<?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 Ricardo Silva on Medium]]></title>
        <description><![CDATA[Stories by Ricardo Silva on Medium]]></description>
        <link>https://medium.com/@ricardoinfosilva?source=rss-036c96f6e288------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*Y0glSF-fwy7F_PTxvlDDDw.png</url>
            <title>Stories by Ricardo Silva on Medium</title>
            <link>https://medium.com/@ricardoinfosilva?source=rss-036c96f6e288------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 14:47:23 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@ricardoinfosilva/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[Desenvolvimento de Indicadores de Desempenho e Monitoramento de Processos como Analista de Dados]]></title>
            <link>https://medium.com/@ricardoinfosilva/desenvolvimento-de-indicadores-de-desempenho-e-monitoramento-de-processos-como-analista-de-dados-1a599d514bfb?source=rss-036c96f6e288------2</link>
            <guid isPermaLink="false">https://medium.com/p/1a599d514bfb</guid>
            <dc:creator><![CDATA[Ricardo Silva]]></dc:creator>
            <pubDate>Thu, 06 Feb 2025 11:17:20 GMT</pubDate>
            <atom:updated>2025-02-06T11:22:44.895Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Desenvolvimento de Indicadores de Desempenho e Monitoramento de Processos como Analista de Dados</strong></p><p>Como analista de dados, meus primeiros projetos envolviam um trabalho fundamental de monitoramento de processos críticos e análise de eficiência. Um dos principais desafios iniciais foi a monitoria de cargas de trabalho e a execução de jobs de usuários, onde frequentemente observávamos que muitos desses jobs eram inativados ou falhavam durante o processo. Esses erros e inconsistências, muitas vezes difíceis de identificar apenas pelos processos manuais, foram uma das primeiras áreas em que consegui agregar valor ao time, ajudando a otimizar o fluxo de trabalho.</p><p>Ao mergulharmos nos logs de execução desses jobs, conseguimos identificar padrões de inconsistências, falhas e até mesmo bugs que estavam impactando diretamente o desempenho do sistema. Com isso, criamos um processo sistemático de monitoramento, onde a análise de logs passou a ser uma parte central da nossa estratégia de controle de qualidade. Esse trabalho não só reduziu o tempo de inatividade dos processos, mas também trouxe uma maior visibilidade para os problemas operacionais, permitindo um diagnóstico proativo.</p><p>Após consolidar esse processo de monitoramento, meu trabalho evoluiu para a criação e análise de indicadores de atendimento, um projeto que trouxe uma visão analítica aprofundada sobre o desempenho da equipe de suporte. Utilizando métricas como a quantidade de chamados abertos e atendidos, os níveis de cumprimento de <strong>SLA (Service Level Agreement)</strong>, e a demanda de cada time em comparação com a semana anterior, conseguimos criar um painel de controle que se tornou um instrumento essencial para a gestão estratégica.</p><p>Através desses indicadores, fomos capazes de identificar áreas que precisavam de mais atenção, como times com alta demanda, ou identificar gargalos nos processos de atendimento, como a quantidade de SLAs não cumpridos. Isso não apenas ajudou a direcionar os esforços das equipes de forma mais eficiente, mas também ofereceu uma base sólida para a tomada de decisões mais informadas por parte da liderança.</p><p>Uma das dificuldades que encontramos foi a <strong>dependência do Data Warehouse</strong>, onde o processamento de dados acontecia a cada três dias. Esse atraso nas atualizações dificultava o acompanhamento em tempo real das operações, o que impactava negativamente a agilidade da equipe e o processo de tomada de decisão. Precisávamos de dados atualizados com maior frequência, o que nos levou a buscar alternativas mais dinâmicas. A solução foi integrar a <strong>API do Atlassian JIRA</strong>, permitindo que obtivéssemos dados em tempo real diretamente de ferramentas usadas pela equipe para gerenciar chamados e tickets. Essa integração solucionou o problema da defasagem dos dados, proporcionando uma visão instantânea e mais precisa dos processos em andamento.