Agente de IA para Análise de Participação em Reuniões

02 de December de 2025 • Tempo de leitura: 5 min

Como criar um agente de IA que analisa a participação dos pais em reuniões e eventos, gerando insights sobre engajamento e propondo melhorias.

1. Propósito e Escopo

Este documento define todos os prompts, configurações de memória, transição entre estados e demais requisitos funcionais para o Fluxo de Agentes "Análise de Participação em Reuniões", uma solução de automação projetada para analisar a participação dos pais em reuniões e eventos escolares, gerando insights sobre engajamento e propondo melhorias. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

O objetivo principal é transformar dados de participação em insights acionáveis que possam ajudar a escola a melhorar o engajamento dos pais, propondo estratégias baseadas em dados para aumentar essa participação.

2. Contexto e Problema

Cenário Atual

As escolas enfrentam desafios significativos para garantir a participação ativa dos pais em reuniões e eventos. Atualmente, há uma falta de insights claros sobre como os pais participam dessas atividades, o que torna difícil para as escolas entenderem as necessidades e preferências dos pais.

  • Falta de insights claros sobre a participação dos pais em reuniões e eventos escolares.
  • Necessidade de estratégias para aumentar o engajamento dos pais em atividades escolares.

Sem dados precisos e acionáveis, as escolas não conseguem implementar estratégias efetivas para melhorar o engajamento dos pais, resultando em oportunidades perdidas para fortalecer a comunidade escolar.

3. Impactos Esperados

A implementação deste fluxo de automação visa alcançar os seguintes resultados:

  • Fornecer insights claros e acionáveis sobre a participação dos pais em reuniões e eventos.
  • Aumentar o engajamento dos pais em atividades escolares através de estratégias baseadas em dados.
  • Melhorar a comunicação entre a escola e os pais, criando um ambiente mais colaborativo.

4. Visão Geral da Solução

O agente de IA para análise de participação em reuniões processa dados de participação dos pais em eventos escolares, identifica padrões de engajamento e gera insights acionáveis para melhorar a participação. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que esse agente atue como um assistente útil e autônomo na análise da participação dos pais em reuniões escolares.

A solução consiste em um fluxo de automação composto por 5 agentes de IA. O processo inicia com a padronização e validação dos dados de participação e termina com a geração de um relatório executivo com insights e recomendações de ações.

A execução dos agentes é sequencial e linear, seguindo a ordem definida na tabela abaixo. O fluxo inclui etapas que são executadas de acordo com a necessidade de cada análise específica.

Agentes Função Principal
Agente de Padronização e Validação de Dados (RF 1) Padronizar e validar os dados de participação em reuniões e eventos, preparando um dataset confiável para análise.
Agente de Cálculo de Métricas de Engajamento (RF 2) Calcular indicadores-chave de participação e engajamento em nível geral e por segmentos relevantes.
Agente de Detecção de Padrões e Insights (RF 3) Identificar padrões significativos de engajamento e gerar insights com evidências e hipóteses de causa.
Agente de Estratégias e Ações Recomendadas (RF 4) Transformar insights em um plano de ações priorizado para elevar o engajamento dos pais.
Agente de Composição do Relatório Executivo (RF 5) Gerar relatório executivo em markdown com métricas, padrões detectados e plano de ação recomendado.

5. Protótipos

Para proporcionar uma visão clara e tangível da solução proposta, criamos protótipos interativos que demonstram tanto o fluxo de trabalho dos agentes quanto o resultado final que a escola receberá. Explore os links abaixo para entender melhor a solução em ação.

6. Requisitos Funcionais

RF 1. Agente de Padronização e Validação de Dados

1.1 Tarefa do Agente

Padronizar e validar os dados de participação em reuniões e eventos, preparando um dataset confiável para análise.

1.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo uma tabela com registros de convites e presenças. Colunas mínimas esperadas: event_id, event_name, event_type, event_start_datetime, timezone (opcional), school_id, grade (série), class_id (turma), parent_id, student_id, invite_channel, rsvp_status, attendance_status, checkin_datetime (se presente), reason_absence (opcional).

# 2. Objetivo
Padronizar e validar os dados de participação em reuniões e eventos, preparando um dataset confiável para análise.

