# Análise Nicho 21 — Gestão Guiada de Não Conformidades (RNCs / SGQ) & Antifraude em Devoluções

## Veredito

O "copilot único" do nicho junta dois produtos que não têm relação: gestão de qualidade em indústria regulada (canvases [0] e [2]) e detecção de fraude em logística reversa de e-commerce (canvas [1]). O regex costurou os dois porque "não conformidade" e "processo de devolução" apareceram no mesmo agrupamento — mas o usuário, o dado, o ciclo de vida e o critério de sucesso são completamente diferentes: um é workflow guiado com trilha de auditoria e prazo, o outro é score de risco em tempo de decisão sobre um chamado.

Os dois lados, porém, têm dor forte e empresas distintas por trás. Saem 2 aplicações independentes, e nenhuma delas precisa da outra para ser vendida.

## Contagens

| Categoria | Qtd | Índices |
|---|---|---|
| FIT | 2 | [0], [2] |
| ADJACENTE | 1 | [1] |
| OUTRO_NICHO | 0 | — |
| RUIDO | 0 | — |
| EXCLUIR | 0 | — |

Empresas únicas no grupo: 3 (Fabiano Matias, Wam_Sintonia, Sophiasegawa). Sem duplicatas.

---

## App 1 — `qualidade-rnc-guiada` — Gestão Guiada de Não Conformidades e Registros de Qualidade

**Dor:** em [0], o sistema de NC é tão pouco intuitivo que as pessoas deixam de abrir não conformidade — e as que abrem ficam paradas sem ninguém tocar até o fechamento. Em [2], os registros de qualidade e P&D vivem em planilhas Excel locais sem versão única, com data em formato errado, unidade trocada, campo obrigatório em branco sem justificativa e risco de rastreabilidade em ambiente regulado pela ANVISA. É o mesmo produto visto de dois ângulos: o dado de qualidade não é capturado direito na origem e não anda depois de capturado.

**Canvases:** [0] (Fabiano Matias) e [2] (Sophiasegawa / Projeto Tetrix) — 2 canvases, 2 empresas.

O que muda em relação ao SGQ tradicional é o ponto de aplicação da IA: não é gerar o relatório no fim, é reduzir o atrito da abertura (perguntar em linguagem natural e preencher o formulário estruturado por trás) e não deixar a NC parar (cobrança ativa de responsável com prazo). A análise de causa raiz assistida (5 Porquês / Ishikawa) entra como entrevista guiada, com a IA fazendo a próxima pergunta e o humano assinando a conclusão — em ambiente regulado, causa raiz gerada sozinha por modelo não passa em auditoria.

**Funcionalidades do MVP:**
1. Abertura de NC em linguagem natural (web e WhatsApp), com o assistente perguntando o que falta e montando o registro estruturado: origem, processo, produto/lote, criticidade, evidência (foto/anexo).
2. Formulário inteligente para registros recorrentes de qualidade e P&D (controle de lote, matéria-prima, ensaio), com validação na entrada: formato de data, unidade, faixa de valor plausível e campo obrigatório sem justificativa.
3. Varredura diária de consistência sobre os registros do período: campos em branco, datas retroativas não preenchidas, valores fora do padrão histórico — vira lista de pendências nomeada por responsável.
4. Triagem por criticidade antes da revisão humana, para o revisor de qualidade atacar o que é desvio real e não o erro de digitação.
5. Entrevista guiada de causa raiz (5 Porquês / espinha de peixe), com a IA propondo hipóteses a partir de NCs anteriores semelhantes e o responsável técnico validando e assinando.
6. Workflow com prazo por etapa (contenção, causa raiz, ação corretiva, verificação de eficácia, fechamento), com notificação automática de andamento e alerta de vencimento para responsável e gestor.
7. Trilha de auditoria imutável: quem registrou, quem alterou, o que foi alterado, quando — versão única, fim das planilhas locais.
8. Dashboards por persona: solicitante vê o que abriu, responsável vê o que deve, gestor vê NCs abertas por departamento, reincidência por causa e prazos estourados; exportação do relatório consolidado (RNC, lote, MP).

