Cómo filtrar anomalías en Copilot en Power BI: paso a paso

João Barros 07 de August de 2026 4 min de lectura

Vamos a usar Copilot en Power BI para identificar y filtrar anomalías en una tabla de ventas, facilitando el análisis de tendencias reales sin ruido. Esto es útil cuando quieres automatizar la detección de outliers y aplicar filtros dinámicos para informes y modelos.

Prerrequisitos

Cuenta con acceso a Copilot en Power BI y permisos para editar informes.
Informe Power BI con una tabla simple: columnas Date, Product, SalesAmount.
Conocimientos básicos de Power BI Desktop / Service y medidas DAX.

Paso 1: Preparar la tabla y publicar

Abre el archivo en Power BI Desktop y confirma que la tabla de ventas tiene las columnas mínimas (Date, Product, SalesAmount). Si es necesario, crea una tabla de muestra. Publica el informe en Power BI Service para que Copilot pueda acceder al modelo.

// Exemplo de dados mínimos (CSV) para importar:
Date,Product,SalesAmount
2026-01-01,Produto A,100
2026-01-02,Produto A,120
2026-01-03,Produto A,5000
2026-01-04,Produto B,80
2026-01-05,Produto B,90

Paso 2: Iniciar Copilot y describir la tarea

En Power BI Service abre el informe publicado y activa Copilot. Escribe un prompt claro que describa la tarea: detectar anomalías en SalesAmount por Product y crear un filtro que excluya esos valores. Explica qué consideras anómalo (p. ej.: puntos por encima de 3 desviaciones estándar o percentil 99).

Exemplo de prompt:
"Deteta anomalias na coluna SalesAmount por Product. Considera anomalias valores acima de 3 desvios padrão e acima do percentil 99. Cria uma nova coluna booleana IsAnomaly e um filtro no relatório para excluir anomalias."

Paso 3: Validar la propuesta de Copilot

Copilot sugerirá DAX y/o cambios en el modelo. Lee con atención la expresión sugerida y confirma que la lógica de detección corresponde a lo que pediste. Errores comunes: usar media global en vez de por Product; aplicar umbrales inadecuados para muestras pequeñas.

// Exemplo de DAX sugerido que poderás ajustar:
IsAnomaly =
VAR AvgProd = CALCULATE(AVERAGE(Sales[SalesAmount]), ALLEXCEPT(Sales, Sales[Product]))
VAR StdDevProd = CALCULATE(STDEVX.P(Sales, Sales[SalesAmount]), ALLEXCEPT(Sales, Sales[Product]))
RETURN
ABS(Sales[SalesAmount] - AvgProd) > 3 * StdDevProd

Paso 4: Crear la columna IsAnomaly manualmente (si prefieres)

Si prefieres controlar el código, crea la columna en Power BI Desktop con el DAX ajustado. Esto garantiza que entiendes la lógica y puedes adaptar el umbral o usar percentiles.

// DAX alternativo com percentil aproximado:
IsAnomaly =
VAR P99 =
    PERCENTILEX.EXC(
        FILTER(Sales, Sales[Product] = EARLIER(Sales[Product])),
        Sales[SalesAmount], 0.99)
RETURN
Sales[SalesAmount] > P99

Paso 5: Crear un filtro en el informe para excluir anomalías

En Power BI Desktop o en el Service añade un slicer o aplica un visual-level/page-level filter usando la columna IsAnomaly = FALSE para ver los datos sin outliers. Pide a Copilot que cree un visual con y sin anomalías para comparación si necesitas documentación automática.

// No Power BI: arrasta IsAnomaly para Filters e define como FALSE
// Ou cria um slicer com IsAnomaly e selecciona FALSE

Verificar el resultado

Confirma que las filas marcadas como anomalía corresponden a valores muy altos o atípicos por Product. Compara visuales antes y después (p. ej.: serie temporal de SalesAmount) para validar que la eliminación mejora la lectura. Verifica también conteos por Product para asegurarte de que no estás excluyendo demasiados puntos.

Conclusión

Después de filtrar anomalías con Copilot en Power BI tendrás un informe más limpio y centrado en la tendencia real. Próximos pasos: ajustar umbrales por Product, aplicar métodos robustos (mediana + MAD) o automatizar un flujo ETL que marque anomalías antes de la carga. Consejo: pregunta a Copilot sobre "por qué estas líneas fueron marcadas" para obtener explicación sobre la lógica aplicada.