<?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[geo.tech - Medium]]></title>
        <description><![CDATA[Ideias e aprendizados do time de tecnologia da Geofusion, a primeira companhia de tecnologia e desenvolvedora de softwares de geomarketing na nuvem do Brasil. - Medium]]></description>
        <link>https://medium.com/geo-tech?source=rss----9c9f921a8a0a---4</link>
        <image>
            <url>https://cdn-images-1.medium.com/proxy/1*TGH72Nnw24QL3iV9IOm4VA.png</url>
            <title>geo.tech - Medium</title>
            <link>https://medium.com/geo-tech?source=rss----9c9f921a8a0a---4</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Mon, 16 Nov 2026 22:51:05 GMT</lastBuildDate>
        <atom:link href="https://medium.com/feed/geo-tech" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[USANDO R-TREE PARA QUERIES ESPACIAIS MAIS RÁPIDAS]]></title>
            <link>https://medium.com/geo-tech/usando-r-tree-para-queries-espaciais-mais-r%C3%A1pidas-2e3c1d016583?source=rss----9c9f921a8a0a---4</link>
            <guid isPermaLink="false">https://medium.com/p/2e3c1d016583</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[location-intelligence]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data-structures]]></category>
            <dc:creator><![CDATA[Geofusion]]></dc:creator>
            <pubDate>Thu, 06 Aug 2020 17:42:59 GMT</pubDate>
            <atom:updated>2020-08-06T17:42:59.684Z</atom:updated>
            <content:encoded><![CDATA[<p>Escrito por <a href="https://medium.com/u/292271108dd8">Lucas Travi</a> &amp; <a href="https://medium.com/u/339db93130be">Raul Wagner</a> — 05/08/2020</p><p>Usar dados geoespaciais está cada vez comum em diversos segmentos da ciência e análise de dados, além de servir de insumo para tornar várias análises mais completas. Porém, trabalhar com dados geoespaciais pode ser um grande desafio quando falamos em realizar operações envolvendo geometrias, seja uma simples contagem de pontos ou o cálculo proporcional (que já foi debatido <a href="https://medium.com/geo-tech/manipulando-dados-geoespaciais-em-python-9fe21dda5894">aqui no blog</a>) para o estudo de uma determinada área de influência. O desafio torna-se cada vez maior (exponencialmente maior!) à medida que aumentamos a quantidade de dados geoespaciais sendo analisados, podendo ser desde a quantidade de pontos, quantidade de geometrias analisadas ou até mesmo a quantidade de variáveis da análise.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Dt0wNJ_22XnRzcEX" /><figcaption>Figura 1 — Visualização do R-Tree para o mundo inteiro, Fonte: <a href="https://blog.mapbox.com/a-dive-into-spatial-search-algorithms-ebd0c5e39d2a">Mapbox</a></figcaption></figure><p>Uma das maneiras de tornar uma query espacial mais rápida é através da indexação das geometrias na estrutura de árvore. Dados em estrutura de árvores não são novidades para quem conhece alguns algoritmos de machine learning, quem nunca ouviu falar do Random Forest e do Decision Tree?</p><p>Aqui na Geo adotamos o R-Tree em nossos projetos, tornando nossas soluções mais robustas e fazendo com que sejam mais rápidas e eficientes, seja de maneira local ou distribuída no cluster (esta parte será assunto em outra postagem aqui do blog!)</p><p>O repositório com os scripts em Python apresentados nesse artigo estão no <a href="https://github.com/geofusion/rtree">git público da Geo</a>!</p><h3>Estado da Arte</h3><p>O R-Tree é uma estrutura de dados para organizar dados geoespaciais, particularmente útil para otimizar a pesquisa de geometrias que se interseccionam com outras geometrias, além de várias outras aplicações.</p><p>O conceito por trás do R-Tree se assemelha bastante a uma <a href="https://pt.wikipedia.org/wiki/%C3%81rvore_B">B-Tree clássica</a>, porém adaptado para a realidade dos dados geoespaciais, ou se visto de outra forma, quaisquer dados multidimensionais.</p><p>Em sua organização, cada nó contém um ou mais retângulos no espaço em que está indexando. Os maiores retângulos, ou seja, os nós mais próximos do nó raiz, contém todos os retângulos de seus nós filhos, e os nós-folha (os menores retângulos nesta hierarquia) são os objetos indexados.</p><p>Um dos maiores desafios do R-Tree é construir a árvore de tal forma que os nós-folha estejam balanceados (ou seja, estejam na mesma “altura”) e, ao mesmo tempo, garantir que os nós da árvore não englobem muitos espaços vazios e não se intersectem com frequência.