# 3. Regras que você deve seguir para gerar sua resposta
- Normalizar datas: converter event_start_datetime e checkin_datetime para ISO 8601 em UTC; manter campo auxiliar event_local_datetime usando timezone informado ou 'America/Sao_Paulo' por padrão.
- Padronizar domínios: event_type em {reuniao_pedagogica, feira, festa, assembleia, entrega_boletim, formacao, outro}; rsvp_status em {confirmado, nao_confirmado, sem_resposta}; attendance_status em {presente, ausente, desconhecido}.
- Gerar campo participation_flag = 1 se attendance_status == 'presente', senão 0.
- Deduplicação: remover duplicatas por chave composta (event_id, parent_id) mantendo o registro com attendance_status mais informativo (ordem de preferência: presente > ausente > desconhecido) e checkin_datetime mais recente.
- Tratar faltantes críticos: if event_id, parent_id, event_start_datetime ausentes, descartar linha e registrar em relatorio_qualidade_dados.descartes com motivo.
- Outliers de horário: se event_start_datetime fora da janela plausível (ano < 2015 ou > ano_corrente+1), marcar linha como suspeita e manter em dataset com flag_suspeita_tempo=1.
- Criar campos derivados: weekday (0-6), periodo_dia {manha, tarde, noite} baseado em hora local (manha 06:00-11:59; tarde 12:00-17:59; noite 18:00-22:59).
- Canal de convite: normalizar invite_channel em {agenda, email, whatsapp, sms, telefonema, bilhete, app_escola, outro}.
- Mapear ausência por confirmação: gerar campo no_show_flag = 1 se rsvp_status=='confirmado' e attendance_status!='presente', senão 0.
- Emitir relatorio_qualidade_dados com: total_linhas_entrada, total_validas, total_descartadas, pct_campos_criticos_faltantes por coluna, total_duplicatas_removidas, distribuicao_dominios por campos categóricos, e flags de suspeita.
- Não imputar valores faltantes em variáveis categóricas críticas; apenas categorizar como 'desconhecido' quando aplicável. 
1.3 Configurações do Agente

1.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente é o ponto de partida do fluxo e deve ser acionado pelo envio de uma tabela de dados de participação via API. Na fase de testes, o fluxo será iniciado pelo envio manual dos dados, que serão enviados para o agente diretamente por upload da tabela na interface da Prototipe AI, para acelerar o processo de validação.
  • Tipo do input: O input inicial para o fluxo é uma tabela de dados estruturados que contém informações de participação em eventos escolares.
  • Formatos Suportados: Esse agente deve ser capaz de receber tabelas nos formatos: .csv, .xlsx.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 200.000 caracteres.

1.3.2 Especificação do Output

  • Formato de output: O output deve ser um objeto JSON com: dataset_padronizado (linhas validadas e normalizadas), relatorio_qualidade_dados (contagens, percentuais de faltantes, duplicidade, campos críticos ausentes) e dicionario_campos (tipos finais e domínios).
  • Exemplo de Estrutura de Output:
     {
     "dataset_padronizado": [...],
     "relatorio_qualidade_dados": {
     "total_linhas_entrada": 1000,
     "total_validas": 950,
     "total_descartadas": 50,
     "pct_campos_criticos_faltantes": {"event_id": 0, "parent_id": 0.5, "event_start_datetime": 0.2},
     "total_duplicatas_removidas": 5,
     "distribuicao_dominios": {...},
     "flags_suspeita": {...}
     },
     "dicionario_campos": {...} 
    } 
  • Número de caracteres esperado: O JSON final deve ser conciso e informativo, com um tamanho estimado em 10.000 caracteres.

1.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

1.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

1.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Cálculo de Métricas de Engajamento (RF 2).

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Cálculo de Métricas de Engajamento (RF 2).

RF 2. Agente de Cálculo de Métricas de Engajamento

2.1 Tarefa do Agente

Calcular indicadores-chave de participação e engajamento em nível geral e por segmentos relevantes.

2.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo o dataset_padronizado e relatorio_qualidade_dados provenientes do Agente de Padronização e Validação de Dados.

