Checklists de qualidade: dados, modelo, medidas e consistência de resultados

O que é um checklist de qualidade no Power BI (e por que ele evita decisões erradas)

Checklist de qualidade é um conjunto de verificações repetíveis que você aplica antes de publicar ou atualizar um relatório, para garantir que os números estejam corretos, que o modelo esteja consistente e que as medidas se comportem bem em qualquer filtro. Em pequenos negócios, um erro de 2% pode parecer pequeno, mas pode mudar decisões de compra, preço, comissão, reposição de estoque e até a percepção de “crescimento” do mês.

Um bom checklist não é “perfeccionismo”: é um processo simples para reduzir risco. Ele cobre quatro camadas que se conectam: (1) dados (origem e integridade), (2) modelo (relacionamentos e direções de filtro), (3) medidas (DAX e contexto), e (4) consistência de resultados (validação cruzada e estabilidade ao longo do tempo).

O objetivo é que você consiga responder “sim” para perguntas como: “Se eu filtrar por canal, o total geral continua batendo?”, “Se eu mudar o período, as medidas não quebram?”, “Se eu atualizar a base, os números não mudam por causa de duplicidade?”, “Se eu comparar com o sistema/planilha, a diferença é explicável?”.

Como usar este capítulo na prática

Você pode transformar o conteúdo abaixo em um ritual rápido de publicação: (a) rode o checklist completo quando criar um dashboard novo ou alterar o modelo; (b) rode uma versão reduzida a cada atualização de dados; (c) registre o resultado em uma página de “Controle de Qualidade” dentro do próprio arquivo (ou em um documento simples), anotando data, versão e itens que falharam.

Uma forma prática é separar o checklist em três níveis:

Continue em nosso aplicativo

Você poderá ouvir o audiobook com a tela desligada, ganhar gratuitamente o certificado deste curso e ainda ter acesso a outros 5.000 cursos online gratuitos.

ou continue lendo abaixo...

Baixar o aplicativo

• Nível 1 (diário/atualização): checagens rápidas de dados e totais principais.
• Nível 2 (semanal/mudanças pequenas): checagens de modelo e medidas críticas.
• Nível 3 (mensal/mudanças grandes): validação cruzada completa e testes de consistência.

Checklist 1 — Qualidade dos dados (antes de olhar qualquer visual)

1) Atualização e “recorte” correto do período

Erros comuns: a base não atualizou, atualizou parcialmente, ou trouxe linhas fora do período esperado (por exemplo, lançamentos antigos reimportados). Verifique:

• Data/hora da última atualização (se você registra isso em uma tabela ou parâmetro).
• Maior e menor data presentes nas tabelas principais.
• Quantidade de linhas do período atual versus período anterior (variações muito grandes pedem explicação).

Passo a passo prático (checagem rápida):

• Crie uma página interna “QA” com cartões: Min Data, Max Data, Linhas, Valor Total para as tabelas críticas.
• Compare com a atualização anterior (mesmo que seja manualmente anotado).

2) Chaves e identificadores: unicidade e preenchimento

Se você usa IDs (pedido, nota, lançamento, SKU), eles precisam ser consistentes. Problemas típicos: IDs duplicados, IDs vazios, ou IDs mudando de formato (texto vs número). Verifique:

• Percentual de IDs em branco (deve ser zero ou justificável).
• Duplicidade de ID onde deveria ser único (por exemplo, número de pedido).
• Comprimento/padrão do ID (ex.: “000123” vs “123”).

Passo a passo prático (detecção de duplicidade):

• No Power Query, agrupe por ID e conte linhas.
• Filtre contagem > 1 para investigar.
• Defina regra: duplicidade é erro (mesmo pedido repetido) ou é esperado (itens do pedido)? A regra precisa estar documentada.

3) Tipos de dados e campos críticos (datas, valores, quantidades)

Mesmo quando “parece” correto, tipo errado gera soma errada, ordenação errada e filtros quebrados. Verifique:

• Datas como tipo data (não texto).
• Valores monetários como decimal fixo (evita arredondamentos estranhos).
• Quantidades como número inteiro quando aplicável.
• Moeda e separador decimal coerentes com a localidade.

Teste rápido: pegue 5 registros aleatórios e confira se o valor exibido no Power BI bate com a fonte (sem “virar” 1.234,56 em 123456).

4) Integridade referencial: valores “órfãos”

Valores órfãos aparecem quando uma tabela fato tem uma chave que não existe na dimensão correspondente (ex.: venda com SKU que não existe no cadastro). Isso causa “(Em branco)” em visuais e pode esconder receita em categorias erradas.

