<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Livia Fazolato on Medium]]></title>
        <description><![CDATA[Stories by Livia Fazolato on Medium]]></description>
        <link>https://medium.com/@fazolato.livia?source=rss-825c8d9b5a4e------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*v8K_7uetwRgxSnS3EOCHwA@2x.jpeg</url>
            <title>Stories by Livia Fazolato on Medium</title>
            <link>https://medium.com/@fazolato.livia?source=rss-825c8d9b5a4e------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 09:06:19 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@fazolato.livia/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Além dos dashboards: o papel estratégico da IA Generativa na nova era do BI]]></title>
            <link>https://medium.com/@fazolato.livia/al%C3%A9m-dos-dashboards-o-papel-estrat%C3%A9gico-da-ia-generativa-na-nova-era-do-bi-cb702c53b57d?source=rss-825c8d9b5a4e------2</link>
            <guid isPermaLink="false">https://medium.com/p/cb702c53b57d</guid>
            <category><![CDATA[emerging-technology]]></category>
            <category><![CDATA[business-intelligence]]></category>
            <category><![CDATA[ai]]></category>
            <dc:creator><![CDATA[Livia Fazolato]]></dc:creator>
            <pubDate>Thu, 10 Apr 2025 11:31:41 GMT</pubDate>
            <atom:updated>2025-04-10T11:31:41.713Z</atom:updated>
            <content:encoded><![CDATA[<p>Este artigo foi produzido no contexto da disciplina de <strong>Tecnologias Emergentes</strong>, parte do <strong>MBA do IBMEC</strong>, integrando as turmas de <strong>BI &amp; Data Science</strong> e <strong>CIO</strong>. Seu objetivo é refletir sobre o papel da <strong>Inteligência Artificial Generativa (GenAI)</strong> na transformação da análise de dados nas organizações, com base em dois estudos recentes e complementares: um da <strong>Microsoft Research</strong>, focado no ciclo analítico como um todo, e outro da <strong>Tilburg University</strong>, centrado no momento de entrega e interpretação dos dados.</p><p>Este trabalho também contou com o suporte do <a href="https://chatgpt.com/g/g-kZ0eYXlJe-scholar-gpt"><strong>ScholarGPT</strong></a>, utilizado desde o início para o mapeamento de artigos relevantes, estruturação dos blocos analíticos e levantamento de trechos chave em inglês para facilitar a validação conceitual. No entanto, a construção do texto passou por um processo intenso de curadoria: <strong>houve alucinações, leituras superficiais por parte da IA e inconsistências</strong> que precisaram ser identificadas e corrigidas. Desde a definição da pauta — focada em como a IA generativa pode substituir a multiplicidade de dashboards e democratizar a análise de dados — até a versão final, foi necessário ajustar a narrativa, solicitar aprofundamentos, e garantir <strong>a fidelidade às fontes primárias</strong>.</p><p>O uso de trechos originais dos artigos (em inglês) ao longo do texto também foi uma escolha intencional: além de facilitar a verificação, contribui para um aprofundamento técnico e metodológico da discussão. Em resumo, este artigo é fruto de uma <strong>colaboração crítica com a IA</strong>, mas <strong>guiada pelo senso humano de coerência, utilidade e responsabilidade</strong>.</p><blockquote><strong><em>A IA generativa não elimina o papel humano — ela amplia a sua potência.</em></strong></blockquote><h3>1. Da arquitetura analítica à interface inteligente: a visão da Microsoft</h3><p>O estudo <em>Data Analysis in the Era of Generative AI</em> (Inala et al., 2024), conduzido por pesquisadores da <strong>Microsoft Research</strong>, apresenta uma crítica robusta ao modelo atual de análise de dados: <strong>fragmentado, técnico, com alta carga cognitiva e barreiras de acesso para profissionais não especializados.</strong></p><p>Nesse cenário, os autores propõem uma reconfiguração do processo com o apoio da GenAI, atuando como <strong>copiloto em todas as etapas do CRISP-DM</strong> — um framework clássico que estrutura projetos de ciência de dados em seis fases: <strong>compreensão do negócio, compreensão dos dados, preparação dos dados, modelagem, avaliação e entrega dos resultados</strong>.</p><blockquote><em>“GenAI systems can support each individual stage of the data analysis process… These systems reduce the need for users to learn new tools and allow them to focus on higher-order thinking and decision-making.”<br> </em>(Microsoft Research, p. 5–6)</blockquote><p>A proposta central não é apenas substituir tarefas, mas <strong>reconfigurar a interface da análise</strong>. Com GenAI, comandos técnicos são traduzidos em interações naturais, e outputs ganham forma de explicações contextuais, personalizadas ao perfil de cada usuário.</p><blockquote><em>“Users face considerable overhead switching between tools… and must possess diverse skill sets. GenAI can mitigate these barriers by supplementing the existing expertise with complementary capabilities.”<br> </em>(p. 4–5)</blockquote><p>Nesse novo arranjo, o analista deixa de ser um executor técnico e passa a assumir o papel de <strong>mediador estratégico</strong>, direcionando perguntas, validando caminhos e conectando os dados ao negócio.</p><p>Ainda assim, o estudo destaca os <strong>desafios reais da implementação</strong>:</p><ul><li>Garantir <strong>transparência, confiabilidade e rastreabilidade</strong>;</li><li><strong>Evitar alucinações</strong> em decisões críticas;</li><li>Ajustar o comportamento do sistema à <strong>preferência e ao perfil do usuário</strong>.</li></ul><blockquote><em>“Ensuring trust, explainability, and reliability remains a significant challenge when deploying them in high-stakes analytical environments.”<br> </em>(p. 10)</blockquote><p>Por isso, os autores encerram com um alerta importante: <strong>para que sistemas com GenAI sejam efetivos, precisam ser construídos a partir da escuta ativa dos usuários reais — com base em estudos que revelem preferências, dificuldades e necessidades específicas.</strong></p><blockquote><em>“We emphasize the need for comprehensive user studies to discern preferences and optimize AI-driven tools for data analysis users… to help bridge the gap between complex data and actionable insights for a wide-range of users.”<br> </em>(p. 15–16)</blockquote><h3>2. Da visualização à explicação: o redesenho da entrega analítica</h3><p>O estudo <em>Enhancing Business Dashboards with Explanatory Analytics &amp; AI</em> (Valkenburgh, 2024), da <strong>Tilburg University</strong>, parte de uma realidade recorrente nas organizações: a <strong>proliferação de dashboards que, embora bem elaborados, acabam dificultando mais do que facilitando a compreensão dos dados</strong>. Ao longo do tempo, os dashboards se consolidaram como uma solução padrão de BI — focada majoritariamente em visualizações descritivas. No entanto, com o crescimento exponencial do volume de dados e a fragmentação das análises, <strong>muitas empresas passaram a acumular dezenas de painéis por área</strong>, sem curadoria centralizada, padronização visual ou documentação mínima. Falta governança de dados. Falta contexto. Falta direcionamento. Como resultado, <strong>o acesso à informação se torna um gargalo</strong>, especialmente para públicos não técnicos que, diante de gráficos isolados, têm dificuldade em interpretar o que de fato importa: o <em>porquê</em> por trás dos números.