Como transformar qualquer CSV em relatório executivo com Python e IA

O pipeline que todo analista precisa

Um CSV chega no seu email. Alguém pergunta “como foi o mês?”. Você passa a tarde limpando colunas, gerando gráficos e digitando o que eles significam. Dá para automatizar a maior parte disso.

Neste guia prático, você vai construir um pipeline em Python que pega um CSV bruto de vendas, limpa os dados, calcula as métricas, gera os gráficos e usa IA para redigir os insights em linguagem natural. O modelo usado é o Claude Opus 4.8, mas o padrão funciona com qualquer LLM.

O pipeline segue esta sequência: CSV → limpeza → exploração → gráficos → insights com IA → recomendações → relatório.

Passo 1: Limpeza — decidindo o que conta como receita

O dataset usado tem 45 transações com colunas de país, data, valor e status. Duas coisas chamam atenção imediatamente: reembolsos são valores negativos, e nem toda linha representa uma venda concluída.

import pandas as pd

df = pd.read_csv("product_sales.csv")
df["transaction_date"] = pd.to_datetime(df["transaction_date"])
df["amount"] = pd.to_numeric(df["amount"], errors="coerce")

# Transações pendentes ou falhas não são receita ainda
settled = df[df["status"] == "completed"].copy()
settled["is_refund"] = settled["type"].eq("refund")

Esse filtro remove 3 das 45 linhas, deixando 42 transações concluídas. Se tivéssemos reportado direto do arquivo bruto, teríamos contado um pagamento falho como venda.

Passo 2: Os números que importam

Separando compras de reembolsos, os números principais aparecem:

gross = settled.loc[~settled["is_refund"], "amount"].sum()
refunds = settled.loc[settled["is_refund"], "amount"].sum()   # negativo
net = settled["amount"].sum()
refund_rate = -refunds / gross

print(f"Receita bruta:  {gross:,.0f}")
print(f"Reembolsos:     {refunds:,.0f}")
print(f"Receita líquida: {net:,.0f}")
print(f"Taxa de reembolso: {refund_rate:.0%}")

Resultado: receita bruta de $12.975, reembolsos de $4.875, receita líquida de $8.100 com uma taxa de reembolso de 38%. Esse é o tipo de número que nunca aparece se você só soma valores positivos.

Passo 3: Para onde o dinheiro foi

A análise por país revela surpresas. O Canadá, por exemplo, teve duas vendas — ambas reembolsadas, resultando em receita líquida zero. A análise semanal mostra que as três primeiras semanas foram positivas, mas as três últimas foram negativas — as compras pararam no início de maio enquanto os reembolsos continuaram chegando.

Um dado crucial: usando a coluna original_transaction_id, descobrimos que o reembolso mediano chega 20 dias após a venda. Isso significa que a receita de abril ainda está sendo reembolsada em maio — uma informação vital para previsões de fluxo de caixa.

Passo 4: IA escreve o relatório

Com os números em mãos, o Claude Opus 4.8 recebe os dados agregados e gera um parágrafo narrativo. O modelo escreve o primeiro rascunho em segundos. Quem decide o que é verdade ainda é você.

O prompt é direto: “Aqui estão as métricas de vendas das últimas 5 semanas. Receita bruta: $12.975. Reembolsos: $4.875 (38%). Receita líquida: $8.100. O Canadá teve 100% de reembolso. A mediana de reembolso é 20 dias após a venda. Escreva um parágrafo executivo destacando os riscos.”

O resultado é um texto que um executivo lê em 30 segundos e entende a situação — sem precisar olhar para uma planilha.

Por que isso importa

Este pipeline é reproduzível. Troque o CSV, ajuste a pergunta de negócio e você tem um relatório executivo em minutos, não em horas. A combinação de Python para análise + IA para redação elimina a parte mais repetitiva do trabalho de um analista — não a análise em si, mas a formatação, a digitação e a explicação textual que consomem a maior parte do tempo.

Para times brasileiros que lidam com relatórios periódicos (vendas, marketing, operações), esse padrão de CSV → Python → IA → relatório é uma das automações de maior ROI que você pode implementar esta semana.