Passo a passo prático:

• Crie um visual de tabela com a chave da dimensão (ex.: Produto) e inclua um filtro para mostrar “(Em branco)”.
• Se aparecer “(Em branco)” com valor relevante, investigue a origem: erro de cadastro, produto novo sem dimensão, ou chave com espaços/variação.

5) Regras de negócio básicas (sanidade)

Antes de entrar em DAX, valide regras simples:

• Valores negativos onde não deveriam existir (ex.: quantidade vendida negativa).
• Descontos maiores que o valor bruto (pode indicar devolução ou erro de digitação).
• Datas futuras em vendas realizadas (frequente em importações com data invertida).
• Campos obrigatórios vazios (cliente, canal, unidade).

Uma prática útil é criar uma tabela de “Registros suspeitos” com filtros prontos (ex.: valor < 0, data > hoje, desconto > bruto) para revisão rápida.

Checklist 2 — Qualidade do modelo (para evitar totais errados e filtros “mágicos”)

1) Direção de filtro e caminhos de relacionamento

Mesmo com relacionamentos “corretos”, a direção de filtro pode gerar resultados inesperados, especialmente quando você tem mais de uma tabela fato (ex.: vendas e recebimentos) ou dimensões compartilhadas (ex.: clientes e produtos). Verifique:

• Se a direção de filtro está alinhada com o uso (geralmente dimensão filtra fato).
• Se não existem caminhos alternativos que criem ambiguidade (dois caminhos para chegar na mesma tabela).
• Se não há relacionamento muitos-para-muitos sem necessidade.

Teste prático: aplique um filtro de uma dimensão (ex.: canal) e observe se ele afeta apenas o que deveria. Se um filtro de “Produto” muda um indicador financeiro que não deveria depender de produto, há vazamento de filtro.

2) Cardinalidade e chaves de junção

Cardinalidade errada (1:* vs *:*) é uma das maiores causas de duplicidade em totais. Verifique:

• Se a dimensão realmente tem chave única (um produto por SKU, um cliente por ID).
• Se a tabela fato tem repetição esperada (muitos itens por pedido, muitas vendas por cliente).

Passo a passo prático:

• Na dimensão, crie uma medida de contagem de linhas e compare com contagem distinta da chave. Se forem diferentes, a dimensão não é “dimensão de verdade” (tem duplicidade).
• Se houver duplicidade, decida: deduplicar, criar uma dimensão correta, ou ajustar a granularidade.

3) Tabelas “ponte” e mapeamentos

Quando você precisa mapear categorias, canais, grupos de produto, ou regras de comissão, é comum usar tabelas de mapeamento. O risco é criar mapeamentos incompletos e gerar “(Em branco)” ou classificações erradas.

Checklist de mapeamento:

• Percentual de linhas da fato sem correspondência no mapeamento.
• Se o mapeamento é 1:1 (um SKU em um grupo) ou 1:N (um SKU em vários grupos) — e se isso é permitido.
• Se existe prioridade quando há conflito (ex.: duas regras para o mesmo canal).

4) Campos de data: consistência entre tabelas

Mesmo sem repetir a construção de calendário, a qualidade exige consistência: qual data cada indicador usa? Data do pedido, data de faturamento, data de recebimento, data de competência? Se isso não estiver padronizado, o usuário filtra “mês” e compara coisas de naturezas diferentes.

Prática recomendada: documente, ao lado de cada medida crítica, qual coluna de data ela respeita. Se houver múltiplas datas, defina um padrão por página (ex.: página de vendas usa data de faturamento; página de caixa usa data de pagamento).

Checklist 3 — Qualidade das medidas (DAX): precisão, contexto e robustez

1) Medidas não podem depender de colunas “instáveis”

Uma medida robusta deve funcionar com qualquer filtro e não “quebrar” quando você muda o nível do visual. Sinais de instabilidade:

• O total geral não bate com a soma das linhas.
• O valor muda quando você adiciona uma coluna no visual (ex.: adicionar “Produto” muda o total do cartão).
• A medida funciona em tabela, mas dá branco em cartão (ou vice-versa).

Teste prático: para cada medida crítica, teste em três visuais: cartão (total), tabela por mês, tabela por categoria. O comportamento deve ser coerente.

2) Tratamento de BLANK, zero e divisões

Indicadores com divisão (margem %, taxa, participação) precisam lidar com denominador zero e com ausência de dados. Se não tratar, você terá erros, infinitos ou percentuais enganosos.

Checklist:

• Use DIVIDE(numerador, denominador) em vez de numerador/denominador.
• Defina retorno alternativo quando denominador for zero (0, BLANK ou texto via medida separada).
• Padronize: quando mostrar 0 e quando mostrar vazio? Isso afeta leitura e alertas.