</p><p>O autor propõe um avanço: de dashboards visuais para sistemas explicativos narrativos. O artefato desenvolvido, chamado <strong>Explanatory Text Generator (ETG)</strong>, usa GPT-4 para transformar árvores explicativas em <strong>textos compreensíveis, contextuais e adaptados ao público.</strong></p><blockquote><em>“By combining existing explanatory models with GPT-4, AI can generate coherent and contextually relevant textual explanations instead of figures, particularly helpful when a user is lacking data analysis skills or domain knowledge.”<br> </em>(Tilburg, p. 73)</blockquote><p>O ETG foi testado com usuários em três formatos de apresentação: uma tabela com dados formais, uma árvore explicativa visual e o texto gerado automaticamente pela IA. <strong>O formato considerado mais útil para a tomada de decisão foi o textual</strong>, mesmo que tecnicamente menos preciso. O insight central aqui é poderoso: <strong>em contextos de negócio, clareza supera sofisticação visual quando o objetivo é gerar ação.</strong></p><blockquote><em>“The AI-generated explanation was rated as more comprehensible, while still being accurate enough to support decision-making.”<br> </em>(Tilburg, p. 66–69)</blockquote><p>O autor também reconhece <strong>as limitações do protótipo</strong>:</p><ul><li>Falta de um classificador para queries descritivas x explicativas;</li><li>Dificuldade com variáveis qualitativas (ex: material used, supplier preference);</li><li>Dependência de médias setoriais;</li><li>Não testado em ambientes reais;</li><li>Apenas GPT-4 foi utilizado como motor analítico.</li></ul><blockquote><em>“The artefact is a prototype and has not been tested extensively in real-world business environments… GPT-4 was the only AI model used in this study.”<br> </em>(Tilburg, p. 75)</blockquote><p>Ainda assim, a conclusão é otimista e reforça que <strong>a integração da IA aos dashboards não só amplia sua capacidade explicativa, como também torna a ferramenta mais versátil para diferentes perfis de usuário.</strong> Ao combinar modelos analíticos formais com o poder do GPT-4, a IA se mostra capaz de traduzir dados complexos em explicações acessíveis, favorecendo decisões mais conscientes e diminuindo a lacuna entre análise e ação.</p><blockquote><em>“Integrating AI into business dashboards significantly enhances their explanatory analytics capabilities… facilitating more informed decision-making, and bridging the gap between data analysis and insights.”<br> </em>(Tilburg, p. 73–74)</blockquote><h3>3. Do discovery à ação: onde essas visões se encontram</h3><p>Embora com focos diferentes, os dois estudos analisados se complementam ao abordar momentos distintos — e igualmente cruciais — da jornada analítica. Enquanto o trabalho da <strong>Microsoft Research</strong> repensa como a análise é feita, o da <strong>Tilburg University</strong> foca em como o resultado dessa análise é compreendido, interpretado e utilizado para gerar valor.</p><p>Essa complementaridade pode ser vista como uma ponte entre <strong>o processo de descoberta (discovery)</strong> e <strong>a ação orientada por dados (insight-to-action)</strong>:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DxtXSEWUBz9ruf1_VE-fyQ.png" /></figure><p>Juntas, essas visões ampliam o papel da IA generativa no BI: <strong>não apenas automatizar, mas transformar a relação entre dado e decisão</strong>. Elas mostram que o futuro da análise está menos em “ver o dado” e mais em <strong>entendê-lo — e agir a partir dele.</strong></p><h3>Conclusão: GenAI como amplificadora do valor analítico</h3><p>A Inteligência Artificial Generativa ainda é uma tecnologia emergente — mas já deixou de ser promessa. Seu uso prático já está presente em fluxos analíticos, assistentes corporativos, ferramentas de BI e soluções de automação. <strong>Ela é real, funcional, e acessível.</strong> Mas ainda assim, está longe da maturidade. O que vemos agora é apenas o início de uma transformação mais profunda: <strong>não na tecnologia em si, mas na forma como as organizações analisam, interpretam e agem sobre seus dados.</strong></p><p>Os dois estudos analisados demonstram isso de forma complementar. A GenAI <strong>não apenas acelera tarefas</strong> — ela <strong>reposiciona o papel do profissional de dados</strong>, deslocando o foco da execução para a interpretação, da técnica para a estratégia. Ela amplia a análise além do clique, além do código, além da visualização. E coloca no centro <strong>o contexto e a tomada de decisão.</strong></p><blockquote><em>“The analyst’s role is augmented — not replaced — by generative systems that free up cognitive bandwidth for strategic insight.”<br> </em>(Microsoft, p. 7)<em>​</em></blockquote><p>Nesse sentido, a GenAI não deve ser vista como um atalho, mas como <strong>uma alavanca</strong>.<br> Não substitui o pensamento crítico — <strong>expande a clareza do que realmente importa.</strong><br> Não elimina o humano — <strong>fortalece o seu papel como agente de articulação entre dados e valor.</strong></p><p>O futuro do BI não será construído apenas com dashboards mais sofisticados ou interfaces mais rápidas. Ele será moldado por <strong>sistemas que expliquem, dialoguem e se adaptem ao nível de entendimento de quem decide</strong>. Sistemas que levem a análise além do técnico — <strong>e transformem dado em direção.</strong></p><p>A pergunta que fica para quem lidera, executa ou transforma com dados não é mais se a IA vai impactar seu trabalho.<br> A pergunta é:</p><blockquote><strong><em>Como você vai usar a IA generativa para sair da análise — e conduzir a ação?</em></strong></blockquote><h3>Referências</h3><p><strong>Inala, J.</strong>, Ramaswamy, R., Manuvinakurike, R., Suh, J., Sabharwal, A., &amp; Horvitz, E. (2024). <em>Data Analysis in the Era of Generative AI</em>. Microsoft Research.<br> Disponível em: <a href="https://arxiv.org/abs/2403.04797">https://arxiv.org/abs/2403.04797</a></p><p><strong>Valkenburgh, J.</strong> (2024). <em>Enhancing Business Dashboards with Explanatory Analytics &amp; AI</em>. Master’s Thesis, Tilburg University.<br> Disponível em: <a href="https://arno.uvt.nl/show.cgi?fid=178954">https://arno.uvt.nl/show.cgi?fid=178954</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*plW_8KRyFhDeXfBT.jpg" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cb702c53b57d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[IA Generativa e Databricks]]></title>
            <link>https://medium.com/@fazolato.livia/ia-generativa-e-databricks-8358bc6239fa?source=rss-825c8d9b5a4e------2</link>
            <guid isPermaLink="false">https://medium.com/p/8358bc6239fa</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[generative-ai-tools]]></category>
            <category><![CDATA[advanced-analytics]]></category>
            <category><![CDATA[databricks]]></category>
            <dc:creator><![CDATA[Livia Fazolato]]></dc:creator>
            <pubDate>Sun, 09 Mar 2025 13:44:43 GMT</pubDate>
