Lab 047: Work IQ — Análise de Adoção do Copilot

Nível: L200 Trilha: Todas as trilhas Tempo: ~45 min 💰 Custo: Gratuito — Usa conjunto de dados mock incluído (Viva Insights ao vivo requer licença M365 Copilot)

O que Você Vai Aprender

• O que é Work IQ e por que a análise de adoção é importante para implantações de IA
• Como ler e interpretar dados de uso do Copilot do Viva Insights e do Centro de Administração do M365
• Analisar taxas de adoção por departamento usando Python e pandas
• Identificar bloqueadores de adoção: lacunas de licenciamento, lacunas de habilitação e baixo engajamento
• Construir um scorecard de implantação que transforma dados brutos em um resumo executivo

Introdução

Work IQ é o framework da Microsoft para medir e otimizar a adoção de IA em uma organização. À medida que as empresas passam de implantar o Microsoft 365 Copilot para provar o ROI, a capacidade de analisar dados de adoção se torna uma habilidade crítica.

Em 2025-2026, a pergunta mudou de "Implantamos o Copilot?" para "Ele está realmente sendo usado? Por quem? Para quê? E que valor está criando?"

O Cenário

Você é o Líder de Adoção de IA na OutdoorGear Inc. A empresa implantou o M365 Copilot para 52 funcionários em 7 departamentos há três meses. A liderança quer respostas:

1. Quais departamentos estão realmente usando o Copilot?
2. Onde as licenças estão sendo desperdiçadas — e por quê?
3. Quais recursos as pessoas mais usam?
4. Quanto tempo o Copilot economizou para a organização?

Você tem uma exportação de dados de uso (semelhante ao que o Viva Insights e o Centro de Administração do M365 fornecem). Seu trabalho: transformar dados brutos em um scorecard de adoção acionável.

Dados Reais vs. Mock

Este lab usa um conjunto de dados mock (copilot_usage_data.csv) para que qualquer pessoa possa acompanhar sem uma licença M365 Copilot. A estrutura dos dados espelha o que você veria nas exportações do Viva Insights. Se você tiver um ambiente M365 ativo, pode substituir com seus próprios dados.

Pré-requisitos

Requisito	Por quê
Python 3.10+	Executar os scripts de análise
Biblioteca pandas	Manipulação de dados
(Opcional) Licença M365 Copilot + Viva Insights	Para dados reais em vez de mock

pip install pandas

---

Início Rápido com GitHub Codespaces

Todas as dependências estão pré-instaladas no devcontainer.

📦 Arquivos de Suporte

Baixe estes arquivos antes de iniciar o lab

Salve todos os arquivos em uma pasta lab-047/ no seu diretório de trabalho.

Arquivo	Descrição	Download
broken_scorecard.py	Exercício de correção de bugs (3 bugs + autotestes)	📥 Download
copilot_usage_data.csv	Conjunto de dados	📥 Download
scorecard_builder.py	Script inicial com TODOs	📥 Download

---

Passo 1: Entenda as Métricas Principais

Antes de mexer nos dados, você precisa entender o que o Work IQ mede. Estas são as mesmas métricas rastreadas pelo Viva Insights e pelo Centro de Administração do M365:

Métrica	O que Mede	Por que Importa
Licensed	Usuário tem uma licença M365 Copilot atribuída	Licença ≠ uso; rastreia alocação de investimento
Enabled	Admin ativou o Copilot para o usuário	Lacuna entre licenciado e habilitado = gasto desperdiçado
Active Days	Dias em que o usuário interagiu com qualquer recurso do Copilot	Mede profundidade de engajamento, não apenas teste único
Meetings Assisted	Reuniões onde o Copilot gerou resumos/ações	Caso de uso de alto valor para gerentes
Emails Drafted	E-mails compostos ou refinados com ajuda do Copilot	Mede produtividade de escrita
Docs Summarized	Documentos resumidos ou analisados pelo Copilot	Mede eficiência no trabalho de conhecimento
Chats	Interações do Copilot Chat (perguntas, brainstorming)	Mede exploração e utilidade diária
Time Saved (min)	Minutos estimados economizados pelo Copilot	A métrica definitiva de ROI

