Lab 048: Work IQ — Análise de Impacto do Copilot e Power BI

Nível: L300 Trilha: Todas as trilhas Tempo: ~90 min 💰 Custo: Gratuito — Usa conjuntos de dados mock incluídos (Viva Insights ao vivo requer licença M365 Copilot)

O que Você Vai Aprender

• Como a atribuição de impacto funciona — conectando o uso do Copilot a resultados de negócios
• Calcular o valor em dólares do tempo economizado (ROI) a partir de dados de adoção do Copilot
• Usar correlação de Pearson para medir a relação entre uso e KPIs
• Analisar tendências de adoção mês a mês para identificar padrões de crescimento
• Escrever uma narrativa executiva de impacto que conta uma história baseada em dados
• Entender como essas análises se mapeiam para dashboards do Power BI e Relatórios Avançados do Viva Insights

Pré-requisito

Complete o Lab 047: Work IQ — Análise de Adoção do Copilot primeiro. Este lab se baseia nos conceitos de análise de adoção e no cenário da OutdoorGear Inc. do Lab 047.

Introdução

No Lab 047, você respondeu "Quem está usando o Copilot?". Agora os executivos querem a pergunta mais difícil respondida: "Que valor o Copilot está gerando?"

A atribuição de impacto conecta o uso de ferramentas de IA a resultados reais de negócios — crescimento de receita, tempos de resposta mais rápidos, satisfação dos funcionários e entrega de projetos. Esta é a análise que garante o investimento contínuo em IA.

O Cenário

Três meses se passaram desde que a OutdoorGear Inc. implantou o M365 Copilot. Agora você tem:

1. Dados de uso do Copilot — 3 meses de métricas agregadas por departamento (usuários ativos, uso de recursos, tempo economizado)
2. KPIs de resultados de negócios — mudança na receita, taxas de resolução de tickets, tempos de resposta, pontuações de satisfação, entrega de projetos

Sua missão: provar (ou refutar) que o Copilot está impulsionando melhorias mensuráveis nos negócios — e apresentar suas descobertas ao conselho.

Correlação ≠ Causalidade

Este lab ensina você a encontrar correlações entre uso e resultados. Correlação NÃO prova que o Copilot causou a melhoria — outros fatores (novas contratações, mudanças de processo, sazonalidade) podem contribuir. Sempre apresente as descobertas como "departamentos com maior uso do Copilot tendem a mostrar melhores resultados" em vez de "o Copilot causou a melhoria."

---

📦 Arquivos de Suporte

Baixe estes arquivos antes de iniciar o lab

Salve todos os arquivos em uma pasta lab-048/ no seu diretório de trabalho.

Arquivo	Descrição	Download
broken_roi_calculator.py	Exercício de correção de bugs (3 bugs + autotestes)	📥 Download
business_outcomes.csv	Conjunto de dados	📥 Download
copilot_quarterly_summary.csv	Conjunto de dados	📥 Download
impact_analyzer.py	Script inicial com TODOs	📥 Download

---

Passo 1: Entender a Análise de Impacto

Antes de programar, entenda os três pilares da análise de impacto:

Pilar	O Que Ele Mede	Exemplo
ROI (Retorno sobre Investimento)	Valor em dólares do tempo economizado vs. custo da licença	188 horas economizadas × $50/h = $9.400
Correlação	Relação estatística entre uso e resultados	r = 0,97 entre dias ativos e satisfação
Análise de Tendência	Como a adoção e os resultados mudam ao longo do tempo	60% de crescimento em usuários ativos em 3 meses

Relatórios Avançados do Viva Insights

Em um ambiente M365 ao vivo, os Relatórios Avançados do Viva Insights fornecem:

• 100+ métricas do Copilot segmentadas por departamento, função, gestor e localização
• Importação de dados organizacionais para adicionar atributos personalizados (centro de custo, data de contratação, etc.)
• Controles de privacidade: tamanho mínimo de grupo de 5, agregação de dados, acesso baseado em função
• Modelos Power BI para dashboards pré-construídos

Neste lab, simulamos essas capacidades com Python e exportações CSV.

