Recursos do Power BI AI: Copilot, AutoML e Análise Preditiva

O Power BI evoluiu de uma ferramenta de visualização para uma plataforma de análise aumentada por IA. Nos últimos três anos, a Microsoft incorporou inteligência artificial em toda a experiência do Power BI – desde a criação de relatórios em linguagem natural com o Copilot até o aprendizado de máquina automatizado para previsões e detecção de anomalias que alerta quando seus dados se comportam de forma inesperada. Esses recursos não são mais visualizações experimentais. São recursos prontos para produção que mudam fundamentalmente a forma como os usuários corporativos interagem com os dados.

O desafio não é se esses recursos de IA funcionam – eles funcionam, e notavelmente bem para a maioria dos casos de uso. O desafio é entender quais recursos estão disponíveis em qual nível de licença, como configurá-los para seu ambiente de dados e como treinar os usuários para aproveitá-los de maneira eficaz. Este guia abrange todos os principais recursos de IA no Power BI, com orientações práticas de implementação, requisitos de licenciamento e avaliações honestas de onde cada recurso se destaca e onde fica aquém.

Se você estiver criando uma estratégia de análise baseada em IA no Power BI, explore nossos serviços de análise e IA do Power BI para obter suporte de implementação e práticas recomendadas.

Principais conclusões

• O Copilot for Power BI gera relatórios, medidas DAX e resumos narrativos a partir de prompts em linguagem natural --- requer capacidade Fabric F64+ ou Premium P1+
• O AutoML no Power BI permite modelos de classificação, regressão e previsão sem escrever código, acessíveis por meio de fluxos de dados em espaços de trabalho Premium/Fabric
• A detecção de anomalias sinaliza automaticamente pontos de dados inesperados em imagens de séries temporais e fornece explicações sobre a causa raiz
• O visual dos principais influenciadores usa IA para identificar quais fatores aumentam ou diminuem uma métrica, substituindo semanas de análise manual
• Narrativas inteligentes geram resumos de texto dinâmicos e sensíveis ao contexto de recursos visuais que são atualizados com alterações de dados
• Perguntas e respostas (consulta em linguagem natural) podem ser drasticamente melhoradas com configuração adequada de sinônimos e configuração de esquema linguístico
• A maioria dos recursos de IA exigem Premium por usuário (US$ 20/usuário/mês), capacidade Premium ou capacidade Fabric --- Licenças Pro excluem IA avançada

---

Copiloto para Power BI

O que o Copiloto pode fazer

O Copilot for Power BI traz grandes recursos de modelo de linguagem diretamente para a experiência de criação e consumo de relatórios. Não é um chatbot anexado ao Power BI – ele está integrado ao fluxo de trabalho principal, compreendendo seu modelo de dados, relacionamentos e medidas.

Criação de relatório:

O Copilot pode gerar páginas de relatórios completas a partir de prompts em linguagem natural. Um prompt como “crie um painel de desempenho de vendas mostrando a receita por região, tendências mensais e os 10 principais produtos” produz uma página multivisual com tipos de gráficos apropriados, filtros configurados e formatação razoável. O relatório gerado é um ponto de partida, não um produto acabado – mas elimina o problema da página em branco e leva os usuários a um rascunho funcional em segundos, em vez de horas.

Geração DAX:

O Copilot escreve medidas DAX a partir de descrições em linguagem natural. "Calcular o crescimento da receita ano após ano como uma porcentagem" produz uma medida usando funções apropriadas de inteligência de tempo. Para lógica de negócios complexa, o Copilot pode gerar medidas de várias etapas com variáveis, lidar com casos extremos (divisão por zero, períodos ausentes) e explicar a lógica em comentários.

A qualidade do DAX gerado varia de excelente (agregações diretas e inteligência de tempo) até exigir refinamento manual (cálculos complexos de tabelas multifatos com lógica de negócios ambígua). Para 80% do DAX que segue padrões comuns, o Copilot é notavelmente preciso. Para os 20% que exigem conhecimento profundo do domínio, fornece um ponto de partida sólido que um analista experiente pode refinar.