Fórmulas Principais

Adoption Rate = (Active Users ÷ Enabled Users) × 100

Enablement Gap = Licensed Users − Enabled Users
    → Users with a paid license that admins haven't turned on

Licensing Gap = Total Users − Licensed Users
    → Users without any Copilot license at all

Privacidade do Viva Insights

No Viva Insights em produção, um tamanho mínimo de grupo de 5 usuários é aplicado para todos os relatórios. Você não pode detalhar departamentos menores que 5. Nossos dados mock ignoram isso para fins de aprendizado, mas tenha isso em mente para implantações reais.

---

Passo 2: Carregue e Explore o Conjunto de Dados

O conjunto de dados tem 52 registros de usuários em 7 departamentos. Comece carregando-o em Python:

import pandas as pd

df = pd.read_csv("lab-047/copilot_usage_data.csv")

# Convert string booleans to Python booleans
for col in ["licensed", "enabled"]:
    df[col] = df[col].astype(str).str.strip().str.lower() == "true"

print(f"Total records: {len(df)}")
print(f"Departments: {df['department'].nunique()}")
print(f"\nColumn types:\n{df.dtypes}")
print(f"\nFirst 5 rows:\n{df.head()}")

Saída esperada:

Total records: 52
Departments: 7

Reserve um momento para explorar:

# Quick summary by department
summary = df.groupby("department").agg(
    total=("user_id", "count"),
    licensed=("licensed", "sum"),
    enabled=("enabled", "sum"),
).reset_index()
print(summary)

🤔 Antes de continuar: Qual departamento você prevê que terá a maior taxa de adoção?

Pense nisso — depois continue para o Passo 3 para descobrir se você acertou!

---

Passo 3: Calcule as Taxas de Adoção por Departamento

Agora calcule a taxa de adoção para cada departamento. Lembre-se: taxa de adoção = usuários ativos ÷ usuários habilitados × 100.

Um usuário "ativo" é qualquer pessoa com active_days > 0 (usou o Copilot pelo menos uma vez durante o mês).

results = []
for dept, group in df.groupby("department"):
    total = len(group)
    licensed = group["licensed"].sum()
    enabled = group["enabled"].sum()
    active = len(group[(group["enabled"] == True) & (group["active_days"] > 0)])
    rate = (active / enabled * 100) if enabled > 0 else 0

    results.append({
        "Department": dept,
        "Total": total,
        "Licensed": licensed,
        "Enabled": enabled,
        "Active": active,
        "Adoption %": round(rate, 1),
    })

adoption_df = pd.DataFrame(results).sort_values("Adoption %", ascending=False)
print(adoption_df.to_string(index=False))

Saída esperada:

Department	Total	Licensed	Enabled	Active	Adoption %
Finance	6	6	6	6	100.0
Engineering	12	11	10	9	90.0
Marketing	8	8	7	6	85.7
Operations	7	6	5	4	80.0
Sales	10	8	5	4	80.0
HR	5	3	3	2	66.7
Legal	4	3	2	1	50.0

Insight

Finance lidera com 100% — cada usuário habilitado está ativo. Legal está em 50% — apenas 1 de 2 usuários habilitados já abriu o Copilot. Mas observe que Legal também tem o menor número de usuários habilitados (2). Tamanhos de amostra pequenos podem ser enganosos — é por isso que o Viva Insights aplica um tamanho mínimo de grupo de 5.

---

Passo 4: Identifique os Bloqueadores de Adoção

Três tipos de bloqueadores impedem a adoção do Copilot:

4a — Lacuna de Habilitação (Licenciado mas NÃO Habilitado)

gap = df[(df["licensed"] == True) & (df["enabled"] == False)]
print(f"Enablement gap: {len(gap)} users\n")
print(gap[["department", "user_id"]].to_string(index=False))

Saída esperada:

Enablement gap: 7 users

  department user_id
 Engineering ENG-011
   Marketing MKT-008
       Sales SLS-004
       Sales SLS-005
       Sales SLS-006
       Legal LEG-003
  Operations OPS-006

O Problema de Sales

Sales tem 3 usuários licenciados presos na lacuna de habilitação — isso é 37,5% dos seus usuários licenciados! Provavelmente é um descuido administrativo. Um ticket para TI poderia desbloquear mais 3 usuários ativos.