Conexão com Power BI

Se você tem o Power BI Desktop instalado, pode carregar ambos os CSVs diretamente no Power BI para criar dashboards interativos. Toda a análise que fazemos em Python se mapeia 1:1 para visuais do Power BI: tabelas → matriz, correlações → gráficos de dispersão, tendências → gráficos de linha.

---

Passo 2: Carregar e Mesclar os Conjuntos de Dados

Você tem dois conjuntos de dados para trabalhar:

📥 copilot_quarterly_summary.csv — Dados de uso agregados (21 linhas: 7 departamentos × 3 meses)

Coluna	Descrição
department	Nome do departamento
month	Mês (2026-01, 2026-02, 2026-03)
licensed / enabled / active_users	Contagens de usuários
avg_active_days	Média de dias ativos entre usuários ativos
total_meetings / total_emails / total_docs / total_chats	Totais por recurso
total_time_saved_min	Minutos estimados economizados

📥 business_outcomes.csv — KPIs por departamento (21 linhas: 7 departamentos × 3 meses)

Coluna	Descrição
revenue_change_pct	Mudança na receita vs. ano anterior (%)
tickets_resolved_per_person	Tickets de suporte resolvidos por pessoa
avg_response_hours	Tempo médio de resposta (horas)
employee_satisfaction	Pontuação de satisfação (0-100)
projects_on_time_pct	Projetos entregues no prazo (%)

Carregue e mescle-os:

import pandas as pd

usage = pd.read_csv("lab-048/copilot_quarterly_summary.csv")
outcomes = pd.read_csv("lab-048/business_outcomes.csv")

# Merge on department + month
merged = pd.merge(usage, outcomes, on=["department", "month"])
print(f"Merged: {len(merged)} rows × {len(merged.columns)} columns")
print(merged.head())

Esperado: 21 linhas × 17 colunas.

---

Passo 3: Calcular o ROI — Valor em Dólares do Tempo Economizado

A métrica de ROI mais simples: quanto vale o tempo economizado?

HOURLY_RATE = 50  # Average fully-loaded cost per employee-hour

total_minutes = usage["total_time_saved_min"].sum()
total_hours = total_minutes / 60
dollar_value = total_hours * HOURLY_RATE

print(f"Total time saved: {total_minutes:,} minutes")
print(f"                = {total_hours:.1f} hours")
print(f"Dollar value:    = ${dollar_value:,.0f} (at ${HOURLY_RATE}/hr)")

Saída esperada:

Total time saved: 11,280 minutes
                = 188.0 hours
Dollar value:    = $9,400 (at $50/hr)

Detalhamento de ROI por Departamento

dept_roi = usage.groupby("department")["total_time_saved_min"].sum().reset_index()
dept_roi["hours"] = dept_roi["total_time_saved_min"] / 60
dept_roi["dollar_value"] = dept_roi["hours"] * HOURLY_RATE
dept_roi = dept_roi.sort_values("dollar_value", ascending=False)
print(dept_roi[["department", "hours", "dollar_value"]].to_string(index=False))

Saída esperada:

Departamento	Horas	Valor em Dólares
Engineering	65,2	$3.262
Finance	45,9	$2.296
Marketing	34,3	$1.713
Operations	19,6	$979
Sales	15,5	$775
HR	6,4	$321
Legal	1,1	$54

Insight

Engineering gera o maior valor absoluto ($3.262) porque tem mais usuários. Mas Finance tem o maior ROI por usuário — 6 usuários gerando $2.296 vs. 12 usuários de Engineering gerando $3.262. O valor por usuário de Finance é $383 vs. $272 de Engineering.

---

Passo 4: Correlacionar Uso com Resultados de Negócios

Agora a pergunta crítica: maior uso do Copilot se correlaciona com melhores resultados de negócios?

# Pearson correlation between average active days and employee satisfaction
correlation = merged["avg_active_days"].corr(merged["employee_satisfaction"])
print(f"Correlation (active_days ↔ satisfaction): {correlation:.3f}")

Saída esperada:

Correlation (active_days ↔ satisfaction): 0.970

Uma correlação de 0,970 é extremamente forte. Departamentos com maior média de dias ativos consistentemente apresentam maior satisfação dos funcionários.

