O Que Está Faltando

Um guia prático para identificar e corrigir o que está faltando em suas listas e planilhas

Você já passou cinco minutos procurando um item numa planilha enorme e não encontrou por quê? Provavelmente porque alguém apagou uma linha, deixou uma célula vazia ou colocou um zero em vez de um espaço em branco. Isso é o que está faltando na prática. Não é nada místico, é só dados ausentes e as pessoas costumam ignorar até dar problema. Abaixo eu mostro como você faz isso funcionar no dia a dia, com exemplos reais que eu já vi dar errado em projetos de verdade.

Como funciona o que está faltando em planilhas e bases de dados

No Excel ou Google Sheets, o que está faltando aparece de três formas principais: célula vazia, célula com zero, ou célula com espaço em branco que parece preenchida mas não é. Em bancos de dados SQL, você tem NULL, string vazia ou valores nulos numéricos. Cada um exige uma abordagem diferente, e confundir isso é o erro mais comum que eu vejo gente cometendo. Eu recomendo começar pelo método de verificação visual combinado com fórmula. No Excel, use =É.NÃO.PROCRURAR() ou uma combinação de =SE.ERRO() dependendo do que você precisa. No Google Sheets, =ISBLANK() resolve para células realmente vazias, mas não captura espaços em branco. Aí entra o pulo do gato: use =LIMPAR() junto com =COMPRIR() para normalizar os dados antes de qualquer análise. No SQL, a coisa muda. COALESCE() e IS NULL são seus amigos, mas preste atenção nos espaços em branco que vêm de imports de CSV. Eu já perdi uma tarde inteira caçando um bug que era um espaço invisível num campo que parecia vazio. A solução foi usar RTRIM(LTRIM(campo)) antes de qualquer comparação.

Passo a passo para encontrar o que está faltando

Primeiro, defina o que conta como "faltando" no seu contexto. Célula vazia conta? Zero conta? String com apenas espaços conta? Se você não definir isso, vai passar horas refazendo o trabalho. Depois, aplique filtros de auto-filtro no Excel ou o equivalente no Sheets. Clique no cabeçalho da coluna, selecione "Filtros de células" e marque apenas as opções em branco. Isso mostra exatamente onde estão as lacunas. Se usar SQL, rode uma query como SELECT * FROM tabela WHERE coluna IS NULL OR coluna = '' OR TRIM(coluna) = ''. Simples e direto. Terceiro passo: decida como preencher. Tem três abordagens padrão. A primeira é preencher com valor padrão, como zero ou "Não informado". A segunda é propagar o valor da linha anterior (ou posterior), útil em séries temporais. A terceira é marcar como "não aplicável" quando faz sentido semanticamente. A escolha errada aqui distorce seus resultados sem que você perceba.

O problema que eu encontrei na prática

Num projeto de controle de estoque, eu tinha uma planilha com 12.000 linhas de produtos. O relatório dizia que tínhamos 847 itens sem fornecedores cadastrados. Quando fui conferir manualmente, o número estava errado. O problema era que 312 dessas linhas tinham o campo "fornecedor" preenchido com um espaço em branco visível, mas não tratável pelas fórmulas padrão. O que estava faltando não era o dado em si, era a consciências de que espaços em branco contam como dados. A solução foi criar uma coluna auxiliar com =NÚM.CARACTRES(TRIM(A2)) e filtrar por zero. Assim identifiquei todas as células que pareciam preenchidas mas eram efetivamente vazias. Depois usei uma macro simples de Power Query para padronizar tudo de uma vez, eliminando a necessidade de manutenção manual.

Erros comuns que todo mundo comete

O primeiro erro é confiar cegamente no subtotal do Excel. Ele não conta espaços em branco como células vazias. O segundo é usar PROCV ou PROCX sem considerar que valores em branco retornam resultados errados silenciosamente. O terceiro, e mais perigoso, é assumirmos que dados importados de sistemas externos estão limpos. Eles nunca estão. Outro ponto que as pessoas ignoram: quando você preenche dados faltantes com média ou mediana, você está introduzindo viés. Para dados de estoque, vendas ouanything que tenha outliers reais, preencher com média distorce a distribuição. Prefira usar valores modais ou marcadores explicitamente identificados como estimativas.

Ferramentas que ajudam

Para quem trabalha com frequência com esse problema, o Power Query do Excel é o caminho mais rápido. Ele permite criar pipelines de limpeza que rodamos repetidamente. A função "Substituir valores" encontravaza, vazio ou com espaços por um valor padrão. Configura uma vez e esquece. Se você trabalha com Python, pandas resolve isso em duas linhas com df.fillna() ou df.bfill(). Para quem prefere SQL puro, window functions como FIRST_VALUE() OVER (PARTITION BY ... ORDER BY ...) são poderosas para propagar valores quando dados faltam em sequências ordenadas. Para quem quer algo mais visual e não quer programar, existem extensões como o "Kutools for Excel" que adicionam botões de preenchimento inteligente. Eu uso ocasionalmente, mas pessoalmente prefiro o Power Query porque roda local e não depende de software de terceiros que pode parar de funcionar a qualquer momento.

Quando nada disso funciona

Existe um cenário em que identificar o que está faltando não resolve: quando os dados faltantes não são aleatórios. Se 30% dos registros de uma coluna falham sistematicamente em certas regiões ou categorias, preencher com média ou moda vai mascarar um problema estrutural. Nesse caso, o que está faltando é sinal, não ruído. Você precisa investigar por que os dados não existem, não tentar escondê-los. Um exemplo real meu: num dataset de vendas regionais, a coluna "desconto aplicado" faltava para 40% das transações de uma específica franquia. Preencher com a média geral de desconto escondia que aquela franquia tinha um problema de compliance. A solução correta foi levantar com o time operacional, não brincar de estatística.