A nossa origem
A história da Quoriseltana começou quando analistas de venture capital, investigadores
de mercados privados e engenheiros de dados perceberam que estavam a resolver o
mesmo problema com ferramentas diferentes. Uns passavam noites a reconciliar
rondas de financiamento em folhas de cálculo; outros escreviam scripts isolados
para limpar bases internas; poucos conseguiam explicar, de forma consistente, de
onde vinha cada número num relatório final. Decidimos juntar estas competências
num núcleo único e construir um sistema de IA que parte de um princípio
desconfortável: os dados privados de empresas são incompletos, enviesados e,
muitas vezes, contraditórios. Em vez de esconder estas falhas, tornamo-las
visíveis através de scores de confiança, versões de entidade e ligações
explícitas entre fontes. É menos vistoso do que prometer respostas instantâneas,
mas permite que equipas de investimento e research saibam exactamente que
compromissos estão a aceitar quando utilizam as nossas bases enriquecidas.
Governança responsável
Operar sobre dados privados de empresas implica aceitar compromissos claros. A
nossa política é simples: recolhemos apenas o necessário, armazenamos pelo tempo
estritamente relevante para o caso de uso e mantemos registos verificáveis de
origem e transformação. As equipas de venture capital e research que trabalham
connosco não recebem uma caixa negra; recebem um trilho de auditoria legível,
com descrições de cada etapa de normalização, deduplicação e enriquecimento
aplicadas. Apostamos numa relação transparente com clientes e parceiros em
Portugal e noutros mercados europeus, alinhada com o enquadramento regulatório
mais recente. Isto significa rever modelos, ajustar regras de retenção e testar
cenários adversos com regularidade, mesmo quando isso obriga a reprocessar
volumes significativos de informação. Preferimos lidar com a complexidade hoje a
arriscar interpretações ambíguas amanhã. Past performance doesn't guarantee
future results; o mesmo vale para qualquer pipeline de dados, por isso mantemos
uma postura de revisão contínua e documentada.
Responsabilidade na utilização de dados privados
Como equilibramos utilidade analítica, privacidade e enquadramento regulatório europeu
Falar de IA para dados privados de empresas sem discutir ética, privacidade e enquadramento regulatório seria cómodo, mas enganador. Desde o início assumimos que qualquer solução tecnicamente interessante teria de sobreviver a perguntas difíceis sobre origem, finalidade e retenção de informação.
A nossa história enquanto laboratório de dados privados
Olhando para trás, percebemos que o problema nunca foi falta de dados sobre empresas
privadas, mas sim excesso de fragmentação e pouca disciplina na forma como eram
ligados. A nossa história é, em grande parte, a tentativa de transformar essa
desordem num sistema minimamente previsível.
- Durante os primeiros projectos, descobrimos rapidamente que não bastava treinar modelos sobre relatórios e bases públicas. As equipas de venture capital e research traziam consigo notas internas, apresentações, mensagens dispersas e tabelas sem qualquer padrão. Em vez de rejeitar esse caos, decidimos tratá-lo como parte essencial do problema: construímos conectores para fontes improváveis, aceitámos formatos pouco elegantes e criámos ferramentas de anotação que permitissem capturar o raciocínio dos analistas, não apenas os números finais.
- Com o tempo, fomos consolidando uma abordagem mais sistemática: desenhar um grafo de entidades e eventos que pudesse acomodar desde rondas de financiamento até mudanças subtis em equipas fundadoras ou pivots de produto. Este grafo passou a ser o eixo em torno do qual organizamos o enriquecimento por IA, permitindo que novas fontes sejam adicionadas sem destruir o histórico já trabalhado. O objectivo não é prever o futuro de cada empresa, mas tornar visíveis padrões e lacunas de informação que antes ficavam escondidos em pastas pessoais.