Matriz de Correlação

Verifique múltiplas métricas de resultado de uma vez:

usage_cols = ["avg_active_days", "active_users"]
outcome_cols = ["employee_satisfaction", "revenue_change_pct",
                "projects_on_time_pct", "avg_response_hours"]

corr_matrix = merged[usage_cols + outcome_cols].corr()
print("\nCorrelation with avg_active_days:")
for col in outcome_cols:
    r = corr_matrix.loc["avg_active_days", col]
    direction = "↑ positive" if r > 0 else "↓ negative"
    print(f"  {col:>30s}: r = {r:+.3f}  ({direction})")

Você deve ver:

• employee_satisfaction: positiva forte (~0,97)
• revenue_change_pct: positiva forte
• projects_on_time_pct: positiva forte
• avg_response_hours: negativa forte (maior uso → menor tempo de resposta = mais rápido)

Lembre-se: Correlação ≠ Causalidade

Uma correlação de 0,97 é impressionante, mas não prova que o Copilot causou o aumento de satisfação. Departamentos de alto desempenho podem ter adotado o Copilot mais rapidamente porque já eram eficientes. Apresente isso como evidência de uma relação, não prova de causalidade.

---

Passo 5: Análise de Tendência — Crescimento Mês a Mês

Acompanhe como a adoção está crescendo ao longo do tempo:

monthly = usage.groupby("month")["active_users"].sum().reset_index()
monthly.columns = ["Month", "Active Users"]
print(monthly.to_string(index=False))

jan = monthly[monthly["Month"] == "2026-01"]["Active Users"].values[0]
mar = monthly[monthly["Month"] == "2026-03"]["Active Users"].values[0]
growth = (mar - jan) / jan * 100
print(f"\nGrowth (Jan → Mar): {jan} → {mar} = {growth:.1f}%")

Saída esperada:

   Month  Active Users
 2026-01            20
 2026-02            28
 2026-03            32

Growth (Jan → Mar): 20 → 32 = 60.0%

Tendências por Departamento

print("\nDepartment-level growth (Jan → Mar):")
for dept in usage["department"].unique():
    d = usage[usage["department"] == dept]
    j = d[d["month"] == "2026-01"]["active_users"].values[0]
    m = d[d["month"] == "2026-03"]["active_users"].values[0]
    g = ((m - j) / j * 100) if j > 0 else float("inf")
    arrow = "📈" if g > 50 else "📊" if g > 0 else "⚠️"
    print(f"  {arrow} {dept}: {j} → {m} ({g:+.0f}%)")

Melhoria de Satisfação por Departamento

print("\nSatisfaction improvement (Jan → Mar):")
for dept in outcomes["department"].unique():
    d = outcomes[outcomes["department"] == dept]
    j = d[d["month"] == "2026-01"]["employee_satisfaction"].values[0]
    m = d[d["month"] == "2026-03"]["employee_satisfaction"].values[0]
    delta = m - j
    print(f"  {dept:>15s}: {j} → {m}  (Δ = {delta:+d})")

Saída esperada:

Departamento	Jan	Mar	Δ
Finance	75	88	+13 ← maior
Engineering	72	84	+12
Marketing	70	80	+10
Operations	68	76	+8
HR	62	68	+6
Sales	65	70	+5
Legal	58	62	+4 ← menor

A História Se Escreve Sozinha

Finance (maior adoção do Copilot com 100%) mostra a maior melhoria na satisfação (+13). Legal (menor adoção com 50%) mostra a menor melhoria (+4). Esta é a história de correlação que você apresentará ao conselho.

---

Passo 6: Construir a Narrativa de Impacto

Combine todas as descobertas em um documento pronto para executivos:

narrative = f"""# 📋 OutdoorGear Inc. — Copilot Impact Report
## Q1 2026 (January – March)

### Executive Summary

Over Q1 2026, Microsoft 365 Copilot adoption at OutdoorGear Inc. grew
**{growth:.0f}%** (from {jan} to {mar} active users). The estimated value of
time saved is **${dollar_value:,.0f}** ({total_hours:.0f} hours at $50/hr).

