Escolar Documentos
Profissional Documentos
Cultura Documentos
Fonte: https://www.mitsloanreview.com.br/post/quatro-tendencias-surgidas-a-partir-do-uso-de-analytics?utm_source=googleadwords&gclid=Cj0KCQjw8O-VBhCpARIsACMvVLMOleVwWiX-
ePV_xoaVLoJydvGNSvr5Gmh0yt0FXUr_o6QkmwwyqEEaAusvEALw_wcB
Dados, dados, dados...
Fonte: Neoway (2022) GUIA DATA DRIVEN: Como usar os dados para aperfeiçoar os processos
da sua empresa. Disponível em https://cloud.conteudo.neoway.com.br, consultado em 4/jul/2022
Dados, dados, dados...
Conceitos relacionados:
• Big Data
• Data Mining
• Machine Learning
• Deep Learning
Definindo os conceitos
Decisão
Valor
• O produto final da Business Analytics Decisão
é a decisão e o objetivo fundamental
é a geração de valor
1. Governança e processos
5. Metadados (metadata)
• Existem hoje 3 tipos ou níveis de dados com os quais se pode operar em Analytics. Eles que são
conhecidos como first, second e third-party data ou dados primários, secundários e terciários
em português.
• Os dados primários (first-party data) são aqueles gerados ou obtidos diretamente pela empresa
que está fazendo atividades de Analytics. Sua fontes são a interação imediata com clientes,
colaboradores ou fornecedores.
• Dados primários são gerados normalmente pelo ERP, pelos sistemas de emissão de notas fiscais,
pelos controles de estoques ou mesmo por observação direta do comportamento dos clientes
em ambientes físicos ou virtuais. Os SACs e sistemas de apoio a usuários também são
importantes fontes de dados primários. Idem para as análises feitas nas redes sociais.
• Os dados secundários e terciários são menos específicos.
• Os dados secundários (second-party data) em geral são gerados por parceiros que ocupam
outros elos nas cadeias de valor. Um bom exemplo são os varejistas em relação aos industriais,
os concessionários em relação ao fabricantes de automóveis e os vendedores comissionados,
franqueados ou corretores. Sua interface com o cliente é mais direta e, por isso, os dados
registrados por eles são valiosos.
• Já os dados terciários (third-party data) são mais ligados ao ambiente de negócios ou ao setor
de atuação das empresas de modo geral. Dados de associações, sindicatos ou mesmo de órgãos
públicos como o IBGE refletem uma dinâmica mais ampla do mercado no qual a empresa atual
(são ambientais).
• Um bom Analytics faz uso de todas as combinações possíveis de todos esses dados.
Dimensões relevantes do Analytics
4. Integridade e segurança de dados
• Integridade refere-se à manutenção e à garantia da precisão e consistência dos dados durante
todo o seu ciclo de vida e é um aspecto crítico para a arquitetura de Analytics, isto é,
implementação e uso de qualquer sistema que armazene, processe ou recupere dados.
• O termo às vezes é usado como sinônimo para qualidade de dados, sendo que, nesse contexto,
a validação de dados se torna um pré-requisito para sua integridade. Ao mesmo tempo,
integridade de dados é o oposto da corrupção/adulteração de dados.
• A intenção geral de qualquer técnica de integridade de dados é a mesma: garantir que os dados
sejam registrados exatamente como pretendido, rejeitando-se inconsistências, por exemplo
(uma pessoa não pode estar viva e morta ao mesmo tempo ou, se estiver morta, não pode ser
funcionário de uma dada empresa ou estar fazendo compras em dado estabelecimento). Além
disso, a integridade visa garantir que um dado não seja alterado pelo simples fato de ter sido
acessado ou consultado.
• A integridade pode ser física (geralmente associada às condições de armazenamento) ou lógica
(quando se refere ao conteúdo). Dados corrompidos em geral sofreram em sua integridade
física. Dados alterados de forma não intencional ou fraudulenta sofreram em sua integridade
lógica.
• Em suma: a integridade dos dados visa evitar alterações não intencionais ou fraudulentas nas
informações. Integridade de dados não deve ser confundida com segurança de dados. Dados
podem ser “roubados” sem que sua integridade seja afetada.
• Ao mesmo tempo, uma ameaça à integridade é a fraude, que envolve tanto aspectos de
segurança (acesso indevido e com intenção criminosa) quanto de integridade (uma alteração
intencional fraudulenta).
