Pipeline ETL para Feedbacks Bancários utilizando IA e PostgreSQL

Contexto

Feedbacks de clientes bancários costumam estar espalhados, sem padronização e sem estrutura analítica. Este projeto simula esse cenário de ponta a ponta, desde a origem do dado até a geração de insight.

Problema

Bancos recebem grandes volumes de feedback de clientes, mas raramente possuem um processo estruturado para transformar esse material em indicadores acionáveis de Customer Experience.

Objetivo

Construir um pipeline reprodutível capaz de transformar texto não estruturado em uma base relacional analisável, aplicando boas práticas de ETL e modelagem de dados.

Arquitetura da solução

Arquitetura em camadas: geração/ingestão de dados brutos, tratamento e padronização em Python/Pandas, carga estruturada em PostgreSQL e camada analítica acessada via SQL.

Pipeline

1. 1IA Generativa
2. 2Dados Sintéticos
3. 3Excel
4. 4Tratamento
5. 5ETL
6. 6PostgreSQL
7. 7SQL
8. 8Análise
9. 9Dashboard
10. 10Insights de Negócio

Modelagem

Modelagem relacional simples orientada à análise de feedbacks: tabelas de clientes, interações e categorias de feedback, normalizadas o suficiente para consultas analíticas diretas.

Processo técnico

• Geração de dados sintéticos de feedback com prompt engineering
• Padronização e limpeza dos textos e campos estruturados em Python/Pandas
• Carga dos dados tratados em PostgreSQL através do pipeline de ETL
• Escrita de queries SQL para segmentação e geração de indicadores
• Consolidação dos resultados em insights de negócio

Insights

• Reclamações via Telefone e WhatsApp são os dois únicos grupos de prioridade Crítica (score 0,742 e 0,733), com recorrência de 2 a 3 meses, e concentram 6 dos 19 casos de Reclamação e Problema Técnico
• Agosto/2026 foi o pior mês da série (nota 1,5 e 100% de feedbacks negativos), mas com apenas 4 registros: tratado como alerta, não como tendência
• O campo de produto está vazio nas 45 linhas, o que impede saber se Pix, cartão ou app geram mais atrito; um tópico derivado do texto serve só como hipótese
• Não há concentração 80/20: os 3 canais mais afetados somam 63,3% dos feedbacks negativos, então uma correção em um único canal não resolveria a maior parte do problema

Resultados

CSAT de 37,8% e 42,2% de feedbacks negativos; reclamações via Telefone e WhatsApp são os dois únicos grupos críticos (score 0,74 e 0,73), e a ausência de dado de produto é a maior lacuna da base.

• KPIs: CSAT 37,8% (nota maior ou igual a 4), nota média 3,0/5, 42,2% de feedbacks negativos e taxa de reclamação de 26,7%; NPS não calculável (escala de 1 a 5)
• Auditoria de dados documentada: 0% de nulos, 0 duplicidades e categorias padronizadas
• Score de priorização por tipo e canal (volume 30%, impacto 30%, urgência 25%, recorrência 15%) com classes Crítico, Alto, Médio e Baixo
• Dashboard interativo de 4 páginas (Visão Executiva, Customer Experience, Análise de Problemas e Recomendações), publicado no GitHub Pages
• Relatório final com recomendações por área responsável e script de análise reproduzível

Limitações

• Dados 100% fictícios, gerados por IA: o resultado serve para estudo e demonstração, não para decisões reais
• Amostra pequena (45 registros): os percentuais por grupo são indicativos, não conclusivos
• Sem campos de produto, tempo de resolução, região ou perfil do cliente

Visualizações