// Exemplo de padrão seguro para percentuais (ajuste nomes conforme seu modelo)Margem % = DIVIDE([Lucro], [Receita], BLANK())

3) Sinais e convenções (positivo/negativo) padronizados

Um dos erros mais comuns em dashboards financeiros é misturar sinais: despesas negativas em uma tabela e positivas em outra; devoluções subtraindo em um lugar e somando em outro. Isso cria “lucro” inflado ou “queda” falsa.

Checklist de consistência:

• Defina convenção: receitas positivas; custos/despesas negativas (ou positivas) — mas sempre igual em todas as medidas.
• Se a base vem com sinais mistos, normalize na camada de dados ou crie medidas explícitas (ex.: Despesa (valor positivo)).
• Em visuais, use formatação e rótulos coerentes (ex.: “Saídas” sempre positivas no gráfico de barras, mas calculadas a partir de valores negativos com ABS() se necessário).

4) Medidas aditivas vs não aditivas

Nem todo indicador pode ser somado. Exemplos típicos de não aditivos: ticket médio, margem %, prazo médio, cobertura de estoque em dias. O erro clássico é colocar um indicador não aditivo em uma matriz e somar no total, gerando um total sem sentido.

Checklist:

• Se a medida é uma razão, o total deve ser recalculado (razão dos totais), não soma das razões.
• Teste o total: compare “margem % total” com “média das margens por produto”. Eles não são a mesma coisa; escolha o que faz sentido e deixe claro no visual.

// Exemplo: margem % correta como razão dos totais, não média simplesMargem % = DIVIDE([Receita] - [Custo], [Receita])

5) Contexto de filtro: medidas que respeitam (ou ignoram) filtros

Algumas medidas precisam respeitar todos os filtros (ex.: receita filtrada por canal). Outras precisam ignorar parte deles (ex.: participação do canal no total). O risco é usar funções que removem filtros e “vazam” para outras dimensões, gerando participações erradas.

Checklist:

• Quando usar remoção de filtros, seja explícito sobre o que está removendo.
• Teste participação em três níveis: total, por canal, por produto. A soma das participações deve fechar em 100% no nível esperado.

// Exemplo de participação no total do período selecionado (ajuste a dimensão)Participação Canal = DIVIDE([Receita], CALCULATE([Receita], ALL('DimCanal')))

6) Medidas “dependentes” e ordem de cálculo

Quando uma medida depende de outra (ex.: lucro depende de receita e custo), qualquer mudança em uma base pode quebrar várias medidas em cascata. Checklist:

• Identifique medidas base (fundação) e medidas derivadas.
• Evite duplicar lógica em várias medidas; centralize em medidas base.
• Nomeie com padrão (ex.: prefixos como Base, KPI, %) para facilitar auditoria.

Checklist 4 — Consistência de resultados (validação cruzada e testes de regressão)

1) Bater totais com a fonte (amostragem inteligente)

Você não precisa conferir tudo linha a linha. Faça validação por amostragem e por agregados:

• Agregados: total do mês, total por canal, total por unidade.
• Amostra: 10 documentos (pedidos/notas/lançamentos) aleatórios, conferindo valor e data.

Passo a passo prático:

• Escolha um mês fechado (ex.: mês anterior) e compare o total do Power BI com o total do sistema/planilha.
• Se houver diferença, quebre por canal e por dia para localizar onde começa a divergência.
• Registre a causa: duplicidade, filtro, data errada, devolução, arredondamento, ou regra de negócio.

2) Testes de “invariantes” (regras que sempre devem ser verdade)

Invariantes são relações que devem se manter. Exemplos:

• Receita total = soma da receita por canal (quando todos os canais estão selecionados).
• Total do período = soma dos dias do período (se a medida é aditiva).
• Participações por categoria somam 100% (no nível correto).

Você pode criar medidas de auditoria para detectar quebra dessas regras.

// Exemplo: diferença entre total e soma por uma dimensão (deve ser 0 em muitos casos)Diferença Total vs Canais = [Receita] - SUMX(VALUES('DimCanal'[Canal]), [Receita])

Se essa diferença não for zero, investigue: pode ser “(Em branco)” na dimensão, pode ser filtro cruzado inesperado, ou pode ser uma medida não aditiva.

3) Teste de estabilidade após atualização (regressão)

Quando você atualiza dados, os números do passado não deveriam mudar sem motivo. Se mudarem, precisa haver explicação (ex.: lançamento retroativo, correção de cadastro, reprocessamento). Checklist:

• Escolha um período fechado (ex.: dois meses atrás) e salve os totais principais.
• Após atualização, compare. Se mudou, identifique quais dias/itens mudaram.
• Se a mudança for recorrente, revise a lógica de importação (ex.: reimportação duplicada) ou a regra de deduplicação.

