A pergunta que abre quase toda reunião de BI: "qual dashboard você quer?". Errado. A pergunta certa é: "qual decisão você precisa tomar?". Dashboard é meio — decisão é fim. Mas a indústria de BI passou 20 anos vendendo o meio como se fosse o fim, e o resultado está nas paredes de todo C-level: televisões com gráficos coloridos que ninguém mais olha.
Esse texto é sobre como o Tableau (ou Power BI, ou Looker — a ferramenta é menos importante do que parece) pode virar linguagem de decisão executiva, não vitrine. E quando vira self-service mal governado, gera o problema oposto: cada área com sua versão do mesmo número.
O custo invisível do dashboard de vaidade
Dashboard de vaidade tem três marcas registradas:
- Mostra muita coisa. Quinze KPIs na mesma tela, três cores, quatro filtros, dois períodos. Tudo "importante", nada acionável.
- Não recomenda nada. Aponta números — vendas, churn, NPS. Não diz o que fazer.
- Vive desatualizado. Foi criado pra uma pergunta de 2024. Em 2026 o negócio mudou, ninguém atualizou, todo mundo finge que ainda usa.
O custo é triplo: hora de quem construiu (visível), atenção de quem deveria decidir (invisível) e — pior — falsa sensação de governança. Diretoria que olha dashboard se convence que está data-driven. Não está. Está performando data-driveness.
Três perguntas que todo dashboard deveria responder
A regra que a gente usa pra revisar BI antes de qualquer projeto. Se o dashboard não responde uma das três, ele provavelmente não justifica existir.
- O que está acontecendo agora que eu precisa decidir essa semana? Foco em acionável. Não "vendas YTD", mas "quais 3 contas precisam de intervenção hoje".
- Qual é a tendência que afeta o próximo trimestre? Foco em direcional. Não "churn por mês", mas "essa coorte está saindo no padrão X e exige resposta" — e isso depende de definir churn antes de modelar churn, erro mais comum do que parece.
- Onde minha intuição está errada? Foco em contraintuitivo. Não "mostra meus números", mas "mostra onde meu modelo mental falha".
Dashboard que não responde nada disso é decoração.
O melhor dashboard executivo é o que mata o próximo dashboard. Cada visão precisa ganhar seu espaço — não ocupar por inércia.
Anatomia de uma view que ativa decisão
Quando construímos analítica executiva, seguimos um padrão simples:
Headline numérico, não gráfico
A primeira coisa na tela é o número que importa — grande, sem decoração. Tipo: "3 contas estratégicas em risco de churn nas próximas 4 semanas". Não um gráfico de barras. Não uma série temporal. O número, em palavras claras, com período.
Contexto comparativo de uma linha
Logo abaixo: "vs. 1 conta no trimestre anterior; vs. média de 1,8 nos últimos 4 trimestres". Comparação é o que dá significado ao número. Sem comparação, número é trivia.
Drill que termina em ação
Cliques que abrem detalhes — contas afetadas, motivo provável, próximo passo recomendado. Não apenas dados. Próximos passos. Quem tem que falar com quem, até quando, com qual oferta.
O Tableau (e similares) entrega esse padrão bem quando você o constrói. Mas a ferramenta sozinha não faz — esse é o ponto.
O que o Tableau faz bem (e o que ele não substitui)
Tableau é excelente em três coisas: exploração visual rápida sobre dados modelados, distribuição de visões pra organização, e personalização por persona/role. A escolha entre Tableau, Power BI, Looker e Metabase por porte e stack de nuvem é decisão anterior à ferramenta; qualquer das quatro exige modelo de dados sólido abaixo para funcionar.
Não substitui:
- Modelagem de dados. Modelo ruim faz Tableau bonito e impreciso. Invista no warehouse/dbt — onde a documentação é o pulo do gato — antes do Tableau.
- Conversa de negócio. A view só ajuda se houve discovery sério com quem vai decidir.
- Recomendação automatizada. Para isso entra ML/IA — Tableau visualiza, não pensa.
A combinação que funciona: warehouse limpo + modelo de negócio bem definido + Tableau como camada de leitura. Cada peça no lugar. Vale lembrar: "limpo" aqui significa bom o suficiente pro caso de uso, não limpo no absoluto — esperar perfeição é o jeito mais rápido de nunca publicar o dashboard.
O dashboard final
A melhor métrica de qualidade pra um dashboard: quantas decisões reais saíram dele no último trimestre. Não acessos, não tempo de tela. Decisões. Se zero, mata e refaz. O mesmo princípio vale pra métricas de produto que viram "north dust" — o problema raramente é a métrica, é o sistema em volta.
Empresas que adotam essa régua reduzem 60–80% do número de dashboards e — não por acaso — passam a confiar no que sobrou. Consultoria de dados decente entrega isso, não relatório.
Perguntas que sempre voltam
Pra terminar, as dúvidas que mais aparecem quando esse assunto entra na sala de reunião.
Como saber se um dashboard executivo está funcionando?
Contando quantas decisões reais saíram dele no último trimestre — essa é a métrica, não acessos nem tempo de tela. Dashboard que gerou zero decisão é decoração, por mais bonito que seja, e a atitude honesta é matar e refazer a partir da decisão que a diretoria precisa tomar.
Um atalho pra diagnosticar: ele responde alguma das três perguntas que justificam existir? O que decidir essa semana, qual tendência afeta o próximo trimestre, ou onde a intuição do executivo está errada. Se não responde nenhuma, o problema não é de design — é de propósito.
Quantos KPIs um dashboard executivo deve mostrar?
Muito menos do que o padrão do mercado — e a tela deve abrir com um único headline numérico, não com quinze indicadores. Quinze KPIs, três cores e quatro filtros na mesma tela é a marca registrada do dashboard de vaidade: tudo "importante", nada acionável.
O padrão que ativa decisão é enxuto: o número que importa em palavras claras (tipo "3 contas estratégicas em risco de churn nas próximas 4 semanas"), uma linha de contexto comparativo logo abaixo, e drill que termina em próximo passo recomendado. Cada visão a mais precisa ganhar o espaço — não ocupar por inércia.
Tableau é melhor que Power BI ou Looker pra dashboard de diretoria?
A ferramenta importa menos do que parece — os três entregam o padrão executivo bem quando você o constrói. A escolha entre elas (e Metabase) segue critérios de porte e stack de nuvem, e é decisão anterior ao dashboard em si.
O que nenhuma delas substitui é o que costuma faltar: modelagem de dados sólida embaixo, discovery sério com quem vai decidir, e recomendação — que é trabalho de gente ou de ML, não da camada de visualização. Modelo ruim faz qualquer BI ficar bonito e impreciso; a combinação que funciona é warehouse limpo o suficiente, modelo de negócio bem definido e o BI como camada de leitura.