# Análise Nicho 1 — Data Concierge Multi-Sistemas & Text-to-SQL em Bancos Legados ## 1. Veredito A "solução única" (chat text-to-SQL sobre bancos legados) resolve exatamente a dor de **14 dos 111 canvases** — o grupo está fortemente inflado pelos padrões de regex mais genéricos do agrupamento (`\bbanco de dados\b`, `\brelatório manual\b`, `\bmúltiplos sistemas\b`), que capturaram 31 canvases de ruído puro e 35 que pertencem a outros nichos. O que sobra de real, além do chat de dados, são **cinco produtos vizinhos e independentes**: um cockpit de KPI com alertas (push, não pull), previsão de demanda/saúde de estoque, radar de oportunidades em bases públicas, captura de apontamento operacional e análise de demonstrativos de terceiros. Nenhum deles é feature do chat: têm usuário, cadência e dado de origem diferentes, e só se encontram depois via contratos (`metric-definition`, `dataset-query-result`, `alert-event`). Ponto de atenção estratégico: o único canvas verdadeiramente canônico do nicho (índice 3, GoiásFomento) é também o mais bem especificado do grupo — vale usá-lo como cliente-piloto do app 1, mas seria erro dimensionar uma plataforma central de dados para atender os outros 110. ## 2. Contagens | Categoria | Qtd | % | |---|---|---| | FIT | 14 | 12,6% | | ADJACENTE | 29 | 26,1% | | OUTRO_NICHO | 35 | 31,5% | | RUIDO | 31 | 27,9% | | EXCLUIR | 2 | 1,8% | | **Total** | **111** | 100% | Apps derivados: 6 (43 canvases FIT+ADJACENTE, 30 empresas únicas). Duplicatas relevantes (mesmo autor/empresa, texto quase igual): Fhcmendes [0,1,2]; Johannesgalves [5,46]; Medronha [6,7]; Tpalhi [38,39]; Cristiano Campaner [41,42]; Ivan Weller [25,26]; Marcos [70,71,72]; Liocamargo [101,102,103]; Rbrentegani [22,23]; Semionnovas [76,77,78]; Joamara [80,81]; Fabio FMX [54,55]. --- ## 3. Aplicações derivadas ### App 1 — `chat-dados-legado` · Concierge de Dados (pergunta em português, resposta em tabela/gráfico) **Dor:** o dado existe, está em bancos/ERPs/planilhas que o usuário de negócio não sabe (ou não tem permissão) consultar; toda pergunta vira ticket para TI ou cálculo manual, e a decisão atrasa dias. **Canvases (14, 11 empresas):** 0, 1, 2, 3, 5, 7, 8, 46, 49, 67, 74, 83, 99, 110 Os casos são consistentes: GoiásFomento com 4 sistemas sem integração [3]; controladoria hospitalar levando dias para custo por paciente [5, 46]; gestão de sinistro sem analista disponível [8]; mesa de pricing abrindo "muitas ferramentas para chegar no resultado" [83]; C-level cruzando produtividade/qualidade/pontualidade na mão [110]; margem por projeto e linha de negócio [67]; simulação desconto × volume [74]. **MVP (5-8 funcionalidades):** 1. Conexão **read-only** por réplica/usuário restrito a Postgres/MySQL/SQL Server + upload de exports CSV/Excel para fontes sem API (caso [7], [46]). 2. Catálogo de schema versionado (tabelas, colunas, chaves, descrições de negócio) alimentado por introspecção + curadoria humana; é ele que vai no prompt, não o banco inteiro. 3. Geração de SQL com guardrails obrigatórios: allowlist de tabelas/colunas, `SELECT` apenas, `LIMIT` forçado, timeout de query, bloqueio de cross-join sem chave. 4. Camada de métricas versionada (fórmula, granularidade, filtros padrão, dono) para que "faturamento" signifique a mesma coisa em toda pergunta — emite `metric-definition`. 5. Resposta com tabela + gráfico automático + **o SQL executado visível** e a fonte/timestamp do dado (auditabilidade é requisito, não enfeite, em [3] órgão público). 