- Hoje continuamos a iterar sobre esta arquitectura, conscientes de que qualquer modelo é uma aproximação imperfeita da realidade. Mantemos ciclos regulares de revisão com clientes, onde comparamos a nossa visão algorítmica com a leitura qualitativa das equipas de investimento. Quando há divergências, não as tratamos como erros a esconder, mas como sinais de que a ontologia, as regras de correspondência ou os próprios incentivos de recolha de dados precisam de ser revistos.
Quem somos na prática
Antes de algoritmos sofisticados, o trabalho sobre empresas privadas vivia de folhas
de cálculo quebradas e relatórios estáticos. A nossa equipa nasceu precisamente da
frustração com esse passado e decidiu construir uma forma mais honesta, rastreável e
mensurável de tratar informação dispersa. Hoje usamos IA para ligar documentos,
bases internas e notas de analistas, mas mantemos a mesma obsessão: cada dado tem de
poder ser explicado, auditado e colocado em contexto sectorial sólido.
Trabalhamos na fronteira entre ciência de dados, análise financeira e pesquisa de
mercado privado, com uma abordagem declaradamente pragmática. Em vez de prometer
atalhos mágicos, desenhamos pipelines de enriquecimento que aceitam o caos real:
ficheiros desalinhados, siglas internas, classificações inconsistentes e históricos
incompletos. A partir daí, construímos camadas estruturadas de entidades, relações e
eventos corporativos, pensadas para equipas de venture capital, private equity e
research institucional exigente.
A filosofia que orienta a Quoriseltana
Não prometemos atalhos mágicos para compreender empresas privadas. Preferimos explicitar as imperfeições dos dados, os limites dos modelos de IA e os compromissos regulatórios envolvidos, para que equipas de venture capital, private equity e research possam decidir com base em informação mais honesta.
Realismo de dados
Trabalhamos com a premissa de que dados privados de empresas são incompletos, enviesados e, muitas vezes, contraditórios. Em vez de esconder essas falhas, expomo‑las através de scores de confiança, versões de entidade e documentação acessível. Este realismo metodológico é menos vistoso, mas mais útil para equipas de investimento e research que precisam de compreender limitações antes de agir.
IA com supervisão
Preferimos fluxos de trabalho configuráveis e auditáveis a automatismos opacos. Os nossos modelos podem sugerir ligações e classificações, mas é sempre possível rever, corrigir e anotar decisões críticas. Esta combinação de IA e supervisão humana reduz surpresas e torna mais claro onde termina o algoritmo e começa o juízo especializado.
Privacidade integrada
Encaramos privacidade e compliance como parte do desenho de produto, não como etapa final. Desde a definição de esquemas até às políticas de acesso, incorporamos requisitos regulatórios europeus e práticas de minimização de dados. O objectivo é que cada integração suporte auditorias futuras sem depender de memórias individuais ou e‑mails dispersos.
Modelos evolutivos
Assumimos que qualquer ontologia de empresas privadas é um trabalho em curso. Por isso criamos modelos extensíveis, com espaço para novos sectores, métricas e tipos de eventos. À medida que o ecossistema de venture capital e mercados privados evolui, preferimos adaptar a estrutura de dados a forçar realidades diferentes a caber num esquema estático.
O que fazemos, o que não fazemos e como esperamos ser avaliados
O nosso papel no ecossistema de research
Trabalhar com dados privados de empresas para research em venture capital e mercados privados exige aceitar uma verdade incómoda: nenhuma base será completa, nenhum modelo será definitivo. O que podemos oferecer é disciplina metodológica e transparência sobre os compromissos feitos.
O nosso foco está em transformar informação dispersa em conjuntos de dados utilizáveis para análises comparativas, acompanhamento de portefólios e identificação de padrões emergentes em mercados privados. Fazemo-lo através de IA aplicada a textos, registos estruturados e anotações internas, sempre com registos claros de origem e de transformações aplicadas. Não prometemos decisões automáticas; fornecemos sinais, métricas derivadas e contexto adicional para equipas que mantêm a responsabilidade final pelas suas escolhas.
