Introdução

Como analista de dados, você está em um percurso. Pense em todos os dados

que estão sendo gerados todos os dias e que estão disponíveis em uma
organização, desde dados transacionais em um banco de dados tradicional,
dados de telemetria dos serviços que você usa, até sinais que você obtém de
áreas diferentes, como mídia social.

Por exemplo, as empresas de varejo de hoje coletam e armazenam grandes

quantidades de dados, que controlam os itens pelos quais você navegou e que
comprou, as páginas que você visitou em no site delas, os corredores dos quais
você adquire produtos, seus hábitos de gastos e muito mais.

Os dados e as informações são o ativo mais estratégico de uma empresa, então

o desafio subjacente que as organizações enfrentam hoje é entender e usar os
dados de que dispõem para afetar positivamente as alterações na empresa. As
empresas continuam a se empenhar em usar os respectivos dados de maneira
significativa e produtiva, o que afeta a capacidade delas de agir.

Uma empresa de varejo deve ser capaz de usar as vastas quantidades de dados
e informações dela de modo que afetem os negócios, incluindo:

 Acompanhamento do inventário
 Identificação de hábitos de compra
 Detecção de tendências e padrões do usuário
 Recomendação de compras
 Determinação de otimizações de preço
 Identificação e interrupção de fraude

Além disso, você pode estar procurando padrões de venda diários/mensais. Os

segmentos de dados comuns que você talvez queira examinar incluem a cada
dia, a cada semana e a cada mês para que você possa comparar como as
vendas foram feitas no local em que estavam na mesma semana do ano
passado, por exemplo.
A chave para desbloquear esses dados é poder criar uma narrativa com eles. No
mundo empresarial altamente competitivo e rápido de hoje, a criação de
relatórios que fazem essa narrativa é o que ajuda os líderes empresariais a
agirem com base nos dados. Os tomadores de decisão empresariais dependem
de uma narrativa precisa para chegarem a decisões melhores. Quanto mais
rápido uma empresa puder tomar decisões precisas, mais competitiva será e
mais vantagem terá. Sem a narrativa, é difícil entender o que os dados estão
tentando dizer.

No entanto, ter apenas dados não é suficiente. Você precisa ser capaz de agir
com base nos dados para promover alterações na empresa. Essa ação poderia
envolver realocar recursos dentro do negócio para satisfazer uma necessidade
ou identificar uma campanha malsucedida e saber quando mudar os rumos. É
nessas situações que fazer uma narrativa com seus dados é importante.

O desafio subjacente enfrentado hoje pelas empresas é a compreensão e o uso

dos dados que têm para impactar os negócios e, por fim, os resultados delas.
Você precisa ser capaz de examinar os dados e facilitar decisões empresariais
confiáveis. Portanto, você precisa ter a capacidade de examinar as métricas e
entender claramente o significado por trás delas.

Esse requisito pode parecer assustador, mas é uma tarefa que você pode
realizar. Sua primeira etapa é estabelecer uma parceria com especialistas de
dados de sua organização, como engenheiros e cientistas de dados, para ajudar
a obter as informações necessárias para fazer essa narrativa. Peça a esses
especialistas que participem desse percurso de dados com você.

Seu percurso de fazer uma narrativa com os dados também está ligado à
criação dessa cultura de dados em sua organização. Embora fazer a narrativa
seja importante, onde fazê-la também é algo crucial, assegurando que a
narrativa seja feita para as pessoas certas. Além disso, verifique se as pessoas
podem descobrir a narrativa, se elas sabem onde encontrá-la e que ela faz parte
das interações regulares.

A análise de dados existe para ajudar a superar esses desafios e pontos

problemáticos, ajudando, por fim, as empresas a encontrar ideias e descobrir o
valor oculto em dados por meio de uma narrativa. Durante a leitura, você
aprenderá a usar e aplicar habilidades analíticas para ir além de um relatório e
ajudar a impactar e influenciar sua organização, fazendo narrativas com base
em dados e impulsionando essa cultura de uso de dados.