6. Permissão por papel refletindo o papel no banco (linha e coluna), com log de quem perguntou o quê. 7. Perguntas salvas e re-executáveis ("minha performance de base de clientes" [49]) com export para XLSX/PDF. 8. Feedback por resposta (útil / SQL errado) alimentando exemplos few-shot por cliente. **Fora do MVP:** escrita em qualquer sistema; previsão/ML; ingestão de PDF e documentos não estruturados; substituir o BI existente (o chat convive com Power BI/Metabase, [4] e [108] mostram que o BI é ativo político); dashboards editáveis pelo usuário final; dados de saúde identificáveis sem anonimização prévia. **Contratos:** emite `dataset-query-result`, `metric-definition`. Consome `data-source-catalog`, `customer-360-read` (opcional, quando a pergunta é sobre um cliente específico). **Stack:** n8n (orquestração e conectores) + Claude (SQL + interpretação) + Postgres/Supabase para catálogo, métricas e cache + Lovable para o front. Metabase como alternativa de execução/render quando o cliente já o usa. --- ### App 2 — `cockpit-kpi-alertas` · Cockpit de Indicadores e Exceções **Dor:** ninguém quer perguntar — quer ser avisado. KPI atualizado à mão em planilha, sem versão única, e o desvio (ou a exceção operacional) só aparece quando já virou prejuízo. **Canvases (9, 9 empresas):** 4, 14, 28, 50, 51, 61, 68, 105, 108 Casos: KPI de ciclo de fabricação em planilha manual, com necessidade de alerta de desvio [4]; pedidos sem NF nem código de rastreio que precisam ser varridos e redirecionados [14]; ausência de indicadores operacionais confiáveis para virar data-driven [28]; visibilidade de visitas e concentração de carteira por representante [50]; fila de reembolsos sem indicador [51]; conferência aluno a aluno de elegibilidade para colação de grau [61]; faturamento diário para o vendedor [68, 105]; KPIs num ambiente só com sugestão de ação [108]. **MVP:** 1. Ingestão agendada (n8n) das fontes e materialização numa base própria — o cockpit não consulta o banco do cliente em tempo real a cada visita. 2. Definição de KPI em config (fórmula, meta, granularidade, dono) reaproveitando `metric-definition`, não hard-coded. 3. Dashboard fixo por papel (operação, gerência, diretoria) com tendência e comparativo período anterior. 4. **Motor de regras de exceção**: limiar, variação percentual, ausência de registro esperado (é a regra que resolve [14], [45-like] e [61]) gerando uma fila de itens, não só um número. 5. Alertas com destinatário e canal (WhatsApp/Slack/e-mail) e agrupamento anti-spam. 6. Fila de exceções com atribuição, status e prazo — a exceção precisa morrer com alguém tratando. 7. Relatório recorrente (diário/semanal) em PDF/mensagem com o comentário de variação gerado por LLM sobre os números já calculados (LLM não calcula, só narra). 8. Registro de "por que este número mudou" (drill-down para as linhas que compõem a métrica). **Fora do MVP:** pergunta livre em linguagem natural (isso é o App 1); previsão; escrita/ação corretiva automática no ERP (o app aponta, humano age); modelagem de dados complexa multi-empresa. **Contratos:** emite `alert-event`, `metric-definition`. Consome `dataset-query-result`, `data-source-catalog`. **Stack:** n8n + Postgres/Supabase (base materializada) + Lovable (dashboard) + Evolution/ChatVolt para alerta em WhatsApp + Claude para narrativa de variação. --- ### App 3 — `previsao-demanda-estoque` · Planejamento de Demanda e Saúde de Estoque **Dor:** estoque desbalanceado ao mesmo tempo em que falta produto; capital parado, obsolescência descoberta tarde e perda contabilizada depois do fato. Planejamento feito em planilha, sem previsão por SKU/grade/sazonalidade. **Canvases (7, 5 empresas):** 24, 25, 26, 27, 41, 42, 93 Casos: lingerie com grade tamanho/cor/sazonalidade [24]; implantação de S&OP do zero [25, 26]; R$ 1,04 mi de diferença de estoque com 80% em perdas [27]; obsolescência identificada de forma reativa [41, 42]; níveis elevados e desbalanceados com ruptura simultânea [93]. **MVP:** 1. Ingestão de histórico de vendas, estoque, compras e recebimentos (ERP ou export). 2. Previsão de demanda por SKU/agregação com sazonalidade e horizonte configurável — baseline estatístico (Croston/ETS) antes de qualquer coisa mais sofisticada. 3. Classificação ABC/XYZ e cálculo de ponto de reposição e estoque de segurança por classe. 4. Radar de obsolescência: itens sem movimentação, cobertura em dias, valor imobilizado e alerta com antecedência suficiente para venda [41, 42]. 5. Sugestão de compra/produção priorizada com o valor em risco de cada decisão. 