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*ld4MWsGeOhVHTaNL9XdFhQ.png" /></figure><p>Além disso, a integração do dashboard com a equipe de <strong>vendas e comercial</strong> trouxe um impacto significativo. O time de vendas passou a utilizar o painel de indicadores para obter informações detalhadas sobre o atendimento ao cliente, o que trouxe mais clareza nas conversas com os clientes. Com isso, a equipe pôde abordar de maneira mais assertiva, compartilhando dados concretos e acompanhando mais de perto o progresso das solicitações dos clientes. Essa transparência melhorou o relacionamento com o cliente, aumentando a confiança e otimizando os processos comerciais.</p><p>No desenvolvimento deste dashboard, implementamos a <strong>integração via API do Atlassian JIRA</strong>, permitindo que dados de tickets e projetos fossem sincronizados automaticamente entre o JIRA e o nosso painel de controle. Isso proporcionou uma visão mais unificada dos processos em andamento, facilitando o acompanhamento e a resolução de problemas. Com a integração direta com o JIRA, a equipe passou a ter acesso a informações em tempo real, o que ajudou a reduzir o tempo de resposta e a melhorar a gestão de projetos internos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RAq23GEoREAJaFXtGcJkMA.png" /></figure><p>A análise de dados se tornou, assim, uma chave para otimizar o desempenho operacional. A partir de insights obtidos por meio desses indicadores, conseguimos implementar ajustes importantes, como redistribuição de tarefas, treinamento direcionado para times com maior volume de chamados, e ajustes nos processos de atendimento, sempre focados em melhorar o tempo de resposta e a qualidade do serviço prestado.</p><p>Com esses projetos iniciais, pude observar o impacto direto da análise de dados no aumento da eficiência operacional e na melhoria da experiência do cliente, comprovando como uma abordagem centrada em dados pode transformar processos e elevar o desempenho de uma organização. Este é apenas o começo da jornada, e o potencial de criação de valor com dados é imenso. A evolução contínua desses indicadores e o aprimoramento de modelos preditivos são, sem dúvida, áreas que seguirei explorando.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1a599d514bfb" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[A Importância da Utilização de CTE em SQL em Comparação a Outras Subconsultas]]></title>
            <link>https://medium.com/@ricardoinfosilva/a-import%C3%A2ncia-da-utiliza%C3%A7%C3%A3o-de-cte-em-sql-em-compara%C3%A7%C3%A3o-a-outras-subconsultas-5fa3a1ef965f?source=rss-036c96f6e288------2</link>
            <guid isPermaLink="false">https://medium.com/p/5fa3a1ef965f</guid>
            <category><![CDATA[sql]]></category>
            <category><![CDATA[cte]]></category>
            <dc:creator><![CDATA[Ricardo Silva]]></dc:creator>
            <pubDate>Sat, 01 Feb 2025 19:48:15 GMT</pubDate>
            <atom:updated>2025-02-01T19:48:15.349Z</atom:updated>
            <content:encoded><![CDATA[<h3>1. Introdução</h3><p>No mundo dos bancos de dados relacionais, a manipulação de grandes volumes de dados e a criação de consultas complexas são desafios recorrentes. Para resolver esses desafios de forma eficaz, o SQL oferece diversas técnicas, sendo uma delas as <em>Common Table Expressions</em> (CTEs). Este texto explora a importância da utilização de CTEs, comparando-as com outras formas de subconsultas, e analisa como elas podem melhorar a performance, legibilidade e manutenção do código em consultas SQL.</p><h3>2. O que são CTEs?</h3><p>Uma CTE (Common Table Expression) é uma expressão temporária que pode ser referenciada dentro de uma consulta SELECT, INSERT, UPDATE ou DELETE. Ela é definida com a palavra-chave WITH e permite que uma subconsulta seja tratada de forma mais clara e reutilizável, sem a necessidade de escrevê-la repetidamente.