Dados e inteligência artificial · Itaú Unibanco
Fazer métricas saírem do dashboard e chegarem à decisão
Criação de uma linguagem comum de métricas e de um agente de IA para orientar resultados, conectar fontes e reduzir a distância entre análise e ação.
- Organização
- Itaú Unibanco
- Período
- 2024–2026
01 · Problema
O problema por trás do problema
Os dados existiam, mas estavam fragmentados entre áreas, ferramentas e interpretações. A organização precisava transformar indicadores em perguntas melhores e ações rastreáveis.
02 · Decisões
Como transformei contexto em ação
- Analisei mais de 100 comunidades para identificar padrões de performance e oportunidades de priorização.
- Estruturei um cardápio de métricas (negócio, financeiro, produto, experiência, tecnologia, operações e eficiência) como fonte única de verdade.
- Modelei relações de desdobramento, correlação e causalidade entre indicadores.
- Contribuí para um agente conversacional com modelo de linguagem e geração aumentada por recuperação de informação (RAG) sobre o cardápio de métricas.
- Integrei o dashboard executivo à ferramenta de execução (IU Click) para encurtar o ciclo entre insight e ação.
03 · Métricas
Resultados e sinais observados
- Conversão de insight de dados em ação de 25% para 65%. Como foi medido: Rastreabilidade do dashboard até a feature (estratégia → OKRs → iniciativas → backlog → entrega).
- Adoção de objetivos e resultados-chave (OKRs) de 35% para 90%. Como foi medido: Discovery estratégico com lideranças e testes A/B; ciclo de feedback reduzido em 30%.
- Maturidade de governança de dados de 15% para 55%. Como foi medido: Padronização de métricas via cardápio como fonte única de verdade.
- Agente de IA entre as cinco soluções mais utilizadas do banco em 2025. Como foi medido: Modelo de linguagem com RAG e ontologia sobre o cardápio de métricas.
04 · Aprendizado
O que ficou
Um agente só orienta boas decisões quando sua base de conhecimento tem linguagem consistente, relações rastreáveis e limites claros.