</p><p>Deve-se ter em mente que ao se inserir novas geometrias, o R-Tree tenta minimizar as mudanças em sua estrutura, ou seja, nos retângulos que são usados para indexar as áreas de busca. Essa estratégia permite uma melhora no tempo de inserção, porém pode levar a um aumento no número de intersecções entre os retângulos da árvore.</p><p>Para deixar mais claro como um index do R-Tree é organizado, vamos analisar um exemplo visual.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/840/0*42kzXoXga6KkTwiq" /><figcaption>Figura 2 — Esquematização do R-Tree, Fonte: <a href="https://en.wikipedia.org/wiki/R-tree">Wikipedia</a></figcaption></figure><p>Nessa imagem, é possível observar retângulos de diferentes cores, onde cada cor está relacionada com um nível diferente da árvore. Os maiores retângulos da estrutura são os retângulos pertencentes ao nó preto, que é o nó-raiz e, por isso, engloba todos os outros nós da árvore. No exemplo acima, o retângulo R1 engloba os retângulos R3, R4 e R5. Já estes, englobam os retângulos abaixo na hierarquia e assim sucessivamente.</p><p>Como dissemos anteriormente, a ideia por trás do R-Tree é ser uma estrutura de dados para recuperação eficiente de geometrias. Isso só é possível graças a estratégia que ele adota, de buscar as geometrias de interesse apenas nos subespaços em que elas pertencem.</p><p>Por exemplo, imagine que quiséssemos recuperar uma geometria dentro do retângulo R15, da imagem acima. Inicialmente, o R-Tree iria identificar que essa geometria está contida no retângulo R2, em seguida entraria no retângulo R6 e, por fim, chegaria no retângulo R15 que engloba a geometria desejada.</p><p>Perceba que o R-Tree direciona quais retângulos contêm as geometrias em que ocorre essa intersecção, ao invés de comparar a geometria procurada com <strong>todas as outras</strong> geometrias da base de dados, melhorando significativamente o tempo de busca. Em termos de complexidade computacional, a execução de uma busca por intersecções entre <strong>n</strong> geometrias, deixa de ser <strong>O(n²)</strong> e passa a ser <strong>O(n*log(n))</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/400/0*Xmner43pheNnZUB8" /><figcaption>Figura 3 — Busca de pontos usando R-Tree, Fonte: <a href="https://en.wikipedia.org/wiki/R-tree">Wikipedia</a></figcaption></figure><h3>Metodologia &amp; Resultados</h3><p>Nesse artigo, vamos mostrar um exemplo de como o R-Tree pode ser usar para executar uma simples operação em dados geoespaciais. Mas antes, vamos introduzir alguns conceitos que serão usados, começando pelo conceito de setores censitários.</p><blockquote>Segundo o IBGE, “O setor censitário é a unidade territorial estabelecida para fins de controle cadastral, formado por área contínua, situada em um único quadro urbano ou rural, com dimensão e número de domicílios que permitam o levantamento por um recenseador”. Ou seja, é uma divisão geográfica baseada no número de domicílios, em média 300.</blockquote><p>O problema que queremos resolver é <strong>dado um tipo de segmentação geográfica, qual a quantidade de determinados tipos de estabelecimentos em cada segmento</strong>. Nesse artigo iremos usar farmácias e restaurantes na contagem de estabelecimentos e setores censitários para realizar a segmentação geográfica. A ideia é mostrar um ganho de performance associado ao aumento da quantidade de buscas, demonstrando que soluções que usam a indexação do R-Tree podem tornar nossas aplicações muito mais escaláveis.</p><p>Vale ressaltar que os dados utilizados neste estudo não serão disponibilizados, mas é possível encontrar as geometrias de setor censitário de toda a malha municipal do Brasil no repositório de metadados do IBGE.</p><p>A biblioteca que utilizamos é a <a href="https://toblerity.org/rtree/index.html">rtree</a> do Python, que por baixo dos panos usa a <a href="https://libspatialindex.org/">libspatialindex</a>, biblioteca em C++.</p><p>O script que usamos para fazer a contagem dos pontos de interesse (farmácias e restaurantes) recebe dois dataframes como input, um contendo os pontos, suas respectivas latitude e longitude, e o seu tipo (farmácia ou restaurante). O outro input é um dataframe contendo as geometrias nas quais desejamos realizar a contagem dos pontos de interesse que neste caso será um dataframe com setores censitários.</p><p>Começamos criando um index vazio, que irá receber os POI’s (pontos de interesse) indexados. O parâmetro <em>intervealed</em> está relacionado com a maneira com que os pontos serão inseridos. Uma explicação mais completa sobre este assunto encontra-se na <a href="https://toblerity.org/rtree/tutorial.html#create-a-bounding-box">documentação oficial da biblioteca</a>. Depois disso, cada um dos pontos do dataframe de polos será inserido em pois_index.