</p><h4>Exemplo básico de uma CTE:</h4><p>WITH CTE_Exemplo AS (</p><p>SELECT id, nome</p><p>FROM clientes</p><p>WHERE ativo = 1</p><p>)</p><p>SELECT * FROM CTE_Exemplo;</p><p>Nesse exemplo, a CTE chamada CTE_Exemplo seleciona os dados de clientes ativos, e essa CTE pode ser reutilizada dentro de uma consulta subsequente, o que aumenta a clareza do código e evita a duplicação.</p><h3>3. Estrutura de uma CTE</h3><p>A estrutura de uma CTE básica é composta por:</p><ul><li>A palavra-chave WITH.</li><li>O nome da CTE.</li><li>A consulta SQL que define a CTE.</li><li>A utilização da CTE dentro da consulta principal.</li></ul><p>Além disso, uma CTE pode ser composta de múltiplas sub-CTEs encadeadas, criando consultas complexas e organizadas.</p><h4>Exemplo com múltiplas CTEs:</h4><p>WITH CTE1 AS (</p><p>SELECT id, nome</p><p>FROM clientes</p><p>),</p><p>CTE2 AS (</p><p>SELECT id, total_vendas</p><p>FROM vendas</p><p>)</p><p>SELECT CTE1.nome, CTE2.total_vendas</p><p>FROM CTE1</p><p>JOIN CTE2 ON CTE1.id = CTE2.id;</p><h3>4. Comparação de CTEs com Subconsultas Tradicionais</h3><p>As subconsultas em SQL podem ser divididas em três tipos principais: subconsultas no SELECT, subconsultas no FROM e subconsultas no WHERE. Vamos explorar essas subconsultas e compará-las com CTEs.</p><h4>4.1 Subconsultas no SELECT</h4><p>As subconsultas no SELECT são utilizadas para calcular valores ou retornar colunas adicionais.</p><p><strong>Exemplo de subconsulta no SELECT:</strong></p><p>SELECT nome,</p><p>(SELECT AVG(salario) FROM empregados WHERE departamento_id = d.id) AS salario_medio</p><p>FROM departamentos d;</p><p>Embora essa abordagem seja válida, ela pode tornar a consulta difícil de ler e entender quando se utiliza múltiplas subconsultas aninhadas.</p><h4>4.2 Subconsultas no FROM</h4><p>As subconsultas no FROM são usadas quando precisamos criar uma “tabela derivada” temporária, que pode ser utilizada na consulta principal.</p><p><strong>Exemplo de subconsulta no FROM:</strong></p><p>SELECT d.nome, e.nome, e.salario</p><p>FROM departamentos d</p><p>JOIN (SELECT id, nome, salario, departamento_id FROM empregados WHERE salario &gt; 3000) e</p><p>ON d.id = e.departamento_id;</p><p>Embora eficaz, essa abordagem pode prejudicar a legibilidade e dificultar a manutenção do código, já que a subconsulta precisa ser reescrita em cada uso.</p><h4>4.3 Subconsultas no WHERE</h4><p>As subconsultas no WHERE são usadas para filtrar resultados com base em um conjunto de valores.</p><p><strong>Exemplo de subconsulta no WHERE:</strong></p><p>SELECT nome</p><p>FROM clientes</p><p>WHERE id IN (SELECT cliente_id FROM pedidos WHERE valor &gt; 100);</p><p>Neste exemplo, a subconsulta retorna os clientes que possuem pedidos acima de 100, mas seu uso repetido pode reduzir a clareza.</p><h3>5. Vantagens das CTEs sobre Subconsultas</h3><p>As CTEs oferecem diversas vantagens quando comparadas a subconsultas tradicionais:</p><h4>5.1 Legibilidade</h4><p>As CTEs permitem que o código SQL seja mais organizado e fácil de entender. Como as subconsultas são definidas separadamente, elas podem ser nomeadas de maneira intuitiva, facilitando a compreensão do propósito de cada parte da consulta.</p><h4>5.2 Reutilização</h4><p>Uma CTE pode ser reutilizada dentro de uma consulta principal, evitando a necessidade de duplicar a lógica complexa. Isso reduz erros e melhora a manutenção do código.</p><h4>5.3 Performance</h4><p>Em alguns casos, as CTEs podem ter um impacto positivo na performance, especialmente quando a mesma lógica precisa ser aplicada em várias partes da consulta. Embora a performance dependa de vários fatores (como o tipo de banco de dados e a complexidade da consulta), as CTEs podem ser otimizadas de maneira mais eficaz pelos otimizadores de consultas.</p><h3>6. Casos Práticos de Uso de CTEs</h3><p>CTEs são ideais para resolver problemas complexos de consulta, como:</p><ul><li>Recursão (usando CTEs recursivas).