Pedir para uma IA "melhorar meu modelo de dados" costuma gerar uma resposta genérica e pouco útil. A diferença entre um prompt fraco e um que realmente ajuda está no nível de detalhe fornecido.
Descreva a estrutura, não só o problema
Em vez de "meu relatório está lento", é mais eficaz descrever: quantas tabelas o modelo tem, quais são de fatos e quais de dimensão, quantas linhas aproximadamente cada uma tem, e quais relacionamentos existem entre elas. Com esse contexto, a IA consegue apontar causas prováveis em vez de sugestões genéricas.
Peça revisão por categoria de problema
Dividir o pedido em partes específicas funciona melhor do que um pedido amplo: peça primeiro uma revisão de relacionamentos (cardinalidade, direção de filtro), depois uma revisão de medidas (coluna calculada que deveria ser medida), depois uma revisão de nomenclatura e organização. Cada categoria gera uma resposta mais acionável do que tentar resolver tudo de uma vez.
Peça para justificar, não só corrigir
Um prompt como "aponte os problemas desse modelo e explique por que cada um é um problema" gera respostas mais educativas do que simplesmente pedir a correção pronta — e isso importa porque o objetivo não é só consertar aquele modelo específico, é aprender a evitar o mesmo erro no próximo projeto.
Sempre valide com dados reais
Depois de aplicar qualquer sugestão, compare um número do relatório com uma fonte independente antes de considerar o problema resolvido. A IA pode errar o diagnóstico sem o contexto completo do seu negócio, e essa validação final continua sendo responsabilidade de quem está construindo o relatório.
Quer aprender Power BI + Claude na prática, do zero ao avançado?
Conhecer o curso