4) Consistência entre páginas e visuais

Um mesmo indicador deve ter o mesmo valor em qualquer página quando o contexto de filtro é o mesmo. Problemas comuns:

• Uma página tem filtro oculto (nível de página) que outra não tem.
• Interações entre visuais estão desativadas em uma página e ativas em outra.
• Há duas medidas “parecidas” com nomes diferentes e lógicas diferentes.

Passo a passo prático:

• Crie um “painel de reconciliação” interno com os principais KPIs lado a lado e um conjunto fixo de segmentações.
• Navegue pelas páginas mantendo os mesmos filtros e compare os cartões.

5) Consistência de formatação e unidades (evita interpretação errada)

Qualidade não é só cálculo: é interpretação. Um número correto pode ser lido errado se a unidade estiver inconsistente.

• Padronize casas decimais (ex.: moeda com 2 casas; quantidades sem casas, salvo exceções).
• Padronize abreviações (mil, mi) e evite misturar em páginas diferentes.
• Padronize percentuais (ex.: 1 casa decimal) e deixe claro quando é “%” e quando é “p.p.” em variações.

Checklist operacional (copie e use como rotina)

Nível 1 — A cada atualização

• Max/Min data conferidos nas tabelas principais.
• Contagem de linhas dentro do esperado.
• Sem “(Em branco)” relevante em dimensões críticas.
• Totais principais batem com a fonte (pelo menos no mês atual e no mês anterior).
• Sem valores absurdos: negativos indevidos, datas futuras, descontos impossíveis.

Nível 2 — Quando alterar modelo ou regras

• Cardinalidade e direção de filtro revisadas.
• Sem ambiguidade de relacionamento.
• Mapeamentos com cobertura (sem órfãos) e regras de prioridade definidas.
• Medidas críticas testadas em cartão, por mês e por categoria.
• Tratamento de divisão por zero e BLANK padronizado.

Nível 3 — Mensal (ou antes de publicar para a gestão)

• Validação cruzada completa do mês fechado (total e por quebras principais).
• Teste de invariantes (diferenças = 0 onde aplicável).
• Teste de regressão em período fechado (não mudou sem explicação).
• Consistência entre páginas (mesmos filtros, mesmos resultados).
• Formatação e unidades revisadas (moeda, %, mil/mi, casas decimais).

Página interna de “QA” no relatório: como montar em 15 minutos

Uma forma eficiente de aplicar checklists é criar uma página oculta (ou de acesso restrito) chamada “QA”. Ela não é para o usuário final; é para você auditar rapidamente.

Componentes recomendados

• Cartões: Receita total, Quantidade de vendas/linhas, Ticket médio (se aplicável), Max Data, Min Data.
• Tabela de órfãos: dimensão com “(Em branco)” e valor associado.
• Tabela de registros suspeitos: filtros para negativos indevidos, datas futuras, descontos > bruto.
• Matriz de reconciliação: total por canal/unidade e total geral na mesma tela.
• Medidas de auditoria: diferenças (ex.: total vs soma por dimensão), participação somando 100%.

Exemplo de medidas de auditoria úteis

// 1) Datas extremas (ajuste a tabela/coluna)Max Data Vendas = MAX('FatoVendas'[Data])Min Data Vendas = MIN('FatoVendas'[Data])// 2) LinhasLinhas Vendas = COUNTROWS('FatoVendas')// 3) Órfãos: receita em branco na dimensão (exemplo com Produto)Receita Produto Em Branco = CALCULATE([Receita], FILTER(ALL('DimProduto'), ISBLANK('DimProduto'[Produto]) ))

Observação: a medida de órfãos pode variar conforme seu modelo; o ponto é ter um indicador que acenda quando existir valor relevante associado a chaves sem correspondência.

Erros recorrentes e como o checklist ajuda a detectar

1) Total do cartão diferente do total da tabela

Geralmente indica medida não aditiva, contexto diferente, ou remoção de filtros indevida. O checklist manda testar a medida em múltiplos visuais e checar se há ALL/REMOVEFILTERS aplicados sem intenção.

2) “(Em branco)” aparece como categoria com valor alto

Indica chave órfã ou mapeamento incompleto. O checklist de integridade referencial e cobertura de mapeamento captura isso rapidamente.

3) Números do passado mudam após atualização

Indica reimportação com duplicidade, mudança de regra, ou correção retroativa. O checklist de regressão obriga você a comparar períodos fechados e registrar a causa.

4) Participação (%) não fecha 100%

Indica remoção de filtros errada, dimensão com órfãos, ou medida calculada em contexto diferente do visual. O checklist de invariantes e testes por nível ajuda a localizar.

5) Indicadores “quebram” quando o usuário filtra

Indica dependência de coluna errada, relacionamento ambíguo, ou medida que não trata BLANK/zero. O checklist de robustez de medidas e de modelo reduz esse risco.