</li><li>Agrupamento e agregação de dados.</li><li>Organizar consultas longas ou aninhadas.</li></ul><h4>Exemplo de CTE recursiva:</h4><p>WITH RECURSIVE Hierarquia AS (</p><p>SELECT id, nome, chefe_id</p><p>FROM empregados</p><p>WHERE chefe_id IS NULL</p><p>UNION ALL</p><p>SELECT e.id, e.nome, e.chefe_id</p><p>FROM empregados e</p><p>JOIN Hierarquia h ON e.chefe_id = h.id</p><p>)</p><p>SELECT * FROM Hierarquia;</p><h3>7. Desvantagens das CTEs em relação às Subconsultas</h3><p>Apesar das vantagens, as CTEs também apresentam algumas limitações. Elas não são sempre a melhor escolha em todos os casos. Por exemplo, CTEs não são sempre otimizadas da mesma forma que subconsultas, especialmente em sistemas de banco de dados com otimizadores menos avançados.</p><h3>8. Exemplos Práticos Comparando CTEs e Subconsultas</h3><p>Nesta seção, exemplos práticos serão fornecidos para comparar o uso de CTEs e subconsultas tradicionais em diferentes cenários, com foco em performance, legibilidade e complexidade.</p><h3>9. Considerações Finais</h3><p>A utilização de CTEs em SQL oferece uma abordagem eficiente para resolver problemas complexos de manipulação de dados, proporcionando um código mais limpo, legível e reutilizável. No entanto, como em qualquer técnica, o contexto e as necessidades específicas de cada consulta devem ser considerados para determinar se uma CTE ou uma subconsulta tradicional é a melhor escolha.</p><h3>10. Conclusão</h3><p>As CTEs são uma ferramenta poderosa para tornar o SQL mais flexível e compreensível. Elas oferecem uma maneira eficaz de lidar com subconsultas complexas e oferecem vantagens notáveis em termos de legibilidade, reutilização e, em alguns casos, performance. No entanto, como qualquer outra técnica, devem ser usadas de forma estratégica, considerando as especificidades do banco de dados e da consulta em questão.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5fa3a1ef965f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Minha Jornada na Implantação do Data Lake na Azure]]></title>
            <link>https://medium.com/@ricardoinfosilva/minha-jornada-na-implanta%C3%A7%C3%A3o-do-data-lake-na-azure-b75b543a5550?source=rss-036c96f6e288------2</link>
            <guid isPermaLink="false">https://medium.com/p/b75b543a5550</guid>
            <category><![CDATA[etl]]></category>
            <category><![CDATA[data-lake]]></category>
            <category><![CDATA[azure]]></category>
            <dc:creator><![CDATA[Ricardo Silva]]></dc:creator>
            <pubDate>Sat, 01 Feb 2025 19:05:04 GMT</pubDate>
            <atom:updated>2025-02-01T19:26:02.216Z</atom:updated>
            <content:encoded><![CDATA[<p>.</p><h4>1. Introdução</h4><p>Implantar o primeiro <strong>Data Lake</strong> na empresa foi uma das experiências mais desafiadoras e gratificantes da minha carreira. Quando começamos a jornada para trabalhar com grandes volumes de dados e transformar a maneira como a empresa tomava decisões com base em dados, a necessidade de um <strong>Data Lake</strong> era clara. No entanto, a decisão sobre a plataforma e a arquitetura não foi simples. Após realizar várias <strong>POCs (Proof of Concepts)</strong> com diferentes fornecedores de soluções em cloud, a <strong>Azure</strong> se destacou, principalmente pela sua robustez, escalabilidade e pela experiência positiva que tivemos nas provas de conceito.</p><h4>2. A Escolha da Azure</h4><p>O fator que realmente nos convenceu a optar pela <strong>Azure</strong> foi a flexibilidade e as ferramentas avançadas que ela oferecia, como o <strong>Azure Data Lake Storage</strong> (ADLS), <strong>Azure Synapse Analytics</strong>, <strong>Azure Data Factory</strong> e outras soluções de análise e machine learning. Já tínhamos uma boa familiaridade com o ecossistema da Microsoft, e as POCs nos deram a confiança de que a Azure seria a plataforma ideal para nossas necessidades.