Lúmia
Lúmia
Automatizando o ciclo da dúvida ao insight através de IA Generativa
Automatizando o ciclo da dúvida ao insight através de IA Generativa
Automatizando o ciclo da dúvida ao insight através de IA Generativa
\
\
Dados
Dados
Dados
\
2025
2025
2025
Resumo
Resumo
O Lúmia nasceu como um agente de People Analytics, mas evoluiu para uma plataforma corporativa de autosserviço em dados com IA. Atuei na pesquisa, definição da experiência, pilotos e estruturação da solução, ajudando a transformar uma dor inicialmente concentrada em dados de pessoas em um produto mais amplo, voltado a autonomia analítica, segurança de acesso e apoio à tomada de decisão em diferentes áreas do negócio
Estratégia e Descisão
Estratégia e Descisão
O Lúmia evoluiu de um agente de People Analytics para uma plataforma corporativa de análise de dados com IA
O Lúmia evoluiu de um agente de People Analytics para uma plataforma corporativa de análise de dados com IA
O Lúmia evoluiu de um agente de People Analytics para uma plataforma corporativa de análise de dados com IA
O principal risco do projeto estava em ampliar uma solução nascida para dados sensíveis de pessoas para um contexto corporativo mais amplo, sem perder segurança, controle de acesso e aderência ao negócio. Ao longo do discovery, ficou claro que a proposta de valor era mais forte como uma plataforma transversal de análise de dados, capaz de conectar múltiplas fontes, democratizar o consumo de informação e reduzir a dependência de times técnicos. Ao mesmo tempo, havia limitações importantes de maturidade em dados, adoção de IA e capacidade interna de desenvolvimento, o que exigia uma solução viável, segura e escalável desde o início
O principal risco do projeto estava em ampliar uma solução nascida para dados sensíveis de pessoas para um contexto corporativo mais amplo, sem perder segurança, controle de acesso e aderência ao negócio. Ao longo do discovery, ficou claro que a proposta de valor era mais forte como uma plataforma transversal de análise de dados, capaz de conectar múltiplas fontes, democratizar o consumo de informação e reduzir a dependência de times técnicos. Ao mesmo tempo, havia limitações importantes de maturidade em dados, adoção de IA e capacidade interna de desenvolvimento, o que exigia uma solução viável, segura e escalável desde o início
O principal risco do projeto estava em ampliar uma solução nascida para dados sensíveis de pessoas para um contexto corporativo mais amplo, sem perder segurança, controle de acesso e aderência ao negócio. Ao longo do discovery, ficou claro que a proposta de valor era mais forte como uma plataforma transversal de análise de dados, capaz de conectar múltiplas fontes, democratizar o consumo de informação e reduzir a dependência de times técnicos. Ao mesmo tempo, havia limitações importantes de maturidade em dados, adoção de IA e capacidade interna de desenvolvimento, o que exigia uma solução viável, segura e escalável desde o início
Diante disso, optamos por comprar uma solução-base pronta com o parceiro de desenvolvimento e adaptá-la ao cenário CoE por meio de um roadmap evolutivo. Mantivemos a experiência central em agente conversacional, complementada por uma camada no-code / low-code para usuários com diferentes níveis de autonomia, e priorizamos a conexão com Excel, SQL e outras bases corporativas para facilitar adoção e ampliar aplicabilidade. Como trade-off, despriorizamos frentes mapeadas no discovery, como uma experiência mobile mais robusta e a integração mais profunda com o Auga, concentrando o produto em permissionamento, camada semântica, múltiplas fontes de dados e visualização multimodal acionável
Diante disso, optamos por comprar uma solução-base pronta com o parceiro de desenvolvimento e adaptá-la ao cenário CoE por meio de um roadmap evolutivo. Mantivemos a experiência central em agente conversacional, complementada por uma camada no-code / low-code para usuários com diferentes níveis de autonomia, e priorizamos a conexão com Excel, SQL e outras bases corporativas para facilitar adoção e ampliar aplicabilidade. Como trade-off, despriorizamos frentes mapeadas no discovery, como uma experiência mobile mais robusta e a integração mais profunda com o Auga, concentrando o produto em permissionamento, camada semântica, múltiplas fontes de dados e visualização multimodal acionável
Diante disso, optamos por comprar uma solução-base pronta com o parceiro de desenvolvimento e adaptá-la ao cenário CoE por meio de um roadmap evolutivo. Mantivemos a experiência central em agente conversacional, complementada por uma camada no-code / low-code para usuários com diferentes níveis de autonomia, e priorizamos a conexão com Excel, SQL e outras bases corporativas para facilitar adoção e ampliar aplicabilidade. Como trade-off, despriorizamos frentes mapeadas no discovery, como uma experiência mobile mais robusta e a integração mais profunda com o Auga, concentrando o produto em permissionamento, camada semântica, múltiplas fontes de dados e visualização multimodal acionável