Visão geral da análise de dados

Concluído100 XP
  6 minutos

Antes que os dados possam ser usados para fazer uma narrativa, eles precisam
ser executados por meio de um processo que os torne utilizáveis na narrativa
em questão. A análise de dados é o processo de identificação, limpeza,
transformação e modelagem de dados para descobrir insights significativos e
úteis. Uma narrativa é então criada com base nos dados por meio de relatórios
para análise, a fim de dar suporte ao processo crítico de tomada de decisão.

Relatórios com base de dados Confiáveis

À medida que o mundo se torna mais orientado por dados, a narrativa por meio
da análise de dados está se tornando um componente vital e um aspecto de
empresas grandes e pequenas. É o motivo pelo qual as organizações continuam
contratando analistas de dados.

As empresas controladas por dados tomam decisões com base na narrativa

desses dados e, no mundo atual controlado por dados, os dados não estão
sendo usados em pleno potencial, um desafio que a maioria das empresas
enfrenta. A análise de dados é e deve ser um aspecto crítico de todas as
organizações para ajudar a determinar o impacto sobre os negócios delas,
incluindo a avaliação de opiniões de clientes, a realização de pesquisa de
mercado e produtos e a identificação de tendências ou outros insights de
dados.

Embora o processo de análise de dados se concentre nas tarefas de limpeza,

modelagem e visualização de dados, o conceito de análise de dados e a
importância dele para os negócios não devem ser menosprezados. Para analisar
dados, os componentes principais da análise são divididos nas seguintes
categorias:
  Descritiva
 Diagnóstica
 Preditiva
 Prescritiva
 Cognitiva

Análise descritiva

A análise descritiva ajuda a responder perguntas sobre o que aconteceu com

base em dados históricos. As técnicas de análise descritiva resumem grandes
conjuntos de dados para descrever os resultados para os stakeholders.

Ao desenvolver KPIs (indicadores chave de desempenho), essas estratégias

podem ajudar a acompanhar o sucesso ou a falha dos objetivos principais.
Métricas como ROI (retorno sobre o investimento) são usadas em muitos
setores e métricas especializadas são desenvolvidas para acompanhar o
desempenho em setores específicos.

Um exemplo de análise descritiva é a geração de relatórios para fornecer uma

exibição dos dados financeiros e de vendas de uma organização.

Análise de diagnóstico

A análise de diagnóstico ajuda a responder perguntas sobre por que eventos

aconteceram. As técnicas de análise de diagnóstico complementam a análise
descritiva básica e usam as conclusões de análises descritivas para descobrir a
causa desses eventos. Em seguida, os indicadores de desempenho são
investigados mais detalhadamente para descobrir por que esses eventos
ficaram melhores ou piores. Esse processo geralmente ocorre em três etapas:

1. Identificar anomalias nos dados. Essas anomalias podem ser

alterações inesperadas em uma métrica ou em um mercado
específico.

2. Coletar dados relacionados a essas anomalias.

3. Usar técnicas estatísticas para descobrir relações e tendências que

explicam essas anomalias.

Análise preditiva

A análise preditiva ajuda a responder perguntas sobre o que acontecerá no

futuro. As técnicas de análise preditiva usam dados históricos para identificar
tendências e determinar se é provável que elas se repitam. As ferramentas
analíticas preditivas fornecem insights valiosos sobre o que pode acontecer no
futuro. As técnicas incluem uma variedade de técnicas de machine learning e
estatísticas, como redes neurais, árvores de decisão e regressão.

Análise prescritiva

A análise prescritiva ajuda a responder perguntas sobre quais ações devem ser
executadas para atingir uma meta ou um objetivo. Usando insights da análise
preditiva, as organizações podem tomar decisões controladas por dados. Essa
técnica permite que as empresas tomem decisões informadas em meio às
incertezas. As técnicas de análise prescritiva contam com as estratégias de
machine learning para encontrar padrões em grandes conjuntos de dados.
Analisando decisões e eventos anteriores, as organizações podem estimar a
probabilidade de diferentes desfechos.

