Seis agentes procuram onde a empresa perde dinheiro, testam a solução com grupo de controle e só guardam o que o número confirmou. Você roda quando quiser, por exemplo toda segunda.
O INEMA Business Discovery é um programa aberto que lê as planilhas da sua empresa (vendas, clientes, propostas, despesas e operação) e aponta oportunidades: clientes que pararam de comprar, despesas que subiram demais, retrabalho, vendas que poderiam acontecer. Serve para o dono ou gestor de uma pequena ou média empresa que quer decidir com prova, não com palpite. Cada achado vem com a conta, o grau de confiança e um teste para confirmar. Para usar, basta Python 3 e as planilhas exportadas em CSV.
Um painel mostra números. Esta plataforma investiga, propõe uma explicação, planeja um teste e mede se funcionou, a cada rodada.
Receita perdida, despesas evitáveis, risco de abandono, ineficiências operacionais e oportunidades comerciais.
O Investigador calcula, o Auditor refaz a conta, o Crítico tenta derrubar a conclusão e um humano aprova a ação.
Metade dos clientes recebe a ação e metade não. Só conta o resultado a mais, o efeito incremental.
LOOP-R é o framework aberto do INEMA para agentes que se verificam: Localizar, Operar, Observar, Propor e Reforçar. Aqui cada letra tem um agente responsável.
Acha padrões e anomalias com cálculo puro, sem modelo de linguagem, para que tudo possa ser conferido.
Escreve a hipótese e põe três agentes para competir: A Recuperação, B Oferta, C Relacionamento. O avaliador pontua as propostas sem saber quem fez cada uma.
Monta cenários pessimista, base e otimista e sorteia grupo de teste e grupo de controle.
Refaz cada conta a partir das entradas e confere se os clientes citados existem. Reprova o que não fecha.
Procura outra explicação (sazonalidade, concentração em poucos clientes, amostra pequena) e baixa a confiança.
Guarda cada decisão com nome e hora. Estratégia que passou no teste ganha peso no próximo ciclo.
Sem dependências, sem banco externo, sem chave de API. O modelo de linguagem é opcional e roda na sua máquina.
Já vem no Linux e no macOS. No Windows, instale pelo python.org; lá o comando costuma ser python em vez de python3.
# conferir python3 --version
Exporte do CRM e do financeiro. Só vendas.csv é obrigatório; cada arquivo a mais liga uma frente.
# colunas mínimas venda_id, data, cliente_id, produto_id, valor # quantidade é opcional
Só se quiser que um modelo local escreva a explicação de cada achado. Modelos grandes ocupam dezenas de GB; numa máquina comum, use um menor.
# exemplo leve ollama pull llama3.1:8b
Comece pela demonstração com uma empresa fictícia. Depois troque pela sua pasta de dados.
Gera uma empresa inventada e roda o ciclo inteiro: análise, aprovação, teste simulado e validação. Sem o git, baixe o ZIP do projeto, descompacte e abra o terminal na pasta. No Windows, abra a pasta no Explorador, clique com o botão direito e escolha "Abrir no Terminal".
git clone https://github.com/inematds/inema-business-discovery cd inema-business-discovery python3 -m bd demo # 8 descobertas nas 5 frentes
A demo reproduz o cenário ilustrativo de recuperação de clientes. Números inventados, não é resultado observado.
# saída da demo
120 clientes × 20% × R$ 3.500,00 = receita potencial R$ 84.000,00
× margem 30% = contribuição potencial R$ 25.200,00
Coloque os CSVs numa pasta. Só vendas.csv é obrigatório; as colunas de cada arquivo estão na tabela do README. Separador ; ou , e valores como 1.234,56 são aceitos. Escreva as suas premissas no config.json; o que você não puser usa o valor padrão.
# minha-empresa/config.json (exemplo) { "margem_contribuicao": 0.30, # margem de contribuição: quanto sobra de cada R$ 1 vendido depois do custo direto "conversao_reativacao": 0.20, # quantos inativos você espera que voltem "custo_hora": 45, # custo de uma hora de trabalho, em R$ "custo_contato_cliente": 25 # custo de abordar um cliente, em R$ }
Os agentes trabalham em sequência e gravam o relatório, os grupos de teste e a memória.
python3 -m bd analisar --dados minha-empresa --saida saida # com explicação do modelo local: acrescente --llm e "llm": {"provedor": "ollama"} no config
Contato comercial, desconto, preço, contrato e processo só andam com o nome de uma pessoa. Agente não aprova. O painel ocupa o terminal enquanto estiver aberto: aprove pelo botão dele ou rode o aprovar em outro terminal.
python3 -m bd servir --saida saida # http://127.0.0.1:8765 (porta ocupada? use --porta 8766) python3 -m bd aprovar RP-REATIVACAO --por "Seu Nome" --saida saida
Use os grupos sorteados em saida/planos/RP-REATIVACAO-grupos.csv: só quem está no grupo teste recebe a ação. Depois de 30 dias, registre o resultado de todos, dos dois grupos.
# resultado.csv (uma linha por cliente do arquivo de grupos)
alvo_id,grupo,converteu,receita
C0002,teste,1,3500.00
C0001,controle,0,0
O Validador compara os dois grupos. O p-valor diz a chance de a diferença ter sido sorte: abaixo de 0,05 (5%), conta como efeito real. Se além disso o lucro a mais pagou o custo, a estratégia vira lição promovida e ganha peso nas próximas rodadas; senão, fica registrada como descartada. A precisão compara o ganho previsto com o medido. Com poucos clientes no teste o resultado quase sempre sai descartado: isso é o sistema sendo honesto.
python3 -m bd validar RP-REATIVACAO --resultados resultado.csv --saida saida python3 -m bd memoria --saida saida # métricas, lições e trilha
Telas reais geradas pela demonstração. Dados e teste são simulados.
Começa pequeno: três módulos (radar, laboratório de hipóteses e validador) sobre CSV. Conectores só depois de provar valor.
schema.sql já está no repo), rodada automática toda semana com um agendador (n8n; há um fluxo de exemplo) e painel web para vários usuários (Next.js).