Atuei como Product Designer end to end, da pesquisa e concept às entrevistas com áreas de negócio, branding, definição de componentes e padrões de design, testes de usabilidade, pilotos e desenho operacional junto aos times internos
Atuei como Product Designer end to end, da pesquisa e concept às entrevistas com áreas de negócio, branding, definição de componentes e padrões de design, testes de usabilidade, pilotos e desenho operacional junto aos times internos
Atuei como Product Designer end to end, da pesquisa e concept às entrevistas com áreas de negócio, branding, definição de componentes e padrões de design, testes de usabilidade, pilotos e desenho operacional junto aos times internos
Execução e Processo
Execução e Processo
A solução foi construída para transformar análise de dados de uma dependência técnica recorrente em uma experiência de autosserviço mais acessível, segura e acionável
A solução foi construída para transformar análise de dados de uma dependência técnica recorrente em uma experiência de autosserviço mais acessível, segura e acionável
A solução foi construída para transformar análise de dados de uma dependência técnica recorrente em uma experiência de autosserviço mais acessível, segura e acionável
O discovery mostrou que a dor inicial de People Analytics era apenas um recorte de um problema mais amplo: em diferentes áreas, o acesso a dados e a criação de análises ainda dependiam fortemente de times técnicos, com ciclos longos para responder demandas pontuais, gerar novos gráficos ou adaptar reports. Esse cenário limitava a autonomia das áreas e dificultava o uso mais ágil de dados na tomada de decisão. A partir dessa leitura, o projeto evoluiu de um agente focado em dados de pessoas para uma proposta mais abrangente de autosserviço em dados com IA, aderente a múltiplos contextos de negócio Ao aprofundar a pesquisa, identificamos três perfis principais de uso: áreas de negócio e clientes, média liderança e alta liderança. Em comum, todos precisavam de uma forma mais intuitiva de consultar dados, gerar visualizações e construir reports sem depender de conhecimento técnico. Também ficou claro que o valor da solução estava menos em substituir o BI tradicional e mais em acelerar o ciclo entre dúvida, análise e insight, conectando múltiplas bases, interpretando contexto de negócio e entregando respostas acionáveis com mais rapidez Durante os pilotos, surgiu ainda uma demanda recorrente por manipulação e cruzamento de dados em Excel, já que boa parte da operação ainda dependia de planilhas e extrações de sistemas diversos. Esse ponto levou à priorização de uma camada mais estruturada de integração e preparação de dados, incluindo importação de Excel, conexão com SQL e ambiente de criação de views, para permitir que usuários avançados documentassem regras de negócio e preparassem melhor as bases consumidas pela IA. Essa evolução aparece no roadmap e na arquitetura da solução, com foco em camada semântica, múltiplas fontes, query builder low code e gestão de contexto para garantir consistência e segurança no uso dos dados
O discovery mostrou que a dor inicial de People Analytics era apenas um recorte de um problema mais amplo: em diferentes áreas, o acesso a dados e a criação de análises ainda dependiam fortemente de times técnicos, com ciclos longos para responder demandas pontuais, gerar novos gráficos ou adaptar reports. Esse cenário limitava a autonomia das áreas e dificultava o uso mais ágil de dados na tomada de decisão. A partir dessa leitura, o projeto evoluiu de um agente focado em dados de pessoas para uma proposta mais abrangente de autosserviço em dados com IA, aderente a múltiplos contextos de negócio Ao aprofundar a pesquisa, identificamos três perfis principais de uso: áreas de negócio e clientes, média liderança e alta liderança. Em comum, todos precisavam de uma forma mais intuitiva de consultar dados, gerar visualizações e construir reports sem depender de conhecimento técnico. Também ficou claro que o valor da solução estava menos em substituir o BI tradicional e mais em acelerar o ciclo entre dúvida, análise e insight, conectando múltiplas bases, interpretando contexto de negócio e entregando respostas acionáveis com mais rapidez Durante os pilotos, surgiu ainda uma demanda recorrente por manipulação e cruzamento de dados em Excel, já que boa parte da operação ainda dependia de planilhas e extrações de sistemas diversos. Esse ponto levou à priorização de uma camada mais estruturada de integração e preparação de dados, incluindo importação de Excel, conexão com SQL e ambiente de criação de views, para permitir que usuários avançados documentassem regras de negócio e preparassem melhor as bases consumidas pela IA. Essa evolução aparece no roadmap e na arquitetura da solução, com foco em camada semântica, múltiplas fontes, query builder low code e gestão de contexto para garantir consistência e segurança no uso dos dados