There is a **strong positive correlation (r = {correlation:.2f})** between
Copilot usage intensity and employee satisfaction — departments with higher
average active days consistently report higher satisfaction scores.

### Key Metrics

| Metric | Value |
|--------|-------|
| Active Users (March) | {mar} of 52 employees |
| Adoption Growth (Q1) | {growth:.0f}% |
| Total Time Saved | {total_hours:.0f} hours |
| Estimated ROI | ${dollar_value:,.0f} |
| Usage ↔ Satisfaction Correlation | r = {correlation:.2f} |

### Department Spotlight: Finance 🏆

Finance achieved **100% adoption** with all 6 employees actively using Copilot
an average of 20.5 days/month. They show the **largest satisfaction improvement
(+13 points)** and the **highest per-user ROI ($383/user)**.

### Top 3 Recommendations

1. **Enable the 7 users in the licensing gap** — Sales has 3 licensed users
   not yet enabled. This is the fastest path to increasing adoption.
2. **Replicate Finance's playbook** — interview the Finance team to understand
   what drove their 100% adoption and apply those practices org-wide.
3. **Targeted training for Legal and HR** — lowest adoption departments
   need hands-on enablement sessions, not just license assignment.
"""

print(narrative)

with open("lab-048/impact_narrative.md", "w") as f:
    f.write(narrative)
print("💾 Saved to lab-048/impact_narrative.md")

---

Passo 7: Dashboard Power BI (Opcional)

Se você tem o Power BI Desktop instalado, pode criar uma versão interativa desta análise:

1. Abra o Power BI Desktop → Obter Dados → Texto/CSV
2. Carregue copilot_quarterly_summary.csv e business_outcomes.csv
3. Na visualização de Modelo, crie um relacionamento em department + month
4. Crie estes visuais:

Tipo de Visual	Eixo X	Eixo Y	Propósito
Barras Agrupadas	Department	active_users	Adoção por departamento
Gráfico de Linha	Month	active_users	Tendência de adoção
Gráfico de Dispersão	avg_active_days	employee_satisfaction	Visualização de correlação
Cartão	—	dollar_value	Destaque de ROI
Matriz	Department × Month	Todos os KPIs	Detalhamento completo

Sem Power BI? Sem problema

A análise em Python acima produz insights idênticos. O Power BI adiciona interatividade (filtragem, drill-down, compartilhamento), mas os dados e fórmulas subjacentes são os mesmos. Se você tem o matplotlib instalado, também pode criar gráficos em Python:

# pip install matplotlib
import matplotlib.pyplot as plt

fig, axes = plt.subplots(1, 2, figsize=(14, 5))

# Chart 1: Adoption trend
monthly.plot(x="Month", y="Active Users", kind="bar", ax=axes[0], color="#3b82f6")
axes[0].set_title("Copilot Adoption Growth")
axes[0].set_ylabel("Active Users")

# Chart 2: Correlation scatter
axes[1].scatter(merged["avg_active_days"], merged["employee_satisfaction"],
                c="#8b5cf6", s=60, alpha=0.7)
axes[1].set_xlabel("Avg Active Days")
axes[1].set_ylabel("Employee Satisfaction")
axes[1].set_title(f"Usage vs Satisfaction (r = {correlation:.2f})")

plt.tight_layout()
plt.savefig("lab-048/impact_charts.png", dpi=150)
plt.show()
print("📊 Charts saved to lab-048/impact_charts.png")

---

🐛 Exercício de Correção de Bugs

O arquivo lab-048/broken_roi_calculator.py contém 3 bugs que produzem análises de impacto incorretas. Execute os autotestes:

python lab-048/broken_roi_calculator.py

Você deve ver 3 testes falhando:

Teste	O que ele verifica	Dica
Teste 1	Cálculo de ROI	Verifique a conversão de unidades (minutos → horas)
Teste 2	Coluna de correlação	Qual coluna realmente mede uso?
Teste 3	Base da taxa de crescimento	Qual mês é o ponto de partida?

Corrija os 3 bugs e execute novamente até ver 🎉 All 3 tests passed.