</p><h4>3. Arquitetura do Data Lake</h4><p>Com a decisão da plataforma tomada, começamos a planejar a arquitetura do nosso <strong>Data Lake</strong>. A estrutura foi organizada em três camadas distintas: <strong>Bronze</strong>, <strong>Silver</strong> e <strong>Gold</strong>, seguindo as melhores práticas de organização e processamento de dados.</p><ul><li><strong>Camada Bronze (Raw Layer)</strong>: Esta foi a camada onde os dados eram armazenados <strong>brutos</strong>, exatamente como eram extraídos das fontes de dados. Não realizamos nenhuma transformação nesse estágio. O objetivo aqui era garantir que todos os dados estivessem disponíveis de forma segura e sem qualquer modificação. Optamos pelo <strong>formato Parquet</strong> por ser eficiente em termos de armazenamento e desempenho para grandes volumes de dados.</li><li><strong>Camada Silver (Processed Layer)</strong>: Após a ingestão dos dados na camada Bronze, passamos para a <strong>Camada Silver</strong>, onde começamos a fazer as transformações necessárias. Essa camada foi essencial para realizar a limpeza e o pré-processamento dos dados, transformando-os em algo mais utilizável para análises e modelagens. Aqui, utilizamos <strong>SparkSQL</strong> e <strong>PySpark</strong> para realizar as transformações necessárias, otimizando o desempenho com a utilização de <strong>parquet</strong> e <strong>Delta Lake</strong>, que garantiram a consistência e eficiência no processamento.</li><li><strong>Camada Gold (Curated Layer)</strong>: Finalmente, os dados passaram para a <strong>Camada Gold</strong>, onde estavam completamente <strong>curados</strong> e prontos para consumo analítico. Nessa camada, fizemos os <strong>modelos finais</strong> que alimentariam nossas <strong>ferramentas de visualização</strong>, como o <strong>Power BI</strong>. Além disso, configuramos o uso do <strong>Delta Lake</strong> para garantir que as transações fossem <strong>ACID compliant</strong>, e assim, assegurar a integridade dos dados e permitir o uso de <strong>time travel</strong> para consultar versões anteriores dos dados.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0Y7rtqShF9xqQGTkzT_BQQ.png" /></figure><h4>4. Orquestração com Azure Data Factory e PySpark</h4><p>A próxima grande decisão foi como orquestrar esse fluxo de dados entre as camadas. Para isso, utilizamos o <strong>Azure Data Factory (ADF)</strong>, que se tornou o coração da nossa solução. Com o <strong>ADF</strong>, conseguimos criar pipelines poderosos que orquestravam a ingestão, transformação e movimentação dos dados entre as diferentes camadas do Data Lake, garantindo que os processos acontecessem de forma automatizada e eficiente.</p><p>No <strong>Azure Synapse Analytics</strong>, criei <strong>notebooks PySpark</strong> para rodar os jobs de transformação. O <strong>PySpark</strong> foi ideal para lidar com grandes volumes de dados e proporcionar uma performance excelente durante as transformações. Já o <strong>SparkSQL</strong> permitiu que as consultas fossem expressas de maneira mais clara e eficiente. No começo, foi desafiador montar a arquitetura, mas à medida que implementava, o impacto positivo de ter um pipeline eficiente e escalável ficou claro.</p><h4>5. Monitoramento com Logic Apps</h4><p>À medida que os dados fluíam pelas camadas, o monitoramento se tornou um aspecto crucial. Para garantir que todo o processo funcionasse corretamente e que qualquer erro fosse detectado rapidamente, implementei o <strong>Azure Logic Apps</strong>. O <strong>Logic Apps</strong> nos permitiu receber alertas automatizados por <strong>e-mail</strong> sempre que um erro fosse detectado nos pipelines do ADF, com detalhes sobre os parâmetros do erro, como o ponto da falha e os dados envolvidos.</p><p>Esse sistema de monitoramento foi fundamental para reduzir o tempo de inatividade e garantir que nossa equipe fosse sempre informada sobre a integridade dos processos. Em muitos casos, conseguimos corrigir problemas rapidamente antes mesmo de afetar os usuários finais.