            <atom:updated>2025-03-09T13:44:43.294Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/924/1*cUxaO6VY4EaK8zFoQFWoAA.png" /></figure><h3>Introdução</h3><p>O curso <a href="https://www.databricks.com/br/training/catalog/generative-ai-fundamentals-portuguese-br-2252"><strong>Databricks Gen AI Fundamentals</strong></a> oferece uma visão abrangente sobre a <strong>IA Generativa</strong>, abordando seu potencial transformador e os desafios associados. A plataforma <strong>Databricks</strong> se destaca ao fornecer ferramentas robustas para criação, ajuste e monitoramento de modelos de IA generativa, tornando-se uma aliada estratégica na jornada da inteligência de dados.</p><h3>IA Generativa: O Que É e Por Que Importa?</h3><p>A <strong>IA Generativa</strong> é uma subcategoria da <strong>Inteligência Artificial (IA)</strong> focada na criação de novos conteúdos a partir de padrões existentes nos dados. Utilizando tecnologias avançadas de <strong>Machine Learning (ML)</strong> e <strong>Deep Learning (DL)</strong>, essa abordagem se diferencia da IA tradicional ao permitir a geração autônoma de textos, imagens, áudios e até códigos de programação.</p><h4>IA Tradicional vs IA Generativa</h4><ul><li><strong>IA Tradicional:</strong> Envolve etapas como coleta e limpeza de dados, ETL, criação ou customização de modelos e integração em aplicativos.</li><li><strong>IA Generativa:</strong> Utiliza grandes modelos pré-treinados, permitindo ajustes finos para personalização e economia de custos computacionais. No entanto, a maior complexidade continua na coleta e integração de grandes conjuntos de dados.</li></ul><h4>Fatores que Potencializam a IA Generativa</h4><ol><li><strong>Grandes Datasets:</strong> A disponibilidade de dados diversificados acelera o aprendizado dos modelos.</li><li><strong>Poder Computacional:</strong> Melhoria em hardware, GPUs e acesso a <strong>cloud computing</strong>.</li><li><strong>Modelos de Deep Learning:</strong> Uso de redes adversárias generativas (<strong>GANs</strong>), arquiteturas de transformadores e aprendizado por reforço com feedback humano (<strong>RLHF</strong>).</li></ol><h4>Casos de Uso da IA Generativa</h4><ul><li><strong>Geração de Conteúdo:</strong> Produção automática de textos e personalização de conteúdos.</li><li><strong>Assistentes Virtuais:</strong> Chatbots inteligentes e automatização de suporte ao cliente.</li><li><strong>Automação de Código:</strong> Edição e preenchimento de código de forma eficiente.</li><li><strong>Criação de Imagens e Áudios:</strong> Síntese de vídeo, geração de objetos em 3D e composições musicais.</li><li><strong>Dados Sintéticos:</strong> Simulações para ampliar bases de dados e proteger privacidade.</li></ul><h3>Large Language Models (LLMs)</h3><p>Os <strong>LLMs</strong> são modelos de IA treinados em grandes datasets textuais, capazes de processar e gerar linguagem natural com precisão. Utilizam arquiteturas de <strong>transformadores</strong>, sendo fundamentais para tarefas de compreensão e geração de texto.</p><h4>Tipos de Modelos LLM</h4><ol><li><strong>Modelos de Código Aberto:</strong> Flexíveis, permitem personalização e maior controle de dados. Exemplos: Databricks Dolly, MosaicML MPT, Meta AI LLaMA 2.</li><li><strong>Modelos Proprietários:</strong> Práticos e rápidos de implementar, porém com menos flexibilidade e maior dependência do fornecedor. Exemplos: ChatGPT (OpenAI), PaLM 2 (Google), Anthropic.</li></ol><h4>Critérios para Escolha do Modelo Ideal</h4><ul><li><strong>Privacidade:</strong> Garantir o controle sobre os dados.</li><li><strong>Qualidade:</strong> Avaliar a precisão do modelo.</li><li><strong>Custo:</strong> Equilibrar despesas de uso e infraestrutura.</li><li><strong>Latência:</strong> Atender a requisitos de tempo real.</li></ul><h3>Técnicas de Otimização de Modelos</h3><h4>Pré-Treinamento</h4><ul><li>Ensina ao modelo as regras gerais da linguagem, criando uma base sólida para tarefas específicas.</li><li>Ideal para domínios específicos e quando se deseja maior controle sobre os dados.</li><li>Utilizar quando há dados específicos e controle total é necessário.</li></ul><h4>Ajuste Fino (Fine-Tuning)</h4><ul><li>Treinamento adicional de um modelo pré-treinado para adaptá-lo a tarefas ou domínios específicos.</li><li>Reduz riscos de “alucinações” e melhora a precisão.</li><li>Utilizar quando precisar ajustar modelos abertos ou proprietários, adaptando-os ao contexto do negócio.</li></ul><h4>Chaining</h4><ul><li>Integração de múltiplos LLMs em um mesmo fluxo de trabalho, maximizando eficiência.</li><li>Exemplo: <strong>LangChain</strong> para conectar diferentes modelos sem interrupções.</li><li>Utilizar quando o fluxo de trabalho exige diferentes tarefas com modelos específicos.</li></ul><h4>RAG</h4><ul><li>Sistema de busca que permite ao modelo acessar fontes externas para melhorar a relevância das respostas.</li><li>Benefícios: Reduz a necessidade de re-treinamento e minimiza alucinações.</li><li>Ideal para cenários com dados dinâmicos e onde o modelo precisa acessar informações em tempo real.</li></ul><h3>Databricks AI: Visão Geral</h3><p>A plataforma <strong>Databricks AI</strong> oferece funcionalidades robustas para:</p><ul><li><strong>Criação e Ajuste de Modelos:</strong> Com total controle e privacidade dos dados.</li><li><strong>Serviço de Modelos:</strong> Facilita a produção e o monitoramento contínuo.</li><li><strong>Integração com APIs:</strong> Construa agentes conversacionais e automações inteligentes.</li><li><strong>Governança e AutoML:</strong> Identificação rápida de modelos ideais e conformidade com padrões de compliance.</li></ul><h3>MosaicML: Potencializando a IA Generativa</h3><p>Com a aquisição da <strong>MosaicML</strong>, o Databricks amplia suas capacidades em:</p><ol><li><strong>Democratização da IA:</strong> Tornando modelos amplamente acessíveis.</li><li><strong>Aplicação Empresarial:</strong> Personalização segura com dados próprios.</li><li><strong>Unificação da Stack de IA e Dados:</strong> Garantindo governança e eficiência durante todo o ciclo de vida do machine learning.</li></ol><h3>Preparação para Adoção da IA Generativa</h3><h4>Principais Recomendações</h4><ol><li><strong>Agir com Urgência:</strong> Antecipe-se para capturar os benefícios da IA.</li><li><strong>Educar-se Continuamente:</strong> Conheça os fundamentos e inovações da IA.</li><li><strong>Desenvolver uma Estratégia:</strong> Identifique casos de uso de maior valor e alinhe-os aos objetivos do negócio.</li><li><strong>Investir em Inovação:</strong> Crie uma cultura de experimentação e aprendizado contínuo.</li><li><strong>Assegurar Conformidade Ética e Legal:</strong> Estabeleça políticas claras e monitore os riscos envolvidos.</li></ol><h4>Roadmap para Adoção da IA:</h4><ol><li><strong>Definir a Estratégia de IA:</strong> Alinhe a estratégia de IA com os objetivos gerais da organização, engajando stakeholders, definindo critérios de sucesso e configurando políticas éticas e legais.</li><li><strong>Descobrir Casos de Uso e Alinhar Dados Disponíveis:</strong> Avalie os casos de uso em potencial e alinhe-os à sua estratégia de dados e objetivos de negócio.