Dois clientes com nomes parecidos podem ser a mesma empresa. Também podem ser matriz e filial, unidades com inscrições diferentes ou negócios sem qualquer relação. O problema do cadastro duplicado no ERP começa justamente aí: encontrar semelhanças é relativamente fácil; decidir o que deve ser unido exige contexto.
A inteligência artificial pode acelerar a triagem de clientes, fornecedores, produtos e transportadoras. Ela compara variações de escrita, endereços incompletos e campos preenchidos de maneiras diferentes. Mas o desenho seguro não entrega à IA o botão de excluir ou mesclar. Primeiro ela sugere candidatos. Depois uma pessoa responsável valida as evidências.
Por que a busca exata não encontra o problema inteiro
Uma consulta simples identifica dois registros com o mesmo CNPJ, e-mail ou código externo. O desafio aparece quando um cadastro contém “Alimentos São José Ltda.” e outro “Alim. S. Jose”, com telefone e endereço escritos em formatos diferentes.
Ferramentas de qualidade de dados tratam isso como correspondência aproximada. A documentação do Microsoft Data Quality Services explica que o processo compara campos definidos, calcula probabilidades ponderadas e devolve pares para decisão. A verificação de duplicidade do SAP Master Data Governance segue lógica semelhante ao atribuir uma pontuação aos possíveis duplicados.
A IA amplia essa capacidade ao reconhecer abreviações, erros de digitação e relações entre descrições. Ainda assim, a pontuação é um indício, não uma autorização para alterar o ERP.
Comece por um tipo de cadastro e por uma regra de negócio
Não tente limpar todo o banco de uma vez. Escolha um domínio com impacto claro. Clientes duplicados podem dividir o histórico comercial e de suporte. Fornecedores repetidos podem confundir condições de pagamento. Produtos duplicados prejudicam estoque, compras e formação de preço.
MATERIAL PRÁTICO
Quer aplicar IA no seu trabalho?
Tenha acesso gratuito a 50 prompts prontos para usar e adaptar.
Quero acessar os promptsAntes de usar IA, defina quais campos realmente identificam a entidade. Para clientes empresariais, CNPJ e inscrição estadual têm peso diferente de nome fantasia ou telefone. Para produtos, fabricante, referência, unidade de medida e características técnicas podem formar a combinação relevante.
A regra de “linhas duplicadas” do Microsoft Purview, por exemplo, permite verificar se uma combinação de colunas é única. Essa etapa determinística deve vir antes da análise aproximada: tudo o que pode ser resolvido com uma regra clara não precisa depender de interpretação do modelo.
Um fluxo seguro em cinco etapas
- Extraia uma amostra controlada. Use uma cópia de trabalho, sem acesso de escrita ao ERP. Remova campos pessoais ou confidenciais que não participam da comparação.
- Normalize os dados. Padronize maiúsculas, acentos, espaços, telefones, documentos e unidades de medida. Preserve o valor original para auditoria.
- Encontre pares candidatos. Aplique primeiro chaves exatas e depois correspondência aproximada. Peça à IA que explique quais campos sustentam cada sugestão.
- Classifique o risco. Separe casos de alta confiança, casos ambíguos e registros que não devem ser unidos. Movimentações financeiras, vínculos fiscais, contratos e históricos diferentes aumentam o risco.
- Valide e consolide com rastreabilidade. Um responsável escolhe o cadastro principal, define quais valores serão preservados e registra a decisão. A alteração deve ter backup, log e possibilidade de reversão.
O “cadastro principal” é chamado de registro mestre: a versão que passa a concentrar os dados válidos. Consolidar não significa necessariamente apagar. Muitas vezes, o melhor caminho é inativar o duplicado, manter o vínculo histórico e redirecionar novas operações para o registro correto.
Exemplo prático: dois clientes ou matriz e filial?
Considere dois cadastros com nomes semelhantes, o mesmo telefone e endereços próximos. A IA pode marcar alta similaridade. Porém, um deles possui CNPJ próprio, pedidos recorrentes e condição comercial diferente. Nesse caso, a semelhança não justifica a fusão: os registros representam unidades distintas.
Agora considere dois registros com o mesmo CNPJ, variação no nome, um e-mail antigo e históricos criados por integrações diferentes. A equipe pode escolher o registro mais completo, preservar contatos ainda válidos, transferir referências com segurança e inativar o outro. Se a consolidação exigir mudança técnica, vale aplicar a mesma disciplina de revisão descrita no artigo sobre migração de banco com IA.
Como medir se a limpeza está funcionando
- percentual de pares sugeridos que foram confirmados;
- falsos positivos identificados pela revisão;
- tempo médio para analisar cada par;
- novas duplicidades criadas após a correção;
- erros em relatórios, integrações ou atendimento ligados ao cadastro.
Também acompanhe a origem. Se a maioria dos duplicados nasce em uma importação, integração ou formulário, limpar a base sem corrigir a entrada apenas recria o problema.
O melhor primeiro passo
Selecione cem registros de um único domínio e monte um conjunto de pares já conhecidos: alguns duplicados e outros apenas parecidos. Use essa amostra para ajustar pesos, limites e explicações. A meta inicial não é eliminar tudo automaticamente. É criar uma fila de revisão confiável, reduzir o retrabalho e aprender quais regras devem ser incorporadas ao ERP.
Referências
- Microsoft Learn: Data Matching no Data Quality Services.
- Microsoft Learn: regras de qualidade de dados no Purview.
- SAP Help: verificação de duplicidade no Master Data Governance.
- NIST: AI Risk Management Framework.
PRÓXIMO PASSO
Leve esta ideia para a prática
Tenha acesso gratuito a 50 prompts para gestão, suporte, vendas, desenvolvimento, produto e implantação.
Quero acessar os prompts








