De bot de consultas a analista com IA: a evolução do GA4 Assistant Bot com RAG

Continuidade do projeto: do GA4 Assistant Bot à inteligência analítica

Se você acompanhou o primeiro post sobre o GA4 Assistant Bot 👉 https://adrock.com.br/blog/ga4-assistant-bot-chatgpt-openapi, já viu como conseguimos transformar o Google Analytics 4 em uma interface conversacional via ChatGPT.

Na prática, resolvemos um problema importante: acesso aos dados.

Mas faltava algo mais crítico ainda: interpretação.

E foi exatamente isso que evoluímos agora.

O insight que mudou o projeto

Essa evolução veio após um workshop que participei no GDG Curitiba, conduzido pelo Pedro M Lara.

Foi um daqueles momentos onde a arquitetura fez sentido de verdade — não só no conceito, mas na aplicação prática.

Fica aqui meu agradecimento ao Pedro por abrir essa visão e ao GDG Curitiba por trazer esse tipo de conteúdo técnico e relevante para a comunidade.

O ponto central foi entender que:

Não basta consultar dados. É preciso construir sistemas que entendam contexto.

O começo: um bot que respondia perguntas

Tudo começou com um problema simples: nossos clientes precisavam consultar dados do Google Analytics 4, mas a interface do GA4 é complexa, cheia de menus e relatórios que exigem conhecimento técnico para interpretar.

A solução foi criar um bot no ChatGPT — o GA4 Assistant Bot — conectado diretamente à API do GA4.

O cliente abria o chat, dizia o nome da empresa, e podia perguntar coisas como:

• "quantas sessões tive essa semana?"

• "quais foram as páginas mais vistas em março?"

Funcionou.

O bot respondia com dados reais, em linguagem natural, sem o cliente precisar entrar no GA4.

Mas com o tempo ficou claro que isso era só o começo.

O problema da versão anterior

O GA4 Assistant Bot funcionava bem para perguntas diretas:

• “quantas sessões tive?”

• “quais páginas mais acessadas?”

• “quantos leads foram gerados?”

Mas falhava em perguntas estratégicas:

• “por que o tráfego caiu?”

• “qual canal está pior?”

• “o que eu deveria fazer agora?”

O motivo era simples:

👉 O bot não tinha memória estruturada
👉 Não tinha contexto histórico
👉 Não fazia correlação entre dados

Resultado:

Respostas corretas, mas superficiais.

O problema que ficou evidente

O bot consultava dados em tempo real, mas não tinha memória.

Cada pergunta era respondida de forma isolada, sem:

• contexto histórico

• comparações entre períodos

• análise

Quando um cliente perguntava:

“por que minhas sessões caíram?”

o bot não sabia responder de verdade.

Ele podia dizer quantas sessões havia, mas não conseguia:

• cruzar com o mês anterior

• identificar qual canal puxou a queda

• sugerir o que fazer

As respostas eram corretas, mas genéricas.

Úteis para consulta, inúteis para decisão.

A virada: RAG aplicado a dados de marketing

Depois de estudar arquiteturas de IA mais avançadas, chegamos a uma conclusão:

o que faltava era memória estruturada e recuperação inteligente de contexto.

A solução se chama RAG — Retrieval-Augmented Generation.

Em vez de o modelo de linguagem responder só com o que sabe, ele primeiro:

• busca dados relevantes numa base de conhecimento

• e usa esses dados para fundamentar a resposta

Aplicado ao nosso contexto, o fluxo ficou assim:

1. Os dados históricos do GA4 de cada cliente são ingeridos, normalizados e transformados em texto estruturado

2. Esse texto é convertido em embeddings (representações matemáticas de significado)

3. Os embeddings são armazenados em um banco vetorial

4. Quando o cliente faz uma pergunta, o sistema busca os trechos mais relevantes do histórico

5. Esses dados são injetados no prompt do modelo (Gemini)

6. O modelo responde com diagnóstico, causas, impacto e recomendações

A diferença é enorme.

Antes:

“você teve 8.100 sessões em março”

Agora:

"Seu tráfego orgânico cresceu 25% em março, mas o canal pago caiu 15%. Isso sugere que a redução de investimento em mídia paga está sendo parcialmente compensada pelo orgânico. O impacto direto é uma queda potencial na geração de leads, já que o canal pago historicamente converte mais. Recomendo revisar a segmentação e os criativos das campanhas pagas."

Isso é análise.

Isso é o que um consultor faria.

O ponto crítico: transformar dados em contexto

Um erro comum é tentar usar dados brutos diretamente.

Exemplo de entrada ruim:

usuarios: 6200
variacao: +25%

Exemplo correto (usado no projeto):

Canal: Orgânico
Usuários: 6.200 (+25%)
Sessões: 8.100 (+18%)

Canal: Pago
Usuários: 2.100 (-15%)

Essa transformação é o que permite ao modelo:

• entender variação

• comparar canais

• identificar tendências

O que muda para os clientes

Antes

• Consultas pontuais de métricas

• Respostas sem contexto histórico

• Sem comparações entre períodos

• Sem diagnóstico ou recomendações

Depois

• Análise fundamentada em dados históricos reais

• Comparações automáticas mês a mês

• Identificação de causas e tendências

• Recomendações práticas e acionáveis

• Tudo em linguagem natural

O cliente não precisa mais interpretar números.

Ele recebe a análise pronta.

O que muda para a Ad Rock

Essa evolução não é só técnica.

Ela muda o posicionamento do produto.

Antes, o bot era uma ferramenta de acesso a dados.

Agora, ele passa a funcionar como um:

👉 analista de marketing digital com IA
👉 sistema escalável
👉 base para produto SaaS

Aplicações diretas:

• relatórios automáticos mensais

• insights sob demanda

• alertas inteligentes

• chatbot com dados reais

Como estamos desenvolvendo: Kiro + Spec-Driven Development

Uma mudança importante não foi só técnica, mas de processo.

Para um projeto com essa complexidade, desenvolver sem estrutura gera dívida técnica rapidamente.

Por isso adotamos:

Kiro
IDE de IA que trabalha com especificações estruturadas (specs) antes do código.

Spec Kit
Metodologia baseada em:

• Constitution (princípios)

• Spec (requisitos)

• Research (decisões técnicas)

• Plan (arquitetura)

• Tasks (execução)

Resultado:

Antes de escrever código, já temos definido:

• arquitetura

• decisões técnicas

• critérios de sucesso

Isso acelera desenvolvimento e reduz retrabalho.

A stack por trás

• FastAPI (backend)

• Google Analytics Data API

• Vertex AI (embeddings)

• Firestore (vector database)

• Gemini (LLM)

• Custom GPT (interface)

Infra:

• Google Cloud Platform

• integração com DigitalOcean

Onde estamos agora

O pipeline está especificado e em desenvolvimento.

A primeira versão com RAG funcionando deve sair nas próximas semanas.

O MVP irá entregar:

• respostas analíticas

• baseadas em dados históricos reais

• com isolamento por cliente

Consideração final

A IA não substitui o estrategista.

Mas elimina o trabalho repetitivo de:

• coletar dados

• organizar

• interpretar

Isso libera tempo para estratégia.

Esse projeto é a base do que acredito ser o próximo passo das agências:

👉 dados + contexto + IA = inteligência acionável

Ad Rock Digital Mkt