Análise cognitiva

A análise cognitiva tenta extrair inferências de padrões e dados existentes,

derivar conclusões de bases de conhecimento existentes e adicionar essas
descobertas de volta à base de conhecimento para futuras inferências, um loop
de comentários de autoaprendizado. A análise cognitiva ajuda você a aprender
o que poderá acontecer se as circunstâncias mudarem e a determinar como
será possível lidar com essas situações.

As inferências não são consultas estruturadas com base em um banco de dados

de regras; elas são hipóteses não estruturadas obtidas de várias fontes e
expressas com diferentes graus de confiança. A análise cognitiva eficaz depende
de algoritmos de machine learning e usará vários conceitos de processamento
de idioma natural para compreender fontes de dados não exploradas
anteriormente, como logs de conversa de call center e análises de produtos.

Exemplo

Ao habilitar relatórios e visualizações de dados, uma empresa de varejo usa uma

análise descritiva para examinar os padrões de compras dos anos anteriores a
fim de determinar quais produtos podem ser populares no ano seguinte. A
empresa também pode examinar os dados de suporte para entender por que
um produto específico era popular e se essa tendência está continuando, o que
a ajudará a determinar se é necessário continuar a manter esse produto em
estoque.
Uma empresa pode determinar que um determinado produto era popular em
um período específico. Depois ela pode usar essa análise para determinar se
certos esforços de marketing ou atividades sociais online contribuíram para o
aumento nas vendas.

Uma faceta subjacente da análise de dados é que uma empresa precisa confiar
nos dados dela. Como prática, o processo de análise de dados capturará dados
de fontes confiáveis e os moldará em algo que seja consumível, significativo e
facilmente compreendido para ajudar no processo de tomada de decisões. A
análise de dados permite que, por meio de decisões e processos orientados por
dados, as empresas compreendam totalmente os dados que têm e, assim,
tenham confiança nas decisões que tomam.

À medida que a quantidade de dados aumenta, a necessidade de analistas de

dados cresce proporcionalmente. Um analista de dados sabe como organizar as
informações e depurá-las, transformando-as em algo significativo e
compreensível. Um analisa de dados sabe como reunir os dados certos e o que
fazer com eles, em outras palavras, entendendo os dados em sua sobrecarga.

Funções em dados
Concluído100 XP
 8 minutos
Fazer uma narrativa com os dados é um percurso que geralmente não começa
com você. Os dados precisam vir de algum lugar. Colocar esses dados em um
local que possa ser usado por você leva a um esforço que provavelmente está
fora do seu escopo, especialmente em consideração da empresa.

Os aplicativos e projetos de hoje podem ser grandes e complexos, geralmente

envolvendo o uso de habilidades e o conhecimento de vários indivíduos. Cada
pessoa contribui com um talento e uma experiência exclusivos, dividindo o
esforço do trabalho em conjunto e coordenando tarefas e responsabilidades
para concluir um projeto, desde a concepção até a produção.

No passado recente, funções como analista de negócios e desenvolvedores de

business intelligence eram o padrão para processamento e compreensão de
dados. No entanto, a expansão excessiva do tamanho e de diferentes tipos de
dados fez essas funções evoluírem para conjuntos de habilidades mais
especializados que modernizam e simplificam o processo de engenharia e
análise de dados.

As seguintes seções realçam as diferentes funções em dados e a

responsabilidade específica no espectro total, de descoberta e compreensão de
dados:

 Analista de negócios

 Analista de dados

 Engenheiro de dados

 Cientista de dados

 Administrador de banco de dados

Analista de negócios

Embora existam algumas semelhanças entre um analista de dados e um analista

de negócios, a principal diferença entre as duas funções é o que eles fazem com
os dados. Um analista de negócios está mais perto da empresa e é especialista
em interpretar os dados provenientes da visualização. Muitas vezes, as funções
do analista de dados e o analista de negócios podem ser a responsabilidade de
uma só pessoa.

