Lab 075: Power BI Copilot — Análise Autônoma e Storytelling com Dados¶
O que Você Vai Aprender¶
- O que é o Power BI Copilot e como ele transforma a criação de relatórios com linguagem natural
- Como relatórios assistidos e gerados pelo Copilot se comparam à criação manual
- Analisar um conjunto de dados de relatórios para medir economia de tempo, precisão e adoção entre departamentos
- Entender como a geração de medidas DAX funciona com o Copilot
- Construir um relatório de impacto quantificando o valor do Copilot para a equipe de análise
Introdução¶
O Power BI Copilot traz IA generativa diretamente para a experiência do Power BI dentro do Microsoft Fabric. Analistas e usuários de negócio podem:
- Criar relatórios descrevendo o que desejam em linguagem natural
- Gerar medidas DAX sem memorizar sintaxe complexa
- Construir narrativas que resumem automaticamente os principais insights
- Fazer perguntas sobre seus dados usando consultas conversacionais
Métodos de Criação¶
| Método | Quem | Como Funciona | Tempo Típico |
|---|---|---|---|
| Manual | Analista | Constrói cada visual manualmente, escreve DAX à mão | 2–4 horas |
| Assistido pelo Copilot | Analista | Analista inicia; Copilot sugere visuais, gera DAX | 1–2 horas |
| Gerado pelo Copilot | Usuário de Negócio | Descreve o relatório em linguagem natural; Copilot o constrói | 15–30 min |
O Cenário¶
Você é um Líder da Equipe de BI em uma empresa de médio porte. Sua equipe vem testando o Power BI Copilot há 3 meses. Você tem 10 relatórios em 4 departamentos — alguns manuais, alguns assistidos pelo Copilot e alguns totalmente gerados pelo Copilot. A liderança quer saber: "O Copilot está realmente economizando tempo? A qualidade é aceitável?"
Seu conjunto de dados (powerbi_reports.csv) tem as respostas. Seu trabalho: analisar os dados e construir um relatório de impacto convincente.
Dados Fictícios
Este laboratório usa um conjunto de dados fictício de relatórios. Os dados refletem padrões do mundo real: relatórios gerados pelo Copilot são mais rápidos, mas ligeiramente menos precisos; relatórios assistidos pelo Copilot combinam velocidade com qualidade de nível analista.
Pré-requisitos¶
| Requisito | Por quê |
|---|---|
| Python 3.10+ | Executar os scripts de análise |
Biblioteca pandas |
Manipulação de dados |
Início Rápido com GitHub Codespaces
Todas as dependências estão pré-instaladas no devcontainer.
📦 Arquivos de Apoio¶
Baixe estes arquivos antes de iniciar o laboratório
Salve todos os arquivos em uma pasta lab-075/ no seu diretório de trabalho.
| Arquivo | Descrição | Download |
|---|---|---|
broken_powerbi.py |
Exercício de correção de bugs (3 bugs + autotestes) | 📥 Download |
powerbi_reports.csv |
Conjunto de dados | 📥 Download |
Etapa 1: Entenda as Métricas¶
Antes de analisar, entenda o que cada coluna no conjunto de dados mede:
| Coluna | Descrição |
|---|---|
| created_by | analyst ou business_user — quem construiu o relatório |
| creation_method | manual, copilot_assisted ou copilot_generated |
| pages | Número de páginas do relatório |
| visuals | Total de elementos visuais (gráficos, tabelas, cartões) |
| dax_measures | Número de medidas DAX no modelo de dados |
| copilot_queries | Número de interações com o Copilot usadas durante a criação |
| time_saved_min | Minutos estimados economizados em comparação com a criação totalmente manual |
| accuracy_score | Pontuação de qualidade (0.0–1.0) baseada em revisão de precisão dos dados |
Fórmulas Principais¶
Taxa de Adoção do Copilot = (Relatórios com Copilot ÷ Total de relatórios) × 100
Tempo Médio Economizado = Soma(time_saved_min para relatórios com copilot) ÷ Contagem(relatórios com copilot)
Diferença de Qualidade = Precisão média(manual) − Precisão média(copilot_generated)
Etapa 2: Carregue e Explore o Conjunto de Dados¶
O conjunto de dados tem 10 relatórios em 4 departamentos:
import pandas as pd
df = pd.read_csv("lab-075/powerbi_reports.csv")
print(f"Total reports: {len(df)}")
print(f"Creation methods: {df['creation_method'].value_counts().to_dict()}")
print(f"Departments: {df['department'].unique().tolist()}")
print(f"\nAll reports:")
print(df[["report_id", "report_name", "creation_method", "time_saved_min", "accuracy_score"]].to_string(index=False))
Saída esperada:
Total reports: 10
Creation methods: {'copilot_assisted': 4, 'copilot_generated': 4, 'manual': 2}
Departments: ['Sales', 'Marketing', 'Operations', 'HR', 'Finance']
Etapa 3: Meça a Adoção do Copilot¶
Quantos relatórios usaram o Copilot de alguma forma?