6. Painel de acuracidade de estoque (divergência sistema × contagem) para atacar quebra/perda [27]. 7. Ciclo S&OP simples: cenário mensal, consenso registrado, versão congelada e comparação previsto × realizado [25, 26]. **Fora do MVP:** otimização de rota e frete; MRP completo; execução de compra; precificação dinâmica. **Contratos:** emite `forecast-series`, `alert-event`. Consome `dataset-query-result`. **Stack:** n8n para ingestão + Postgres/Supabase + Python (statsmodels/Prophet) num serviço próprio para previsão + Lovable para o painel. Claude entra na explicação da recomendação, nunca no cálculo. --- ### App 4 — `radar-oportunidades-publicas` · Radar de Editais, Licitações e Bases Públicas **Dor:** a oportunidade está pública, mas encontrar e triar consome dias: buscar em dezenas de portais, baixar anexos, ler para descobrir se vale a pena. A expertise fica concentrada em pouca gente. **Canvases (7, 3 empresas):** 37, 70, 71, 72, 101, 102, 103 Casos: captação de recursos para OSCs/prefeituras com expertise concentrada [37]; engenharia perdendo dias buscando processos licitatórios e analisando planilha orçamentária [70, 71, 72]; editoras mapeando programas de compra pública de material didático e lacunas por rede de ensino [101, 102, 103]. Só 3 empresas, mas a dor é inequívoca, repetida e tem entregável óbvio — mantém app próprio. **MVP:** 1. Coletores agendados de portais (PNCP, ComprasNet, diários oficiais, portais estaduais) com deduplicação por identificador do processo. 2. Perfil de interesse por cliente (CNAE, objeto, valor mínimo/máximo, região, palavras-chave) e score de aderência. 3. Download e extração dos anexos (edital, termo de referência, planilha orçamentária) com sumário estruturado: objeto, valor, prazos, qualificação exigida, garantias. 4. Destaque automático dos N itens de maior peso da planilha orçamentária [72] e das cláusulas eliminatórias. 5. Alerta diário por e-mail/WhatsApp com os processos aderentes e link para o dossiê. 6. Kanban de acompanhamento (analisando / vou participar / descartado) com motivo do descarte alimentando o score. 7. Consulta sobre a base histórica coletada ("quais municípios compraram X nos últimos 12 meses") para inteligência de mercado [101, 102, 103]. **Fora do MVP:** montagem automática da proposta; assinatura e submissão no portal; parecer jurídico sobre habilitação (o app resume, não opina de forma vinculante). **Contratos:** emite `opportunity-lead`, `doc-extraction-event`. Consome nada obrigatório (é autocontido por design — fonte é pública). **Stack:** n8n + Playwright/scraper dedicado + Supabase/pgvector (busca semântica nos editais) + Claude para extração e sumário + Lovable para o radar. --- ### App 5 — `captura-apontamento-operacional` · Captura Estruturada de Apontamento **Dor:** o dado nasce em papel, na cabeça do operador ou em digitação repetitiva num sistema legado — então não existe base para analisar depois. Não é problema de consulta, é de origem. **Canvases (3, 3 empresas):** 6, 44, 107 Casos: custo da jornada do paciente que simplesmente não é registrado ao longo do percurso [6]; alta carga de input manual em sistemas legados, com erro e retrabalho [44]; horas de serviço, viagem e standby de técnicos calculadas à mão [107]. **MVP:** 1. Formulários dinâmicos por evento/etapa (web e WhatsApp) com validação no momento da captura. 2. Preenchimento assistido: sugestão de valores a partir do histórico e do contexto, com detecção de anomalia antes de gravar [44]. 3. Regras de completude por processo — o que falta apontar aparece como pendência de quem é responsável. 4. Base estruturada própria com trilha de auditoria (quem apontou, quando, de onde). 5. Cálculo derivado configurável (horas por categoria, custo acumulado por caso) e fechamento de período [107, 6]. 