Resumos narrativos:

O Copilot gera resumos de texto dinâmicos das páginas do relatório, explicando o que os dados mostram em linguagem simples. "A receita aumentou 12% ano a ano, impulsionada principalmente pela região Norte, que cresceu 23%. A região Sul caiu 4%, em grande parte devido a uma queda de 15% na Categoria de Produto X durante o terceiro trimestre." Essas narrativas são atualizadas automaticamente à medida que os filtros mudam, fornecendo aos executivos briefings gerados por IA e adaptados à sua visão específica dos dados.

Exploração de dados:

Os usuários podem fazer perguntas ao Copilot sobre seus dados em linguagem natural: “O que causou a queda na receita em março?” ou "Quais segmentos de clientes estão crescendo mais rapidamente?" O Copilot analisa os dados subjacentes e fornece respostas com visualizações de apoio. Esta é uma evolução significativa além do visual de perguntas e respostas porque o Copilot entende o contexto, pode realizar análises em várias etapas e explica seu raciocínio.

Limitações do copiloto

O copiloto é poderoso, mas não onisciente. Compreender suas limitações evita decepções e uso indevido:

• A qualidade do modelo de dados é importante. O Copilot funciona melhor com esquemas em estrela bem projetados, usando tabelas e colunas claras e descritivas. Um modelo com colunas denominadas "col1", "dim_val_3" e "amt_usd_net" produzirá resultados piores do que um com "Nome do cliente", "Categoria do produto" e "Receita líquida em dólares".

• Lógica de negócios complexa requer orientação. O Copilot não conhece as regras de negócios específicas da sua organização, a menos que elas estejam codificadas no modelo. Se "cliente ativo" significa "fez um pedido nos últimos 90 dias, excluindo devoluções", você precisará informar isso explicitamente ao Copilot ou codificá-lo como uma medida que o Copilot possa consultar.

• Considerações de confidencialidade. O Copilot envia metadados do modelo de dados (nomes de tabelas, nomes de colunas, definições de medidas, valores de amostra) ao Azure OpenAI para processamento. Os dados são processados ​​dentro do limite de conformidade do Microsoft 365 e não são usados ​​para treinar modelos, mas as organizações com extrema sensibilidade aos dados devem revisar a documentação de processamento de dados do Copilot da Microsoft.

• Risco de alucinação. Como todos os recursos baseados em LLM, o Copilot pode gerar DAX que parece plausível, mas incorreto, ou declarações narrativas enganosas. Sempre valide o conteúdo gerado em relação a pontos de dados conhecidos antes de compartilhá-lo com as partes interessadas.

Requisitos de licenciamento do copiloto

O Copilot para Power BI requer um dos seguintes:

O Copilot não está disponível no licenciamento somente Pro sem capacidade Premium/Fabric. Esta é a fonte mais comum de confusão nas organizações que avaliam os recursos de IA.

---

AutoML: aprendizado de máquina automatizado

O que o AutoML permite

O Power BI AutoML permite que analistas de negócios criem, treinem e apliquem modelos de machine learning sem escrever código ou compreender estruturas de ML. Os modelos são treinados nos seus dados nos fluxos de dados do Power BI e podem ser aplicados a novos dados à medida que chegam.

Tipos de modelos suportados:

Construindo um modelo AutoML

Etapa 1: preparar dados de treinamento em um fluxo de dados.

Os modelos do AutoML são treinados em dados nos fluxos de dados do Power BI (não em conjuntos de dados ou relatórios). Crie uma entidade de fluxo de dados que contenha seus dados históricos com a variável de resultado que você deseja prever e os recursos (variáveis ​​de entrada) que podem influenciá-la.

Para um modelo de previsão de rotatividade de clientes, a entidade pode incluir:

Etapa 2: configurar o modelo de ML.

No editor de fluxo de dados, selecione "Aplicar modelo de ML" e escolha sua coluna de destino. O Power BI detecta automaticamente o tipo de modelo apropriado com base no tipo de dados da variável de destino (classificação binária de gatilhos booleanos, regressão de gatilhos numéricos).

Configure opções de treinamento:

• Duração do treinamento (5 minutos a várias horas --- treinamento mais longo explora mais arquiteturas de modelo)
• Seleção de recursos (deixe o AutoML escolher ou especificar manualmente)
• Divisão de validação (normalmente 80% de treinamento, 20% de validação)

Etapa 3: treinar e avaliar.