copilot_reports = df[df["creation_method"].isin(["copilot_assisted", "copilot_generated"])]
manual_reports = df[df["creation_method"] == "manual"]
copilot_count = len(copilot_reports)
total = len(df)
adoption_rate = copilot_count / total * 100
print(f"Copilot-assisted/generated reports: {copilot_count}")
print(f"Manual reports: {len(manual_reports)}")
print(f"Copilot adoption rate: {adoption_rate:.0f}%")
Saída esperada:
Detalhamento por método de criação:
for method, group in df.groupby("creation_method"):
print(f"\n{method}:")
print(f" Reports: {len(group)}")
print(f" Avg pages: {group['pages'].mean():.1f}")
print(f" Avg visuals: {group['visuals'].mean():.1f}")
print(f" Avg DAX measures: {group['dax_measures'].mean():.1f}")
Insight
80% dos relatórios agora usam o Copilot — um forte sinal de adoção. Relatórios manuais tendem a ter mais páginas e visuais, sugerindo que dashboards complexos ainda são construídos manualmente. Relatórios gerados pelo Copilot são menores, mas criados por usuários de negócio que não conseguiriam criá-los de outra forma.
Etapa 4: Calcule a Economia de Tempo¶
A coluna time_saved_min estima quanto tempo o Copilot economizou em comparação com a criação totalmente manual:
total_time_saved = df["time_saved_min"].sum()
copilot_time_saved = copilot_reports["time_saved_min"].sum()
avg_time_saved = copilot_reports["time_saved_min"].mean()
print(f"Total time saved (all reports): {total_time_saved} min")
print(f"Total time saved (copilot reports): {copilot_time_saved} min")
print(f"Avg time saved per copilot report: {avg_time_saved:.1f} min")
print(f"Total hours saved: {total_time_saved / 60:.1f} hours")
Saída esperada:
Total time saved (all reports): 395 min
Total time saved (copilot reports): 395 min
Avg time saved per copilot report: 49.4 min
Total hours saved: 6.6 hours
Detalhamento por método:
for method in ["copilot_assisted", "copilot_generated"]:
subset = df[df["creation_method"] == method]
print(f"\n{method}:")
print(f" Total saved: {subset['time_saved_min'].sum()} min")
print(f" Avg saved: {subset['time_saved_min'].mean():.1f} min")
Etapa 5: Avalie a Qualidade e Precisão¶
Economia de tempo não tem sentido se a qualidade for prejudicada. Compare as pontuações de precisão:
for method in df["creation_method"].unique():
subset = df[df["creation_method"] == method]
avg_acc = subset["accuracy_score"].mean()
print(f" {method:>20s}: avg accuracy = {avg_acc:.2f}")
Saída esperada:
manual: avg accuracy = 0.96
copilot_assisted: avg accuracy = 0.94
copilot_generated: avg accuracy = 0.85
# Quality gap analysis
manual_acc = manual_reports["accuracy_score"].mean()
assisted_acc = df[df["creation_method"] == "copilot_assisted"]["accuracy_score"].mean()
generated_acc = df[df["creation_method"] == "copilot_generated"]["accuracy_score"].mean()
print(f"\nQuality gap (manual vs. assisted): {(manual_acc - assisted_acc) * 100:.1f}pp")
print(f"Quality gap (manual vs. generated): {(manual_acc - generated_acc) * 100:.1f}pp")
Compensação de Qualidade
Relatórios assistidos pelo Copilot (analista + Copilot) alcançam 0.94 de precisão — apenas 2pp abaixo do manual. Relatórios gerados pelo Copilot (usuário de negócio + Copilot) pontuam 0.85 — aceitável para exploração, mas pode necessitar de revisão do analista antes da distribuição executiva.