</li><li><strong>Desenhar o Projeto de IA:</strong> Estruture o projeto com uma arquitetura apropriada e integre os modelos nos sistemas existentes.</li><li><strong>Operar e Monitorar o Projeto:</strong> Crie um modelo operacional robusto, automatize processos e colete feedback contínuo para melhorias.</li><li><strong>Definir Papéis e Responsabilidades:</strong> Certifique-se de que todos saibam suas funções na adoção da IA e forneça o suporte necessário.</li></ol><h3>Considerações Legais e Éticas</h3><h4><strong>Riscos Potenciais e Desafios:</strong></h4><ul><li><strong>Privacidade e Segurança:</strong> Risco de exposição de informações sensíveis e privadas.</li><li><strong>Propriedade Intelectual:</strong> Questões de direitos autorais e licenciamento.</li><li><strong>Misinformation e Manipulação:</strong> Potencial para geração de conteúdo falso.</li><li><strong>Impacto no Trabalho:</strong> Possível substituição de empregos.</li><li><strong>Bias e Alucinações:</strong> Mitigar riscos de vieses e saídas imprecisas.</li><li><strong>Uso Malicioso:</strong> Evitar fraudes e manipulação por meio da IA.</li></ul><h4><strong>Considerações Legais:</strong></h4><ul><li><strong>Proteção de Dados:</strong> Práticas como anonimização e governança de dados.</li><li><strong>Regulamentações Emergentes:</strong> UE AI Act, Algorithmic Accountability Act (EUA).</li><li><strong>Segurança e Propriedade Intelectual:</strong> Prevenir prompt injection e uso malicioso.</li></ul><h4><strong>Considerações Éticas:</strong></h4><ul><li><strong>Viés e Alucinações:</strong> Minimizar viés nos dados e garantir maior consistência nas respostas.</li><li><strong>Confiabilidade do Modelo:</strong> Assegurar que os modelos gerem respostas precisas, relevantes e consistentes</li></ul><h3>Impacto da IA Generativa no Trabalho e na Sociedade</h3><h4><strong>Vantagens:</strong></h4><ul><li><strong>Personalização:</strong> Experiências mais customizadas.</li><li><strong>Automação e Eficiência:</strong> Redução de tarefas repetitivas.</li><li><strong>Acessibilidade:</strong> Inclusão por meio de ferramentas adaptativas.</li></ul><h4><strong>Desafios:</strong></h4><ul><li><strong>Deslocamento de Empregos:</strong> Principalmente em funções repetitivas.</li><li><strong>Dependência Excessiva:</strong> Riscos de reduzir habilidades humanas críticas.</li><li><strong>Segurança:</strong> Novas ameaças de segurança cibernética.</li></ul><h4><strong>Preparação para o Futuro do Trabalho</strong></h4><ul><li><strong>Treinamento como Prioridade:</strong> Empresas estão focando em treinamento em IA como prioridade estratégica até 2027 (World Economic Forum).</li><li><strong>Mudança nas Habilidades Essenciais:</strong> Quase metade das habilidades atuais deve mudar nos próximos cinco anos.</li><li><strong>Engenharia de Prompt:</strong> Essencial para utilizar a IA generativa de forma eficiente, destacando-se o conceito de “linguagem natural como a nova linguagem de programação”.</li><li><strong>Capacitação dos Funcionários:</strong> Investir em treinamento para o uso eficaz das ferramentas de IA, ajudando-os a se adaptar às mudanças tecnológicas e alcançar seu potencial máximo.</li></ul><h3>Conclusão</h3><p>O curso <a href="https://www.databricks.com/br/training/catalog/generative-ai-fundamentals-portuguese-br-2252"><strong>Databricks Gen AI Fundamentals</strong></a> é uma excelente oportunidade para se atualizar sobre as aplicações da <strong>IA Generativa</strong>, além de explorar o potencial do <strong>Databricks</strong> como uma plataforma robusta de inteligência de dados. Mais do que apenas um curso, é um ótimo ponto de partida para quem deseja aprofundar seus conhecimentos em análises de dados avançadas e acelerar a geração de insights acionáveis no ambiente corporativo. Se você deseja entender como essa tecnologia pode transformar o seu negócio e obter uma vantagem competitiva, este curso é altamente recomendado!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8358bc6239fa" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Estruturando a Área de Dados de uma Startup de Ecommerce]]></title>
            <link>https://medium.com/@fazolato.livia/estruturando-a-%C3%A1rea-de-dados-de-uma-startup-de-ecommerce-04e8a02818cd?source=rss-825c8d9b5a4e------2</link>
            <guid isPermaLink="false">https://medium.com/p/04e8a02818cd</guid>
            <category><![CDATA[startup]]></category>
            <category><![CDATA[data-analysis]]></category>
            <category><![CDATA[business-intelligence]]></category>
            <category><![CDATA[data-governance]]></category>
            <category><![CDATA[google-cloud-platform]]></category>
            <dc:creator><![CDATA[Livia Fazolato]]></dc:creator>
            <pubDate>Sat, 08 Feb 2025 21:45:22 GMT</pubDate>
            <atom:updated>2025-02-08T22:43:12.229Z</atom:updated>
            <content:encoded><![CDATA[<p>Durante meu MBA em Business Intelligence &amp; Data Science no IBMEC, desenvolvi um trabalho desafiador para a disciplina de Business Intelligence e Modelos OLAP. O objetivo era atuar como CIO e estruturar, do zero, a área de dados de uma empresa, com foco inicial em Business Intelligence tradicional.</p><p>A compreensão das necessidades específicas do negócio é fundamental para o sucesso do projeto. Para este estudo, defini que a empresa seria uma startup do setor de comércio eletrônico.</p><h4><strong>Contexto e Desafio</strong></h4><p>A startup escolhida opera uma plataforma de ecommerce voltada para a venda de alimentos, brinquedos, acessórios e produtos de higiene para pets. Em um ambiente dinâmico, onde os recursos são limitados e a velocidade de decisão é crucial, capturar e analisar dados em tempo quase real torna-se essencial para entender a jornada do consumidor e otimizar processos que impulsionem as vendas e a eficiência operacional.</p><p>O desafio principal do projeto é estruturar a área de dados garantindo eficiência na coleta, processamento e análise das informações, sem comprometer segurança, governança e escalabilidade. A estratégia também precisa considerar custos reduzidos e a capacidade de crescimento conforme a startup evolui.</p><h4><strong>BI Tradicional: o ponto de partida</strong></h4><p>O Business Intelligence tradicional envolve a coleta, armazenamento e análise dos dados para apoiar a tomada de decisões. Em uma startup, esse modelo precisa ser implementado de forma rápida e escalável, garantindo que os dados sejam capturados e processados com eficiência. O processo pode ser visualizado como uma cadeia que conecta as fontes de dados, passando pelo armazenamento centralizado (Enterprise Data Warehouse) e chegando às ferramentas de análise, onde os insights são disponibilizados de forma rápida e intuitiva.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/919/1*h6xAuXhN7QOAzTYx5br6sQ.jpeg" /></figure><h4><strong>Nuances de Startups</strong></h4><p>Ao estruturar uma área de dados para uma startup, é fundamental considerar três aspectos principais:</p><ul><li><strong>Crescimento Rápido:</strong> Startups geralmente experimentam um crescimento acelerado e precisam de soluções escaláveis.