O AutoML treina várias arquiteturas de modelos (árvores de decisão, aumento de gradiente, redes neurais) e seleciona o melhor desempenho. Após o treinamento, fornece:

• Métricas de precisão do modelo: AUC-ROC para classificação, RMSE para regressão, MAPE para previsão
• Importância do recurso: quais variáveis de entrada tiveram mais influência nas previsões
• Matriz de confusão: para modelos de classificação, mostrando verdadeiros/falso positivos e negativos
• Relatório de treinamento: Documentação detalhada do processo de seleção do modelo

Etapa 4: aplicar previsões.

Uma vez treinado, o modelo pode ser aplicado a novos dados que chegam através do fluxo de dados. Cada nova linha recebe uma previsão (rótulo de classificação ou previsão numérica) e uma pontuação de confiança. Essas previsões fluem para seus conjuntos de dados do Power BI e podem ser visualizadas em relatórios.

Práticas recomendadas do AutoML

A qualidade dos dados é fundamental. O AutoML não consegue compensar dados de baixa qualidade. Certifique-se de que seus dados de treinamento estejam limpos, tenham volume suficiente (mínimo de 100 linhas, idealmente mais de 1.000) e sejam representativos dos cenários que você deseja prever. Valores ausentes, valores discrepantes e desequilíbrio de classe degradam o desempenho do modelo.

A engenharia de recursos é importante. Os dados brutos geralmente precisam de transformação antes do treinamento. Crie recursos derivados como “dias desde a última compra”, “valor médio do pedido em 6 meses” ou “frequência de tickets de suporte” que capturam padrões significativos. O AutoML pode descobrir relacionamentos em dados brutos, mas os recursos pré-projetados melhoram drasticamente a precisão.

Monitore o desvio do modelo. Os modelos treinados em dados históricos degradam ao longo do tempo, à medida que as condições de negócios mudam. Treine novamente os modelos trimestralmente (ou quando a precisão da previsão cair abaixo dos limites aceitáveis) para manter a relevância. O Power BI não detecta automaticamente o desvio do modelo – você precisa monitorar a precisão da previsão de forma proativa.

Não use o AutoML para decisões de alto risco sem revisão humana. Os modelos do AutoML são previsões estatísticas, não regras determinísticas. Use as previsões como um dado para a tomada de decisões junto com o julgamento humano, especialmente para decisões importantes, como aprovação de crédito, contratação ou diagnóstico médico.

---

Detecção de anomalias

Como funciona a detecção de anomalias

O recurso de detecção de anomalias do Power BI identifica automaticamente pontos de dados em visuais de série temporal que se desviam significativamente dos padrões esperados. Ele usa um modelo de aprendizado de máquina (algoritmo de resíduo espectral combinado com redes neurais convolucionais) treinado em seus dados históricos para estabelecer intervalos esperados e, em seguida, sinaliza pontos que estão fora desses intervalos.

Opções de configuração:

• Sensibilidade: controla a agressividade com que as anomalias são sinalizadas. Uma sensibilidade mais alta detecta mais anomalias, mas aumenta os falsos positivos. A sensibilidade mais baixa sinaliza apenas desvios extremos. O padrão é 80% (sensibilidade média).
• Intervalo esperado: A faixa de confiança mostrada no gráfico. Bandas mais largas significam menos anomalias sinalizadas. A largura da banda é controlada pela configuração de sensibilidade.
• Sazonalidade: para dados com padrões sazonais (semanais, mensais, trimestrais), o Power BI pode detectar e contabilizar a sazonalidade automaticamente. Você também pode especificar o período sazonal manualmente.

Habilitando detecção de anomalias

A detecção de anomalias está disponível em gráficos de linhas com eixo de data e hora:

1. Crie um gráfico de linhas com um campo de data/hora no eixo x e uma medida numérica no eixo y.
2. No painel Analytics, expanda “Encontrar anomalias” e ative-o.
3. Ajuste a sensibilidade usando o controle deslizante (comece no padrão e ajuste com base nos resultados).
4. Opcionalmente, configure os campos "Explicar por" --- dimensões que o Power BI usará para explicar por que ocorreu uma anomalia.

Explicação da causa raiz

O aspecto mais valioso da detecção de anomalias não é sinalizar anomalias, mas sim explicá-las. Quando um usuário clica em uma anomalia sinalizada, o Power BI analisa as dimensões contribuintes e mostra quais fatores geraram o valor inesperado.