Dimensões relevantes do Analytics
5. Metadados (metadata)
• O termo metadados (metadata em inglês) refere-se a dados (registros) sobre dados. Eles
permitem obter informações sobre um ou mais aspectos sobre os próprios dados.
• Um exemplo simples é dizer: a cada dia são geradas tantas mil curtidas em um dado vídeo do
Youtube. Ou ainda, metade das pessoas que curtiram dada publicação têm menos de 30 anos.
• Outro exemplo são dados relativos a uma imagem (que, em si, também já é um dado ou
registro), como dimensão, data em que foi gerado, se possui ou não direitos autorais etc.
• Uma divisão comum refere-se à distinção entre metadados estruturais e metadados-guia.
• Os metadados estruturais descrevem a estrutura dos objetos do banco de dados: como quantas
colunas e linhas tem uma tabela, quantas páginas tem um livro, quantas observações foram
coletadas em uma pesquisa de campo, quanto tempo se levará lendo um texto na internet,
quantas vezes um dada palavra aparece em um texto. Outro exemplo de interesse são dados
relativos a origens e destinos de chamadas telefônicas, que vão além do próprio conteúdo
• Os metadados-guia nos ajudam a encontrar itens específicos numa pesquisa: busca por
palavras-chave, rash tags, frequência com que um dado artigo é citado, quantas pessoas com
um mesmo nome (homônimas) existem em uma dada população.
• Um terceiro tipo de metadado de interesse óbvio no mundo virtual são os dados de
acessibilidade, que passaram a ser considerados uma categoria própria nas últimas décadas.
• Metadados também são armazenados em bancos ou repositórios de metadados e também
podem ser objeto de estruturação (tratamento e organização) e análises (Data Mining). Projetar
como deverá evoluir o número de inscritos ou seguidores em dado perfil das redes sociais é um
exemplo de análise de preditiva com metadados.
Dimensões relevantes do Analytics
6. Produtos de dados (data products)
• A definição mais aceita de produtos de dados foi feita por Benjamin Bengfort no artigo “The
Age of Data Products”: São “mecanismos econômicos autoadaptados e de ampla aplicação que
derivam seu valor dos dados, além de gerarem mais dados capazes de influenciar o
comportamento humano ou fazendo inferências e previsões”.
• Em outras palavras, em primeiro lugar, produtos de dados usam dados como matéria-prima.
Mas, assim como certos ingredientes culinários, os produtos de dados utilizam dados de
maneiras que se adaptam em razão do tipo de dado e da necessidade do usuário do produto.
• Um exemplo: o número de clientes que frequentam um restaurante a cada dia pode servir para
medir a sazonalidade (dias da semana com maior ou menor frequência) ou projetar o
faturamento mensal. Cruzando esses dados com o tipo de refeição que tem maior ou menor
demanda, pode-se organizar melhor as compras.
• Nesse exemplo, os mesmos dados, com ou sem cruzamento (modelagem) com outros revelou
diferentes mecanismos que, ao serem interpretados e apoiarem a tomada de decisão, se
caracterizam como produtos de dados.
• Assim, um produto de dados se caracteriza por utilizar dados como matéria-prima (como já foi
dito) e transformá-los em informações úteis para a geração de valor. Podem ser relatórios,
dashboards, gráficos, infomapas, projeções, correlações, alertas.
• Um bom produto de dados transmite uma mensagem clara ao tomador de decisão e, às vezes,
também sugere a adoção de uma ou mais decisões com vistas a favorecer o atingimento de um
dado objetivo ou meta estratégicos.
• Um bom produto de dados também se direciona a uma necessidade ou “dor” da organização,
contribuindo para a tomada de decisão baseada em dados (data driven decision process).
Desafio rápido
• Dados
• Data Mining
• Governança de dados
• Produtos de dados
E o Design Thinking?
BI BA
Relatórios
Análises preliminares Projeções estatísticas
Abordagens e
Gráficos Modelos econométricos
métodos Indicadores e KPIs Cenários
BI Coleta, análise e
visualização de dados
Identificação de “dores”
Análise
descritiva
Geração de relatórios
BA
Análises:
De diagnóstico
Preditiva
Prescritiva
3. Diferenciando
5. Complementaridade
6. Inteligência competitiva
BI versus BA
1. O que é business intelligence?
Vamos entender cada ideia separadamente. O business intelligence, ou BI, pode ser
traduzido para “inteligência de negócios” ou mesmo “inteligência de mercado”. Seu papel é,
essencialmente, dar suporte aos empreendedores na criação e execução de um
planejamento estratégico. Isso é feito por meio de um conjunto de métodos, processos e
teorias que permitem às empresas mensurarem suas variáveis e KPIs.
