Orange AI Lab

Gestão e dados · Comece por aqui

Cadastros duplicados: como usar IA sem unir clientes diferentes

Organize a revisão de cadastros com apoio de IA, confira as evidências de cada possível duplicidade e preserve o histórico antes de alterar a base da PME.

Ilustração de duas fichas de cadastro separadas, com ícones de identidade distintos e uma lupa ampliando os marcadores para comparação.

Dois nomes parecidos aparecem na planilha de clientes. São cadastros repetidos ou empresas diferentes? A IA pode apoiar a organização dessa dúvida, mas uma sugestão convincente não comprova identidade. Para uma PME, o primeiro passo é montar uma fila de revisão que preserve os registros originais. Este guia propõe esse fluxo, apoiado em documentação oficial sobre qualidade de dados e comparação de textos. Não apresenta uma ferramenta nova nem um teste realizado pela Orange.

01

Descubra o problema antes de apagar linhas

Comece por uma cópia autorizada de uma única base. Registre a origem, a data da exportação e o identificador de cada linha. Observe quais campos estão vazios, quais têm formatos diferentes e quais realmente se repetem. A documentação do Power Query descreve recursos para examinar qualidade, distribuição e perfil das colunas. Também informa que o perfil usa inicialmente as primeiras mil linhas; conferir o conjunto analisado evita tratar uma amostra como retrato completo.

Nossa recomendação é definir o que cada registro representa: empresa, unidade, pessoa de contato ou oportunidade comercial. Duas oportunidades do mesmo cliente podem precisar continuar separadas. Se a base é pequena e a conferência manual resolve, não é necessário acrescentar IA ao processo.

02

Nome parecido serve para levantar uma dúvida

A Microsoft explica que a comparação aproximada de textos depende do conteúdo comparado e do limite de similaridade escolhido. Isso ajuda a localizar variações de escrita, mas não demonstra que dois registros pertencem à mesma pessoa ou empresa. O manual do OpenRefine também descreve agrupamentos que podem produzir falsos positivos. Esses recursos de comparação não devem ser confundidos com uma confirmação de identidade ou, por si só, com IA generativa.

Exemplo fictício: Alfa Serviços aparece duas vezes, com municípios e identificadores internos diferentes. A proximidade do nome justifica revisar o par. Não justifica escolher um endereço e apagar o outro. Já uma diferença apenas de espaços pode ser uma questão de padronização, ainda sujeita à regra definida para aquela coluna. O exemplo não representa cliente ou base da Orange.

03

Use a IA para explicar o que precisa de conferência

Depois de separar os pares candidatos, uma ferramenta de IA autorizada pode apoiar a redação de uma ficha de revisão. Nossa proposta é pedir apenas: campos iguais, campos divergentes, informações ausentes e pergunta a esclarecer. A saída deve apontar os valores recebidos, sem completar telefone, endereço ou documento por suposição. Não atribuímos essa rotina a uma função específica de um fornecedor.

Uma instrução possível é: compare os dois registros fornecidos; apresente as coincidências e divergências; mantenha os identificadores originais; quando faltar evidência, marque como inconclusivo; não decida pela fusão. Envie somente os campos necessários e autorizados para a ferramenta escolhida. Preserve os demais dados no sistema de origem.

04

Defina quem decide e o que acontece com o histórico

O responsável pela base deve conferir a evidência na fonte antes de aceitar uma duplicidade. Recomendamos três decisões explícitas: mesmo cadastro confirmado, registros diferentes ou informação insuficiente. O último estado mantém a pendência visível. Uma pontuação alta de similaridade, isoladamente, não deve substituir essa decisão.

Se houver união aprovada, planeje antes como preservar pedidos, conversas e vínculos de cada registro. Registre quais identificadores foram envolvidos, quem autorizou e qual informação prevaleceu em cada campo. Não transfira automaticamente preferências de contato entre pessoas diferentes. Faça uma cópia recuperável e confira como o sistema permite desfazer a alteração; o comportamento precisa ser verificado no produto usado pela empresa.

05

Teste a revisão antes de aplicar mudanças em lote

Separe uma amostra com duplicidades conhecidas, nomes parecidos de empresas distintas e cadastros incompletos. Primeiro, compare as sugestões com a decisão do responsável, sem alterar o sistema. Conte pares sugeridos incorretamente, duplicidades não encontradas e casos inconclusivos. Meça também o tempo de preparação e conferência. São critérios propostos pela Orange, não resultados observados nem promessa de economia.

Para avaliar esse processo com a Orange, traga a descrição dos campos e alguns exemplos fictícios das dificuldades. O próximo passo é definir uma regra de revisão e o acesso necessário antes de conectar a base real. Este guia foi preparado com apoio de IA e checagem de fontes oficiais; não pressupõe revisão humana individual nem implantação já realizada.

Fontes e referências

Consulte os materiais que apoiam este conteúdo. Produtos, preços e recursos podem mudar; confirme as condições do fornecedor antes de contratar.

  1. Microsoft Learn — ferramentas de perfil de dados no Power Query — abre em nova abaConsultado em 30 de outubro de 2026
  2. Microsoft Learn — como funciona a correspondência aproximada no Power Query — abre em nova abaConsultado em 30 de outubro de 2026
  3. OpenRefine — edição de células e agrupamento de valores — abre em nova abaConsultado em 30 de outubro de 2026
Todos os artigos

Uma boa ideia merece uma conversa

Leve esta leitura para a sua rotina. Em 1 minuto, o Teste ORANGE diz se faz sentido conversar.

Conversar com a Orange