Analista de dados

Um analista de dados permite que as empresas maximizem o valor dos ativos

de dados deles por meio de ferramentas de visualização e relatórios, como o
Microsoft Power BI. Os analistas de dados são responsáveis pela criação de
perfil, limpeza e transformação de dados. As responsabilidades deles também
incluem a criação de modelos de dados escalonáveis e eficientes e a habilitação
e implementação de funcionalidades analíticas avançadas em relatórios para
análise. Um analista de dados trabalha com os stakeholders pertinentes para
identificar os requisitos apropriados e necessários de dados e de relatórios,
depois tem a tarefa de transformar dados brutos em insights relevantes e
significativos.

Um analista de dados também é responsável pelo gerenciamento de ativos do

Power BI, incluindo relatórios, dashboards, workspaces e os conjuntos de dados
subjacentes usados nos relatórios. Eles têm a tarefa deles de implementar e
configurar procedimentos de segurança adequados, em conjunto com os
requisitos de stakeholder, para garantir a segurança de todos os ativos do
Power BI e dos dados que utilizam.

Os analistas de dados trabalham com engenheiros de dados para determinar e

localizar fontes de dados apropriadas que atendam aos requisitos de
stakeholder. Além disso, os analistas de dados trabalham com o engenheiro de
dados e o administrador de banco de dados para verificar se o analista tem
acesso adequado às fontes de dados necessárias. O analista de dados também
trabalha com o engenheiro de dados para identificar novos processos de coleta
de dados para análise ou aprimorar os processos existentes.

Engenheiro de dados

Os engenheiros de dados provisionam e configuram tecnologias de plataforma

de dados locais e na nuvem. Eles gerenciam e protegem o fluxo de dados
estruturados e não estruturados de várias fontes. As plataformas de dados
usadas podem incluir bancos de dados relacionais, bancos de dados não
relacionais, fluxos de dados e repositórios de arquivos. Os engenheiros de
dados também garantem que os serviços de dados se integrem de maneira
segura e direta uns aos outros.

As principais responsabilidades de engenheiros de dados incluem o uso de

serviços de dados locais e na nuvem e ferramentas para ingestão, saída e
transformação de dados de várias fontes. Engenheiros de dados colaboram com
stakeholders empresariais para identificar e atender aos requisitos de dados.
Eles criam e implementam soluções.

Embora talvez haja algum alinhamento nas tarefas e nas responsabilidades de

um engenheiro de dados e de um administrador de banco de dados, o escopo
de trabalho de um engenheiro de dados vai muito além de cuidar de um banco
de dados e do servidor em que ele está hospedado e, provavelmente, não inclui
o gerenciamento geral de dados operacionais.

Engenheiros de dados agregam um valor imenso a projetos de business

intelligence e ciência de dados. Quando os engenheiros de dados reúnem os
dados, um processo comumente chamado de estruturação de dados, os
projetos são concluídos, porque os cientistas de dados podem se concentrar
nas áreas de trabalho deles próprios.

Como analista de dados, você trabalharia em proximidade com um engenheiro

de dados para garantir que você possa acessar as diversas fontes de dados
estruturadas e não estruturadas, pois elas o ajudarão na otimização de modelos
de dados que normalmente são servidos de um data lake ou data warehouse
moderno.

Os administradores de banco de dados e os profissionais de business

intelligence podem fazer facilmente a transição para uma função de engenheiro
de dados; eles precisam aprender as ferramentas e a tecnologia usadas para
processar essas grandes quantidades de dados.

Cientista de dados

Os cientistas de dados realizam a análise avançada para extrair valor dos dados.
Seu trabalho pode variar de análise descritiva a análise preditiva. A análise
descritiva avalia os dados por meio de um processo conhecido como EDA
(análise exploratória de dados). A análise preditiva é usada no machine learning
para aplicar técnicas de modelagem que possam detectar anomalias ou
padrões. Essas análises são partes importantes dos modelos de previsão.
As análises descritiva e preditiva são apenas aspectos parciais do trabalho dos
cientistas de dados. Alguns cientistas de dados podem trabalhar na área de
aprendizado profundo, realizando experimentos iterativos para resolver um
problema de dados complexo com o uso de algoritmos personalizados.

