Dados abertos do governo: como usar CNPJ e CNAE na gestão sem tirar a conclusão errada

Existe uma frustração comum em quem tenta usar dados públicos pela primeira vez. O gestor baixa o arquivo, abre, encontra milhões de linhas, cruza duas colunas e chega a um número. O número parece ótimo. Só que ele responde a uma pergunta ligeiramente diferente da que foi feita, e ninguém percebe até a decisão já ter sido tomada.

O problema quase nunca está no dado. Está na leitura. Bases oficiais são precisas naquilo que se propõem a registrar e silenciosas sobre todo o resto, e é justamente esse silêncio que costuma ser preenchido com suposição. Este artigo trata das duas bases mais usadas por gestores de empresas e de órgãos públicos, o cadastro do CNPJ e a classificação CNAE, com foco no que elas respondem, no que não respondem e em como montar um processo que sobreviva à próxima atualização.

O que são dados abertos e onde eles estão

Dado aberto é um dado publicado de forma que qualquer pessoa possa acessar, usar e redistribuir, em formato legível por máquina e sem barreira de cadastro ou pagamento. A diferença em relação a uma consulta comum na internet é que o dado aberto vem em lote e estruturado: em vez de pesquisar uma empresa por vez, você recebe o conjunto inteiro para processar do seu lado.

Essa exigência de formato não é detalhe. O repositório de dados abertos da Receita Federal registra a regra de forma explícita: "A extensão *.pdf é vetada. Somente arquivos nas extensões *.json, *.xml, *.csv, *.ods ou *.rdf". A restrição existe porque PDF é feito para ser lido por pessoas, e dado aberto precisa ser lido por sistemas.

A Receita Federal organiza sua publicação em categorias, entre elas Arrecadação, Comércio Exterior, Fiscalização e Cadastros, que é a que interessa aqui. Dentro de Cadastros estão três bancos de dados: o CAFIR, de imóveis rurais, o CNO, de obras de construção civil, e o CNPJ. Segundo a própria Receita, o CNPJ é "o banco de dados que armazena informações cadastrais das pessoas jurídicas e outras entidades de interesse das administrações tributárias".

CNPJ: o cadastro que identifica quem é quem

O CNPJ é a chave de identificação de pessoas jurídicas no Brasil e, por isso, funciona como ponto de encontro entre bases que nasceram separadas. Se a sua carteira de clientes tem CNPJ, ela pode conversar com o cadastro oficial. Se o seu cadastro de fornecedores tem CNPJ, ele pode ser conferido contra a fonte.

Vale distinguir dois caminhos de acesso, porque eles servem a propósitos diferentes:

• Consulta individual: o serviço oficial do gov.br permite "consultar informações cadastrais de pessoa jurídica (empresas, associações etc.) no Cadastro Nacional de Pessoas Jurídicas (CNPJ), inclusive o quadro de sócios e administradores (QSA)" e emitir o comprovante de inscrição e de situação cadastral. É o caminho para verificar um caso concreto, com valor de comprovação.
• Dados abertos em lote: os arquivos publicados pela Receita Federal permitem trabalhar o conjunto inteiro, cruzar com a sua base e produzir recortes por atividade e território. É o caminho para análise, cobertura e higienização de cadastro.

Um ponto de atenção estrutural: empresa e estabelecimento não são a mesma coisa. Uma empresa pode ter matriz e várias filiais, e cada estabelecimento carrega a sua própria inscrição e a sua própria situação cadastral. Somar estabelecimentos e apresentar o total como "número de empresas" produz um número inflado que ninguém consegue reconciliar depois.

CNAE: a chave que organiza o que cada um faz

Identificar quem é a empresa resolve metade. A outra metade é saber o que ela faz, e é aí que entra a CNAE. Gerida pelo IBGE, a Classificação Nacional de Atividades Econômicas é descrita pelo órgão como "a classificação oficialmente adotada pelo Sistema Estatístico Nacional e pelos órgãos federais gestores de registros administrativos". Ou seja: é o vocabulário comum que permite comparar dados de fontes distintas sem inventar equivalências.

A CNAE é hierárquica, o que costuma ser mal aproveitado. Conforme o IBGE, a CNAE 2.0 tem cinco níveis: 21 seções, 87 divisões, 285 grupos, 673 classes e 1.301 subclasses. A estrutura é derivada da versão 4 da International Standard Industrial Classification, e sua base normativa é a Resolução Concla 01/2006.

Na prática, a hierarquia é o que permite ajustar o zoom da análise. Uma pergunta de estratégia territorial costuma ser respondida no nível de divisão ou grupo. Uma segmentação de vendas quase sempre precisa descer até classe ou subclasse. Escolher o nível errado é a causa mais frequente de listas que vêm grandes demais ou pequenas demais.

O que esses dados não provam

Aqui está o ponto que separa uma análise útil de uma análise perigosa. O cadastro registra a situação do registro, não a realidade econômica da organização. É uma distinção sutil no texto e enorme na consequência.

