Como criar um Prompt para Analisar Séries Temporais no Copilot do Fabric

João Barros 03 de November de 2026 5 min de leitura

Este tutorial mostra como criar um prompt no Copilot do Fabric para analisar séries temporais: detetar tendência, sazonalidade e anomalias em dados de séries temporais. Ter um prompt focado facilita explorar padrões, gerar visualizações e obter recomendações de transformação automaticamente com o Copilot.

Pré-requisitos

Conta com acesso ao Microsoft Fabric e Copilot ativado.
Uma tabela ou Dataset no Fabric com colunas de data/hora e valor (ex.: Date, Value).
Noções básicas de Power Query/SQL ou Notebooks para seguir e aplicar recomendações.

Passo 1: Escolher o Dataset e preparar o prompt base no Copilot

Abra o workspace no Fabric onde está o Dataset. Identifique a tabela com a série temporal (coluna Date e Value). Depois abra o Copilot (por exemplo num Notebook, Dataflow ou na interface do Copilot onde pode inserir prompts) e escreva um prompt base que descreva a tarefa e o formato esperado de resposta.

Analisa esta série temporal da tabela SalesTimeSeries (colunas: Date, Value).
1) Identifica tendência e sazonalidade.
2) Deteta até 5 anomalias com razões prováveis.
3) Sugere 3 transformações a aplicar (ex.: suavização, decomposição, agregação).
4) Fornece exemplos de código em Python (pandas) e em SQL para calcular a média móvel e detetar anomalias simples.
Retorna resposta estruturada com títulos e blocos de código.

Passo 2: Refinar o prompt para o contexto do Dataset

Melhora o prompt adicionando contexto: intervalo temporal, frequência esperada (diária, mensal), e se faltam dados. Isto ajuda o Copilot a escolher métodos adequados (ex.: STL para sazonalidade, IQR para outliers).

Analisa a série temporal SalesTimeSeries (Date diário entre 2023-01-01 e 2024-12-31, coluna Value).
Frequência: diária. Pode haver dias com valores em falta.
Executa: decomposição em tendência/sazonalidade/residual (ex.: STL), deteção de anomalias e média móvel 7 dias.
Inclui: 1) resumo descritivo, 2) passos recomendados, 3) código em Python (pandas + statsmodels) e SQL para média móvel e marcação de anomalias.
Mostra exemplos com comentários curtos.

Passo 3: Executar o código sugerido (exemplo Python)

O Copilot vai sugerir código. Copie o bloco Python para um Notebook no Fabric e execute. Exemplo mínimo para média móvel, decomposição e deteção simples de anomalias usando z-score:

import pandas as pd
from statsmodels.tsa.seasonal import STL
from scipy import stats

# carregar dados (exemplo: DataFrame df com Date e Value)
df['Date'] = pd.to_datetime(df['Date'])
df = df.set_index('Date').asfreq('D')

df['Value_ffill'] = df['Value'].fillna(method='ffill')
# média móvel 7 dias
df['MA7'] = df['Value_ffill'].rolling(window=7, min_periods=1).mean()
# decomposição STL
stl = STL(df['Value_ffill'], period=7)
res = stl.fit()
df['trend'] = res.trend
df['seasonal'] = res.seasonal
# anomalias via z-score do residual
df['residual'] = res.resid
z = stats.zscore(df['residual'].fillna(0))
df['anomaly'] = (abs(z) > 3)
print(df.tail())

Passo 4: Adaptar a solução para SQL no Lakehouse ou Synapse

Se preferir executar em SQL, peça ao Copilot um exemplo T-SQL que calcule uma média móvel e marque potenciais anomalias por desvio em relação à média. O Copilot deve devolver uma query que use window functions.

SELECT
  Date,
  Value,
  AVG(Value) OVER (ORDER BY Date ROWS BETWEEN 6 PRECEDING AND CURRENT ROW) AS MA7,
  Value - AVG(Value) OVER (ORDER BY Date ROWS BETWEEN 6 PRECEDING AND CURRENT ROW) AS Residual
FROM SalesTimeSeries
ORDER BY Date;
-- Para anomalias: pode calcular desvio padrão com window e marcar abs(residual) > 3 * stddev

Passo 5: Tornar o prompt reutilizável e lidar com erros comuns

Crie um template de prompt no Copilot com variáveis (nome da tabela, coluna data, frequência). Inclua instruções para lidar com erros comuns: datas inválidas, dados em falta, frequência inconsistente. Um exemplo de instrução adicional:

Se encontrar datas duplicadas, agregue somando os valores. Se faltar mais de 10% das datas, avisa e sugere imputação (ffill ou média).

Verificar o resultado

Confirme que os passos funcionaram: visualize o DataFrame com colunas trend, seasonal, MA7 e anomaly; valide que há anomalias esperadas; verifique que a média móvel segue a série sem gaps. Em SQL, valide que a coluna MA7 e Residual foram calculadas e que a marcação de anomalias coincide com picos visuais.

Conclusão

Com um prompt bem definido no Copilot do Fabric consegue automatizar a análise básica de séries temporais, obter código pronto e recomendações de transformação. Próximos passos: peça ao Copilot visualizações automáticas (matplotlib/plotly) ou integre este prompt numa rotina ETL para alertas de anomalia. Dica: experimente variar o critério de anomalia (z-score vs IQR) e pergunte ao Copilot para justificar a escolha.