</li><li><strong>Recursos Limitados:</strong> Orçamento, equipe e tempo são restritos, exigindo soluções eficientes e de baixo custo.</li><li><strong>Iteração Contínua:</strong> Com ciclos rápidos de inovação, a infraestrutura de dados precisa ser ágil para suportar mudanças frequentes.</li></ul><p>Para lidar com essas particularidades, a abordagem será inspirada no conceito de Lean Startup, de Eric Ries, iniciando com um MVP (Produto Mínimo Viável) de análise descritiva e ciclos curtos de feedback. O foco será investir em soluções econômicas e escaláveis, garantindo flexibilidade para futuras expansões.</p><h3>Manual de Atribuições e Processos</h3><h4>Objetivo</h4><p>Criar uma infraestrutura robusta que suporte a tomada de decisões informadas, promova uma cultura data-driven e possibilite análises avançadas no futuro.</p><h4>Processos</h4><ul><li><strong>Coleta de Dados</strong>: Implementar processos simples e automatizados para a coleta de dados de diversas fontes internas e externas, garantindo velocidade e segurança.</li><li><strong>Armazenamento</strong>: Utilização de soluções em nuvem econômicas e escaláveis, contemplando dados estruturados, semiestruturados e não estruturados.</li><li><strong>Transformação</strong>: Estabelecer pipelines de ETL (Extract, Transform, Load) para garantir a qualidade dos dados.</li><li><strong>Análise e Visualização</strong>: Uso de ferramentas de BI para criação de dashboards e relatórios interativos.</li><li><strong>Governança de Dados</strong>: Desde o início, adotar políticas que garantam qualidade, segurança e conformidade, evitando práticas ineficientes e preparando o ambiente para a escalabilidade.</li></ul><h4>Estrutura do Time de Dados</h4><p>A proposta para a composição da equipe é focada em equilibrar a eficiência e a escalabilidade:</p><ul><li><strong>CIO:</strong> Define a visão e a estratégia de dados, integrando a área de dados com outros pontos de TI (infraestrutura, webdesign, etc.).</li><li><strong>Gerente de Dados:</strong> Coordena os projetos e e supervisiona operações, garantindo que a execução esteja alinhada com os objetivos do negócio.</li><li><strong>Engenheiros de Dados:</strong> Responsáveis por construir e otimizar os pipelines, integrando diversas fontes de dados.</li><li><strong>Analistas de Dados:</strong> Desenvolvem análises, relatórios e dashboards que transformam os dados em insights.</li><li><strong>Data Governance Officer:</strong> Atua como o braço direito do gerente, implementando políticas de governança, assegurando a qualidade e a conformidade dos dados.</li><li><strong>Cientistas de Dados:</strong> Em uma fase posterior, quando a infraestrutura já estiver madura, esses profissionais serão responsáveis por desenvolver modelos preditivos e análises avançadas.</li><li><strong>Data Coach / Data Translator:</strong> Um papel estratégico, que funciona como a ponte entre os dados e o negócio, garantindo que os dados estejam sempre prontos para uso e reutilização.</li></ul><h4>Por que uma área de dados é importante para uma startup?</h4><p>Ter uma área de dados estruturada desde o início proporciona:</p><ul><li><strong>Tomada de Decisões Embasadas:</strong> Insights que orientam estratégias e operações.</li><li><strong>Eficiência Operacional:</strong> Automatização de processos e otimização de recursos.</li><li><strong>Escalabilidade:</strong> Infraestrutura que acompanha o crescimento da empresa.</li><li><strong>Inovação:</strong> Geração de insights para novas oportunidades de mercado.</li><li><strong>Mitigação de Riscos:</strong> Segurança e conformidade para proteção dos dados.</li></ul><h3>Estratégia Arquitetural e Ferramentas Necessárias</h3><h4>Arquitetura de Dados</h4><p>A estrutura proposta contempla:</p><ul><li><strong>Fontes de Dados:</strong> Captura de dados da plataforma de ecommerce, Google Analytics e redes sociais. Esses dados são essenciais para compreender a jornada do consumidor, monitorar o desempenho das vendas e identificar tendências de mercado.</li><li><strong>Ingestão de Dados:</strong> Processos quase em tempo real, para garantir que as informações estejam sempre atualizadas e disponíveis para análise imediata.</li><li><strong>Processamento: </strong>A transformação dos dados brutos em informações úteis será realizada através de processos de ETL (Extração, Transformação e Carga). Esses processos garantirão que os dados estejam limpos, consistentes e prontos para análise.</li><li><strong>Armazenamento:</strong> Os dados serão armazenados em um data warehouse para análises estruturadas e em um datalake para dados não estruturados e semiestruturados. Isso permitirá uma gestão eficiente e escalável dos dados, suportando tanto análises operacionais quanto estratégicas.</li><li><strong>Análise de Dados</strong>: Extração de insights acionáveis que suportem a tomada de decisões. Isso incluirá a criação de relatórios, dashboards e análises ad-hoc para monitorar o desempenho do negócio e identificar oportunidades de melhoria.</li><li><strong>Visualização:</strong> Criação de dashboards interativos para que os dados sejam apresentados de forma clara e intuitiva para os tomadores de decisão.</li><li><strong>Catalogação e Governança:</strong> Documentação completa das características de cada dado, permitindo melhor acesso e gerenciamento dos metadados.</li></ul><h4>Escolha da Nuvem: Google Cloud Platform (GCP)</h4><p>A escolha da nuvem baseia-se em escalabilidade, custo-benefício (modelo pay-as-you-go) e inovação contínua. O Google Cloud Platform (GCP) foi o mais adequado para a necessidade do negócio, devido à sua confiabilidade e integração com o ecossistema Google, especialmente o Google Analytics, essencial para rastrear a jornada do consumidor.</p><p>Além disso, é crucial investir na capacitação da equipe e considerar consultorias especializadas para manter a arquitetura atualizada e eficiente. Revisões periódicas devem ser realizadas, avaliando a inclusão de fornecedores que integrem com o GCP, como Databricks, Tableau e MongoDB, para evitar dependência excessiva da plataforma.</p><h4>Softwares e Ferramentas Necessárias</h4><p>Os principais componentes do ecossistema GCP para essa estruturação incluem:</p><figure><img alt="Arquitetura ETL para armazenamento de dados nativo da nuvem no GCP" src="https://cdn-images-1.medium.com/max/1024/1*LdSRDEaNyXghBQWndVDf8A.png" /></figure><p><strong>Ferramentas de ETL</strong>: Ferramentas para extração, transformação e carregamento de dados, essenciais para garantir que os dados estejam limpos e prontos para análise.</p><ul><li><strong>Google Cloud Dataflow</strong>: Uma ferramenta de processamento de dados em tempo real que pode ser usada para transformar e mover dados.</li><li><strong>Google Cloud Data Fusion</strong>: Uma plataforma de integração de dados que oferece uma interface visual para criar pipelines de ETL.</li></ul><p><strong>Armazenagem de Dados</strong>: Plataformas para armazenamento centralizado de dados, permitindo análises estruturadas e rápidas.</p><ul><li><strong>BigQuery</strong>: Um armazém de dados totalmente gerenciado e altamente escalável no Google Cloud Platform.</li></ul><p><strong>Datalake</strong>: Soluções para armazenamento de dados não estruturados e semi-estruturados, oferecendo flexibilidade e escalabilidade.