6. Export/relatório do período e integração de saída para o sistema legado (API ou arquivo), evitando redigitação. **Fora do MVP:** OCR de documento livre; visão computacional; substituir o ERP; e — importante para [6] — qualquer interação clínica ou coleta de dado sensível de paciente sem consentimento e base legal LGPD explícitos; o piloto deve começar por captura via equipe assistencial e sistemas, não pelo paciente. **Contratos:** emite `operational-record`, `doc-extraction-event` (quando a origem é documento). Consome `metric-definition`. **Stack:** n8n + Supabase + Lovable (formulários e pendências) + Evolution/ChatVolt para captura no WhatsApp + Claude para preenchimento assistido e detecção de anomalia. --- ### App 6 — `analise-demonstrativos-pares` · Análise de Resultados de Terceiros **Dor:** montar comparativo de desempenho de concorrentes/pares a partir de releases e demonstrativos públicos é lento e tem risco alto de erro de transcrição. **Canvases (3, 3 empresas):** 20, 29, 64 Casos: prazo médio elevado para tabela comparativa setorial com risco operacional no preenchimento [20]; análise manual de resultados de competidores [29]; resultado trimestral das empresas de agro listadas na B3 [64]. **MVP:** 1. Watchlist de empresas/tickers com coleta automática de release, ITR/DFP e fato relevante (RI e CVM). 2. Extração de linha de demonstrativo para esquema padronizado, com o trecho-fonte anexado a cada número. 3. Normalização entre períodos e empresas (moeda, reapresentação, itens não recorrentes sinalizados). 4. Tabela comparativa setorial gerada automaticamente com variação YoY/QoQ. 5. Resumo executivo por empresa e por setor, sempre citando a página de origem. 6. Alerta quando um par publica resultado. 7. Flag de baixa confiança para número que a extração não conseguiu conciliar — o analista revisa em vez de confiar cego. **Fora do MVP:** recomendação de compra/venda, preço-alvo ou qualquer conteúdo que caracterize consultoria de valores mobiliários; dados intradiários de mercado; modelagem de valuation. **Contratos:** emite `dataset-query-result`, `doc-extraction-event`. Consome nada obrigatório. **Stack:** n8n + Claude (extração com citação) + Supabase/pgvector + Lovable para o comparativo. --- ## 4. Contratos novos propostos | Contrato | Descrição | |---|---| | `metric-definition` | Definição canônica de métrica/KPI: nome, fórmula, granularidade, filtros padrão, fonte, dono, versão. Evita que cada app invente seu "faturamento". | | `dataset-query-result` | Resultado de consulta estruturado: colunas com tipo, linhas, SQL/consulta executada, fonte, timestamp, nível de permissão. | | `alert-event` | Desvio ou exceção detectada: métrica ou regra, valor observado, limiar, severidade, entidade afetada, destinatário sugerido, link para drill-down. | | `forecast-series` | Série prevista: entidade (SKU/cliente), horizonte, valores, intervalo de confiança, modelo e versão. | | `opportunity-lead` | Oportunidade externa detectada (edital, licitação, programa): identificador, órgão, objeto, valor, prazos, score de aderência, link dos anexos. | | `operational-record` | Apontamento operacional capturado: processo, etapa, autor, timestamp, campos tipados, evidências, trilha de auditoria. | | `data-source-catalog` | Catálogo de fonte read-only: conexão, tabelas/colunas expostas, descrições de negócio, permissões por papel. | ## 5. Reclassificações e descartes (resumo) **Para outros nichos (35):** nicho 17 leva 6 (reativação, cross-sell, share of wallet); nichos 8, 16 e 18 levam 3 cada; nicho 4 leva 3 (orçamento de material, roteirização, proposta com ERP); demais pulverizados. **Ruído (31):** dores genéricas de vendas ("aumentar minhas vendas"), textos de teste ("fdgdfhd", "WINPLAN mal feito"), pedidos pessoais (ajuste de cargo, tradução de expressão para apresentação — 4 canvases do mesmo autor), e temas sem relação com dado (escolha de roupa, contagem de conídios por visão computacional, EIA/RIMA ambiental). **Excluir (2):** - [84] Consultoria financeira com 7 agentes gerando recomendação de investimento — atividade regulada pela CVM; recomendação automatizada sem profissional habilitado é risco regulatório inaceitável. - [91] Recomendação de alimentos, suplementos e