Evidências não científicas sugerem que a maior parte do trabalho em um

projeto de ciência de dados é gasto em estruturação de dados e engenharia de
recursos. Os cientistas de dados podem acelerar o processo de experimentação
quando os engenheiros de dados usam as habilidades deles para estruturar os
dados com êxito.

À primeira vista, pode parecer que um cientista de dados e um analista de

dados fazem trabalhos completamente diferentes, mas não é verdade. Um
cientista de dados examina os dados para determinar as perguntas que
precisam de respostas e geralmente desenvolve uma hipótese ou um
experimento. Em seguida, recorrem ao analista de dados para auxiliar na
geração de relatórios e na visualização dos dados.

Administrador de banco de dados

Um administrador de banco de dados implementa e gerencia os aspectos

operacionais de soluções de plataformas de dados híbridas e nativas de nuvem
criadas nos serviços de dados do Microsoft Azure e no Microsoft SQL Server.
Um administrador de banco dados é responsável pela disponibilidade geral e
pelo desempenho e otimizações consistentes das soluções de banco de dados.
Eles trabalham em conjunto com os stakeholders para identificar e implementar
as políticas, as ferramentas e os processos para backup de dados e planos de
recuperação.

A função do administrador de banco de dados é diferente da função de um

engenheiro de dados. Um administrador de banco de dados monitora e
gerencia a integridade geral de um banco de dados e o hardware no qual ele
reside, enquanto um engenheiro de dados está envolvido no processo de
estruturação de dados, em outras palavras, ingestão, transformação, validação e
limpeza de dados para atender às necessidades e requisitos empresariais.

O administrador de banco de dados também é responsável por gerenciar a

segurança geral dos dados, concedendo e restringindo o acesso e os privilégios
dos usuários aos dados, conforme determinado pelas necessidades e requisitos
empresariais.
Tarefas de um analista de dados
Concluído100 XP
 10 minutos

Um analista de dados é uma das várias funções críticas em uma organização,

que ajuda a descobrir e a compreender as informações, a fim de manter a
empresa equilibrada e operando com eficiência. Portanto, é vital que um
analista de dados entenda claramente as responsabilidades dele e as tarefas
que são executadas quase diariamente. Os analistas de dados são essenciais
para ajudar as organizações a obter insights valiosos sobre a extensão dos
dados que elas têm e eles trabalham em conjunto com outras pessoas na
organização para ajudar a revelar informações valiosas.

A figura a seguir mostra cinco áreas principais com as quais você se envolverá
durante o processo de análise de dados.

Preparar

Como analista de dados, você provavelmente dividirá a maior parte do tempo

entre as tarefas de preparação e modelagem. Dados deficientes ou incorretos
podem ter um grande impacto que resulta em relatórios inválidos e perda de
confiança, além de ter um efeito negativo sobre as decisões empresariais, o que
pode levar a perda de receita, a um impacto negativo nos negócios e muito
mais.

Antes de ser possível criar um relatório, os dados precisam ser preparados. A

preparação de dados é o processo de criação de perfis, limpeza e transformação
de seus dados para que eles fiquem prontos para modelagem e visualização.

A preparação de dados é o processo de transformação de dados brutos em

informações confiáveis e compreensíveis. Ele envolve, entre outras coisas,
garantir a integridade dos dados, corrigir dados incorretos ou imprecisos,
identificar dados ausentes, converter dados de uma estrutura para outra ou de
um tipo para outro ou até mesmo uma tarefa tão simples quanto tornar os
dados mais legíveis.

A preparação de dados também envolve a compreensão de como você vai obter

e se conectar aos dados e as implicações das decisões no desempenho. Ao se
conectar a dados, você precisa tomar decisões para verificar se os modelos e
relatórios atendem aos requisitos e expectativas confirmados, inclusive em
termos de desempenho.
As garantias de privacidade e segurança também são importantes. Essas
garantias podem incluir a anonimização dos dados para evitar o excesso de
compartilhamento ou impedir que as pessoas vejam informações de
identificação pessoal quando isso não for necessário. Como alternativa, ajudar a
garantir a privacidade e a segurança poderá envolver a remoção desses dados
completamente se eles não se ajustarem à narrativa que você está tentando
moldar.

