Business Intelligence com Agentes
Traduzido com IA. Verificado por pessoas em inglês. Como fazemos os livros
Traduzido do livro em inglês, edição 2026.11.15. Leia o original
Agentes que transformam perguntas de negócio em insights confiáveis, a partir do seu data warehouse: contexto em camadas, métricas governadas em uma camada semântica, SQL protegido, respostas que informam quando não podem ser dadas, regras de acesso que o agente não consegue contornar com argumentos, e avaliação com as suas próprias perguntas de referência (golden questions), servidos via MCP, tudo sobre DuckDB, sqlglot e MetricFlow.
Para quem é Para engenheiros de analytics, desenvolvedores de BI e cientistas de dados que escrevem SQL, conhecem o seu data warehouse e receberam o pedido de permitir que as pessoas façam perguntas aos dados, com um assistente que acerte o número.
Leia no Kindle ou em qualquer leitor de e-books
O EPUB também funciona no Apple Books, no Kobo e na maioria dos leitores de e-books.
Enviar para o Kindle
Envia o EPUB desta edição em Português (Brasil).
-
Aprove o nosso endereço
A Amazon entrega no Kindle somente a partir de endereços que você aprovou, uma vez para cada serviço que envia e-mails a ele. Adicione o nosso à sua Lista de E-mails Aprovados para Documentos Pessoais.
books@rollingedition.comAbrir as Configurações de documentos pessoais da Amazon. Na Amazon, isso fica em Gerenciar seu conteúdo e dispositivos, Preferências, Configurações de documentos pessoais.
Enviado. Ele aparecerá na sua biblioteca do Kindle em alguns minutos.
Se não chegar, quase sempre o problema é a aprovação do passo 1: verifique se books@rollingedition.com está na sua Lista de E-mails Aprovados para Documentos Pessoais.
Cada nova edição dos seus livros salvos também será enviada para o seu Kindle.
Este não é um endereço do Kindle. Ele termina em @kindle.com: você o encontra em Configurações de Documentos Pessoais da Amazon.
Você enviou {count} livros hoje, o máximo que enviamos para uma conta em um dia. Tente novamente amanhã.
Enviamos todos os livros que podíamos hoje. Tente novamente amanhã.
O livro não foi enviado. Tente novamente em alguns minutos.
Esta edição é grande demais para enviar por e-mail.
Enviar para o Kindle vem com o Labs.
Este não é um endereço do Kindle. Ele termina em @kindle.com: você o encontra em Configurações de Documentos Pessoais da Amazon.
O livro não foi enviado. Tente novamente em alguns minutos.
Ou baixe o EPUB e envie-o na página Enviar para o Kindle da Amazon.
Kindle is a trademark of Amazon.com, Inc.
Sumário
11 capítulos, cerca de 6 horas 11 minutos de leitura, com 78 exemplos.
-
1Um agente de dados de ponta a ponta
Ao final deste capítulo, você será capaz de construir o armazém de dados da loja, fazer com que um modelo de linguagem com respostas gravadas escreva SQL para uma pergunta de negócio, executar esse SQL e identificar o número errado que ele retorna, responder à mesma pergunta a partir de uma métrica definida e avaliar as duas abordagens com cinco perguntas de referência.
-
2Where raw text-to-SQL gets the number wrong
By the end of this chapter, you can name the five ways schema-only text-to-SQL returns a plausible wrong number on a real warehouse, show each one on the shop's warehouse, count them across a set of golden questions, and tell which a better prompt can fix and which need definitions the schema doesn't hold.
-
3Crie perguntas de referência a partir do seu próprio trabalho
Ao final deste capítulo, você será capaz de escrever perguntas de referência a partir das perguntas que as pessoas do seu negócio fazem, cada uma com seu SQL de referência, o papel de quem a faz e o tipo de resposta que ela exige.
-
4Give the agent layered context
By the end of this chapter, you can give a model that writes SQL more than the schema, in layers: notes on columns whose names mislead, a glossary of the shop's business terms, and verified queries retrieved for each question.
-
5Define metrics once in a semantic layer
By the end of this chapter, you can write the shop's semantic models and metrics in MetricFlow's YAML spec, compile a metric request to SQL with the book's own compiler, show that its entity joins can't fan out, group by the fiscal calendar, and confirm that MetricFlow compiles the same definitions to the same results.
-
6Encaminhe as perguntas primeiro para métricas governadas
Ao final deste capítulo, você poderá oferecer ao agente as métricas da camada semântica como ferramentas, em vez das tabelas do armazém; fazer com que ele devolva uma requisição de métrica estruturada, validada antes de qualquer execução; fazer com que ele pergunte de volta à pessoa quando uma pergunta puder se referir a várias métricas; e medir a mudança nas perguntas de referência.
-
7Let the agent write SQL inside guards
By the end of this chapter, you can handle the questions no metric covers by letting the agent write SQL that runs read-only on a database holding only the rows and columns its role may read, and that is parsed, checked against an allowlist of tables, bounded in rows, size, cost and time, repaired once from an error, and transpiled to your warehouse's dialect.
-
8Diga quando a resposta não pode ser dada
Ao final deste capítulo, você será capaz de tratar a recusa como uma resposta de primeira classe: distinguir as perguntas que o data warehouse não consegue responder daquelas que consegue, recusar com um motivo de um tipo conhecido, verificar se os dados do período consultado já chegaram, mostrar a proveniência por trás de cada resposta e medir as recusas com precisão e revocação, para que o agente nem adivinhe nem recuse com frequência excessiva.
-
9Mantenha o agente dentro do que cada papel pode ver
Ao final deste capítulo, você será capaz de aplicar os filtros de linhas, as máscaras de colunas e o tamanho mínimo de grupo de cada papel abaixo do agente, no próprio banco de dados do papel, com a reescrita na camada semântica e o guarda como defesa em profundidade, de modo que nenhum prompt consiga ampliar o acesso.
-
10Julgue respostas e detecte regressões
Ao final deste capítulo, você será capaz de pontuar uma execução do agente em várias medidas ao mesmo tempo, usar um modelo como juiz apenas onde os resultados não podem ser comparados diretamente, calibrar esse juiz com rótulos de referência que qualquer pessoa pode recalcular, verificar o quanto uma pontuação varia de uma execução para outra e barrar, no CI, com base em execuções gravadas, uma mudança em prompts, contexto ou métricas que piore os resultados.
-
11Serve the semantic layer over MCP
By the end of this chapter, you can serve the shop's governed metrics as MCP tools that answer for the role the server was built for, return each answer with its provenance as structured data, test the server in memory, and run the book's agent through it as a host.