O painel ficou mais fácil. Os dados, não.
A IA já responde o que aconteceu. Explicar o porquê é com você.
Nesta edição
- 📊 Power BI:
a atualização de outubro chegou com novo visual de Gantt e muito mais
- 🤝 Salesforce comprou a Loops para levar análise explicativa ao Tableau
- 🕵️ Dataiku lançou uma ferramenta para achar os agentes de IA perdidos dentro das empresas
- 🧩 AtScale mostrou por que a camada semântica virou a peça que decide se a IA acerta
- 📚 Artigo: a IA já responde “o que aconteceu”. O seu valor está no “por quê”
#DataNews 📰
Notícias sobre o mundo dos dados e IA para ler enquanto toma um café ☕
A atualização de outubro do Power BI chegou (e tem Gantt) 📊
Saiu a atualização mensal do Power BI do mês de outubro!
A principal é o novo visual de Gantt, em preview. É aquele gráfico de cronograma, com barras que mostram quando cada tarefa começa, quanto já andou e onde ficam os marcos do projeto. Antes disso, quem precisava de um Gantt no relatório dependia de visual de terceiros ou de improviso com gráfico de barras.
Outra novidade prática é o slicer de lista em modo dropdown (também em preview). Para filtros com lista longa como cidades, produtos, clientes, ele economiza espaço na tela e ganhou a opção “mostrar selecionados primeiro”: o que você filtrou sobe para o topo e aparece como etiquetas que podem ser removidas com um clique.
E o Copilot avançou: o agente de criação de relatórios agora trabalha também com visuais personalizados (versão final, já liberada). Você descreve o que quer em português, e ele adiciona o visual, conecta aos seus dados, aplica a formatação e valida o resultado. Se nenhum visual nativo resolver, ele pode sugerir um do AppSource.
Também entraram: cor de fundo na área do gráfico (fixa ou condicional), eixo hierárquico que expande sozinho combinado com parâmetros de campo (permitindo que um único slicer troque quais campos o gráfico mostra) e bookmarks pessoais que guardam a largura das colunas de tabelas e matrizes.
💡 você sabia?
A atualização trouxe ainda uma mudança nos bastidores: os modelos semânticos passaram a informar o consumo de capacidade durante as operações longas, e não só no fim. Com isso, a Microsoft diz ter reduzido as rejeições por throttling no Fabric de 23% para 13%.
Por que isso importa para você: os dois recursos em preview precisam ser ativados nas opções do Power BI Desktop, e aprender a ligar e testar um preview é parte do trabalho de quem acompanha a ferramenta.
Veja a atualização de outubro do Power BI →
O Tableau quer responder por que o número mudou 🤝
A Salesforce assinou acordo para comprar a Loops, uma plataforma de análise com IA, e pretende levar a tecnologia e o time para dentro do Tableau. A conclusão do negócio está prevista para o início de novembro.
A proposta da Loops é simples de entender: em vez de só mostrar que um indicador caiu, ela acompanha os KPIs continuamente, identifica a variação e tenta explicar o que a provocou. O aviso chega onde a pessoa já está trabalhando (Slack ou e-mail, por exemplo).
Repare no movimento, porque ele não é isolado. Em poucas semanas vimos Google, Microsoft e agora Salesforce apostando na mesma ideia: a ferramenta não espera a pergunta, ela traz a hipótese.
💡 você sabia?
O valor do negócio não foi divulgado. Para o Tableau, a aposta é clara: deixar de ser só o lugar onde o gráfico é construído e passar a ser o lugar onde a causa aparece.
Por que isso importa para você: se a ferramenta vai sugerir a causa, quem precisa saber se a hipótese faz sentido é você, e isso depende de conhecer o negócio.
Leia o anúncio da Salesforce →
Quantos agentes de IA estão rodando na sua empresa agora? 🕵️
A Dataiku lançou o Agent Management, um produto com uma missão curiosa: descobrir os agentes de IA que já existem espalhados pela empresa.