Por exemplo, se a receita total em 15 de março for sinalizada como anormalmente baixa, a explicação poderá mostrar:

• “A receita da região Oeste ficou 45% abaixo do esperado, contribuindo com -$120 mil para a anomalia”
• "Categoria de Produto: Eletrônicos tiveram uma queda de 60% em relação à faixa esperada"
• “Segmento de clientes: Empresas mantiveram níveis normais; segmento SMB impulsionou o desvio”

Essas explicações transformam a detecção de anomalias de “algo parece errado” em “aqui está especificamente o que aconteceu e onde investigar”. Esse recurso substitui horas de análise detalhada manual.

Licenciamento de detecção de anomalias

A funcionalidade básica de detecção de anomalias está disponível com licenças Pro. O recurso de análise de causa raiz "Explicar por" requer Premium por usuário, capacidade Premium ou capacidade de malha. Para a maioria das implementações práticas, a explicação da causa raiz é o principal fator de valor, portanto planeje o licenciamento Premium ou PPU.

---

Visual dos principais influenciadores

O que os principais influenciadores fazem

O visual Principais influenciadores usa aprendizado de máquina para identificar quais fatores em seus dados influenciam mais fortemente uma métrica alvo. Ele responde a perguntas como “o que impulsiona os índices de satisfação do cliente?” ou "quais fatores predizem uma alta rotatividade de funcionários?" sem exigir que os usuários cruzem dados manualmente ou executem análises estatísticas.

Dois modos de análise:

Guia Principais influenciadores: mostra fatores individuais classificados por sua influência na métrica desejada. Cada fator mostra seu coeficiente (o quanto move o alvo) e uma visualização de apoio. Por exemplo: “Quando o Departamento é Engenharia, a pontuação média de satisfação dos funcionários aumenta em 0,8 pontos” ou “Quando o Tipo de Contrato é Mês a Mês, a probabilidade de rotatividade aumenta em 3,2x”.

Guia Segmentos principais: usa clustering para identificar grupos (segmentos) de registros que compartilham características comuns e exibem valores de métricas de destino semelhantes. Por exemplo: "Segmento 1: Clientes com permanência superior a 24 meses, mais de 3 produtos e contratos anuais têm uma taxa de rotatividade de apenas 2,1% (em comparação com 15% no geral)."

Configurando os principais influenciadores

Seleção de métrica desejada:

O alvo pode ser:

• Uma coluna categórica ("O que influencia se um negócio é ganho ou perdido?")
• Uma coluna numérica ("O que influencia a pontuação de satisfação do cliente?")
• Uma medida (“O que influencia a receita por cliente?”)

Fatores explicativos:

Arraste as colunas que podem influenciar o alvo para o campo "Explicar por". O visual trata automaticamente:

• Fatores categóricos (compara o efeito de cada categoria)
• Fatores numéricos (identifica efeitos de limite como "quando o gasto mensal excede US$ 500")
• Múltiplos fatores simultaneamente (usa regressão logística ou árvores de decisão para isolar a contribuição de cada fator)

Práticas recomendadas:

• Incluir de 5 a 15 fatores explicativos. Menos de 5 limita a análise. Mais de 15 podem produzir resultados ruidosos.
• Exclua colunas de identificadores (CustomerID, OrderNumber) que possuem valores exclusivos para cada linha.
• Inclua uma combinação de fatores categóricos e numéricos para obter resultados mais esclarecedores.
• Use campos com a granularidade apropriada. Se sua meta estiver no nível do cliente, os fatores explicativos também deverão estar no nível do cliente (não no nível da transação).

Aplicações Práticas

Os principais influenciadores estão disponíveis com todos os tipos de licença do Power BI (Pro, PPU, Premium). É um dos recursos de IA mais acessíveis e muitas vezes o primeiro que agrega valor tangível aos usuários empresariais.

---

Narrativas Inteligentes

Geração automatizada de insights

As Narrativas Inteligentes geram resumos dinâmicos e em linguagem natural dos seus dados, que são atualizados automaticamente conforme os filtros mudam. Ao contrário das caixas de texto estáticas, as narrativas inteligentes são baseadas em dados – elas analisam os recursos visuais subjacentes e produzem descrições contextuais.