O BA preza por velocidade, otimização e entrega de resultados práticos. É dele que surgem
relatórios, noções qualitativas e quantitativas e tantos outros elementos que trazem uma
exploração mais aprofundada do tema em questão. É mais do que saber como e quando;
você também fica sabendo o porquê.
Fonte: https://www.mitsloanreview.com.br/post/quatro-tendencias-surgidas-a-partir-do-uso-de-analytics?utm_source=googleadwords&gclid=Cj0KCQjw8O-
VBhCpARIsACMvVLMOleVwWiX-ePV_xoaVLoJydvGNSvr5Gmh0yt0FXUr_o6QkmwwyqEEaAusvEALw_wcB
BI versus BA
3. Diferenciando...
Os dois conceitos são realmente parecidos O modo mais fácil de lembrar a diferença entre
eles é vendo um como evolução do outro. O business analytics surgiu do business
intelligence, desenvolvendo-se das técnicas de métricas mais antigas.
Fonte: https://www.mitsloanreview.com.br/post/quatro-tendencias-surgidas-a-partir-do-uso-de-analytics?utm_source=googleadwords&gclid=Cj0KCQjw8O-
VBhCpARIsACMvVLMOleVwWiX-ePV_xoaVLoJydvGNSvr5Gmh0yt0FXUr_o6QkmwwyqEEaAusvEALw_wcB
BI versus BA
Fonte: https://www.mitsloanreview.com.br/post/quatro-tendencias-surgidas-a-partir-do-uso-de-analytics?utm_source=googleadwords&gclid=Cj0KCQjw8O-
VBhCpARIsACMvVLMOleVwWiX-ePV_xoaVLoJydvGNSvr5Gmh0yt0FXUr_o6QkmwwyqEEaAusvEALw_wcB
BI versus BA
5. Complementaridade
Esses sistemas não são inimigos ou donos de territórios exclusivos. Eles podem e devem
coexistir! Se o BA nada mais é do que um expoente do BI, não há razão para se livrar do
“original”. Na verdade, o business intelligence fornece o básico para que o analytics consiga se
firmar.
O que o BI faz é coletar informações, mensurá-las e montar relatórios que expliquem o que está
acontecendo com a empresa em diversos sentidos: entre os concorrentes, entre os consumidores,
na própria equipe, etc. Como não é tão simples criar projeções futuras apenas com tais relatórios,
o BA se torna um próximo passo fundamental. Daí para frente, o business analytics se baseia no
que já foi feito para um estudo minucioso e acessível dos dados, além de fornecer também
elementos complementares e possíveis soluções a serem empregadas. É uma continuação
inevitável do trabalho anterior, não acha?
Fonte: https://www.mitsloanreview.com.br/post/quatro-tendencias-surgidas-a-partir-do-uso-de-analytics?utm_source=googleadwords&gclid=Cj0KCQjw8O-
VBhCpARIsACMvVLMOleVwWiX-ePV_xoaVLoJydvGNSvr5Gmh0yt0FXUr_o6QkmwwyqEEaAusvEALw_wcB
6. E a inteligência competitiva?
Enquanto a inteligência competitiva trata do processo de coletar e analisar dados do mercado para
transformá-los em informação, com foco na concorrência e na competitividade da empresa, a
inteligência de negócios remete ao uso de dados nos vários setores da organização, com profissionais
de diferentes áreas usando os dados para embasar suas decisões.
Na inteligência competitiva, a empresa de um modo geral é fonte de dados, mas quem utiliza as
informações são as pessoas do nível estratégico, ou seja, a alta gerência da organização. Isso porque as
decisões estratégicas são fruto de planejamento de longo prazo, definição de objetivos organizacionais
e as estratégias para alcançá-los.
Já o BI visa oferecer informações ao maior número possível de responsáveis por tomadas de decisão,
em seus mais diversos níveis. Este fato está relacionado ao conceito de Gerenciamento de Desempenho
Corporativo, que propõe a provisão de valor estratégico completo.
De modo resumido, pode-se dizer que as principais diferenças entre os dois conceitos está no tipo e
origem dos dados e para quem as informações são destinadas.