O discovery mostrou que a dor inicial de People Analytics era apenas um recorte de um problema mais amplo: em diferentes áreas, o acesso a dados e a criação de análises ainda dependiam fortemente de times técnicos, com ciclos longos para responder demandas pontuais, gerar novos gráficos ou adaptar reports. Esse cenário limitava a autonomia das áreas e dificultava o uso mais ágil de dados na tomada de decisão. A partir dessa leitura, o projeto evoluiu de um agente focado em dados de pessoas para uma proposta mais abrangente de autosserviço em dados com IA, aderente a múltiplos contextos de negócio Ao aprofundar a pesquisa, identificamos três perfis principais de uso: áreas de negócio e clientes, média liderança e alta liderança. Em comum, todos precisavam de uma forma mais intuitiva de consultar dados, gerar visualizações e construir reports sem depender de conhecimento técnico. Também ficou claro que o valor da solução estava menos em substituir o BI tradicional e mais em acelerar o ciclo entre dúvida, análise e insight, conectando múltiplas bases, interpretando contexto de negócio e entregando respostas acionáveis com mais rapidez Durante os pilotos, surgiu ainda uma demanda recorrente por manipulação e cruzamento de dados em Excel, já que boa parte da operação ainda dependia de planilhas e extrações de sistemas diversos. Esse ponto levou à priorização de uma camada mais estruturada de integração e preparação de dados, incluindo importação de Excel, conexão com SQL e ambiente de criação de views, para permitir que usuários avançados documentassem regras de negócio e preparassem melhor as bases consumidas pela IA. Essa evolução aparece no roadmap e na arquitetura da solução, com foco em camada semântica, múltiplas fontes, query builder low code e gestão de contexto para garantir consistência e segurança no uso dos dados
A solução foi estruturada em três frentes complementares. A primeira foi o agente conversacional, capaz de interpretar linguagem natural, consultar dados, gerar gráficos, tabelas e dashboards completos por prompt, acelerando análises antes dependentes de especialistas. A segunda foi a camada de governança e segurança, com login SSO, segmentação por workspaces e teamspaces, permissionamento de bases e gestão de contexto para garantir consistência semântica e controle de acesso A terceira frente foi a criação de uma experiência mais flexível de autosserviço, combinando chat multimodal, visualização dinâmica e ferramentas low code, como o query builder e o ambiente de manipulação de tabelas. Essa estrutura permitiu atender diferentes níveis de maturidade, desde usuários leigos que precisavam conversar com os dados até perfis mais avançados que demandavam maior controle sobre regras, queries e documentação das bases. O resultado foi uma plataforma desenhada para ampliar autonomia sem abrir mão de segurança, rastreabilidade e viabilidade operacional
A solução foi estruturada em três frentes complementares. A primeira foi o agente conversacional, capaz de interpretar linguagem natural, consultar dados, gerar gráficos, tabelas e dashboards completos por prompt, acelerando análises antes dependentes de especialistas. A segunda foi a camada de governança e segurança, com login SSO, segmentação por workspaces e teamspaces, permissionamento de bases e gestão de contexto para garantir consistência semântica e controle de acesso A terceira frente foi a criação de uma experiência mais flexível de autosserviço, combinando chat multimodal, visualização dinâmica e ferramentas low code, como o query builder e o ambiente de manipulação de tabelas. Essa estrutura permitiu atender diferentes níveis de maturidade, desde usuários leigos que precisavam conversar com os dados até perfis mais avançados que demandavam maior controle sobre regras, queries e documentação das bases. O resultado foi uma plataforma desenhada para ampliar autonomia sem abrir mão de segurança, rastreabilidade e viabilidade operacional
A solução foi estruturada em três frentes complementares. A primeira foi o agente conversacional, capaz de interpretar linguagem natural, consultar dados, gerar gráficos, tabelas e dashboards completos por prompt, acelerando análises antes dependentes de especialistas. A segunda foi a camada de governança e segurança, com login SSO, segmentação por workspaces e teamspaces, permissionamento de bases e gestão de contexto para garantir consistência semântica e controle de acesso A terceira frente foi a criação de uma experiência mais flexível de autosserviço, combinando chat multimodal, visualização dinâmica e ferramentas low code, como o query builder e o ambiente de manipulação de tabelas. Essa estrutura permitiu atender diferentes níveis de maturidade, desde usuários leigos que precisavam conversar com os dados até perfis mais avançados que demandavam maior controle sobre regras, queries e documentação das bases. O resultado foi uma plataforma desenhada para ampliar autonomia sem abrir mão de segurança, rastreabilidade e viabilidade operacional