O que as narrativas inteligentes produzem:

• Estatísticas resumidas ("A receita total é de US$ 4,2 milhões, um aumento de 12% em relação ao período anterior")
• Descrições de tendências ("A receita tem apresentado tendência de aumento nos últimos 6 meses, com uma taxa média de crescimento mensal de 2,3%")
• Insights de comparação (“A região Norte supera todas as outras regiões, contribuindo com 35% da receita total”)
• Chamadas de anomalia ("A receita de março ficou 15% abaixo da média de 12 meses, impulsionada por um declínio no segmento Enterprise")

Personalizando narrativas inteligentes

As narrativas inteligentes padrão são genéricas. Para torná-los valiosos, personalize-os:

Adicionando valores específicos:

Clique em “Adicionar um valor” para inserir medidas ou campos específicos. As narrativas inteligentes formatam dinamicamente esses valores (moeda, porcentagem, número) e os atualizam quando os filtros mudam.

Editando texto gerado:

O texto gerado automaticamente é um ponto de partida. Edite-o para corresponder à terminologia da sua organização e concentre-se nos insights mais importantes para o seu público. Mantenha as referências de valores dinâmicos intactas enquanto ajusta o texto ao redor.

Texto condicional:

Use lógica condicional para mostrar textos diferentes com base nos valores dos dados. Por exemplo: "A receita está [acima/abaixo] da meta de [valor da variação]", onde o idioma muda com base no desempenho real.

Melhores práticas para narrativas inteligentes

• Coloque narrativas inteligentes no topo dos painéis executivos para fornecer contexto imediato
• Mantenha as narrativas com 3 a 5 frases por visual ou página --- a concisão aumenta o número de leitores
• Use formatação condicional para destacar o desempenho positivo em verde e negativo em vermelho
• Teste narrativas com diferentes combinações de filtros para garantir que permaneçam precisas e significativas
• Combine narrativas inteligentes com o Copilot para obter resumos mais ricos e contextuais na capacidade Premium

---

Otimização de perguntas e respostas

O visual de perguntas e respostas

O visual Q&A (Perguntas e Respostas) permite que os usuários digitem perguntas em linguagem natural e recebam respostas baseadas em dados como visualizações. “Qual foi a receita total no último trimestre?” produz um visual de cartão mostrando o valor. "Mostrar receita por região como gráfico de barras" produz a visualização solicitada.

As perguntas e respostas são aparentemente simples em demonstrações, mas requerem configuração significativa para funcionar bem com dados do mundo real. Pronto para uso, as perguntas e respostas enfrentam nomes de colunas ambíguos, terminologia específica do setor e lógica de negócios complexa. Com a otimização adequada, torna-se uma poderosa ferramenta de autoatendimento.

Configuração do esquema linguístico

O esquema linguístico informa às perguntas e respostas como seu modelo de dados é mapeado para conceitos de linguagem natural. É a configuração mais impactante para a qualidade das perguntas e respostas.

Sinônimos:

Defina termos alternativos para tabelas, colunas e valores:

Frases:

Defina como os relacionamentos entre tabelas devem ser expressos em linguagem natural:

• "Clientes compram produtos" (frase de atributos que vincula Clientes a Produtos por meio de Pedidos)
• "Pedidos têm uma data de envio" (frase de atributos)
• "A receita é para uma região" (frase do nome que liga a medida à dimensão)

Perguntas sugeridas:

Forneça exemplos de perguntas que demonstrem o que os usuários podem perguntar. Eles aparecem como sugestões quando o usuário clica no visual de perguntas e respostas, ensinando aos usuários os tipos de perguntas que o sistema trata bem.