</p><ul><li><strong>Google Cloud Storage</strong>: Um serviço de armazenamento de objetos para dados não estruturados.</li></ul><p><strong>Ferramentas de Ingestão de Dados</strong>: Ferramentas que permitem a captura de dados em tempo real ou quase real-time, garantindo que as informações estejam sempre atualizadas.</p><ul><li><strong>Google Cloud Pub/Sub:</strong> Um serviço de mensageria que permite a ingestão de dados em tempo real.</li></ul><p><strong>Ferramentas de Análise de Dados</strong>: Plataformas que permitem a execução de consultas e análises sobre os dados armazenados, extraindo insights acionáveis.</p><ul><li><strong>BigQuery</strong>: Permite executar consultas SQL em grandes volumes de dados de forma rápida e eficiente.</li></ul><p><strong>Ferramentas de Visualização de Dados</strong>: Ferramentas de Business Intelligence que permitem a criação de dashboards e relatórios interativos, facilitando a compreensão dos dados pelos tomadores de decisão.</p><ul><li><strong>Looker Studio</strong>: Uma ferramenta de visualização de dados que permite criar dashboards interativos e relatórios personalizados.</li></ul><p><strong>Ferramentas de Governança de Dados</strong>: Ferramentas básicas para garantir a qualidade, segurança e conformidade dos dados, essenciais para a gestão eficiente dos dados.</p><ul><li><strong>Google Cloud IAM (Identity and Access Management)</strong>: Ferramenta para controle de acesso e gerenciamento de identidades.</li><li><strong>Google Cloud Data Catalog</strong>: Ferramenta para catalogação e descoberta de dados.</li></ul><h3>Roadmap de Evolução</h3><p>Pensando no crescimento desde o dia zero, o roadmap foi planejado para acompanhar o aumento de volume e a maturidade dos dados:</p><p><strong>Fase 1 — Implementação Inicial (3 meses):</strong></p><ul><li><em>Objetivo:</em> Estabelecer a infraestrutura básica de dados (MVP).</li><li><em>Ações:</em> Configurar a coleta, ingestão e transformação dos dados; armazená-los no BigQuery e no Cloud Storage; criar dashboards iniciais.</li><li><em>Benefícios:</em> Centralização dos dados e suporte imediato à tomada de decisões.</li></ul><p><strong>Fase 2 — Desenvolvimento de Análises Avançadas (6 meses):</strong></p><ul><li><em>Objetivo:</em> Expandir a capacidade analítica com novas fontes e relatórios mais detalhados.</li><li><em>Ações:</em> Ampliar a coleta para incluir redes sociais e feedback de clientes; otimizar os processos de ETL; desenvolver análises avançadas.</li><li><em>Benefícios:</em> Insights mais profundos e suporte a decisões estratégicas.</li></ul><p><strong>Fase 3 — Expansão da Equipe e Consolidação da Governança (9 meses):</strong></p><ul><li><em>Objetivo:</em> Ampliar o time e reforçar as políticas de governança de dados.</li><li><em>Ações:</em> Contratar novos profissionais, capacitar a equipe e implementar políticas robustas de governança de dados.</li><li><em>Benefícios:</em> Ambiente de dados sustentável e maior capacidade analítica.</li></ul><p><strong>Fase 4 — Análises Preditivas e Machine Learning (12 meses):</strong></p><ul><li><em>Objetivo:</em> Integrar técnicas de machine learning para prever tendências e comportamentos futuros.</li><li><em>Ações:</em> Utilizar ferramentas como o Google Cloud AI Platform e treinar modelos preditivos com dados históricos.</li><li><em>Benefícios:</em> Previsões precisas que suportem decisões proativas, mesmo com custos operacionais maiores.</li></ul><p><strong>Fase 5 — Inovação e Expansão Estratégica (12+ meses):</strong></p><ul><li><em>Objetivo:</em> Explorar novas tecnologias e expandir a estratégia de dados para suportar novos mercados.</li><li><em>Ações:</em> Adotar novas ferramentas, desenvolver produtos baseados em insights e integrar dados em todas as áreas da empresa.</li><li><em>Benefícios:</em> Inovação contínua, fortalecimento da cultura de dados e suporte ao crescimento estratégico.</li></ul><h4>Equilíbrio entre Self-Service e Governança</h4><p>Com a evolução da área de dados, é essencial equilibrar a autonomia dos usuários no acesso self-service com a manutenção da governança e qualidade dos dados. Para isso, é necessário treinar a equipe em letramento de dados e estruturar um modelo onde cada domínio da empresa tenha um <strong>Data Owner</strong>, apoiado por um <strong>Data Coach/Translator</strong>. Esse profissional assegura a integridade das informações e facilita a reutilização dos dados, promovendo uma estrutura sustentável e reduzindo demandas de manutenção.</p><h3>Considerações Finais</h3><p>Estruturar a área de dados de uma startup de e-commerce pet exige a combinação de estratégia, tecnologia e um profundo entendimento do negócio. A implementação de processos automatizados, a formação de uma equipe especializada e o uso de ferramentas escaláveis, como as do Google Cloud Platform, permitem transformar dados em insights estratégicos que impulsionam o crescimento sustentável.</p><p>Além disso, a capacidade de analisar dados em tempo real possibilita respostas rápidas às mudanças do mercado, garantindo vantagem competitiva. Investir em governança e letramento de dados desde o início não apenas assegura a qualidade das análises, mas também prepara o terreno para inovações futuras, fundamentais para o sucesso do negócio.</p><h3>Referências</h3><ul><li>Conteúdo da disciplina Business Intelligence e Modelos OLAP, ministrado pela professora Fernanda Bruno</li><li><strong>Crafting a Successful Data Strategy for Your Startup: Expert Tips and Best Practices</strong><br> <a href="https://medium.com/accelerated-analyst/crafting-a-successful-data-strategy-for-your-startup-expert-tips-and-best-practices-523e53beb28c">https://medium.com/accelerated-analyst/crafting-a-successful-data-strategy-for-your-startup-expert-tips-and-best-practices-523e53beb28c</a></li><li><strong>Data Governance for Startups</strong><br> <a href="https://medium.com/@willemkoenders/data-governance-for-startups-c372fe610889">https://medium.com/@willemkoenders/data-governance-for-startups-c372fe610889</a></li><li><strong>Data Modelling for Startups — Part I</strong><br> <a href="https://medium.com/apolitical-engineering/data-modelling-for-startups-part-i-f566af2a88ca">https://medium.com/apolitical-engineering/data-modelling-for-startups-part-i-f566af2a88ca</a></li><li><strong>Data Modelling for Startups — Part II</strong><br> <a href="https://medium.com/apolitical-engineering/data-modelling-for-startups-part-ii-1b1fa58700e4">https://medium.com/apolitical-engineering/data-modelling-for-startups-part-ii-1b1fa58700e4</a></li><li><strong>Data Modelling for Startups — Part III</strong><br> <a href="https://medium.com/apolitical-engineering/data-modelling-for-startups-part-iii-aca31e0f4176">https://medium.com/apolitical-engineering/data-modelling-for-startups-part-iii-aca31e0f4176</a></li><li><strong>Designing ETL Architecture for a Cloud-Native Data Warehouse on Google Cloud Platform</strong><br> <a href="https://cloud.google.com/blog/products/bigquery/designing-etl-architecture-for-a-cloud-native-data-warehouse-on-google-cloud-platform">https://cloud.google.com/blog/products/bigquery/designing-etl-architecture-for-a-cloud-native-data-warehouse-on-google-cloud-platform</a></li><li><strong>Google Cloud&amp;Databricks</strong><br> <a href="https://www.databricks.com/br/product/google-cloud">https://www.databricks.com/br/product/google-cloud</a>​</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=04e8a02818cd" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Tipos de Dados]]></title>
