--- title: "Limpeza de dados" description: "Tratamento documentado de erros, formatos e duplicidades antes da análise, preservando dados originais, regras de exclusão e a base das métricas." canonical: "https://tropk.ai/recursos/glossario/limpeza-de-dados" last_modified: "2026-10-12T16:12:02.702Z" --- # Limpeza de dados Revisado em 2026-10-06. ## O que significa Limpeza de dados é o tratamento de erros, formatos inconsistentes e duplicidades para preparar um conjunto para análise. Pode envolver padronizar datas, corrigir valores e separar registros inválidos. Em monitoramento de IA, isso inclui distinguir falha de coleta de resposta válida. O processo deve preservar o dado original e registrar o que mudou, com critérios verificáveis. ## Por que importa para marketing Uma taxa pode mudar sem que as respostas tenham mudado, apenas porque registros entraram ou saíram da base. A equipe precisa confiar tanto no número final quanto nas decisões que o produziram. Remover respostas válidas desfavoráveis à marca melhora artificialmente a apresentação. Corrigir uma duplicação de importação é outra situação, que exige evidência do erro e explicação do denominador. ## Exemplo na prática Imagine um analista recebendo 120 linhas de respostas: dez repetem o mesmo identificador de execução por erro de exportação e cinco registram timeout, sem resposta. Ele preserva o arquivo recebido, marca os motivos e calcula a presença da marca sobre 105 respostas válidas. Mantém no relatório os dez duplicados e as cinco falhas como estados distintos, sem convertê-los em ausências. ## Como aplicar ou verificar Defina a chave de identificação e as regras antes de calcular métricas. Guarde arquivo bruto, versão tratada, histórico de operações e lista de exclusões com justificativa. Confira amostras das correções e reconcilie os totais de entrada e saída. Ferramentas como OpenRefine oferecem prévia de transformações e histórico reversível; ainda cabe ao responsável decidir se valores semelhantes representam o mesmo objeto. ## Distinções importantes Respostas iguais de execuções diferentes podem ser observações legítimas, não duplicatas. Semelhança textual também não prova identidade entre marcas ou URLs. Limpeza corrige problemas definidos no protocolo; seleção de uma amostra decide quais observações serão estudadas. Nenhuma delas autoriza descartar resultados por conveniência. Valor nulo, falha de coleta e ausência real precisam continuar distinguíveis na base e na comunicação dos resultados. ## Fontes e referências - [Cell editing — Transform e Cluster and edit]() — OpenRefine - [Running OpenRefine — History (Undo/Redo)]() — OpenRefine ## Continue a leitura - [Conjunto de prompts]() - [Não determinismo em LLMs]() - [Taxa de presença em IA]() ## Sobre o autor [Vinicius Pacheco]() Responsável pelos conteúdos técnicos da Tropk, com foco em rastreamento, indexação, dados estruturados e acesso de agentes ao conteúdo. --- [Todas as páginas em Markdown]()