A preparação de dados geralmente pode ser um processo demorado. Os

analistas de dados seguem uma série de etapas e métodos para preparar dados
para colocação em um contexto e um estado adequado para eliminar a
qualidade insatisfatória dos dados e permitir que eles sejam transformados em
insights valiosos.

Modelar

Quando os dados estiverem em um estado adequado, eles estarão prontos para

serem modelados. A modelagem de dados é o processo de determinar como as
tabelas estão relacionadas entre si. Esse processo é feito por meio da definição
e da criação de relações entre as tabelas. Desse ponto em diante, você pode
aprimorar o modelo definindo métricas e adicionando cálculos personalizados
para enriquecer seus dados.

A criação de um modelo de dados eficaz e adequado é uma etapa crítica para

ajudar as organizações a entender e obter insights valiosos sobre os dados. Um
modelo de dados eficiente cria relatórios mais precisos, permite que os dados
sejam explorados com mais rapidez e eficiência, reduz o processo de escritura
do relatório e simplifica a manutenção futura dos relatórios.

O modelo é outro componente crítico que tem um efeito direto sobre o

desempenho do relatório e a análise de dados em geral. Um modelo mal
projetado pode ter um impacto extremamente negativo sobre a precisão e o
desempenho geral do seu relatório. Por outro lado, um modelo bem projetado
usando dados bem preparados vai garantir um relatório confiável e eficiente.
Essa noção é mais predominante quando você está trabalhando com os dados
em escala.

De uma perspectiva de Power BI, se o relatório estiver sendo executado

lentamente ou se as suas atualizações estiverem demorando muito, você
provavelmente precisará rever as tarefas de preparação e modelagem de dados
a fim de otimizar seu relatório.
O processos de preparação e modelagem de dados é um processo iterativo. A
preparação de dados é a primeira tarefa na análise de dados. Entender e
preparar seus dados antes de modelá-los tornará a etapa de modelagem muito
mais fácil.

Visualizar

É com essa tarefa de visualização que você consegue dar vida aos seus dados. A
meta final da tarefa de visualizar é resolver problemas empresariais. Um
relatório bem projetado deve ser uma narrativa atraente sobre esses dados, que
permitirá que tomadores de decisões empresariais obtenham os insights
necessários rapidamente. Usando visualizações e interações apropriadas, você
pode fornecer um relatório eficaz que orienta o leitor por meio do conteúdo de
maneira rápida e eficiente, permitindo, portanto, que o leitor siga uma narrativa
pelos dados.

Os relatórios criados durante a tarefa de visualização ajudam empresas e

tomadores de decisão a entender o que os dados significam, de modo que
decisões precisas e cruciais possam ser feitas. Os relatórios orientam as ações,
as decisões e os comportamentos gerais de uma organização que confia em
informações descobertas nos dados e depende delas.

A empresa pode comunicar que precisa de todos os pontos de dados em um

determinado relatório para ajudá-la a tomar decisões. Como analista de dados,
você deve reservar o tempo necessário para entender completamente o
problema que a empresa está tentando resolver. Determine se todos os pontos
de dados dela são necessários porque muitos deles podem dificultar a detecção
de pontos-chave. Ter uma narrativa de dados pequena e concisa pode ajudar a
encontrar ideias rapidamente.

Com os recursos internos de IA no Power BI, os analistas de dados podem criar

relatórios avançados sem necessidade de escrever nenhum código, que
permitem aos usuários obter insights e respostas e encontrar objetivos
acionáveis. As funcionalidades de IA em Power BI, como os visuais internos de
IA, permitem a descoberta de dados fazendo perguntas, usando o recurso
Insights Rápidos ou criando modelos de machine learning diretamente no
Power BI.

