ModelMonkey para Analistas de Dados

O ModelMonkey transforma a forma como os analistas de dados trabalham, habilitando o acesso self-service a dados por meio de linguagem natural. Em vez de escrever consultas SQL ou aguardar o suporte da engenharia de dados, você pode simplesmente descrever os dados necessários em linguagem simples.

Este guia aborda os recursos do ModelMonkey mais relevantes para analistas de dados:

• Consulte bancos de dados conectados sem escrever SQL
• Permita que usuários de negócios atendam suas próprias solicitações de dados
• Combine fontes de dados unindo dados de planilhas com bancos de dados externos
• Crie visualizações e resumos diretamente na sua planilha

Antes de consultar dados externos, você precisará configurar conexões com seus bancos de dados. O ModelMonkey suporta:

PostgreSQL
Conecte-se a qualquer banco de dados PostgreSQL, incluindo Amazon RDS, Google Cloud SQL, Azure Database for PostgreSQL e instâncias auto-hospedadas.

Google BigQuery
Conecte-se a conjuntos de dados do BigQuery usando uma conta de serviço para cargas de trabalho de análise em grande escala.

Uma vez conectado, você pode referenciar essas fontes de dados pelo nome em suas solicitações. Por exemplo, se você nomear sua conexão como "Banco de Dados de Vendas", pode dizer "Buscar dados de clientes do Banco de Dados de Vendas."

Para instruções detalhadas de configuração, consulte Conexões de Dados Externos.

Com suas fontes de dados conectadas, você pode consultá-las usando linguagem simples. O ModelMonkey traduz suas solicitações para SQL e retorna os resultados.

Exemplos de Solicitações

• "Mostre-me as vendas por região do mês passado do nosso banco de dados PostgreSQL"
• "Encontre os 10 principais clientes por receita no BigQuery"
• "Busque todos os pedidos dos últimos 7 dias e adicione-os à minha planilha"
• "Quantos usuários ativos temos por país?"
• "Qual é o valor médio de pedido por categoria de produto?"

Como Funciona

1. Descreva os dados necessários em linguagem natural
2. O ModelMonkey gera a consulta SQL adequada
3. A consulta é executada no banco de dados conectado
4. Os resultados são retornados para sua planilha ou exibidos para revisão

Você também pode fazer perguntas de acompanhamento para refinar sua consulta: "Agora filtre para mostrar apenas regiões com mais de $100K em vendas."

Depois de ter dados na sua planilha, o ModelMonkey pode ajudá-lo a analisá-los e visualizá-los:

Criar Gráficos

• "Crie um gráfico de barras mostrando vendas por região"
• "Faça um gráfico de linhas com as tendências de receita mensal"
• "Adicione um gráfico de pizza mostrando participação de mercado por produto"

Resumir Dados

• "Calcule totais e médias para cada coluna"
• "Resuma estes dados por categoria"
• "Quais são os principais insights deste conjunto de dados?"

Adicionar Cálculos

• "Adicione uma coluna calculando a variação percentual mês a mês"
• "Calcule o crescimento ano a ano para cada produto"
• "Adicione uma coluna de total acumulado"

Formatar e Destacar

• "Destaque células onde o valor supera a média"
• "Aplique formatação condicional para mostrar os melhores desempenhos em verde"
• "Formate a coluna de receita como moeda"

Um dos recursos mais poderosos do ModelMonkey é a capacidade de unir dados de diferentes fontes em uma única solicitação:

Unir Dados de Planilhas com Bancos de Dados

• "Corresponda os IDs de clientes na minha planilha com a tabela de clientes no nosso banco de dados PostgreSQL"
• "Enriqueça esta lista com endereços de e-mail do nosso banco de dados CRM"
• "Adicione dados de porte de empresa do BigQuery à minha lista de prospects"

Referência Cruzada de Documentos
Faça upload de um relatório em PDF e compare-o com dados do banco de dados:

• "Compare os valores trimestrais neste PDF com os nossos números reais no banco de dados"
• "Verifique os totais dessas faturas em relação à nossa tabela de pedidos"

Agregar Entre Fontes

• "Combine análises web do BigQuery com dados de vendas do PostgreSQL"
• "Crie uma visão unificada de dados de clientes de múltiplos bancos de dados"

Isso elimina exportações manuais de dados e fluxos de trabalho de copiar e colar, fornecendo uma única fonte de verdade na sua planilha.

Use Nomes Descritivos para as Conexões
Nomeie suas conexões de banco de dados de forma clara (por ex., "Analytics de Produção", "Data Warehouse de Marketing") para que você possa referenciá-las facilmente nas solicitações.

Comece Pequeno, Depois Expanda
Inicie com consultas simples para verificar se está obtendo os dados corretos e, em seguida, adicione filtros e agregações. Isso ajuda a identificar problemas cedo.

Especifique Intervalos de Tempo
Sempre inclua intervalos de datas em suas solicitações ao lidar com dados de séries temporais: "vendas dos últimos 30 dias" é mais preciso do que "vendas recentes."

Salve Consultas Frequentes
Para extrações de dados usadas com frequência, mantenha uma planilha de referência com exemplos de prompts que você possa copiar e modificar.

Combine com File Uploads
Faça upload de relatórios em PDF ou documentos quando precisar fazer referência cruzada de dados externos com seu banco de dados. Isso é especialmente útil para análise de variações e conciliações.

Verifique Números Críticos
Para decisões de negócio importantes, faça verificações pontuais comparando alguns dados com seus sistemas de origem.

Pronto para se aprofundar? Explore estes recursos relacionados:

• Conexões de Dados Externos — Configure conexões com PostgreSQL e BigQuery
• Consultas SQL — Escreva SQL personalizado para casos de uso avançados
• File Uploads — Faça upload de PDFs para referência cruzada
• Edição de Planilhas — Conheça todas as operações com planilhas

Para dúvidas sobre configurações específicas de banco de dados ou padrões avançados de consulta, consulte as páginas de documentação detalhadas vinculadas acima.