# 2. Objetivo
Calcular indicadores-chave de participação e engajamento em nível geral e por segmentos relevantes.

# 3. Regras que você deve seguir para gerar sua resposta
- Definições: convites = contagem de (event_id, parent_id); presencas = soma de participation_flag; confirmacoes = contagem de registros com rsvp_status=='confirmado'.
- KPIs gerais: participation_rate = presencas/convites; confirmation_rate = confirmacoes/convites; no_show_rate = soma(no_show_flag)/confirmacoes (se confirmacoes>0, senão null); average_events_per_parent = média de eventos distintos com participation_flag==1 por parent_id.
- Segmentações obrigatórias: por event_type, weekday, periodo_dia, grade, class_id, invite_channel e school_id (quando disponível).
- Tendências: calcular por mês (YYYY-MM) participation_rate, confirmation_rate e no_show_rate.
- Coortes: definir coorte pelo mês do primeiro evento presente de cada parent_id; para cada coorte, calcular participação nos meses 0,1,2,3 após o primeiro comparecimento.
- Recency-Frequency por parent_id: recency_dias = dias desde última presença; frequency_12m = presenças nos últimos 12 meses.
- Classificação de engajamento por parent_id: Alta se frequency_12m>=3 OU participation_rate_individual>=60%; Média se frequency_12m em [1,2] OU participation_rate_individual em [30%,60%); Baixa se 0 ou <30%. Incluir parametros_de_classificacao com os thresholds aplicados.
- Calcular materialidade por segmento: delta_abs_pp = participation_rate_segmento - participation_rate_geral (em pontos percentuais); delta_rel = (participation_rate_segmento/participation_rate_geral)-1 (quando taxa geral > 0).
- Retornar kpis_por_segmento com, para cada chave de segmentação, contagem_convites, presencas, participation_rate, no_show_rate, delta_abs_pp, delta_rel.
- Arredondar percentuais a 1 casa decimal; manter contagens como inteiros. 
2.3 Configurações do Agente

2.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão bem-sucedida do agente anterior (RF 1).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON contendo o dataset padronizado e o relatório de qualidade de dados gerados pelo agente anterior.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json (JSON).
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 50.000 caracteres.

2.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON com blocos: kpis_gerais, kpis_por_segmento, tendencias_temporais, coortes_participacao, e parametros_de_classificacao.
  • Exemplo de Estrutura de Output:
     {
     "kpis_gerais": {...},
     "kpis_por_segmento": {...},
     "tendencias_temporais": {...},
     "coortes_participacao": {...},
     "parametros_de_classificacao": {...} 
    } 
  • Número de caracteres esperado: O JSON final deve ser claro e direto, com um tamanho estimado em 15.000 caracteres.

2.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

2.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Utiliza lógica interna para calcular indicadores-chave de participação.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

2.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Detecção de Padrões e Insights (RF 3).

2.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Detecção de Padrões e Insights (RF 3).

RF 3. Agente de Detecção de Padrões e Insights

3.1 Tarefa do Agente

Identificar padrões significativos de engajamento e gerar insights com evidências e hipóteses de causa.

3.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo kpis_gerais, kpis_por_segmento, tendencias_temporais, coortes_participacao e dataset_padronizado.

# 2. Objetivo
Identificar padrões significativos de engajamento e gerar insights com evidências e hipóteses de causa.

# 3. Regras que você deve seguir para gerar sua resposta
- Critérios de materialidade: marcar um padrão como material se delta_abs_pp >= 5.0 pp OU delta_rel <= -20% ou >= +20%, com n_convites_segmento >= 30.
- Sazonalidade: identificar meses com pico/queda >= 5 pp vs média anual; reportar top 2 positivos e top 2 negativos.
- Horário e dia: comparar participation_rate por weekday e periodo_dia; destacar combinações com diferença material.
- Tipo de evento: evidenciar event_type com performance acima/abaixo do geral de forma material.
- No-show: identificar segmentos com no_show_rate elevado (>= 20%) e confirmar se sample >= 30 confirmacoes.
- Canal de convite: comparar invite_channel por participation_rate e confirmation_rate; indicar canal líder e canal crítico.
- Equidade: comparar taxas por grade e class_id; sinalizar gaps materiais entre séries/turmas da mesma escola.
- Confianca: classificar como alta se n>=200 e padrão consistente em ao menos 2 meses consecutivos; média se n 100-199; baixa abaixo de 100.
- Hipóteses de causa: basear-se apenas em campos disponíveis (horário, tipo, canal, sazonalidade, sobreposição de eventos); evitar causas externas não observáveis.
- Gerar recomendacao_preliminar curta (1 linha) alinhada ao padrão detectado (ex.: testar horário alternativo, reforçar lembretes, trocar canal). 
3.3 Configurações do Agente

3.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 2).
  • Tipo do input: Este agente deve ser apto a receber múltiplos artefatos como input, incluindo kpis gerais, kpis por segmento, tendências temporais, coortes de participação e o dataset padronizado.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs nos formatos: .json (JSON).
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input combinado de até 60.000 caracteres.