4b — Lacuna de Licenciamento (Sem Licença)

unlicensed = df[df["licensed"] == False]
print(f"Unlicensed users: {len(unlicensed)}")
print(unlicensed.groupby("department")["user_id"].count())

4c — Usuários com Zero Uso (Habilitados mas Nunca Usaram)

zero_usage = df[(df["enabled"] == True) & (df["active_days"] == 0)]
print(f"Enabled but never used: {len(zero_usage)} users")
print(zero_usage[["department", "user_id"]].to_string(index=False))

Esses usuários têm o Copilot disponível mas não o utilizaram. Eles podem precisar de treinamento, campanhas de conscientização ou um incentivo do gerente.

---

Passo 5: Análise de Uso de Recursos

Quais recursos do Copilot geram mais valor na OutdoorGear?

active = df[df["active_days"] > 0]

features = {
    "Meetings Assisted": active["meetings_assisted"].sum(),
    "Emails Drafted": active["emails_drafted"].sum(),
    "Docs Summarized": active["docs_summarized"].sum(),
    "Chats": active["chats"].sum(),
}

print("Feature Usage (total interactions among active users):")
for feat, count in sorted(features.items(), key=lambda x: x[1], reverse=True):
    pct = count / sum(features.values()) * 100
    print(f"  {feat:>20s}: {count:>5d}  ({pct:.1f}%)")

Saída esperada:

Recurso	Total	Participação
Chats	400	32,8%
Meetings Assisted	303	24,8%
Emails Drafted	260	21,3%
Docs Summarized	257	21,1%

Insight

Chats dominam com 32,8% — os usuários estão usando o Copilot principalmente para perguntas e respostas, brainstorming e consultas rápidas. Reuniões são o segundo recurso mais usado, impulsionado por Finance e Engineering, onde gerentes dependem de resumos de reuniões.

---

Passo 6: Construa o Scorecard

Agora combine toda a sua análise em um único Scorecard de Adoção para a liderança:

total_time = int(active["time_saved_min"].sum())

scorecard = f"""# 📊 OutdoorGear Inc. — Copilot Adoption Scorecard

**Reporting Period:** March 2026 (1-month snapshot)

## Overall Metrics
| Metric | Value |
|--------|-------|
| Total Users | {len(df)} |
| Licensed | {df['licensed'].sum()} |
| Enabled | {df['enabled'].sum()} |
| Active | {len(active)} |
| Overall Adoption Rate | {len(active) / df['enabled'].sum() * 100:.1f}% |
| Time Saved | {total_time} min ({total_time / 60:.1f} hours) |
| Enablement Gap | {len(gap)} users |

## Department Ranking
{adoption_df.to_markdown(index=False)}

## Top Actions
1. **Close the Sales enablement gap** — 3 licensed users not yet enabled
2. **Investigate Legal adoption** — only 1 of 2 enabled users is active
3. **Scale Finance's success** — 100% adoption; learn what they're doing right
4. **Run training for zero-usage users** — {len(zero_usage)} enabled users never opened Copilot
"""

print(scorecard)

with open("lab-047/scorecard_report.md", "w") as f:
    f.write(scorecard)
print("💾 Saved to lab-047/scorecard_report.md")

---

🐛 Exercício de Correção de Bugs

O arquivo lab-047/broken_scorecard.py contém 3 bugs que produzem métricas de adoção incorretas. Você consegue encontrar e corrigir todos?

Execute os autotestes para ver quais falham:

python lab-047/broken_scorecard.py

Você deve ver 3 testes falhando. Cada teste corresponde a um bug:

Teste	O que verifica	Dica
Teste 1	Denominador da taxa de adoção	Deve usar usuários habilitados, não total de usuários
Teste 2	Lógica do filtro da lacuna de habilitação	Verifique as condições booleanas
Teste 3	Fator de conversão de tempo	Conversão de minutos → horas

Corrija todos os 3 bugs e execute novamente. Quando você vir 🎉 All 3 tests passed, está pronto!