A situação cadastral descreve o estado da inscrição perante a administração tributária, e é exatamente isso que o comprovante de inscrição e de situação cadastral atesta. Ela não informa faturamento, número de funcionários, capacidade de entrega, solvência ou se existe alguém trabalhando no endereço declarado. Uma inscrição pode estar em ordem enquanto a operação está parada, e uma operação pode estar aquecida enquanto o cadastro está desatualizado.

A mesma lógica vale para o endereço, que é o dado declarado no cadastro e não necessariamente o local onde o serviço é prestado, e para a CNAE, que indica a atividade declarada e não comprova que ela seja a principal fonte de receita hoje. Nenhuma dessas ressalvas invalida o dado: elas apenas definem até onde ele vai.

Competência, versão e cobertura: os três rótulos que evitam erro

Base pública é uma fotografia, e toda fotografia tem data. Trabalhar sem registrar essa data é a origem de discussões improdutivas do tipo "meu número não bate com o seu" quando, na verdade, os dois números estão certos para momentos diferentes.

Três rótulos resolvem quase todo o problema:

• Competência: a data a que o dado se refere. Todo relatório derivado deve carregá-la de forma visível.
• Versão: qual carga específica foi usada. Permite reproduzir o mesmo número seis meses depois.
• Cobertura: o que entrou e o que ficou de fora do recorte. Evita que um filtro esquecido vire uma conclusão sobre o país inteiro.

Há ainda uma armadilha silenciosa: ausência de observação não é zero. Se um município não aparece em uma série, isso pode significar que o valor é zero ou que o dado não foi coletado para aquele período. Tratar os dois casos como iguais distorce médias, rankings e comparações territoriais.

Um roteiro em cinco passos

Consumir dados abertos de forma sustentável é menos sobre ferramenta e mais sobre método. Um caminho que funciona para equipes pequenas:

1. Escreva a pergunta antes de baixar o arquivo. "Quero entender o mercado" não é pergunta. "Quantos estabelecimentos da subclasse X existem nestes 12 municípios, na competência mais recente" é.
2. Escolha a fonte oficial e registre a licença. Anote de onde veio, quando foi publicado e sob quais condições pode ser usado.
3. Normalize as chaves. CNPJ com e sem pontuação, códigos de município com e sem dígito verificador e nomes de cidade com acentuação diferente são a causa mais comum de cruzamentos que "perdem" registros sem aviso.
4. Documente as exclusões. Cada filtro aplicado precisa estar escrito ao lado do resultado. Sem isso, o número não é auditável.
5. Defina quem atualiza e com que frequência. Um extrato usado uma vez é um projeto. Um extrato usado toda semana é um processo, e processo precisa de dono.

O quinto passo é o que costuma ser esquecido, e é também o que determina se o esforço vai durar. Quando o resultado da análise vira planilha compartilhada em pasta de rede, a validade dele expira em silêncio. Os sinais de que esse limite foi ultrapassado são os mesmos descritos em planilhas ou plataforma de gestão: versões paralelas, ninguém sabe qual é a boa e a atualização depende sempre da mesma pessoa.

Vale lembrar que essa maturidade digital vem crescendo entre os negócios brasileiros, como mostram os dados reunidos em nossa matéria sobre transformação digital em pequenas e médias empresas. Dado oficial deixou de ser assunto de time de tecnologia de grande empresa.

Erros comuns de leitura

• Confundir empresa com estabelecimento: os dois totais são legítimos e respondem a perguntas diferentes.
• Tratar situação cadastral como prova de operação: cadastro em ordem não é sinônimo de negócio funcionando.
• Comparar competências diferentes: crescimento aparente que é só diferença de data de corte.
• Usar apenas a CNAE principal: muitas organizações operam também por atividades secundárias, e ignorá-las encolhe o universo sem que ninguém perceba.
• Ler ausência de dado como zero: distorce qualquer ranking territorial.
• Não guardar o recorte: sem registro de filtros e versão, o número não pode ser reproduzido nem defendido.

Onde entra a proteção de dados

Dado de pessoa jurídica e dado de pessoa natural têm tratamentos distintos, e a fronteira entre eles nem sempre é óbvia em uma base cadastral. O quadro de sócios e administradores, por exemplo, envolve pessoas físicas, e a análise de mercado raramente precisa dessa camada para funcionar.

A recomendação prática é conservadora e simples: trabalhe com o mínimo necessário para responder à pergunta definida no passo 1. Se o objetivo é dimensionar um mercado por atividade e território, campos de identificação pessoal não entram no recorte. Se o objetivo exigir dados pessoais, a organização precisa ter finalidade definida e base legal antes de importar o arquivo, e não depois. Os princípios que orientam essa decisão são os mesmos que tratamos em LGPD na operação: finalidade, necessidade e rastreabilidade.