Etapa 6: Construa o Relatório de Impacto¶
total_copilot_queries = copilot_reports["copilot_queries"].sum()
report = f"""# 📊 Power BI Copilot Impact Report
## Adoption Summary
| Metric | Value |
|--------|-------|
| Total Reports | {len(df)} |
| Copilot Reports | {copilot_count} ({adoption_rate:.0f}%) |
| Manual Reports | {len(manual_reports)} |
| Total Copilot Queries | {total_copilot_queries} |
## Time Savings
| Metric | Value |
|--------|-------|
| Total Time Saved | {total_time_saved} min ({total_time_saved / 60:.1f} hours) |
| Avg per Copilot Report | {avg_time_saved:.1f} min |
| Copilot-Assisted Avg | {df[df['creation_method']=='copilot_assisted']['time_saved_min'].mean():.1f} min |
| Copilot-Generated Avg | {df[df['creation_method']=='copilot_generated']['time_saved_min'].mean():.1f} min |
## Quality Assessment
| Method | Avg Accuracy | Rating |
|--------|-------------|--------|
| Manual | {manual_acc:.2f} | ⭐⭐⭐ Gold standard |
| Copilot-Assisted | {assisted_acc:.2f} | ⭐⭐⭐ Production-ready |
| Copilot-Generated | {generated_acc:.2f} | ⭐⭐ Review recommended |
## Recommendations
1. **Encourage Copilot-assisted** for analyst-built reports — saves ~41 min with near-manual quality
2. **Use Copilot-generated** for exploratory/departmental reports — saves ~58 min, good for self-service
3. **Add review step** for Copilot-generated reports going to executives — accuracy gap of {(manual_acc - generated_acc) * 100:.0f}pp
4. **Track DAX measure accuracy** — Copilot-generated DAX may need validation for complex calculations
"""
print(report)
with open("lab-075/impact_report.md", "w") as f:
f.write(report)
print("💾 Saved to lab-075/impact_report.md")
🐛 Exercício de Correção de Bugs¶
O arquivo lab-075/broken_powerbi.py contém 3 bugs que produzem métricas incorretas do Power BI. Você consegue encontrar e corrigir todos?
Execute os autotestes para ver quais falham:
Você deve ver 3 testes com falha. Cada teste corresponde a um bug:
| Teste | O que verifica | Dica |
|---|---|---|
| Teste 1 | Contagem de relatórios do Copilot | Deve contar métodos do copilot, não manual |
| Teste 2 | Tempo total economizado | Deve somar time_saved_min, não calcular a média |
| Teste 3 | Precisão média por método | Deve filtrar por método antes de calcular a média |
Corrija todos os 3 bugs e execute novamente. Quando você vir All passed!, está feito!
🧠 Verificação de Conhecimento¶
Q1 (Múltipla Escolha): Qual é a principal diferença entre a criação de relatórios 'copilot_assisted' e 'copilot_generated'?