            <link>https://medium.com/@fazolato.livia/tipos-de-dados-d077db63cee3?source=rss-825c8d9b5a4e------2</link>
            <guid isPermaLink="false">https://medium.com/p/d077db63cee3</guid>
            <category><![CDATA[análise-de-dados]]></category>
            <category><![CDATA[dados]]></category>
            <category><![CDATA[analytics]]></category>
            <category><![CDATA[data-type]]></category>
            <dc:creator><![CDATA[Livia Fazolato]]></dc:creator>
            <pubDate>Wed, 11 Sep 2024 03:08:46 GMT</pubDate>
            <atom:updated>2024-09-11T12:41:56.496Z</atom:updated>
            <content:encoded><![CDATA[<p>Que dados são o novo petróleo, todo mundo já sabe. Mas, afinal, o que são dados?</p><p>Segundo Sharda et al. (2019, p.70), “os dados podem ser definidos como fatos geralmente obtidos como resultado de experimentos, observações, transações ou experiências”. E eles estão por toda parte. Diariamente, são gerados cerca de 328,77 milhões de terabytes de dados. Mas, dentre esse montante, quantos realmente estão acessíveis e como estão distribuídos?</p><h3><strong>Dados Estruturados vs Não Estruturados</strong></h3><p>Os dados podem ser categorizados em três grandes classes: estruturados, não estruturados e semiestruturados.</p><ul><li><strong>Dados Estruturados</strong> são aqueles que seguem um modelo ou esquema de dados predefinido, sendo facilmente organizados e interpretados. Exemplos incluem planilhas do Excel, bancos de dados SQL e diretórios de produtos.</li><li><strong>Dados Não Estruturados</strong> são aqueles que não podem ser processados ou analisados por meio de ferramentas e métodos convencionais. Estima-se que eles representem mais de 80% dos dados acessíveis nas empresas. Exemplos incluem textos, vídeos e postagens em mídias sociais.</li><li><strong>Dados Semiestruturados</strong> servem como uma “ponte” entre os dados estruturados e não estruturados. Eles possuem uma estrutura intermediária, utilizando metadados para facilitar seu armazenamento, catalogação e análise. Exemplos incluem formatos como JSON, CSV e XML.</li></ul><p><strong>Principais Diferenças entre Dados Estruturados e Não Estruturados:</strong></p><p>Para entender melhor como esses tipos de dados se diferenciam, vejamos alguns dos principais aspectos:</p><ul><li><strong>Fontes</strong>: Dados estruturados são originados de sensores, formulários online, registros de rede, entre outros; enquanto dados não estruturados provêm de e-mails, documentos de texto, postagens em redes sociais, etc.</li><li><strong>Formato</strong>: Dados estruturados consistem em números e valores, já os não estruturados incluem textos, áudios, vídeos, entre outros formatos multimídia.</li><li><strong>Modelo</strong>: Dados estruturados têm um modelo predefinido e são formatados antes de serem armazenados; dados não estruturados são mantidos em seu formato nativo até serem utilizados.</li><li><strong>Armazenamento</strong>: Dados estruturados são armazenados em tabelas de bancos de dados ou data warehouses, enquanto dados não estruturados são armazenados em data lakes ou bancos NoSQL.</li><li><strong>Uso</strong>: Dados estruturados são frequentemente utilizados em algoritmos de machine learning para modelagem preditiva, enquanto dados não estruturados são usados em processamento de linguagem natural (PLN) e mineração de texto para extração de dados mais qualitativos.</li></ul><h3><strong>Tipos de dados</strong></h3><p>Um tipo de dado é um atributo que define como um sistema de computador deve interpretar o valor de um dado.</p><p>Compreender os tipos de dados é fundamental para garantir que dados sejam coletados e processados de forma correta, evitando interpretações equivocadas, mantendo a consistência e precisão das informações. No contexto de bancos de dados SQL, existem diversos tipos de dados, como mostrado na imagem, e cada um desempenha um papel específico. Aqui estão alguns dos mais comuns:</p><ul><li><strong>Inteiro (int): </strong>Armazena números sem frações, como 890 e -5.</li><li><strong>Ponto Flutuante (float):</strong> Armazena números que possuem frações, como 707,89 e 0,7.</li><li><strong>Caractere (char):</strong> Representa um único caractere, como uma letra ou um símbolo (ex.: “a”, “!”).</li><li><strong>String (str):</strong> Sequência de caracteres que armazena palavras ou frases, como “Olá Mundo” ou “+55(21)9999–9999”.</li><li><strong>Array:</strong> Representa uma lista de elementos ordenados (ex.: [“futebol”, “basquete”, “natação”]).</li><li><strong>Data, Tempo, Data e Hora: </strong>Representam diferentes formatos de datas e horas.</li><li><strong>Carimbo de Data/Hora (timestamp): </strong>Armazena o número de segundos desde uma data específica, como 1º de janeiro de 1970 (ex.: 1632855600).</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/641/0*SeC5_vAr7RlNXbiZ.gif" /><figcaption>Built-in Data Types —<a href="https://www.ibm.com/docs/en/db2/11.5?topic=elements-data-types"> Fonte: IBM</a></figcaption></figure><h4><strong>Exemplos Práticos e Impactos na Análise de Dados</strong></h4><p>Imagine que você possui duas tabelas, uma de cadastro de clientes e outra de vendas, e a chave de identificação entre ambas é o CPF do cliente. Se em uma tabela o CPF está armazenado como uma <em>string </em>e, na outra, como um <em>int</em>, poderá ocorrer perda de informações durante a análise. Por exemplo, um CPF armazenado como <em>string </em>pode começar com “0” (ex.: “01234567890”), enquanto o mesmo valor convertido para <em>int </em>seria “1234567890”, eliminando o zero à esquerda e causando uma falha na correspondência entre as tabelas. Para evitar esse problema, é importante usar funções de tratamento de dados como <em>SAFE_CAST(cpf_string AS INT)</em> para padronizar o tipo de dado antes de realizar operações de junção (<em>JOIN</em>).</p><p>Outro exemplo prático é quando se deseja saber o total de vendas por dia no mês passado. Se o campo de data inclui também a hora (<em>datetime</em>), o sistema processará um volume de dados desnecessário ao detalhar horas, quando o objetivo é apenas obter a data. Esse cuidado ajuda a reduzir custos e o tempo de execução da consulta. Uma abordagem eficaz seria usar um tratamento como <em>SAFE_CAST(datetime AS DATE)</em> que converte o campo para o nível desejado de precisão sem comprometer a performance ou integridade dos dados.</p><h3><strong>Conclusão</strong></h3><p>Compreender os tipos de dados e suas particularidades é a base para qualquer análise eficaz. Sem essa clareza, estamos sujeitos a erros de interpretação, desperdício de recursos e decisões mal embasadas. Portanto, ao trabalhar com dados, é essencial saber como cada tipo pode influenciar o resultado final e garantir que todos estejam falando a mesma “linguagem”.</p><h3><strong>Referências</strong></h3><p>Amazon Web Services. The Difference Between Structured Data and Unstructured Data. Disponível em: <a href="https://aws.amazon.com/pt/compare/the-difference-between-structured-data-and-unstructured-data/">https://aws.amazon.com/pt/compare/the-difference-between-structured-data-and-unstructured-data/</a></p><p>IBM. Structured vs. Unstructured Data. Disponível em: <a href="https://www.ibm.com/think/topics/structured-vs-unstructured-data">https://www.ibm.com/think/topics/structured-vs-unstructured-data</a></p><p>SHARDA, R.; DELEN, D.; TURBAN, E. Business Intelligence e Análise de Dados para Gestão do Negócio. Bookman Editora, 2019.</p><p>What’s the Big Data. Data Generated Every Day. Disponível em: <a href="https://whatsthebigdata.com/data-generated-every-day/">https://whatsthebigdata.com/data-generated-every-day/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d077db63cee3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Construindo um Perfil Analítico]]></title>