Sabemos que equipas de investimento, research institucional e analistas independentes trabalham sob restrições de tempo, orçamento e escrutínio. Por isso desenhamos fluxos que substituem tarefas repetitivas, como reconciliação de entidades ou normalização sectorial, por processos automatizados mas configuráveis. Mantemos espaço para revisão humana, aceitando que, em muitos casos, uma leitura atenta de um contrato ou de uma nota de reunião continua a ter mais peso do que qualquer score algorítmico.
Também reconhecemos que resultados de análises baseadas nos nossos dados podem diferir
entre clientes, consoante a forma como combinam as nossas bases enriquecidas com fontes
próprias e critérios internos. Results may vary, e é precisamente por isso que
fornecemos documentação detalhada, exemplos de fluxos de validação e canais de contacto
directo com a nossa equipa técnica. O objectivo não é substituir o juízo crítico dos
utilizadores, mas dar‑lhes mais tempo e melhor visibilidade sobre o que já está, de
facto, presente nos seus próprios dados.
Como trabalhamos com dados privados de empresas
Na Quoriseltana não tratamos dados privados de empresas como matéria-prima infinita, mas como
séries temporais imperfeitas que precisam de contexto, documentação e ceticismo saudável. A
nossa filosofia de trabalho nasce desse choque entre a promessa da IA e as limitações muito
concretas de relatórios, registos comerciais, bases internas e notas dispersas de equipas de
investimento.
Mapeamento honesto de dados
Começamos sempre por mapear o ecossistema real de dados do cliente: pastas
partilhadas, CRMs antigos, ferramentas internas, bases adquiridas e fontes públicas
complementares. Só depois desenhamos o pipeline de IA, porque a arquitectura tem de
respeitar fluxos existentes, ciclos de decisão e restrições de compliance. Este
mapeamento inicial reduz surpresas e torna explícitos os custos de integração e
manutenção ao longo do tempo.
Método em três camadas
A seguir aplicamos o nosso método interno de três camadas: normalizar, ligar,
enriquecer. Normalizar significa alinhar formatos, identificadores e taxonomias
sectoriais; ligar implica reconstruir entidades e relações entre empresas, pessoas e
eventos; enriquecer é adicionar métricas derivadas, classificações temáticas e
anotações de research, sempre com rastreabilidade de origem.
Esquemas realmente flexíveis
Sabemos que cada equipa de venture capital e mercados privados tem o seu próprio
vocabulário, métricas preferidas e formas de avaliar empresas em estágio inicial.
Por isso desenhamos esquemas flexíveis, com campos opcionais, etiquetas
configuráveis e níveis de granularidade ajustáveis, em vez de impor uma ontologia
rígida. A consequência é um modelo de dados que consegue crescer com a prática de
research da equipa.
Transparência sobre limites
Nenhum sistema de IA é neutro. Por isso incluímos revisões humanas programadas,
registos de decisões de modelação e painéis de controlo de qualidade. Preferimos
admitir as zonas cinzentas, documentar heurísticas e permitir que o cliente veja
onde o modelo está menos confiante. Results may vary, e o nosso papel é tornar essa
variabilidade mensurável e, tanto quanto possível, controlável.
A equipa
Somos uma equipa compacta de engenheiros de dados, cientistas de dados, analistas
financeiros e especialistas em pesquisa de mercados privados. Muitos de nós passaram anos a
trabalhar em fundos de venture capital, bancos de investimento e fornecedores de informação
financeira, antes de se cansarem de processos manuais que não escalavam e de ferramentas
genéricas que ignoravam as especificidades das empresas privadas europeias.
Hoje dedicamo-nos a construir pipelines de IA focados em dados privados de empresas, com
atenção obsessiva à proveniência, à normalização sectorial e à utilidade prática para
equipas de investimento e research. Mantemos uma cultura declaradamente técnica, mas com
proximidade ao contexto de negócio: falamos de embeddings e de cash burn na mesma reunião, e
aceitamos que algumas decisões exigem intuição humana informada por dados, não apenas scores
algorítmicos.