Lista de verificação de configuração de perguntas e respostas

1. Renomeie todas as tabelas e colunas com nomes adequados aos negócios (sem abreviações, sem sublinhados)
2. Adicione sinônimos para cada tabela e coluna (mínimo de 2 a 3 sinônimos cada)
3. Configure frases para relacionamentos principais
4. Adicione de 10 a 15 perguntas sugeridas cobrindo cenários de análise comuns
5. Teste com 20 a 30 perguntas reais de usuários corporativos e refine com base nos resultados
6. Revise o registro de treinamento de perguntas e respostas (o Power BI rastreia as perguntas que não conseguiu responder) mensalmente e adicione sinônimos ou frases ausentes
7. Forneça treinamento ao usuário sobre como formular perguntas de maneira eficaz

Perguntas e Respostas Licenciamento

O visual de perguntas e respostas está disponível com todos os tipos de licença. Recursos avançados de perguntas e respostas (perguntas sugeridas, esquema linguístico) estão disponíveis no Power BI Desktop, independentemente da licença. As perguntas e respostas no serviço Power BI requerem Pro ou PPU. Perguntas e respostas aprimoradas por copiloto (conversacional, multiturno) requerem capacidade Premium ou Fabric.

---

Resumo dos requisitos de licenciamento

Disponibilidade de recursos de IA por licença

Estratégia econômica de licenciamento de IA

Para organizações que desejam aproveitar os recursos de IA sem se comprometer com a capacidade Premium total:

Fase 1: comece com o Pro. Implante influenciadores-chave, perguntas e respostas, detecção básica de anomalias, narrativas inteligentes e recursos visuais de previsão. Esses recursos estão disponíveis por US$ 10/usuário/mês e fornecem um valor analítico significativo.

Fase 2: atualizar usuários avançados para PPU. Para analistas que precisam de AutoML e detecção avançada de anomalias, o PPU de US$ 20/usuário/mês é dramaticamente mais barato do que a capacidade Premium. Uma equipe de 20 analistas em PPU custa US$ 400/mês contra US$ 5.000+/mês para a capacidade Premium mais baixa.

Fase 3: Adicionar capacidade do Fabric para o Copilot. Quando a organização estiver pronta para o Copilot e a IA avançada, provisione a capacidade do Fabric F64. Isso habilita o Copilot para todos os usuários com licenças Pro ou PPU que acessam conteúdo em áreas de trabalho do Fabric.

Esta abordagem faseada permite que as organizações desenvolvam capacidades de IA de forma incremental, demonstrando o ROI em cada fase antes de se comprometerem com investimentos maiores. ECOSIRE oferece serviços de implementação de análise de IA para ajudar as organizações a planejar e executar essa progressão.

---

Padrões práticos de implementação de IA

Padrão 1: Alertas de anomalias executivas

Combine a detecção de anomalias com o Power Automate para criar alertas executivos automatizados:

1. Crie um painel com detecção de anomalias habilitada nas principais métricas (receita, pedidos, taxa de conversão).
2. Crie um fluxo do Power Automate acionado por um alerta baseado em dados no visual de detecção de anomalias.
3. Quando uma anomalia é detectada, o fluxo envia uma mensagem ou email do Teams para a equipe executiva com os detalhes da anomalia e a explicação da causa raiz.
4. O executivo clica em um link para o painel ao vivo para uma investigação mais aprofundada.

Esse padrão substitui revisões manuais de dados matinais por alertas automatizados baseados em exceções. Os executivos só veem informações quando algo requer atenção.

Padrão 2: Pipeline de previsão de vendas

Use o AutoML para criar um modelo de pontuação de negócios:

1. Crie um fluxo de dados contendo dados históricos de negócios (negócios ganhos e perdidos com características).
2. Treine um modelo de classificação binária prevendo ganhos versus perdas.
3. Aplique o modelo aos negócios atuais em pipeline, pontuando cada um com uma probabilidade de vitória.
4. Visualize as previsões em um painel de vendas junto com as métricas tradicionais de pipeline.
5. Os gerentes de vendas usam pontuações de previsão para priorizar negócios e alocar recursos.
6. Treine novamente o modelo trimestralmente com novos dados de negócios fechados para manter a precisão.

Padrão 3: Portal de análise de linguagem natural

Crie um portal analítico de autoatendimento usando perguntas e respostas e Copilot:

1. Otimize o esquema linguístico para seus 5 a 10 principais conjuntos de dados.
2. Crie uma página dedicada de "Perguntas e respostas sobre análise" em seu aplicativo principal do Power BI.
3. Treine os usuários na formulação eficaz de perguntas por meio de exemplos e sugestões de perguntas.
4. Monitorar mensalmente as questões não respondidas e melhorar o esquema linguístico com base nas lacunas.
5. Para ambientes Premium/Fabric, ative o Copilot para exploração conversacional em vários turnos.