Fonte: https://www.mitsloanreview.com.br/post/quatro-tendencias-surgidas-a-partir-do-uso-de-analytics?utm_source=googleadwords&gclid=Cj0KCQjw8O-
VBhCpARIsACMvVLMOleVwWiX-ePV_xoaVLoJydvGNSvr5Gmh0yt0FXUr_o6QkmwwyqEEaAusvEALw_wcB
Atividade:
iniciando a construção de case ficcional
• Hipermercados
• Administradoras de cartão de crédito
• Empresas de seguro de vida e saúde
• Indústria farmacêutica
Elementos básicos da arquitetura
de BI/BA: eco sistemas
Um ecossistema de dados é o ambiente de
interação entre redes/sistemas e atores
codependentes que contribuem para a
coleta, transferência e uso de dados.
Fonte:https://tatianecosvieira.wordpress.com/tag/business-intelligence/
Elementos básicos da arquitetura de
BI/BA: DATA WAREHOUSING
Arquitetura
Inputs para BA
Fonte da figura:https://tatianecosvieira.wordpress.com/tag/business-intelligence/
Elementos básicos da arquitetura de
BI/BA: DATA LAKING
Na arquitetura com
data lake os dados são
armazenados de
forma não
estruturada.
A etapa ETL é
realizada na medida
da demanda dos
usuários de produtos
de dados, podendo
ser armazenadas em
mini data warehouses
ou data marts
Dados
Tomada
ETL BI BA de
Data
decisão
Warehouse
BI Interface BA
Proposta conceitual: BI&A
ou Decision Intelligence
Estratégia Empresarial
BI BA Decisão
• Relatórios • Insights • Preço
• Análises • Diagnóstico • Investimento
• Dashboards • Descrição • Marketing
• OLAP • Previsão • Gestão de Pessoas
• Data Mining • Prescrição • Gestão Financeira
• Métricas,
indicadores e metas
Atividade:
seguindo na construção de case ficcional
• Pessoas
Processo organizacional
e fluxos de informação • Processos
alinhados • Tecnologia
Fonte: https://www.sbkbs.com.br/insights/transformacao-digital-nas-empresas-impactos/
Maturidade Digital
• Elevada maturidade digital não significa apenas a adesão às novas tecnologias. Mas
também o preparo da companhia para fazer uso dos recursos a fim de melhorar os
resultados da operação. Isso, principalmente, no que diz respeito ao relacionamento
com clientes, colaboradores e fornecedores.
• O índice mostra o quanto a empresa está preparada para esses desafios. Com isso,
utiliza as tecnologias de forma inteligente e estratégica para alcançar diferenciais de
mercado.
Fonte: https://www.sbkbs.com.br/insights/transformacao-digital-nas-empresas-impactos/
Analytics Maturity Model (AMM)
O modelo Analytics Maturity Model (AMM), foi desenvolvido pelo Data Warehouse
Institute (TDWI) como uma atualização do Business Intelligence Maturity Model, para
adaptar-se a questões como a tecnologia que se desenvolve rapidamente e a crescente
importância da gestão de dados. O modelo destaca ainda a importância da
disseminação organizacional, o apoio político e a definição de padrões institucionais
para o BI&A.
Maturidade Digital no Brasil
Com o objetivo de entender o efeito do processo de digitalização no Brasil, a McKinsey realizou um
estudo com 124 empresas de grande e médio porte em diversos setores para mensurar a maturidade
digital das empresas que atuam no país.
Para tanto, utilizou-se a ferramenta proprietária Analytics & Digital Quotient (A&DQ), que avalia 22
práticas de gestão críticas para o sucesso da transformação digital e captura de resultado financeiro,
distribuídas entre as quatro dimensões mencionadas. A ferramenta A&DQ atribui uma pontuação única
que permite conduzir um benchmarking entre empresas pares e líderes em âmbito global.
Fonte: https://www.mckinsey.com/br/our-insights/transformacoes-digitais-no-brasil
3 referências em BI&A
Com a análise de dados, o Pão de Açúcar foi capaz de identificar questões relevantes do
relacionamento com o cliente. Por exemplo: os produtos de maior afinidade, as marcas
preferidas e os itens mais consumidos.
A partir dessas informações, a empresa passou a conhecer melhor os hábitos de consumo dos
clientes e gerar informações próprias. Dessa maneira, utilizou a análise preditiva para aumentar
a relevância da própria marca diante do público.
