Transformar uma lista de KPI de negócio num modelo em estrela robusto e em código Spark pronto para produção é uma das partes mais críticas e propensas a erros de qualquer iniciativa moderna de BI. O SWAT Kimball é um conjunto de agentes GenAI concebido para automatizar grande parte desta jornada — desde as descrições iniciais de KPI até modelos dimensionais, notebooks e artefactos Power BI — mantendo analistas e engenheiros firmemente envolvidos no processo.

Entradas de negócio e contexto técnico

O SWAT Kimball assume duas entradas principais: um documento de negócio que descreve os KPI e uma representação das fontes de dados disponíveis. Na prática, o documento de KPI é frequentemente uma lista com nomes, descrições e fórmulas matemáticas para métricas como “Receita Total”, “Margem de Lucro Bruto” ou “Taxa de Crescimento de Vendas”. A entrada de dados é tipicamente um “extrato” de uma ou mais bases de dados, contendo nomes de tabelas, colunas e tipos de dados, por vezes derivados de um catálogo de dados.

Os agentes são otimizados para ler Markdown, que é compacto, eficiente em termos de tokens e menos propenso a erros para LLMs do que formatos como Excel. PDFs e documentos Word podem ainda ser usados, mas recomenda-se a sua conversão prévia para Markdown usando um LLM externo como Claude, tornando o processamento mais fiável. JSON também é preferido em relação ao Excel para listas de referência — como catálogos de KPI conhecidos — por ser mais estruturado e amigável para LLMs.

Embora experiências iniciais tenham usado bases de dados de exemplo como AdventureWorks e Worldwide Importers, os agentes comportam-se de forma semelhante ao trabalhar com dados reais ou com a fusão de múltiplas bases de dados, o que é mais realista para KPI empresariais que abrangem vários sistemas.

KPI Wizard: mapeamento de métricas de negócio para dados

O ponto de entrada no SWAT Kimball é o KPI Wizard, que consome o documento de KPI e o extrato da base de dados. Para cada KPI, identifica campos de origem candidatos nas tabelas subjacentes e calcula um nível de confiança que indica a probabilidade de o mapeamento estar correto. Produz um relatório estruturado em Markdown mostrando, por exemplo, que “Receita Total” deve usar a coluna ExtendedPrice da tabela SalesInvoiceLines com 100% de confiança.

Quando a confiança é menor, o KPI Wizard assinala explicitamente essa situação e inclui frequentemente comentários sobre filtros ou condições adicionais necessárias, como a sugestão de filtrar por tipo de transação para isolar vendas reais. KPI com níveis de confiança abaixo de um determinado limiar (por exemplo, 95%) são agrupados para validação pelos stakeholders.

Para além de mapear KPI existentes, o KPI Wizard atua também como um analista de negócio experiente ao propor novos KPI relevantes com base nos dados. Utilizando uma lista JSON de KPIs padrão como base de conhecimento, pode sugerir métricas como Taxa de Crescimento de Vendas ou Margem de Lucro Bruto, com fórmulas matemáticas e definições detalhadas.

Confidence Judge: verificação dos cálculos

Os LLMs não são totalmente determinísticos e podem por vezes cometer erros de cálculo ou aplicar incorretamente o seu próprio raciocínio. Para mitigar isso, o Confidence Judge atua como validador do raciocínio numérico do KPI Wizard, focando-se apenas nos cálculos de confiança e lógica associada. Reavalia cada cálculo, corrige erros diretamente no documento e produz um resumo das alterações para auditoria.

Este padrão — “LLM como juiz” — é utilizado várias vezes no SWAT Kimball para validar e refinar resultados de outros agentes, reduzindo o risco de erros subtis propagarem-se para fases posteriores.

Model Storyteller: geração do modelo lógico em estrela

Após validação dos KPIs pelos stakeholders, o Model Storyteller entra em ação. Este agente lê o output do KPI Wizard e gera um modelo dimensional lógico completo que serve como blueprint de implementação. Inclui:

• Lista de tabelas a utilizar no modelo
• Matriz base de dimensões e factos necessários
• Proposta de modelo em estrela
• Para cada dimensão: estratégia SCD (Tipo 0, 1, 2 ou híbridos), chaves substitutas, tratamento de chaves naturais e atributos
• Para cada tabela de factos: granularidade, medidas, dimensões degeneradas, role-playing dimensions e classificação das medidas

O resultado é um documento detalhado que não só define estruturas, mas também explica decisões de design.

KPI Sentinel: controlo de qualidade do modelo

Dado o impacto crítico do modelo lógico, o KPI Sentinel atua como camada adicional de validação. Verifica se todos os KPI estão corretamente representados e identifica lacunas ou inconsistências. Produz um resultado de aprovação/reprovação com alertas.

Nesta fase, um analista, arquiteto ou modelador valida o modelo com stakeholders antes de avançar. Este ponto de controlo humano é central na filosofia do sistema.

DIMS Builder e Facts Builder: do design ao código PySpark

Após aprovação, os agentes DIMS Builder e Facts Builder geram notebooks PySpark para cada dimensão e tabela de factos, seguindo boas práticas e templates internos. Existem versões otimizadas para Databricks e Fabric, mas qualquer plataforma Spark é suportada.

A consistência gerada reduz variações e facilita manutenção e revisão.

Notebook Inspector e Functional Sentinel: validação final

Os notebooks gerados são analisados pelo Notebook Inspector, que cria um resumo executivo. Em seguida, o Functional Sentinel:

• Valida conformidade com templates
• Verifica alinhamento com o modelo lógico e KPI

Produz um relatório com aprovação ou recomendações de melhoria.

Agentes Power BI: modelos semânticos e relatórios

O SWAT Kimball inclui também agentes para Power BI que:

• Derivam modelos semânticos
• Criam artefactos Power BI
• Validam o modelo
• Geram layouts iniciais de relatórios

Embora ainda exijam ajustes manuais, reduzem significativamente o esforço.

Considerações práticas

A implementação utiliza GitHub Copilot com Claude Sonnet 4.6, explorando também Databricks Genie Code. Uma decisão chave é entre instruções longas ou skills reutilizáveis:

• Fluxos complexos → instruções robustas
• Tarefas interativas → skills modulares

Conclusão: aceleração estruturada, não magia

O SWAT Kimball demonstra que os agentes GenAI podem assumir grande parte do trabalho entre KPI e implementação técnica, sem substituir o julgamento humano. Ao estruturar o processo e manter validações humanas, as organizações podem acelerar projetos de BI, reduzir inconsistências e melhorar documentação, mantendo controlo total sobre a arquitetura de dados.