</p><h4>6. Integração com Power BI</h4><p>Após a transformação dos dados nas camadas Silver e Gold, a próxima etapa foi disponibilizar esses dados para análise. Para isso, integrei o <strong>Power BI</strong> diretamente à <strong>camada Gold</strong> do Data Lake. Com essa integração, conseguimos criar dashboards dinâmicos e interativos, proporcionando à nossa equipe de negócios acesso a informações em tempo real e a capacidade de tomar decisões rápidas com base nos dados.</p><p>Essa integração do <strong>Power BI</strong> foi uma das partes mais empolgantes do projeto, pois proporcionou visibilidade e insights valiosos para todas as áreas da empresa, desde a execução de relatórios financeiros até análises de desempenho operacional.</p><h4>7. Delta Lake e Performance</h4><p>A adição do <strong>Delta Lake</strong> à nossa arquitetura foi um grande marco. Ele garantiu a <strong>consistência transacional</strong> de dados em nosso Data Lake e permitiu que pudéssemos usar recursos como <strong>upserts</strong>, <strong>merge</strong> e <strong>time travel</strong>. Usar o <strong>Delta Lake</strong> também nos permitiu otimizar a performance das consultas e das transformações, já que ele armazena os dados de maneira eficiente e permite <strong>atualizações incrementais</strong>, o que foi uma enorme vantagem para a escalabilidade do nosso projeto.</p><h4>8. Reflexões e Conquistas</h4><p>Esse projeto foi um verdadeiro marco na minha carreira. Durante a implementação do <strong>Data Lake</strong> na <strong>Azure</strong>, enfrentei desafios técnicos e operacionais, mas, ao final, consegui construir uma solução robusta e escalável, que foi fundamental para a nossa empresa. O uso das <strong>camadas Bronze, Silver e Gold</strong> garantiu uma organização eficiente dos dados, e a combinação do <strong>Azure Data Factory</strong>, <strong>PySpark</strong>, <strong>Delta Lake</strong> e <strong>Power BI</strong> resultou em uma arquitetura altamente integrada e otimizada.</p><p>A decisão de usar a <strong>Azure</strong>, apoiada pelas <strong>POCs</strong> com fornecedores, provou ser a escolha certa, pois nos ofereceu as ferramentas necessárias para dar escala ao nosso Data Lake, mantendo a flexibilidade e a segurança. A experiência foi extremamente enriquecedora, e, hoje, vejo como a nossa abordagem com dados está transformando as operações da empresa, melhorando a tomada de decisões e agregando valor em todas as áreas.</p><p>A implantação do <strong>Data Lake</strong> na Azure foi um verdadeiro aprendizado e, sem dúvida, um projeto do qual tenho muito orgulho. Cada desafio superado fez com que a solução final fosse ainda mais poderosa e impactante para os nossos negócios.</p><h4>9. Agradecimentos</h4><p>Gostaria de expressar minha profunda gratidão ao meu mestre, coordenador e amigo <a href="https://www.linkedin.com/in/abnervaz/"><strong>Abner Vaz</strong></a>, que tem sido uma fonte constante de apoio, orientação e inspiração ao longo de toda a minha jornada profissional. Sem seu conhecimento, paciência e incentivo, eu não teria conseguido superar tantos desafios. A sua liderança não só contribuiu para o meu crescimento, mas também influenciou diretamente o sucesso deste projeto. Agradeço imensamente por todo o aprendizado compartilhado e por sempre acreditar no meu potencial.</p><p>Além disso, sou extremamente grato aos meus diretores <a href="https://www.linkedin.com/in/rodrigomorimatsu/"><strong>Rodrigo Morimatsu</strong></a> e <a href="https://www.linkedin.com/in/claudiohs/"><strong>Claudio Sambuichi</strong></a>, que, com sua visão e confiança, nos permitiram dar vida a este projeto. A liberdade e o apoio que recebi de vocês foram fundamentais para o sucesso da implantação do Data Lake. Obrigado por acreditarem na importância desse projeto e por sempre incentivarem a inovação e o crescimento dentro da nossa empresa.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b75b543a5550" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>