Um aspecto importante da visualização de dados é a concepção e a criação de

relatórios para acessibilidade. À medida que você cria relatórios, é importante
pensar sobre as pessoas que vão acessar e ler os relatórios. Os relatórios devem
ser criados pensando na acessibilidade desde o início, para que nenhuma
adoção especial seja necessária no futuro.
Muitos componentes do seu relatório ajudarão com a narrativa. Desde um
esquema de cores complementar e acessível, fontes e dimensionamento até a
escolha dos visuais certos para o que está sendo exibido, todos os elementos se
reúnem para fazer essa narrativa.

Analisar

A tarefa analisar é a etapa importante de entender e interpretar as informações

que são exibidas no relatório. Em sua função como analista de dados, você deve
compreender as funcionalidades analíticas do Power BI e usá-las para encontrar
insights, identificar padrões e tendências, prever resultados e comunicar esses
insights de maneira que todos possam entender.

A análise avançada permite que as empresas e as organizações estimulem uma

tomada de decisões melhor em toda a empresa, criem insights acionáveis e
resultados significativos. Com a análise avançada, as organizações podem fazer
uma busca detalhada nos dados para prever padrões e tendências futuros,
identificar atividades e comportamentos e permitir que empresas façam as
perguntas apropriadas sobre os dados delas.

Anteriormente, a análise de dados era um processo difícil e complexo que

normalmente era realizado por engenheiros de dados ou cientistas de dados.
Hoje, o Power BI torna a análise de dados acessível, o que simplifica o processo
de análise de dados. Os usuários, diretamente das respectivas áreas de trabalho,
podem obter insights rapidamente sobre os dados deles usando elementos
visuais e métricas, bem como publicar esses insights nos dashboards para que
outras pessoas possam encontrar as informações necessárias.

Esse recurso é outra área em que as integrações de IA no Power BI podem levar

sua análise para um nível mais elevado. As integrações com o Azure Machine
Learning, os serviços cognitivos e os visuais internos de IA ajudarão a enriquecer
seus dados e suas análises.

Gerenciar

O Power BI é composto por muitos componentes, incluindo relatórios,

dashboards, workspaces, conjuntos de informações e muito mais. Como analista
de dados, você é responsável pelo gerenciamento desses ativos do Power BI,
supervisionando o compartilhamento e a distribuição de itens como relatórios e
dashboards e garantindo a segurança de ativos do Power BI.

Os aplicativos podem ser um método de distribuição valioso para seu conteúdo

e permitem um gerenciamento mais fácil para grandes públicos-alvo. Esse
recurso também permite que você tenha experiências de navegação
personalizadas e vincule a outros ativos em sua organização para complementar
seus relatórios.

O gerenciamento do seu conteúdo ajuda a promover a colaboração entre

equipes e indivíduos. O compartilhamento e a descoberta de seu conteúdo são
importantes para que as pessoas certas obtenham as respostas de que
precisam. Também é importante ajudar a verificar se os itens são seguros. Você
quer ter certeza de que as pessoas certas têm acesso e que você não está
vazando dados para além dos stakeholders corretos.

O gerenciamento adequado também pode ajudar a reduzir os silos de dados

em sua organização. A duplicação de dados pode tornar difíceis o
gerenciamento e a introdução da latência de dados quando os recursos são
usados em excesso. O Power BI ajuda a reduzir os silos de dados com o uso de
conjuntos de dados compartilhados e permite reutilizar os dados que você
preparou e modelou. Para dados corporativos importantes, o endossamento de
um conjunto de dados como certificado pode ajudar a garantir a confiança
nesses dados.

O gerenciamento de ativos do Power BI ajuda a reduzir a duplicação de esforços

e a garantir a segurança dos dados.
Resumo
Concluído100 XP
 1 minuto

Neste módulo, você aprendeu que a função de analista de dados é vital para o
sucesso de uma organização. Além disso, as tarefas que os analistas de dados
executam ajudam a verificar se as decisões empresariais são baseadas em dados
confiáveis. Você também conferiu as diferentes funções que trabalham com os
dados e como as pessoas nessas funções trabalham em parceria próxima com
um analista de dados para fornecer insights valiosos sobre os ativos de dados
de uma empresa.