3.3.2 Especificação do Output

  • Formato de output: O output deve ser uma lista priorizada de insights em JSON com campos: insight_id, tipo, descricao, evidencia_quantitativa, segmento_afetado, materialidade, confianca, hipotese_causa, recomendacao_preliminar.
  • Exemplo de Estrutura de Output:
     [
     {
     "insight_id": "1",
     "tipo": "Sazonalidade",
     "descricao": "Participação aumenta significativamente nos meses de março e setembro.",
     "evidencia_quantitativa": "Aumento de 15 pp em março e 10 pp em setembro comparado à média anual.",
     "segmento_afetado": "Todos",
     "materialidade": "Alta",
     "confianca": "Alta",
     "hipotese_causa": "Eventos importantes no início e meio do ano letivo.",
     "recomendacao_preliminar": "Focar comunicações nesses períodos para maximizar engajamento."
     }
    ] 
  • Número de caracteres esperado: O JSON de output deve ser claro e direto, com um tamanho estimado em 10.000 caracteres.

3.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

3.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Utiliza lógica interna para identificar padrões e gerar insights.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

3.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Estratégias e Ações Recomendadas (RF 4).

3.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Estratégias e Ações Recomendadas (RF 4).

RF 4. Agente de Estratégias e Ações Recomendadas

4.1 Tarefa do Agente

Transformar insights em um plano de ações priorizado para elevar o engajamento dos pais.

4.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo uma lista de insights priorizados, kpis_gerais e kpis_por_segmento.

# 2. Objetivo
Transformar insights em um plano de ações priorizado para elevar o engajamento dos pais.

# 3. Regras que você deve seguir para gerar sua resposta
- Mapeamento insight->alavanca: horário/dia (ajuste de periodo_dia/weekday), canal (troca ou mix), formato (híbrido/presencial), mensagem (copy e antecedência), logística (creche, duração), incentivo (certificados, sorteios conformes às regras da escola).
- Estimativa de impacto: usar materialidade do insight como base de impacto_estimado_pp entre 2 e 10 pp, proporcional ao delta observado e à confianca.
- Esforço: classificar baixo quando envolve apenas ajuste de horário/mensagem; médio para mudança de canal/formato; alto para logística/incentivos.
- Priorização: calcular ICE = (Impacto x Confiança) / Esforço, padronizando Impacto 1-10, Confiança 1-10 (alta=8-10, média=5-7, baixa=2-4), Esforço 1-10 (alto esforço=10).
- Definir KPIs por ação: principal em participation_rate do segmento-alvo; secundário em confirmation_rate ou no_show_rate conforme a alavanca.
- Pilotos: amostra mínima 30 convites por célula; duração mínima 1 ciclo de evento comparável; critério de sucesso: melhora >= 3 pp com picos sustentados em pelo menos 2 ocorrências consecutivas (quando aplicável).
- Alinhar cada ação a um insight_id existente e descrever riscos (ex.: conflito de calendário, capacidade) com mitigação proposta. 
4.3 Configurações do Agente

4.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 3).
  • Tipo do input: Este agente deve ser apto a receber múltiplos artefatos como input, incluindo a lista de insights priorizados, kpis gerais e kpis por segmento.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs nos formatos: .json (JSON).
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input combinado de até 50.000 caracteres.

4.3.2 Especificação do Output

  • Formato de output: O output deve ser um backlog de ações em JSON com campos: acao_id, insight_id, descricao_acao, alavanca, impacto_estimado_pp, esforço_estimado, prioridade, indicadores, desenho_piloto, riscos_e_mitigacoes.
  • Exemplo de Estrutura de Output:
     [
     {
     "acao_id": "1",
     "insight_id": "1",
     "descricao_acao": "Ajustar horário de reuniões para períodos de maior engajamento.",
     "alavanca": "horário",
     "impacto_estimado_pp": 5,
     "esforço_estimado": "baixo",
     "prioridade": 8,
     "indicadores": {"KPI": "participation_rate", "fórmula": "presencas/convites", "baseline": 50, "meta": 55, "janela_mensuracao": "3 meses"},
     "desenho_piloto": {"público-alvo": "Pais de alunos do ensino fundamental", "amostra mínima": 30, "duração": "1 ciclo", "critério_sucesso": "Melhora >= 3 pp"},
     "riscos_e_mitigacoes": "Conflito com horários de trabalho; oferecer opções de horários alternativos."
     }
    ] 
  • Número de caracteres esperado: O JSON de output deve ser claro e direto, com um tamanho estimado em 10.000 caracteres.

4.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

4.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Utiliza lógica interna para priorizar ações e calcular impacto estimado.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

4.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Composição do Relatório Executivo (RF 5).

4.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Composição do Relatório Executivo (RF 5).

RF 5. Agente de Composição do Relatório Executivo

5.1 Tarefa do Agente

Gerar relatório executivo em markdown com métricas, padrões detectados e plano de ação recomendado.

5.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo kpis_gerais, kpis_por_segmento, tendencias_temporais, coortes_participacao, lista de insights e backlog de ações.

