Como auditar cadastro de PDV em distribuidora de bebida em 30 dias

A operação cresceu. O cadastro de PDV passou de 8 mil pra 23 mil em três anos. A maioria foi cadastrada pelo vendedor de campo — endereço anotado no calor do momento, coordenada gerada pelo CEP do bairro, tipologia escolhida no menu suspenso. Hoje, 15-30% do cadastro está com endereço inconsistente, coordenada errada, ou tipologia que não corresponde à realidade.

Cada erro vira problema lá na frente: rota do caminhão errada, comissão paga ao vendedor errado, NF emitida pra endereço inválido, cobrança que volta. Soma muito. Mas auditar 23 mil PDVs manualmente é projeto de meses, e ninguém quer parar a operação.

Este artigo é o plano realista pra fazer essa auditoria em 30 dias, sem parar nada, sem inventar dado.

O que está errado no cadastro hoje

Em distribuidora de bebida com 20-50 mil PDVs, os erros típicos se distribuem assim:

• 5-15% com endereço incompleto ou ambíguo (rua sem número, CEP genérico do bairro)
• 8-20% com coordenada errada (lat/long no centroide do bairro, não no PDV)
• 3-10% com tipologia errada (cadastrado como bar, na realidade é mercearia)
• 2-5% duplicado (mesmo PDV em dois cadastros, com vendedores diferentes)
• 1-3% PDV que fechou e não foi removido

Soma: 19-53% do cadastro tem algum problema. A maior parte é coordenada errada (porque foi geocodificado de CEP), e a segunda maior é tipologia.

Por que não dá pra usar IA pura

A primeira tentação é jogar o cadastro inteiro no ChatGPT/Claude e pedir pra "corrigir endereço". Não funciona, e pode piorar.

LLM puro alucina. Vai inventar número de casa quando o original tem só rua. Vai geocodificar pelo nome do estabelecimento mais próximo no Google Maps, mesmo que seja outro PDV. Vai mudar tipologia baseado em estatística genérica ("a maioria dos cadastros assim é mercearia") em vez de checar a realidade.

E a parte pior: a alucinação vem com confiança alta. O modelo retorna "Rua das Flores, 234" como se fosse certo, sem dizer "inventei o 234 porque o original só tinha 'Rua das Flores'".

Operação que limpa cadastro com IA pura sem cruzar fonte sai do "15% errado" pra "15% errado de outra forma" — mas sem rastreabilidade pra detectar.

O caminho que funciona: cruzamento multi-fonte

A regra é: nenhuma fonte sozinha decide. Pra cada registro, o sistema pergunta a mesma coisa pra fontes independentes:

• Google Maps — geocodifica o endereço, devolve coordenada
• OpenStreetMap (Nominatim) — mesmo, com base diferente
• Receita Federal — confirma se o CNPJ existe e tem endereço cadastrado lá
• Análise visual (Street View) — confirma se a tipologia da fachada bate com o cadastro

Quando todas concordam, confiança é alta. Quando divergem, registro vai pra fila de revisão humana com a evidência consolidada — operador olha o Street View, confere o endereço da Receita, decide.

Geocodificação errada é detectada com confiança quase 100%: a coordenada do cadastro não bate com endereço em nenhuma das fontes. Alucinação de IA é detectada cruzando com fonte humana (Receita confirma ou não).

O cronograma de 30 dias

Semana 1: setup e amostra

• Importa cadastro inteiro
• Roda análise multi-fonte numa amostra de 500 PDVs
• Validação manual da amostra pra calibrar parâmetro (qual nível de divergência manda pra revisão)
• Stakeholders aprovam o método

Semana 2: processamento em lote

• Roda nos 23 mil PDVs
• Sistema classifica cada registro:
  • Verde: todas as fontes concordam, confiança alta, atualização automática
  • Amarelo: divergência pequena, atualiza com flag pra revisão posterior
  • Vermelho: divergência significativa, vai pra fila de revisão humana
• Tipicamente: 60-70% verde, 20-25% amarelo, 8-15% vermelho

Semana 3-4: revisão humana

• Equipe de 2-3 pessoas processa fila vermelha
• Cada registro vermelho leva 1-3 minutos (operador olha evidência consolidada e decide)
• 1.500-3.500 registros nessa fila → 50-100 horas de trabalho humano → 2-3 pessoas em 2 semanas

Final do dia 30:

• Cadastro inteiro processado
• Cada registro tem score de confiança por campo (endereço, coordenada, tipologia, CNPJ)
• Relatório auditável: o que foi corrigido, com base em qual fonte, com qual confiança
• Operação tem cadastro confiável pra alimentar roteirização, comissão, cobrança

O que muda na operação depois

O ganho não está só no cadastro limpo. Está em poder automatizar processo que antes dependia de validação manual:

• Roteirização vira confiável (coordenada certa)
• Comissão por território fica precisa (PDV na rota do vendedor certo)
• Cobrança funciona (NF chega no endereço certo)
• Análise de cluster (densidade de PDV por região) fica confiável

E secundariamente, vira processo recorrente em vez de evento. Em vez de auditar uma vez por ano, passa a re-validar mensalmente os PDVs novos cadastrados — o cadastro não decai mais.

O que NÃO se resolve

Auditoria não conserta:

• PDV que fornecedor de cadastro nunca chegou a coletar (fica 0 — nunca foi cadastrado, sistema não pode adivinhar)
• Mudança recente que ainda não apareceu em fonte pública (PDV mudou de endereço semana passada, Google Maps ainda não atualizou)
• Dado completamente inventado pelo vendedor (CNPJ falso, fica difícil — só Receita pega)

Pra esses, continua precisando de processo de validação na fonte (vendedor cadastrando com app que valida foto da fachada, conferência periódica de campo).

Próximo passo

Se faz sentido pra sua operação, a FELGOR Vision implementa esse cruzamento multi-fonte na sua planilha de cadastro existente. Se quiser ver aplicado antes de qualquer contrato, agende um diagnóstico de 30 minutos com os fundadores.