**Fora do MVP:** validação de sistema computadorizado / assinatura eletrônica no padrão 21 CFR Part 11 (fase 2, quando entrar cliente farmacêutico regulado de fato); auditoria interna e gestão de documentos/procedimentos (ISO 9001 completo); integração com equipamento de laboratório (LIMS); recall e comunicação a órgão regulador; decidir por conta própria se um lote é liberado ou bloqueado — o sistema instrui e registra, quem libera é o responsável técnico.

**Contratos que emite:** `nonconformity-event` *(novo — não conformidade/desvio registrado: origem, processo, produto/lote, criticidade, causa raiz validada, ação corretiva, responsável, prazo, status, evidências)*
**Contratos que consome:** `doc-extraction-event` (opcional, quando laudo ou certificado de análise chega em PDF e alimenta o registro)

**Stack:** Lovable para o formulário guiado e os dashboards por persona + n8n para as varreduras diárias, notificações e SLA + Supabase/Postgres (registros, trilha de auditoria append-only, pgvector para achar NCs semelhantes) + Claude para a entrevista de abertura e de causa raiz + Evolution/ChatVolt para abertura e cobrança pelo WhatsApp.

---

## App 2 — `antifraude-devolucoes` — Score de Risco e Triagem de Devoluções e Trocas

**Dor:** a empresa afrouxou o processo de troca e devolução para ganhar velocidade e nota de satisfação, e a fraude explodiu junto — 50% de aumento em três meses e mais de R$ 1 milhão de perda por mês. O analista de atendimento decide caso a caso sem nenhum sinal de risco na tela, e revisar tudo manualmente devolveria a lentidão que a mudança tentou eliminar.

**Canvases:** [1] (Wam_Sintonia) — 1 canvas, 1 empresa.

App com um canvas só, o que a metodologia permite quando a dor é inequívoca — e aqui ela é a mais quantificada de todo o grupo: perda mensal declarada em milhão de reais, tendência medida, decisor identificado e a ação de negócio óbvia (liberar rápido quem é bom, segurar quem é suspeito). Fundir isso no app de qualidade seria erro grave: o consumidor do output é o analista de atendimento em tempo de decisão, o dado é transacional e cadastral, e a métrica é perda evitada, não conformidade.

**Funcionalidades do MVP:**
1. Ingestão do caso de devolução/troca no momento da abertura (via API ou webhook do e-commerce/atendimento): pedido, itens, valor, motivo alegado, cliente, endereço, forma de pagamento.
2. Enriquecimento com histórico do próprio cliente: pedidos, devoluções anteriores, taxa de devolução, reclamações, chargebacks, tempo de casa.
3. Sinais de rede: mesmo CPF em contas diferentes, mesmo endereço/telefone/cartão em CPFs diferentes, cluster de devoluções do mesmo item ou da mesma região em janela curta.
4. Score de risco explicável, com os motivos que pesaram listados em texto — regras versionadas e transparentes primeiro, modelo estatístico depois, nunca uma caixa-preta que o analista não consegue justificar ao cliente.
5. Árvore de decisão configurável por faixa de score e valor: liberação automática, exigência de evidência (foto do produto, laudo), coleta com vistoria, ou fila de análise manual.
6. Fila de análise com o dossiê pronto (histórico, sinais acionados, casos semelhantes já julgados) para o analista decidir em minutos e não em horas.
7. Realimentação obrigatória: toda decisão humana volta rotulada para medir acerto do score, com relatório de falso positivo (cliente bom barrado) tão visível quanto o de fraude pega.
8. Painel gerencial: perda evitada, valor liberado automaticamente, tempo médio de resolução, top padrões de fraude do mês.

**Fora do MVP:** decisão de antifraude no momento da compra (autorização de pagamento é outro problema, com outro fornecedor); bloqueio permanente de CPF sem revisão humana; cobrança judicial ou registro em órgão de proteção ao crédito; análise de imagem do produto devolvido (fase 2); atendimento conversacional ao cliente sobre o caso — a resposta ao cliente sai pelo canal de atendimento que já existe.