# 2. Objetivo
Gerar relatório executivo em markdown com métricas, padrões detectados e plano de ação recomendado.

# 3. Regras que você deve seguir para gerar sua resposta
- Sumário Executivo: destacar 3 principais achados e 3 ações prioritárias em bullets curtos.
- Indicadores-Chave: apresentar participation_rate, confirmation_rate, no_show_rate e average_events_per_parent com contagens; arredondar percentuais a 1 casa decimal.
- Tendências: incluir tabela mensal YYYY-MM com taxas; sinalizar setas de alta/queda vs mês anterior.
- Segmentação: fornecer tabela com top 5 segmentos positivos e top 5 críticos por delta_abs_pp, com n e taxa.
- Insights: listar cada insight com tipo, materialidade, confianca e evidência quantitativa; vincular recomendacao_preliminar.
- Plano de Ação: exibir tabela com acao_id, insight_id, alavanca, impacto_estimado_pp, esforço, prioridade (ICE), KPI, meta e desenho_piloto.
- Qualidade dos Dados: incluir resumo do relatorio_qualidade_dados (descartes, duplicatas, campos ausentes) e possíveis vieses.
- Metodologia e Glossário: definir claramente fórmulas usadas (participation_rate, no_show_rate, etc.) e critérios de classificação. 
5.3 Configurações do Agente

5.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 4).
  • Tipo do input: Este agente deve ser apto a receber múltiplos artefatos como input, incluindo kpis gerais, kpis por segmento, tendências temporais, coortes de participação, lista de insights e backlog de ações.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs nos formatos: .json (JSON).
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input combinado de até 70.000 caracteres.

5.3.2 Especificação do Output

  • Formato de output: O output deve ser um relatório em markdown com: Sumário Executivo, Indicadores-Chave, Tendências e Sazonalidade, Desempenho por Segmento, Insights Prioritários, Plano de Ação (90 dias), Qualidade e Limitações dos Dados, Metodologia e Glossário.
  • Exemplo de Estrutura de Output:
     # Relatório Executivo
    
    ## Sumário Executivo
    - Principais achados: Aumento de participação em março e setembro, Canal de convite SMS mais eficaz.
    - Ações prioritárias: Ajuste de horário, Reforço de lembretes por SMS, Introdução de incentivos.
    
    ## Indicadores-Chave
    - Participation Rate: 65.4%
    - Confirmation Rate: 70.2%
    - No Show Rate: 15.3%
    - Average Events per Parent: 3.5
    
    ## Tendências e Sazonalidade
    | Mês | Participation Rate | Confirmation Rate | No Show Rate |
    |-----|--------------------|-------------------|--------------|
    | Jan | 60.0%              | 65.0%             | 12.0%        |
    | Feb | 62.5% ↑            | 66.0% ↑           | 14.0% ↓      |
    
    ## Desempenho por Segmento
    - Top 5 Segmentos Positivos: Ensino Médio (70%), Ensino Fundamental (68%)
    - Top 5 Segmentos Críticos: Pré-Escola (50%), Educação Infantil (55%)
    
    ## Insights Prioritários
    - Sazonalidade: Participação aumenta em março e setembro, foco em comunicações nesses períodos.
    - Canal de Convite: SMS lidera em eficácia, explorar mais esse canal.
    
    ## Plano de Ação (90 dias)
    | Ação ID | Insight ID | Alavanca | Impacto Estimado (pp) | Esforço | Prioridade | KPI | Meta | Desenho Piloto |
    |---------|------------|----------|----------------------|---------|------------|-----|------|---------------|
    | 1       | 1          | Horário  | 5                    | Baixo   | Alta       | 55  | 60   | 30 convites   |
    
    ## Qualidade e Limitações dos Dados
    - Descartes: 50 linhas
    - Duplicatas: 5 removidas
    - Campos Ausentes: event_id (0.5%), parent_id (0.2%)
    
    ## Metodologia e Glossário
    - Formulas: Participation Rate = presencas/convites
    - Classificação: Alta (>=60%), Média (30%-60%), Baixa (<30%)
    
  • Número de caracteres esperado: O relatório em markdown deve ser conciso e informativo, com um tamanho estimado em 20.000 caracteres.

5.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

5.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Utiliza lógica interna para compor o relatório executivo.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

5.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta (relatório em markdown) é o entregável final e não é passada para outros agentes internos.

5.3.6 Regras de Orquestração e Transição

A execução deste agente finaliza o fluxo. O relatório gerado é o resultado que deve ser disponibilizado à escola.

© 2025 prototipe.ai. Todos os direitos reservados.