O problema é mais comum do que parece. Uma área cria um agente no Microsoft, outra no Databricks, um time monta o seu no Salesforce, e ninguém tem a lista completa. A ferramenta varre essas plataformas, acompanha desempenho técnico e de negócio, e sinaliza o que está sem monitoramento ou operando com risco alto.
Entre as plataformas suportadas estão AWS, Databricks, Google, Microsoft, Salesforce, Snowflake e a própria Dataiku.
É o mesmo ciclo que os dados já viveram: primeiro cada um faz o seu relatório, depois ninguém sabe qual número está certo, e então surge a governança para organizar a casa.
por que isso importa pra você
Governança não é burocracia: é o que permite confiar no que a ferramenta entrega. Quem entende isso cedo se destaca rápido.
A pergunta é fácil. A resposta certa depende do modelo. 🧩
A AtScale anunciou o AtScale for AI, voltado a um problema que aparece sempre que alguém pergunta em linguagem natural para a IA: a resposta sai, mas está certa?
A proposta combina quatro coisas: esclarecer a pergunta quando ela está ambígua, calcular as métricas por uma camada semântica governada (a camada que guarda a definição oficial de cada indicador), ajudar a montar esse modelo com apoio de IA e avaliar a precisão das respostas.
Pense num exemplo do dia a dia. Você pergunta “qual foi o faturamento do mês?”. O número muda se considerar devoluções? Se incluir frete? Se contar pela data da venda ou do pagamento? Sem uma definição única, duas pessoas perguntam o mesmo e recebem respostas diferentes.
💡 você sabia?
É exatamente esse o papel da modelagem que você aprende no Power BI. Medidas bem construídas, relacionamentos corretos e nomes claros não são capricho de perfeccionista, são a definição oficial do seu negócio.
Por que isso importa para você: quanto mais a IA responde perguntas, mais valiosa fica a pessoa que sabe modelar os dados por trás delas.
Veja o anúncio do AtScale for AI →
A IA já responde “o que aconteceu”. Seu valor está no “por quê”. 📚
Por Etek
Olhe as três notícias desta edição em sequência. O Tableau comprando uma empresa que explica variação de indicador. A AtScale cuidando da precisão das respostas. A Dataiku rastreando agentes espalhados pela empresa.
É a mesma direção: a parte descritiva da análise está sendo automatizada.
O que isso tira de você (e o que não tira)
Montar o gráfico, calcular a variação, formatar o relatório: tudo isso está ficando mais rápido e mais acessível. Boa notícia, inclusive para quem está começando, porque a barreira de entrada técnica diminui.
Mas repare no que nenhuma dessas ferramentas resolve sozinha.
Quando um painel aponta queda de 12% nas vendas do Sul, a ferramenta entrega a correlação. Dizer se aquilo foi sazonalidade, um concorrente novo, um problema de estoque ou simplesmente um erro no cadastro de região, isso exige conhecer o negócio.
Correlação não é causa (e a IA ainda confunde as duas)
Esse é o ponto em que a análise automática mais escorrega. Dois números que sobem juntos não têm, necessariamente, um causando o outro. A ferramenta vê o padrão; quem interpreta precisa saber se a história faz sentido.
E tem um detalhe que quem está começando costuma descobrir tarde: a resposta errada quase nunca vem de um cálculo errado. Vem de uma definição mal combinada: um filtro esquecido, uma data trocada, um indicador que cada área entende de um jeito.
🛠️ dica: sua tarefa desta semana
Pegue um indicador do seu trabalho e escreva, em uma frase, a definição exata dele: o que entra, o que fica de fora, qual data vale. Depois mostre para alguém de outra área e pergunte se é assim que ela entende. Se as duas definições não baterem, você acabou de encontrar algo que nenhuma IA ia descobrir por você.
As ferramentas vão ficar melhores em dizer o que aconteceu. Quem sabe explicar o porquê continua sendo a pessoa na sala.