Esse padrão reduz as solicitações de relatórios ad hoc em 40-60%, dando aos usuários a capacidade de responder às suas próprias perguntas sem criar relatórios.

---

Perguntas frequentes

O Copilot for Power BI envia meus dados para OpenAI?

O Copilot processa dados por meio do serviço Azure OpenAI dentro do limite de conformidade do Microsoft 365. Os metadados do modelo de dados (nomes de tabelas, nomes de colunas, definições de medidas e valores de amostra) são enviados para processamento, mas os dados não são armazenados pelo Azure OpenAI nem usados ​​para treinar modelos. Seus dados permanecem dentro do perímetro de segurança empresarial da Microsoft e estão sujeitos às mesmas certificações de conformidade que o restante do Microsoft 365. As organizações com extrema sensibilidade aos dados devem revisar a documentação do Microsoft Copilot Data Protection para obter diagramas de fluxo de dados detalhados e garantias de residência.

Qual é a precisão das previsões do AutoML no Power BI?

A precisão depende inteiramente da qualidade e do volume dos dados e da previsibilidade do resultado que você está modelando. Para problemas de negócios bem definidos com dados históricos limpos (mais de 1.000 linhas de treinamento, variável de resultado clara, recursos relevantes), o AutoML normalmente atinge 75-90% de precisão para classificação e RMSE razoável para regressão. Para problemas menos estruturados ou dados com ruído, a precisão pode ser de 60 a 75%. O AutoML fornece métricas de precisão após o treinamento – sempre avalie-as antes de implantar previsões na produção. Se a precisão estiver abaixo do seu limite, a solução geralmente é uma melhor engenharia de dados ou recursos, e não uma ferramenta diferente.

Posso usar os recursos de IA do Power BI com conjuntos de dados DirectQuery?

A maioria dos recursos de IA exigem conjuntos de dados no modo de importação porque os algoritmos de IA precisam verificar e processar o conjunto de dados completo, que não apresenta desempenho em conexões DirectQuery. A detecção de anomalias, os principais influenciadores e as narrativas inteligentes funcionam apenas no modo de importação. As perguntas e respostas funcionam com o DirectQuery, mas podem ser mais lentas. O AutoML requer fluxos de dados (que usam o modo de importação). O Copilot pode trabalhar com conjuntos de dados DirectQuery para alguns recursos, mas é mais eficaz no modo Importar. Para conjuntos de dados que devem usar o DirectQuery para atualização, considere uma abordagem híbrida: use o DirectQuery para recursos visuais operacionais em tempo real e um conjunto de dados separado no modo de importação para análise baseada em IA.

Qual ​​é o volume mínimo de dados necessário para que os recursos de IA funcionem bem?

Os requisitos variam de acordo com o recurso. A detecção de anomalias precisa de pelo menos 12 pontos de dados na série temporal (idealmente mais de 50) para estabelecer uma linha de base confiável. Os principais influenciadores precisam de pelo menos 100 linhas por categoria sendo analisada. O AutoML precisa de no mínimo 100 linhas de treinamento, mas tem desempenho significativamente melhor com mais de 1.000. Perguntas e respostas e narrativas inteligentes funcionam com qualquer volume de dados. O Copilot funciona com qualquer volume de dados, mas fornece melhores insights com mais contexto de dados. Em geral, se o seu conjunto de dados tiver menos de 1.000 linhas, os recursos de IA funcionarão, mas poderão não fornecer insights estatisticamente significativos.

Como posso começar a usar o Power BI AI se só tenho licenças Pro?

Comece com os recursos de IA disponíveis no Pro: visual de perguntas e respostas (otimize o esquema linguístico para seus principais conjuntos de dados), principais influenciadores (identifique o que impulsiona suas métricas mais importantes), detecção básica de anomalias (monitore séries temporais para mudanças inesperadas), narrativas inteligentes (adicione resumos automatizados a painéis executivos) e o visual de previsão (tendências de séries temporais do projeto). Esses recursos oferecem um valor substancial sem custos adicionais de licenciamento. Depois de demonstrar o ROI, crie um caso de negócios para PPU ou Premium/Fabric para desbloquear AutoML, detecção avançada de anomalias e Copilot.