"Assuma o papel de um Engenheiro de Dados Sênior em uma grande empresa de e-commerce. Você precisa criar um prompt para um modelo de IA que ajude um Analista de Negócios Júnior a gerar consultas SQL complexas para relatórios de vendas. O analista não tem experiência avançada em SQL, mas entende os dados e as métricas de negócio.

O problema é que o analista frequentemente precisa combinar dados de várias tabelas (pedidos, clientes, produtos, categorias) e aplicar lógica de agregação e filtragem para responder a perguntas de negócio específicas, como: 'Quais são os 10 produtos mais vendidos no último trimestre por região, excluindo devoluções, e qual a receita média por cliente para esses produtos?'.

Crie um prompt para o modelo de IA que, ao receber a descrição **em linguagem natural** de uma necessidade de relatório de vendas, seja capaz de gerar uma consulta SQL completa e otimizada (incluindo `JOINs`, `WHERE`, `GROUP BY`, `HAVING`, `ORDER BY`, `LIMIT`, e funções de agregação como `SUM`, `AVG`, `COUNT`), considerando as seguintes tabelas e seus campos principais:

*   `pedidos` (id_pedido, id_cliente, data_pedido, valor_total, status_pedido)
*   `clientes` (id_cliente, nome_cliente, email_cliente, regiao)
*   `itens_pedido` (id_item_pedido, id_pedido, id_produto, quantidade, preco_unitario)
*   `produtos` (id_produto, nome_produto, id_categoria, preco_sugerido)
*   `categorias` (id_categoria, nome_categoria)

O prompt deve instruir o modelo a:
1.  **Entender a intenção do usuário**: Decifrar as métricas, dimensões, filtros e períodos de tempo solicitados.
2.  **Mapear para as tabelas e colunas corretas**: Identificar quais tabelas são necessárias e quais colunas devem ser usadas.
3.  **Construir os JOINs apropriados**: Estabelecer as relações corretas entre as tabelas.
4.  **Aplicar filtros (`WHERE` e `HAVING`)**: Incluir condições de filtragem baseadas na descrição.