Encerramento
O Lúmia validou seu valor em contexto real e abriu uma nova frente estratégica para o uso de IA e dados no CoE
O Lúmia validou seu valor em contexto real e abriu uma nova frente estratégica para o uso de IA e dados no CoE
O Lúmia validou seu valor em contexto real e abriu uma nova frente estratégica para o uso de IA e dados no CoE
Durante os pilotos, a ferramenta se mostrou aderente às necessidades das áreas e ganhou tração como iniciativa estratégica dentro do CoE. O projeto foi reconhecido com o Prêmio CoE 2025 e recebeu visibilidade junto à diretoria e aos comitês das investidas do grupo, reforçando o valor percebido da solução e sua relevância como habilitadora de análise e tomada de decisão
Durante os pilotos, a ferramenta se mostrou aderente às necessidades das áreas e ganhou tração como iniciativa estratégica dentro do CoE. O projeto foi reconhecido com o Prêmio CoE 2025 e recebeu visibilidade junto à diretoria e aos comitês das investidas do grupo, reforçando o valor percebido da solução e sua relevância como habilitadora de análise e tomada de decisão
Durante os pilotos, a ferramenta se mostrou aderente às necessidades das áreas e ganhou tração como iniciativa estratégica dentro do CoE. O projeto foi reconhecido com o Prêmio CoE 2025 e recebeu visibilidade junto à diretoria e aos comitês das investidas do grupo, reforçando o valor percebido da solução e sua relevância como habilitadora de análise e tomada de decisão
O principal desafio continuou sendo a baixa maturidade de dados e a complexidade operacional das áreas de negócio. Grande parte do consumo ainda está concentrada em Excel, com extrações de sistemas diversos, como SAP e Risk Control, que precisam ser tratados e cruzados com fontes externas antes de gerar valor real no agente. Isso tornou o onboarding mais dependente de apoio próximo às áreas e evidenciou que, sem uma base minimamente estruturada, a performance da solução fica comprometida. Outro ponto em evolução é a necessidade de um modelo de permissões mais robusto para cenários de uso mais complexos
O principal desafio continuou sendo a baixa maturidade de dados e a complexidade operacional das áreas de negócio. Grande parte do consumo ainda está concentrada em Excel, com extrações de sistemas diversos, como SAP e Risk Control, que precisam ser tratados e cruzados com fontes externas antes de gerar valor real no agente. Isso tornou o onboarding mais dependente de apoio próximo às áreas e evidenciou que, sem uma base minimamente estruturada, a performance da solução fica comprometida. Outro ponto em evolução é a necessidade de um modelo de permissões mais robusto para cenários de uso mais complexos
O principal desafio continuou sendo a baixa maturidade de dados e a complexidade operacional das áreas de negócio. Grande parte do consumo ainda está concentrada em Excel, com extrações de sistemas diversos, como SAP e Risk Control, que precisam ser tratados e cruzados com fontes externas antes de gerar valor real no agente. Isso tornou o onboarding mais dependente de apoio próximo às áreas e evidenciou que, sem uma base minimamente estruturada, a performance da solução fica comprometida. Outro ponto em evolução é a necessidade de um modelo de permissões mais robusto para cenários de uso mais complexos
Hoje, eu dedicaria mais esforço ao desenho do onboarding da plataforma, estruturando melhor a preparação das bases e ampliando os testes com áreas de negócio desde cedo, especialmente com usuários de perfil mais analítico, curioso e tecnologicamente aberto. Também teria buscado maior alinhamento visual com o ecossistema CoE desde o início, para fortalecer a coerência institucional da solução e sua percepção como produto interno estratégico
Hoje, eu dedicaria mais esforço ao desenho do onboarding da plataforma, estruturando melhor a preparação das bases e ampliando os testes com áreas de negócio desde cedo, especialmente com usuários de perfil mais analítico, curioso e tecnologicamente aberto. Também teria buscado maior alinhamento visual com o ecossistema CoE desde o início, para fortalecer a coerência institucional da solução e sua percepção como produto interno estratégico
Hoje, eu dedicaria mais esforço ao desenho do onboarding da plataforma, estruturando melhor a preparação das bases e ampliando os testes com áreas de negócio desde cedo, especialmente com usuários de perfil mais analítico, curioso e tecnologicamente aberto. Também teria buscado maior alinhamento visual com o ecossistema CoE desde o início, para fortalecer a coerência institucional da solução e sua percepção como produto interno estratégico