---

🧠 Verificação de Conhecimento

Q1 (Múltipla Escolha): O que significa 'atribuição de impacto' no contexto do Work IQ?

• A) Contar quantos usuários têm uma licença Copilot
• B) Conectar o uso de ferramentas de IA a resultados de negócios mensuráveis
• C) Rastrear qual departamento tem mais usuários ativos
• D) Medir o custo total das licenças de IA

✅ Revelar Resposta

Correto: B) Conectar o uso de ferramentas de IA a resultados de negócios mensuráveis

A atribuição de impacto vai além das métricas de adoção (quem está usando o Copilot?) para responder à pergunta de ROI: o uso do Copilot está correlacionado com melhores resultados de negócios como crescimento de receita, tempos de resposta mais rápidos e maior satisfação dos funcionários?

Q2 (Múltipla Escolha): Por que o princípio 'correlação ≠ causalidade' é crítico ao apresentar o ROI do Copilot para a liderança?

• A) Porque correlações são sempre não confiáveis
• B) Porque outros fatores podem explicar as melhorias de negócios
• C) Porque os dados de uso do Copilot não são precisos
• D) Porque a liderança não entende estatística

✅ Revelar Resposta

Correto: B) Porque outros fatores podem explicar as melhorias de negócios

Departamentos de alto desempenho podem adotar ferramentas de IA mais rapidamente porque já são bem gerenciados — a melhoria pode ser devida à qualidade da liderança, contratações, mudanças de processo ou tendências sazonais. Sempre apresente as descobertas como "departamentos com maior uso tendem a mostrar melhores resultados" em vez de afirmar causalidade direta.

Q3 (Execute o Lab): Qual é o valor total estimado em dólares do tempo economizado em todos os departamentos durante o Q1 2026 (a $50/h)?

Calcule: some todos os valores de total_time_saved_min, converta para horas, multiplique por $50.

✅ Revelar Resposta

$9.400

Tempo total economizado: 11.280 minutos ÷ 60 = 188,0 horas × $50/h = $9.400. Engineering contribui com o maior valor absoluto ($3.262), mas Finance tem o maior ROI por usuário ($383/usuário).

Q4 (Execute o Lab): Qual departamento mostra a maior melhoria na satisfação dos funcionários de janeiro a março de 2026?

Compare as pontuações de employee_satisfaction de janeiro e março de cada departamento.

✅ Revelar Resposta

Finance (+13 pontos: 75 → 88)

Finance melhorou de 75 para 88, um delta de +13. Isso se alinha com Finance tendo a maior taxa de adoção do Copilot (100%). Engineering é o segundo com +12 (72 → 84). Legal mostra a menor melhoria (+4), correspondendo à sua baixa adoção.

Q5 (Execute o Lab): Qual é a taxa geral de crescimento de adoção de janeiro a março de 2026?

Some active_users para janeiro e março em todos os departamentos, e então calcule o crescimento percentual.

✅ Revelar Resposta

60,0%

Janeiro: 6+4+2+1+4+0+3 = 20 usuários ativos. Março: 9+6+4+2+6+1+4 = 32 usuários ativos. Crescimento = (32 − 20) ÷ 20 × 100 = 60,0%.

---

Resumo

Tópico	O Que Você Aprendeu
Atribuição de Impacto	Conectando dados de uso a KPIs de negócios
Cálculo de ROI	Tempo economizado → horas → valor em dólares
Correlação de Pearson	Medindo relações estatísticas (r = 0,97)
Análise de Tendência	Crescimento de adoção mês a mês (60%)
Narrativa de Impacto	Storytelling pronto para executivos com dados
Mapeamento Power BI	Como a análise Python se mapeia para visuais do Power BI

---

Próximos Passos

• Lab 033 — Observabilidade de Agentes com Application Insights (monitorando agentes personalizados da mesma forma que o Viva monitora o Copilot)
• Lab 038 — Otimização de Custos de IA (o lado financeiro do ROI para implantações personalizadas de IA)
• Lab 035 — Avaliação de Agentes com Azure AI Eval SDK (métricas de qualidade, não apenas adoção)