um produto de dados com IA generativa
Resultado
3 perguntas clínicas respondidas em linguagem natural, ao vivo
Resumo
Um MVP com Looker, camada semântica e Gemini permitiu fazer perguntas em linguagem natural sobre dados clínicos e foi demonstrado ao vivo a clientes da indústria farmacêutica.
Contexto
A Functional Health Tech desenvolve produtos de dados para o setor de saúde. Atende indústria farmacêutica, operadoras, corretoras de saúde e farmácias. À época do case, era descrita como uma empresa com 25 anos de mercado. Em seu site, a empresa informa hoje 32 milhões de vidas impactadas e 57 mil farmácias na rede. São números institucionais atuais, que não descrevem a operação à época do projeto.
A empresa já praticava monetização direta de dados. Transações em farmácias, tratamentos realizados, medicamentos prescritos e interações com planos de saúde eram processados, enriquecidos e entregues aos clientes no modelo Data as a Service. Com isso, cada cliente não precisava manter infraestrutura própria para armazenar e administrar esses dados.
Problema de negócio
Os produtos de dados da Functional Health Tech eram entregues em dashboards com narrativas analíticas já estruturadas. Uma narrativa construída antes não antecipa todas as perguntas de quem usa o produto. Quando o cliente explorava os dados sozinho, surgiam questões específicas que as visualizações não respondiam.
A empresa queria que o cliente investigasse as próprias perguntas sem depender de uma pessoa conduzindo a análise. Também queria aplicar IA generativa a um produto real, e não a um experimento isolado.
Impacto do problema
O limite dos dashboards afetava o valor percebido do produto. Usuários podiam precisar de apoio adicional para interpretar os dados, e respostas sob demanda podiam ser lentas. Em um modelo em que o dado é o produto vendido, a autonomia de quem consulta faz parte da entrega.
O material não quantifica perdas de receita, horas de suporte ou tempo de resposta no cenário inicial.
O mercado ajuda a dimensionar o tema. Segundo a McKinsey, as organizações de melhor desempenho atribuem 11% de sua receita à monetização de dados, mais de cinco vezes o registrado pelas de pior desempenho, e a IA generativa vem levando as empresas de produtos de dados estáticos para inteligência aplicada ao fluxo de trabalho (Intelligence at scale, 2025). O Gartner recomenda pilotar casos de uso que conectem análises a interfaces em linguagem natural, com governança para reduzir erros (Top Trends in Data and Analytics for 2025). São referências de mercado, que não medem resultados da Functional Health Tech.
Desafio
O problema não era trivial por quatro razões:
-
Evento já agendado: a experiência seria demonstrada ao vivo a um cliente da indústria farmacêutica, em prazo curto e sem margem para adiamento.
-
Dados preparados para IA: mesmo com dados estruturados e boa maturidade analítica, foi necessário trabalho adicional para que a IA generativa pudesse consumi-los.
-
Domínio clínico: a solução precisava interpretar terminologia médica e perguntas de negócio sem exigir conhecimento de SQL do usuário.
-
Equipes diferentes: a entrega dependia de conhecimento clínico, engenharia de dados, BI, IA generativa e tecnologia Google Cloud trabalhando em conjunto.
Estratégia
Enriquecer o que já existia. A Niteo não propôs um produto novo. A hipótese era acrescentar uma interface conversacional a um produto de dados em uso, para testar a experiência com o menor esforço de construção possível.
Dar contexto à IA antes de conectá-la. A camada semântica foi tratada como peça central. Ela funciona como um mapa entre tabelas e campos técnicos, termos clínicos, regras de negócio e perguntas em linguagem natural. Rótulos, descrições e definições foram ajustados para que perguntas não técnicas gerassem respostas contextualizadas. A documentação do Google Cloud descreve o LookML como a linguagem de modelagem semântica do Looker, em que cada expressão é escrita uma vez e reutilizada nas consultas.