- A) Copilot-assisted usa um modelo diferente do copilot-generated
- B) Copilot-assisted é iniciado por um analista que usa o Copilot como auxílio; copilot-generated é criado inteiramente a partir de uma descrição em linguagem natural
- C) Relatórios copilot-generated são sempre mais precisos
- D) Relatórios copilot-assisted não podem incluir medidas DAX
✅ Revelar Resposta
Correta: B) Copilot-assisted é iniciado por um analista que usa o Copilot como auxílio; copilot-generated é criado inteiramente a partir de uma descrição em linguagem natural
No modo copilot-assisted, um analista conduz o processo e usa o Copilot para sugerir visuais, gerar DAX ou criar resumos narrativos. No modo copilot-generated, um usuário de negócio descreve o relatório desejado em linguagem natural e o Copilot o constrói do zero — mais rápido, mas com menos supervisão humana.
Q2 (Múltipla Escolha): Por que relatórios copilot-generated podem precisar de uma etapa de revisão antes da distribuição executiva?
- A) Eles usam visuais demais
- B) Eles têm pontuações de precisão mais baixas devido à menor supervisão humana durante a criação
- C) Eles são gerados rápido demais
- D) Eles não podem incluir medidas DAX
✅ Revelar Resposta
Correta: B) Eles têm pontuações de precisão mais baixas devido à menor supervisão humana durante a criação
Relatórios copilot-generated têm em média ~0.85 de precisão comparado a ~0.96 para relatórios manuais. Sem um analista validando mapeamentos de dados, lógica de filtros e cálculos DAX, há um risco maior de erros sutis — especialmente para métricas de negócio complexas.
Q3 (Execute o Lab): Quantos relatórios foram criados usando o Copilot (assistido ou gerado)?
Execute a análise da Etapa 3 no 📥 powerbi_reports.csv e conte os relatórios do Copilot.
✅ Revelar Resposta
8 relatórios
Dos 10 relatórios no conjunto de dados, 4 são copilot_assisted (R02, R04, R07, R09) e 4 são copilot_generated (R03, R05, R08, R10). Apenas 2 são manual (R01, R06). Total de relatórios com Copilot = 8.
Q4 (Execute o Lab): Qual é o tempo total economizado em todos os relatórios?
Execute a análise da Etapa 4 para calcular o tempo total economizado.
✅ Revelar Resposta
395 minutos
Soma de todos os valores de time_saved_min: 0 + 45 + 60 + 30 + 50 + 0 + 55 + 65 + 35 + 55 = 395 minutos (6,6 horas). Relatórios manuais (R01, R06) têm 0 de tempo economizado, pois são a linha de base.
Q5 (Execute o Lab): Qual é o tempo médio economizado por relatório do Copilot?
Divida o tempo total economizado pelo Copilot pelo número de relatórios do Copilot.
✅ Revelar Resposta
49,4 minutos
Tempo total economizado pelos relatórios do Copilot = 45 + 60 + 30 + 50 + 55 + 65 + 35 + 55 = 395 min. Número de relatórios do Copilot = 8. Média = 395 ÷ 8 = 49,4 minutos por relatório.
Resumo¶
| Tópico | O que Você Aprendeu |
|---|---|
| Power BI Copilot | Criação de relatórios com IA, geração de DAX e narrativas de dados |
| Métodos de Criação | Manual, Assistido pelo Copilot (analista+IA), Gerado pelo Copilot (usuário de negócio+IA) |
| Economia de Tempo | 49,4 min em média por relatório do Copilot; 395 min no total durante o piloto |
| Compensação de Qualidade | Assistido=0,94 de precisão (próximo do manual); Gerado=0,85 (necessita revisão) |
| Adoção | 80% dos relatórios usaram o Copilot — forte sinal de adoção no piloto |
| BI de Autoatendimento | Copilot-generated permite que usuários de negócio criem seus próprios relatórios |
Próximos Passos¶
- Lab 048 — Dashboards Work IQ Power BI (análises avançadas com Viva Insights)
- Lab 047 — Work IQ Copilot Adoption Analytics (medindo o uso do Copilot no M365)
- Lab 074 — Foundry Agent Service (implantando agentes de IA que alimentam dados para o Power BI)
- Lab 038 — Otimização de Custos de IA (gerenciando custos do Copilot e IA)