Como criar um Data Issue Detector no Copilot do Fabric

João Barros 10 de October de 2026 4 min de leitura

Este tutorial mostra como criar um Data Issue Detector no Copilot do Fabric para identificar automaticamente problemas comuns (valores nulos, formatos incorretos, outliers) e gerar relatórios ou alertas. É útil para monitorizar a qualidade dos dados sem escrever muito código e para acelerar a deteção de falhas antes de análises ou modelos.

Pré-requisitos

Conta com acesso ao Microsoft Fabric e permissões para usar o Copilot no workspace.
Uma tabela ou dataset no Fabric (por exemplo numa Lakehouse ou Warehouse) com dados de exemplo.
Noções básicas de Power Query / SQL e do que são nulos, outliers e formatos.

Passo 1: Preparar a fonte de dados

Identifica a tabela que queres analisar e confirma colunas-chave (datas, IDs, numéricas, texto). Se a tabela estiver na Lakehouse, abre-a no Data Explorer; se estiver no Warehouse, usa uma consulta simples para amostragem. O objetivo é ter uma amostra representativa para o Copilot analisar.

-- Exemplo SQL para amostra no Warehouse
SELECT TOP 1000 *
FROM my_database.my_schema.my_table
ORDER BY some_date DESC;

Passo 2: Abrir o Copilot e criar um novo Prompt

Abre o Copilot no Fabric e cria um novo Prompt. Explica ao Copilot o objetivo: detetar nulos, formatos inválidos (por exemplo emails), outliers e frequências inesperadas. Fornece a amostra de dados ou liga diretamente à tabela usando a referência disponível no ambiente.

Prompt exemplo:
"Analisa a tabela my_table e identifica:
- Colunas com >5% de valores nulos
- Valores com formato inválido (email, date)
- Outliers em colunas numéricas (usar IQR)
- Distribuições inesperadas (picos/valores únicos)
Fornece: resumo por coluna e queries SQL para isolar problemas."

Passo 3: Ajustar o Prompt para regras específicas

Refina o Prompt para regras do teu negócio — por exemplo, um campo phone deve ter 9 dígitos, códigos postais um padrão específico, ou valores negativos são inválidos. Especifica limiares (p.ex. outliers fora de 1.5*IQR) para que o Copilot gere resultados reproduzíveis.

Adição ao Prompt:
"Regra: phone deve ser regex '^\d{9}$'.
Outlier: valor < Q1 - 1.5*IQR ou > Q3 + 1.5*IQR.
Reporta percentagem e exemplos de linhas."

Passo 4: Executar as queries / ações sugeridas

O Copilot irá propor queries SQL ou passos em Power Query. Copia-as e executa no Warehouse ou no Dataflow conforme indicado. Se o Copilot sugerir transformações, revê-as antes de aplicar em produção.

Exemplo SQL gerado para nulos:
SELECT column_name, COUNT(*) AS total, SUM(CASE WHEN column_name IS NULL THEN 1 ELSE 0 END) AS null_count,
  100.0 * SUM(CASE WHEN column_name IS NULL THEN 1 ELSE 0 END) / COUNT(*) AS null_pct
FROM my_database.my_schema.my_table
GROUP BY column_name;

Exemplo SQL para emails inválidos:
SELECT * FROM my_table WHERE NOT REGEXP_MATCH(email, '^[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}$') LIMIT 50;

Passo 5: Automatizar com um Prompt Chain simples

Cria um Prompt Chain no Copilot que primeiro executa checks de nulos, depois checks de formato e por fim outliers, e que gera um relatório consolidado. Isto permite correr o detector regularmente sem reescrever o Prompt cada vez.

Prompt Chain (exemplo lógico):
1) CheckNulls -> retorna colunas problemáticas
2) CheckFormats (usa output de 1) -> retorna exemplos por coluna
3) CheckOutliers -> retorna queries para investigação
4) Summarize -> cria relatório com recomendações

Verificar o resultado

Confirma que tens um resumo por coluna com percentagens de nulos, exemplos de formatos inválidos, e listas de outliers. Executa as queries geradas e valida manualmente algumas linhas. Se automatizaste o Prompt Chain, executa-o novamente com outra amostra para garantir consistência.

Conclusão

Com o Data Issue Detector no Copilot do Fabric consegues identificar rapidamente problemas de dados e obter queries prontas para investigação. Próximos passos: integrar este fluxo numa rotina (agendada) ou num Power Automate para alertas. Dica: começa com amostras pequenas e testa as regex/limiares antes de aplicar a toda a tabela — que coluna queres monitorizar primeiro?