conduta a partir de sintomas relatados — conduta nutricional/clínica sem profissional habilitado. ## RESUMO JSON ```json { "group_ids": [1], "apps": [ {"id": "chat-dados-legado", "nome": "Concierge de Dados (chat text-to-SQL read-only)", "dor": "Dado existe em bancos/ERPs/planilhas mas usuário de negócio não consegue consultar; toda pergunta vira ticket de TI ou cálculo manual", "canvases_indices": [0,1,2,3,5,7,8,46,49,67,74,83,99,110], "n_canvases": 14, "n_empresas": 11, "funcionalidades_mvp": ["Conexão read-only (réplica/usuário restrito) a Postgres/MySQL/SQL Server + upload de exports CSV/Excel", "Catálogo de schema versionado com descrições de negócio alimentando o prompt", "Geração de SQL com guardrails (allowlist, SELECT-only, LIMIT forçado, timeout)", "Camada de métricas versionada (metric-definition) para semântica única", "Resposta com tabela + gráfico + SQL executado visível + fonte/timestamp", "Permissão por papel (linha e coluna) com log de auditoria de perguntas", "Perguntas salvas re-executáveis e export XLSX/PDF", "Feedback por resposta alimentando few-shot por cliente"], "fora_mvp": ["escrita em qualquer sistema", "previsão/ML", "ingestão de PDF e documentos não estruturados", "substituir o BI existente", "dashboards editáveis pelo usuário final", "dados de saúde identificáveis sem anonimização"], "contratos_emite": ["dataset-query-result", "metric-definition"], "contratos_consome": ["data-source-catalog", "customer-360-read"]}, {"id": "cockpit-kpi-alertas", "nome": "Cockpit de Indicadores e Exceções (push)", "dor": "KPI atualizado à mão em planilha, sem versão única; desvio e exceção operacional só aparecem quando já viraram prejuízo", "canvases_indices": [4,14,28,50,51,61,68,105,108], "n_canvases": 9, "n_empresas": 9, "funcionalidades_mvp": ["Ingestão agendada das fontes com materialização em base própria", "Definição de KPI em config (fórmula, meta, granularidade, dono)", "Dashboard fixo por papel com tendência e comparativo de período", "Motor de regras de exceção (limiar, variação, ausência de registro esperado)", "Alertas por WhatsApp/Slack/e-mail com agrupamento anti-spam", "Fila de exceções com responsável, status e prazo", "Relatório recorrente com narrativa de variação gerada por LLM sobre números já calculados", "Drill-down até as linhas que compõem a métrica"], "fora_mvp": ["pergunta livre em linguagem natural", "previsão", "ação corretiva automática no ERP", "modelagem multi-empresa complexa"], "contratos_emite": ["alert-event", "metric-definition"], "contratos_consome": ["dataset-query-result", "data-source-catalog"]}, {"id": "previsao-demanda-estoque", "nome": "Planejamento de Demanda e Saúde de Estoque", "dor": "Estoque desbalanceado com ruptura simultânea, obsolescência descoberta tarde e planejamento feito em planilha sem previsão por SKU/sazonalidade", "canvases_indices": [24,25,26,27,41,42,93], "n_canvases": 7, "n_empresas": 5, "funcionalidades_mvp": ["Ingestão de histórico de vendas, estoque, compras e recebimentos", "Previsão de demanda por SKU/agregação com sazonalidade (baseline estatístico)", "Classificação ABC/XYZ com ponto de reposição e estoque de segurança", "Radar de obsolescência (sem movimentação, cobertura em dias, valor imobilizado, alerta antecipado)", "Sugestão de compra/produção priorizada por valor em risco", "Painel de acuracidade de estoque (sistema x contagem) para atacar quebra/perda", "Ciclo S&OP simples com cenário, consenso registrado e previsto x realizado"], "fora_mvp": ["roteirização e frete", "MRP completo", "execução de compra", "precificação dinâmica"], "contratos_emite": ["forecast-series", "alert-event"], "contratos_consome": ["dataset-query-result"]}, {"id": "radar-oportunidades-publicas", "nome": "Radar de Editais, Licitações e Bases Públicas", "dor": "Oportunidade pública existe mas encontrar e triar consome dias em dezenas de portais, com expertise concentrada em pouca gente", "canvases_indices": [37,70,71,72,101,102,103], "n_canvases": 7, "n_empresas": 3, "funcionalidades_mvp": ["Coletores