            <link>https://medium.com/@fazolato.livia/construindo-um-perfil-anal%C3%ADtico-para-carreiras-em-dados-ccb1fbdc1fca?source=rss-825c8d9b5a4e------2</link>
            <guid isPermaLink="false">https://medium.com/p/ccb1fbdc1fca</guid>
            <category><![CDATA[analytics]]></category>
            <category><![CDATA[carreira-em-dados]]></category>
            <category><![CDATA[habilidades]]></category>
            <category><![CDATA[narrativa-profissional]]></category>
            <category><![CDATA[transição-de-carreira]]></category>
            <dc:creator><![CDATA[Livia Fazolato]]></dc:creator>
            <pubDate>Sat, 07 Sep 2024 00:54:05 GMT</pubDate>
            <atom:updated>2024-09-07T01:01:19.767Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>Unindo Competências e Histórias na Transição para uma Carreira em Dados</strong></h3><p>Vivemos em uma era em que a demanda por profissionais de dados cresce exponencialmente. Ainda assim, muitos acreditam que se tornar um especialista na área depende apenas de adquirir conhecimentos técnicos. No entanto, para resolver problemas complexos e gerar valor para o negócio, é essencial ir além das ferramentas e linguagens de programação. A chave está no comportamento — na capacidade de combinar pensamento analítico com pensamento criativo.</p><p>Segundo o <a href="https://www.weforum.org/reports/the-future-of-jobs-report-2023">World Economic Forum</a>, essas habilidades estarão entre as mais requisitadas até 2027. Em um cenário em que a inteligência artificial se torna cada vez mais presente, é nossa capacidade única de pensar “fora da caixa” e nos adaptarmos que continuará a nos destacar. Desenvolver essas habilidades não se resume a cursos ou certificações; é um processo contínuo que começa desde cedo, seja durante um estágio ou na transição para uma nova carreira.</p><p>Tenho me empenhado cada vez mais em aprimorar essas competências por meio de eventos da comunidade de dados e podcasts que abordam o tema. Percebi, ao longo dessa jornada, que é importante não só adquirir conhecimento, mas também compartilhar o aprendizado e contribuir com a comunidade.</p><p><strong>Algumas sugestões de podcasts que têm sido importantes na minha jornada:</strong></p><p>- <a href="https://open.spotify.com/show/3YcFUmgvQlAQfj9bvvl2k0?si=0cvM9yLfR5GUw8w1EknO7w">Estatisticast</a><br>- <a href="https://open.spotify.com/show/4qP97l3OJO9vH37fWhrbB7?si=0yeAsTzcQmqqNmHtSwV3ww">Analytics Talks</a><br>- <a href="https://open.spotify.com/show/0VsNN95jsJVRS424eCFDlg?si=JXZ_ofFMQV6PHQTKTk0_-w">Let’s Data</a><br>- <a href="https://open.spotify.com/show/1oMIHOXsrLFENAeM743g93?si=wZnrXkv8RUiA1jibrOadJw">Data Hackers</a></p><h3>Enxergando o Passado com um Novo Olhar</h3><p>Quando pensamos em transições de carreira, como migrar para a área de dados, muitas vezes nos perguntamos se nossas experiências anteriores realmente importam. Afinal, como conectar um passado aparentemente desconexo com um futuro promissor na análise de dados? A resposta está na forma como olhamos para nossa trajetória.</p><p>Em uma conversa recente, lembrei-me de uma reflexão do <a href="https://www.linkedin.com/in/heitorsasaki/">Heitor Sasaki</a>:</p><blockquote>“O segredo é aprender a ver além do óbvio, questionar narrativas preconcebidas e reimaginar sua trajetória profissional através de uma lente analítica.”</blockquote><p>No livro de Michelle Obama, ela reforça a importância de aceitar e valorizar nosso passado, algo que se torna especialmente relevante ao considerar uma mudança para a área de dados.</p><p>Por exemplo, um jornalista pode parecer um candidato improvável para uma posição em análise de dados. Mas, ao examinarmos de perto, vemos que as etapas do trabalho jornalístico se alinham com o modelo CRISP-DM (Cross Industry Standard Process for Data Mining), amplamente utilizado em projetos de ciência de dados:</p><p>1. <strong>Entendimento do Negócio</strong>: Assim como um analista de dados entende os objetivos e o contexto de um projeto, um jornalista compreende o propósito de uma reportagem.<br>2. <strong>Entendimento dos Dados:</strong> Ambos coletam dados, seja de fontes de notícias ou de conjuntos de dados complexos.<br>3. <strong>Preparação dos Dados:</strong> A organização e verificação da precisão das informações são essenciais tanto para reportagens quanto para análises.<br>4. <strong>Modelagem/Análise:</strong> Desenvolver narrativas baseadas em dados é uma habilidade que ambas as profissões compartilham.<br>5. <strong>Validação:</strong> Revisar e ajustar reportagens ou modelos é uma prática comum nas duas áreas.<br>6. <strong>Implantação:</strong> Finalmente, comunicar os resultados, seja publicando uma matéria ou apresentando uma análise, é o passo que conecta o trabalho ao público.</p><p>Essas etapas demonstram que experiências de diferentes áreas podem ser traduzidas em habilidades valiosas para o mundo dos dados.</p><h3>Integrando Experiências Profissionais em uma Nova Narrativa</h3><p>Cada etapa da nossa trajetória profissional adiciona novas habilidades e perspectivas, e aprender a integrá-las em uma narrativa coerente é essencial. No meu caso, sou formada em Engenharia de Produção, e ao longo da minha jornada acadêmica e profissional, percebi que a análise de dados é apenas uma das muitas possibilidades que essa formação oferece. Meu Trabalho de Conclusão de Curso, focado em Business Intelligence (BI), ajudou-me a conectar diversos pontos do conteúdo aprendido, mostrando como dados e processos analíticos se aplicam em diferentes contextos.</p><p>Transformar o passado em uma história relevante para o futuro é uma habilidade crucial para quem deseja migrar para a área de dados. Ao valorizar nossas experiências anteriores e conectar os pontos de forma estratégica, criamos uma trajetória profissional única e bem fundamentada.</p><p>Assim como eu, acredito que muitos outros profissionais podem se beneficiar ao reimaginar suas histórias através de uma lente analítica. O que realmente importa não é onde você começou, mas como você usa suas experiências para moldar o seu futuro.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ccb1fbdc1fca" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>