---

🧠 Verificação de Conhecimento

Q1 (Múltipla Escolha): No Microsoft Viva Insights, qual é o tamanho mínimo padrão de grupo para proteger a privacidade dos funcionários?

• A) 3 usuários
• B) 5 usuários
• C) 10 usuários
• D) 25 usuários

✅ Revelar Resposta

Correto: B) 5 usuários

O Viva Insights aplica um tamanho mínimo de grupo de 5 por padrão. Relatórios para grupos menores que 5 são suprimidos para evitar a identificação de padrões de uso individuais. Administradores podem aumentar (mas não diminuir) esse limite.

Q2 (Múltipla Escolha): Qual métrica melhor indica que os usuários estão usando o Copilot consistentemente ao longo do tempo, em vez de apenas experimentá-lo uma vez?

• A) Total de e-mails redigidos
• B) Número de usuários licenciados
• C) Média mensal de dias ativos
• D) Tempo economizado em minutos

✅ Revelar Resposta

Correto: C) Média mensal de dias ativos

Uma contagem alta de dias ativos significa que o usuário retorna ao Copilot dia após dia — isso mede aderência e formação de hábito, não apenas um teste único. Total de e-mails ou tempo economizado pode ser inflado por um único dia de uso intenso.

Q3 (Execute o Lab): Qual departamento tem a maior taxa de adoção do Copilot (ativos ÷ habilitados × 100)?

Execute a análise do Passo 3 em 📥 copilot_usage_data.csv e verifique os resultados.

✅ Revelar Resposta

Finance — 100,0%

Finance tem 6 licenciados, 6 habilitados e 6 usuários ativos — cada usuário habilitado está usando o Copilot ativamente. Isso torna Finance o departamento modelo para escalar as melhores práticas de adoção para outras equipes.

Q4 (Execute o Lab): Quantos usuários em toda a organização estão na 'lacuna de habilitação' (licensed = true, enabled = false)?

Execute a análise do Passo 4a para descobrir.

✅ Revelar Resposta

7 usuários

Os 7 usuários na lacuna de habilitação são: ENG-011, MKT-008, SLS-004, SLS-005, SLS-006, LEG-003 e OPS-006. Sales sozinho representa 3 deles — a vitória mais rápida para melhorar a adoção geral é habilitar esses usuários.

Q5 (Execute o Lab): Quantos 'power users' existem (funcionários com active_days >= 20)?

Filtre o conjunto de dados para usuários com 20+ dias ativos e conte-os.

✅ Revelar Resposta

10 power users

• Engineering: ENG-001 (22), ENG-002 (20), ENG-004 (21), ENG-007 (23), ENG-009 (20) → 5
• Marketing: MKT-003 (20) → 1
• Finance: FIN-001 (22), FIN-002 (21), FIN-003 (20), FIN-005 (23) → 4
• Total: 10 power users em Engineering, Marketing e Finance

---

Resumo

Tópico	O que Você Aprendeu
Work IQ	Framework para medir adoção de IA e provar ROI
Taxa de Adoção	ativos ÷ habilitados × 100 — a principal métrica de saúde
Lacuna de Habilitação	Licenciado mas não habilitado — a correção mais rápida para baixa adoção
Mix de Recursos	Quais recursos do Copilot geram mais valor
Tempo Economizado	Converter minutos em impacto de negócios para a liderança
Scorecard	Combinar métricas em um relatório pronto para executivos

---

Próximos Passos

• Lab 048 (em breve) — Construa dashboards avançados no Power BI com Relatórios Avançados do Viva Insights
• Lab 033 — Observabilidade de Agentes com Application Insights (mentalidade de análise similar para agentes personalizados)
• Lab 035 — Avaliação de Agentes com Azure AI Eval SDK (medindo qualidade do agente, não apenas adoção)
• Lab 038 — Otimização de Custos de IA (o lado financeiro do ROI)