Uma das estratégias desenvolvidas pela marca foi um software criado para atletas. A
plataforma gerava informações como batimentos cardíacos, velocidade, quantidade de
passos dados, distância percorrida, entre outros. Nesses casos, o consumidor tinha
acesso a informações do seu interesse sobre a sua prática esportiva e a empresa
também.
Outro diferencial está nos preços dos produtos. Com a análise de dados da concorrência, a
demanda dos consumidores e a disponibilidade de mercadorias, os preços podem mudar a
cada 10 minutos. Tudo para deixar os valores mais competitivos e alinhados com o mercado.
Fonte: https://www.sbkbs.com.br/insights/analise-de-dados/
Fonte: https://br.pinterest.com/pin/851954454497616050/
Atividade:
seguindo com a construção de case ficcional
• Foco no produto
Product
• Definição do backlog do
Owner
produto
• Interação mais próxima
com o cliente
• Tomada de decisão
Analista de
Negócios Nível Analítico
• Diagnóstico de problemas
• Identificação de possíveis
soluções
• Previsão e propostas de
melhoria
• Recomendação de ações
https://www.youtube.com/watch?v=0U11iGCNmDU
BACCM – Business
Analysis Core Concept
Model
As 6 dimensões (conceitos) do BACCM
É de grande importância
dominar esses termos e seu
significado!
As 6 dimensões (conceitos) do BACCM
Adaptado de : https://doi.org/10.1080/2573234X.2018.1507324
Valor e complexidade
Valor estratégico
Simulações
Data mining
Machine learing
A análise descritiva, também chamada de exploratória, utiliza técnicas estatísticas para expor os dados
como estão no momento. Essa análise pode ser
Apesar de ser um processo mais básico e relativamente simples de ser feito, uma boa análise descritiva
consegue responder muitas perguntas de negócio de maneira imediata. Por exemplo, qual artigo teve
maior número de acessos no blog? Essa pergunta pode ser respondida apenas com a organização do
banco de dados ou com a construção de um gráfico. Essa análise não exige um modelo estatístico
nem cálculos muito complexos, apenas uma apresentação inteligível dos dados.
Esse tipo de análise é a mais presente em relatórios estatísticos simples, gerados automaticamente. É
importante para ver quais foram os resultados de diferentes áreas da empresa e ajudar nos insights
sobre o que funcionou ou não. Nesse processo são apresentadas estatísticas descritivas, que
descrevem os dados como média, mediana, moda, máximo, mínimo, percentis entre outros.
Mas a estatística não serve apenas para olhar para o passado e entender o que houve, ela também
ajuda a se preparar para o futuro. Uma das formas de fazer é prever o que irá acontecer e isso só é
possível com uma análise preditiva.
Adaptado de : https://doi.org/10.1080/2573234X.2018.1507324
O modelo preditivo é julgado pelo seu desempenho preciso. Ele precisa ser inteligível e oferecer
resultados confiáveis já que é com base neles que são tomadas as decisões dentro de uma empresa.
Por exemplo, lojas com um enorme histórico de vendas como o Walmart conseguem prever quais os
produtos mais procurados e que vendem mais depois de uma tempestade ou durante os diferentes ciclos
de vida de uma pessoa. Sabendo quais produtos vendem mais em determinado momento é possível se
preparar para o que irá acontecer.
Uma análise preditiva também é capaz de encontrar qual o perfil de cliente que tende a não renovar
contrato com uma empresa ou aqueles que têm grande chance de pedir um cancelamento do serviço.
Quando conseguimos identificar esses pontos de interesse e prever como eles irão se comportar
podemos passar para a próxima etapa que é: o que fazer com essa informação? Após saber que as
pessoas compram mais água depois de uma tempestade como se preparar para esse acontecimento?
Depois de identificar quais clientes têm mais chance de deixar a empresa, o que fazer com eles? Qual
ação vai trazer mais resultados positivos para a empresa? É aí que entramos na análise prescritiva.
Adaptado de : https://doi.org/10.1080/2573234X.2018.1507324
Essas três frentes unidas são capazes de recomendar ações tomadas de maneira automática, otimizar os
processos e escalar a tomada de pequenas decisões. Assim é possível economizar tempo e alcançar
melhores resultados.
A ideia aqui é fornecer recomendações inteligentes para ajudar a alterar o futuro. Enquanto as análises
preditivas preveem futuros possíveis, as análises prescritivas criam suas recomendações específicas para lidar
com esse futuro.
O aplicativo Waze é um exemplo claro de aplicação cotidiana dessa análise. Nele é possível colocar um lugar
de partida e um destino para que o app calcule as rotas possível, quanto tempo cada rota demora para ser
feita e indica qual a melhor para aquele dia e horário.