Validar em ciclos curtos. As tecnologias foram definidas em conjunto com o Google. A Functional Health Tech validou perguntas e respostas em ciclos frequentes de feedback, o que permitiu resolver dúvidas rapidamente.
Solução
-
Preparação dos dados: uma base previamente tratada, fornecida pela Functional Health Tech, foi importada e preparada no BigQuery para servir de fonte analítica do MVP.
-
Camada semântica em LookML: tradução de estruturas técnicas e terminologia médica em conceitos compreensíveis para a IA e para usuários de negócio.
-
Visualizações no Looker: painéis construídos sobre o modelo semântico, com uso de extensões do Looker para incorporar a experiência conversacional.
-
Gemini para linguagem natural: o modelo interpreta a pergunta do usuário e devolve a resposta com base nos dados modelados.
-
Curadoria de prompts: ajuste de instruções e parâmetros para melhorar a qualidade das respostas.
-
Entrega no ambiente do cliente: o projeto foi exportado para a nuvem da Functional Health Tech antes da apresentação.
Na demonstração, a funcionalidade respondeu a perguntas como a comparação anual de quimioterapias realizadas, o estado com mais pacientes com câncer de mama e as principais comorbidades desses pacientes. O Google Cloud documenta abordagem semelhante em seu recurso de análise conversacional do Looker, que usa o modelo semântico como referência para as respostas. O dossiê não informa se esse recurso nativo foi utilizado no MVP.
Transformação: antes × depois
| Aspecto | Antes | Depois |
|---|---|---|
| Exploração dos dados | Restrita a filtros e visuais predefinidos nos dashboards. | Perguntas em linguagem natural demonstradas no MVP. |
| Perguntas específicas | Dependiam de apoio adicional ou de resposta sob demanda. | Respondidas pela interface conversacional durante a demonstração. |
| Contexto clínico | Terminologia médica presente apenas nas estruturas de dados. | Termos mapeados na camada semântica para uso pela IA. |
| IA generativa no produto | Hipótese a testar. | Viabilidade técnica demonstrada em evento com clientes. |
A tabela descreve o que o MVP demonstrou. O material não registra a funcionalidade em uso contínuo pela base de clientes.
Resultados mensuráveis
Os resultados abaixo constam do dossiê e são registros de entrega.
| Entrega ou indicador | Resultado |
|---|---|
| MVP | Concluído e apresentado no evento planejado |
| Perguntas clínicas registradas na demonstração | 3 exemplos documentados, todos respondidos |
| Reação do público | Recepção positiva; um cliente perguntou quando a funcionalidade estaria disponível |
| Entrega técnica | Projeto exportado para a nuvem da Functional Health Tech |
-
Impacto qualitativo: experiência de exploração mais intuitiva e autônoma, e confirmação da importância de dados estruturados e camada semântica para o uso de IA generativa.
-
Possibilidade futura: disponibilização da funcionalidade aos clientes e evolução da oferta de Data as a Service.
Impacto estratégico
O MVP deu à Functional Health Tech uma prova de viabilidade. A empresa verificou, diante de clientes, que seu produto de dados pode responder a perguntas que os dashboards não previam. O interesse manifestado pelo público é um sinal de demanda, ainda sem medição comercial.
O artigo do case informa que, após o MVP, a empresa passou a trabalhar em uma nova unidade de negócio dedicada a dados e monetização. O material não permite atribuir essa decisão ao projeto. Hoje, a empresa divulga publicamente uma frente de dados, analytics e inteligência artificial voltada à saúde suplementar. Essa informação é institucional e não comprova relação com o MVP.
Próximo capítulo
O dossiê não registra nova fase contratada após a demonstração. A criação de um spin-off de Data as a Service e o anúncio de uma nova frente de receita aparecem em material comercial e dependem de confirmação do cliente.
Como possibilidade, e não projeto aprovado, a Functional Health Tech pode levar a interface conversacional ao produto em operação e medir uso, perguntas mais frequentes e demanda por suporte. Essa medição transformaria a viabilidade demonstrada em evidência de valor.