**Contratos que emite:** `fraud-risk-decision` *(novo — caso avaliado: score, faixa, motivos acionados, ação recomendada, decisão final, revisor, timestamp)*, `handoff-event` (quando cai em análise manual)
**Contratos que consome:** `customer-360-read`, `order-event`

**Stack:** n8n para ingestão, enriquecimento e orquestração da árvore de decisão + Postgres/Supabase para histórico, features e regras versionadas (as consultas de rede são SQL, não modelo) + Claude para redigir o dossiê e explicar os sinais em linguagem de analista + Lovable para a fila de análise e o painel gerencial. Modelo estatístico de score (regressão/gradient boosting em Python) só depois de três meses de rótulos coletados pelas regras.

---

## RESUMO JSON

```json
{
  "group_ids": [21],
  "apps": [
    {"id": "qualidade-rnc-guiada", "nome": "Gestão Guiada de Não Conformidades e Registros de Qualidade", "dor": "Sistema de NC pouco intuitivo derruba a abertura e as NCs abertas não andam; registros de qualidade e P&D vivem em Excel local sem versão única, com erro de formato e campo em branco, num ambiente regulado", "canvases_indices": [0, 2], "n_canvases": 2, "n_empresas": 2, "funcionalidades_mvp": ["Abertura de NC em linguagem natural (web e WhatsApp) montando o registro estruturado por trás", "Formulário inteligente de registros de qualidade e P&D com validação de data, unidade e faixa na entrada", "Varredura diária de consistência gerando pendências nomeadas por responsável", "Triagem por criticidade antes da revisão humana", "Entrevista guiada de causa raiz (5 Porquês/Ishikawa) com hipóteses de NCs semelhantes e assinatura do responsável", "Workflow com prazo por etapa, notificação de andamento e alerta de vencimento", "Trilha de auditoria imutável com versão única do registro", "Dashboards por persona e relatório consolidado (RNC, lote, MP)"], "fora_mvp": ["Validação de sistema e assinatura eletrônica 21 CFR Part 11", "Auditoria interna e gestão documental ISO 9001 completa", "Integração com equipamento de laboratório (LIMS)", "Recall e comunicação a órgão regulador", "Decidir liberação ou bloqueio de lote sem responsável técnico"], "contratos_emite": ["nonconformity-event"], "contratos_consome": ["doc-extraction-event"]},
    {"id": "antifraude-devolucoes", "nome": "Score de Risco e Triagem de Devoluções e Trocas", "dor": "Processo de troca/devolução afrouxado para ganhar velocidade fez a fraude subir 50% em 3 meses com perda acima de R$1MM/mês, e o analista decide caso a caso sem nenhum sinal de risco", "canvases_indices": [1], "n_canvases": 1, "n_empresas": 1, "funcionalidades_mvp": ["Ingestão do caso de devolução na abertura via API/webhook do e-commerce", "Enriquecimento com histórico do cliente (pedidos, devoluções, reclamações, chargebacks)", "Sinais de rede: CPF/endereço/telefone/cartão cruzados e clusters de devolução em janela curta", "Score explicável com motivos listados, por regras versionadas antes de qualquer modelo", "Árvore de decisão configurável por faixa de score e valor (libera, pede evidência, vistoria, análise manual)", "Fila de análise com dossiê pronto e casos semelhantes já julgados", "Realimentação rotulada de toda decisão humana com relatório de falso positivo", "Painel gerencial de perda evitada, liberação automática e padrões do mês"], "fora_mvp": ["Antifraude no momento da compra/autorização de pagamento", "Bloqueio permanente de CPF sem revisão humana", "Cobrança judicial ou negativação", "Análise de imagem do produto devolvido", "Atendimento conversacional ao cliente sobre o caso"], "contratos_emite": ["fraud-risk-decision", "handoff-event"], "contratos_consome": ["customer-360-read", "order-event"]}
  ],
  "reclassificacoes": [],
  "ruido": [],
  "excluir": []
}
```