As análises prescritivas na maioria das vezes dependem de um esforço em equipe para funcionarem. É
preciso criar recomendações alinhadas com o contexto da empresa e com as condições de cada equipe que
irá realizar essas ações.
Ainda, a prescrição pode ser resultado de uma ferramenta de simulação de cenários, criada a partir de
análises preditivas, onde a simulação envolve também a parametrização realizada pelos tomadores de
decisão. Assim, podem visualizar diferentes resultados possíveis a partir de parâmetros pré-estabelecidos.
Fonte: https://operdata.com.br/blog/qual-a-
diferenca-entre-analise-descritiva-preditiva-e-
prescritiva/
Análise exploratória
de dados – Data
Analytics
John Tukey e a Análise Exploratória
de Dados
https://www.pensador.com/frase/MjcyMjYzOQ/
(1915 – 2000)
https://en.wikipedia.org/wiki/John_Tukey
Dos dados à sabedoria (conhecimento
decisório): a pirâmide DIKW (data,
information, knoledge, wisdom)
Tomada de decisão
Futuro
Interpretação,
Conhecimento significado para o
negócio
Organização e
Informação processamento: dados
estruturados
Passado
https://www.gratispng.com/png-pcw2vg/
Geração de Dados Estruturados
• Contínuos: qualquer valor em um intervalo, como velocidade, tempo,
temperatura
• Discretos: assumem apenas valores inteiros, como unidades de um
dado bem, número de acessos a uma área de um site ou número de
conexões em uma rede social
• Categóricos: assumem apenas um conjunto
específico de valores que representam
categorias, como CEP, profissão,
escolaridade
• Binários: caso especial de categorias tipo 0
ou 1, sim ou não
• Ordinais: permitem classificação apenas
ordinal, como a sequência em que pedidos
foram colocados ou que clientes foram
atendidos
https://www.gratispng.com/png-pcw2vg/
Data mining
A mineração de dados não é uma nova tecnologia e pode ser encontrada
nas antigas civilizações do Oriente Médio que viviam próximas aos rios do
Crescente Fértil.
Desde o século passado, as pessoas analisam dados em computadores
desde que os computadores foram inventados.
Adaptado de:https://www.linkedin.com/pulse/semma-kdd-ou-crisp-dm-
existe-bala-de-prata-para-frameworks-silva/?originalSubdomain=pt
KDD
Embora KDD e data mining sejam frequentemente entendidos como
sinônimos, é importante frisar que, enquanto o KDD compreende todas as
etapas para a descoberta do conhecimento a partir da existência de dados,
a Mineração de Dados é apenas e tão somente uma das etapas do
processo. O processo é interativo e iterativo. Interativo, pois o usuário pode
interferir e controlar o curso das atividades. Iterativo, por ser uma sequência
limitada de operações onde o resultado de cada uma é dependente dos
resultados das antecedentes.
▪ Entendimento de negócio;
▪ Entendimento dos dados;
▪ Preparação dos dados;
▪ Modelagem dos dados;
▪ Avaliação dos resultados;
▪ Deployment (implantação).
https://www.linkedin.com/pulse/semma-kdd-ou-crisp-dm-existe-
bala-de-prata-para-frameworks-silva/?originalSubdomain=pt
DALC – Data Analytics Life Cycle
1.
• O DALC se insere nas fases Descoberta:
6. Avaliação
Descritiva e Preditiva do BI&A do modelo –
definição do
• É um dos momentos de maior problema/
objetivo
interação entre o analista de
negócios e os cientistas de
dados 5. 2. Coleta/
• São de grande importância Comunicação extração de
conceitos como SQL, Data dos resultados dados
Warehouse e ETL
• Na pirâmide DIKW, situa-se
entre as fases de informação e 3.
4.
conhecimento Modelagem/
Estruturação:
organização e
transformação
carregamento
Fonte: https://medium.com/@kvmoura/ciclo-de-vida-dos-dados-4-4a6a6cd552b5
Atividade: Trabalho em Grupo
Data Analytics Life Cycle
Fonte: https://medium.com/@kvmoura/ciclo-de-vida-dos-dados-4-4a6a6cd552b5
Atividade: Trabalho em Grupo
Data Analytics Life Cycle
Fonte: https://medium.com/@kvmoura/ciclo-de-vida-dos-dados-4-4a6a6cd552b5