Como filtrar anomalias em Copilot no Power BI: passo a passo

João Barros 07 de August de 2026 4 min de leitura

Vamos usar o Copilot no Power BI para identificar e filtrar anomalias numa tabela de vendas, tornando mais fácil analisar tendências reais sem ruído. Isto é útil quando queres automatizar a deteção de outliers e aplicar filtros dinâmicos para relatórios e modelos.

Pré‑requisitos

Conta com acesso a Copilot no Power BI e permissões para editar relatórios.
Relatório Power BI com uma tabela simples: colunas Date, Product, SalesAmount.
Conhecimentos básicos de Power BI Desktop / Service e medidas DAX.

Passo 1: Preparar a tabela e publicar

Abre o ficheiro no Power BI Desktop e confirma que a tabela de vendas tem as colunas mínimas (Date, Product, SalesAmount). Se necessário, cria uma tabela de amostra. Publica o relatório no Power BI Service para que o Copilot possa aceder ao 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

Passo 2: Iniciar o Copilot e descrever a tarefa

No Power BI Service abre o relatório publicado e ativa o Copilot. Escreve um prompt claro que descreva a tarefa: detectar anomalias em SalesAmount por Product e criar um filtro que exclua esses valores. Explica o que consideras anómalo (ex.: pontos acima de 3 desvios padrão ou 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."

Passo 3: Validar a proposta do Copilot

O Copilot vai sugerir DAX e/ou alterações ao modelo. Lê com atenção a expressão sugerida e confirma que a lógica de deteção corresponde ao que pediste. Erros comuns: usar média global em vez de por Product; aplicar thresholds inadequados para pequenas amostras.

// 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

Passo 4: Criar a coluna IsAnomaly manualmente (se preferires)

Se preferires controlar o código, cria a coluna no Power BI Desktop com o DAX ajustado. Isto garante que compreendes a lógica e podes adaptar o threshold ou usar percentis.

// 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

Passo 5: Criar um filtro no relatório para excluir anomalias

No Power BI Desktop ou no Service adiciona um slicer ou aplica um visual-level/page-level filter usando a coluna IsAnomaly = FALSE para ver os dados sem outliers. Pede ao Copilot para criar um visual com e sem anomalias para comparação se precisares de documentação automática.

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

Verificar o resultado

Confirma que as linhas marcadas como anomalia correspondem a valores muito altos ou atípicos por Product. Compara visuais antes e depois (ex.: série temporal de SalesAmount) para validar que a remoção melhora a leitura. Verifica também contagens por Product para garantir que não estás a excluir demasiados pontos.

Conclusão

Depois de filtrar anomalias com Copilot no Power BI tens um relatório mais limpo e focado na tendência real. Próximos passos: ajustar thresholds por Product, aplicar métodos robustos (mediana + MAD) ou automatizar um fluxo ETL que marque anomalias antes da carga. Dica: questiona o Copilot sobre "por que estas linhas foram marcadas" para obter explicação sobre a lógica aplicada.