agendados de portais (PNCP, ComprasNet, diários, portais estaduais) com deduplicação", "Perfil de interesse por cliente e score de aderência", "Extração dos anexos em dossiê estruturado (objeto, valor, prazos, qualificação, garantias)", "Destaque dos itens de maior peso da planilha orçamentária e das cláusulas eliminatórias", "Alerta diário com processos aderentes", "Kanban de acompanhamento com motivo de descarte realimentando o score", "Consulta sobre a base histórica coletada para inteligência de mercado"], "fora_mvp": ["montagem automática da proposta", "submissão no portal", "parecer jurídico vinculante sobre habilitação"], "contratos_emite": ["opportunity-lead", "doc-extraction-event"], "contratos_consome": []}, {"id": "captura-apontamento-operacional", "nome": "Captura Estruturada de Apontamento Operacional", "dor": "O dado nasce em papel, na cabeça do operador ou em digitação repetitiva em sistema legado, então não existe base para analisar depois", "canvases_indices": [6,44,107], "n_canvases": 3, "n_empresas": 3, "funcionalidades_mvp": ["Formulários dinâmicos por etapa (web e WhatsApp) com validação na captura", "Preenchimento assistido com sugestão por histórico e detecção de anomalia antes de gravar", "Regras de completude por processo com pendências atribuídas", "Base estruturada própria com trilha de auditoria", "Cálculo derivado configurável (horas por categoria, custo acumulado por caso) e fechamento de período", "Export e integração de saída para o sistema legado, eliminando redigitação"], "fora_mvp": ["OCR de documento livre", "visão computacional", "substituir o ERP", "interação clínica ou coleta de dado sensível de paciente sem consentimento e base legal LGPD"], "contratos_emite": ["operational-record", "doc-extraction-event"], "contratos_consome": ["metric-definition"]}, {"id": "analise-demonstrativos-pares", "nome": "Análise de Resultados de Terceiros (pares e concorrentes)", "dor": "Comparativo de desempenho de concorrentes a partir de releases e demonstrativos públicos é lento e sujeito a erro de transcrição", "canvases_indices": [20,29,64], "n_canvases": 3, "n_empresas": 3, "funcionalidades_mvp": ["Watchlist de empresas com coleta automática de release, ITR/DFP e fato relevante", "Extração para esquema padronizado com trecho-fonte anexado a cada número", "Normalização entre períodos e empresas com itens não recorrentes sinalizados", "Tabela comparativa setorial automática com variação YoY/QoQ", "Resumo executivo por empresa e setor com citação de origem", "Alerta de publicação de resultado de par", "Flag de baixa confiança para número não conciliado"], "fora_mvp": ["recomendação de compra/venda ou preço-alvo", "dados intradiários de mercado", "modelagem de valuation"], "contratos_emite": ["dataset-query-result", "doc-extraction-event"], "contratos_consome": []} ], "reclassificacoes": [ {"indices": [33,98], "destino_nicho": 2}, {"indices": [31,32,60], "destino_nicho": 4}, {"indices": [35,106], "destino_nicho": 5}, {"indices": [87], "destino_nicho": 6}, {"indices": [97], "destino_nicho": 7}, {"indices": [38,39,65], "destino_nicho": 8}, {"indices": [45], "destino_nicho": 9}, {"indices": [69], "destino_nicho": 11}, {"indices": [34,66], "destino_nicho": 13}, {"indices": [100], "destino_nicho": 14}, {"indices": [30,52,82], "destino_nicho": 16}, {"indices": [17,19,22,23,73,95], "destino_nicho": 17}, {"indices": [59,86,94], "destino_nicho": 18}, {"indices": [63], "destino_nicho": 19}, {"indices": [53,56], "destino_nicho": 21}, {"indices": [10], "destino_nicho": 22}, {"indices": [80,81], "destino_nicho": 24} ], "ruido": [9,11,12,13,15,16,18,21,36,40,43,47,48,54,55,57,58,62,75,76,77,78,79,85,88,89,90,92,96,104,109], "excluir": [ {"indices": [84], "motivo": "recomendacao de investimento automatizada - atividade regulada pela CVM, exige profissional habilitado"}, {"indices": [91], "motivo": "recomendacao de alimentos, suplementos e conduta a partir de sintomas - conduta nutricional/clinica sem profissional habilitado"} ] } ```