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lc8kMGG4zGLrNrTSPZjWQQ.png" /></figure><p>Como pode ser observado, no parâmetro obj passamos tanto a geometria do ponto quanto o seu tipo, isso permitirá com que a contagem seja feita para cada tipo de estabelecimento.</p><p>Depois de indexar todos os pontos de interesse, para cada geometria de setor censitário, será criada uma lista com os pontos que intersectam o bounding box da geometria do setor censitário. Essa lista é retornada de maneira muito rápida por causa da estrutura de árvore com a qual os pontos foram organizados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XA4uyroEJxI0SWRWa9Kykw.png" /></figure><p>Após criarmos list_objs teremos uma lista de todos os pontos que intersectam o bounding box da geometria do setor censitário, mas não necessariamente estão contidas dentro dela. Após verificar se os pontos realmente estão contidos na geometria do setor censitário, atribuímos quantos restaurantes e/ou farmácias estão contidos naquele setor censitário.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HJgXEHKT7zv8R5u2EUW13w.png" /></figure><p>Para confirmar que o algoritmo R-Tree realmente ajuda a melhorar a performance da nossa aplicação. Foram simulados alguns cenários para ver o ganho de tempo comparado a uma busca randômica com nested loop (que será o método Default) e uma busca que cria uma máscara (Mask), realizando um filtro em função do bounding box da geometria do setor censitário.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*oAjGrrEpMzuNofUeomigAg.png" /></figure><p>Os cenários para análise de performance foram os seguintes: cidade de São Paulo (18953 setores censitários e 2412 pontos), estado de São Paulo (68296 setores censitários e 4982 pontos) e Brasil inteiro (316573 setores censitários e 13537 pontos).</p><p>Através das figuras 4 e 5 podemos ver que o aumento no tempo do processo conforme a quantidade de buscas (iterações) aumenta, fazendo com que o método Default chegue a 18 mil segundos, enquanto uma busca otimizada usando R-Tree sequer chega a um minuto (aproximadamente 45 segundos).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*7yvUpqQP2IrinKxh" /><figcaption>Figura 4 — Gráfico em barras comparando os tempos de processamento para os diferentes métodos em diferentes cenários</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*6msg-qevMC1RvaID" /><figcaption>Figura 5 — Variação do tempo de processamento em função da quantidade de setores censitários para os diferentes métodos</figcaption></figure><p>Na primeira impressão pode parecer que o R-Tree não apresentou uma grande melhora quando comparado com a máscara feita a partir do bounding box da geometria dos setores censitários, contudo, através das figuras 6 e 7, onde compararmos apenas os dois métodos, pode-se perceber que o tempo para realizar a mesma tarefa é 16 vezes menor do que quando usamos a máscara (que demora 12 minutos). Fazendo esta análise também podemos notar que para uma quantidade maior de geometrias (na ordem de milhões, por exemplo) esse ganho seria maior ainda em relação aos outros dois métodos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*kOFZHkv0Q8j2wiyw" /><figcaption>Figura 6 — Gráfico em barra comparando R-Tree e Mask (máscara) para os diferentes cenários</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*4Gbe8uvacOnhz0Vd" /><figcaption>Figura 7 — Comparativo entre R-Tree e Mask (máscara) variando a quantidade de setores censitários</figcaption></figure><h3>Conclusão</h3><p>Por fim, podemos ver um grande ganho de tempo ao usar o R-Tree na realização de queries espaciais, tornando nossa solução muito mais escalável quando pensamos em uma grande massa de dados.</p><p>Neste artigo foi visto:</p><p>1 — Introdução teórica sobre o algoritmo R-Tree;</p><p>2 — Estudo de caso comparando diferentes cenários e vendo um ganho exponencial de tempo.</p><p><strong>Mais sobre árvores:</strong></p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2F9Jry5-82I68%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3D9Jry5-82I68&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2F9Jry5-82I68%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/9c15c31884150d8e576881dbb786a20d/href">https://medium.com/media/9c15c31884150d8e576881dbb786a20d/href</a></iframe><h3>Referências</h3><ol><li>R-Tree: <a href="https://en.wikipedia.org/wiki/R-tree">https://en.wikipedia.org/wiki/R-tree</a></li><li>Biblioteca R-Tree: <a href="https://toblerity.org/rtree/index.html">https://toblerity.org/rtree/index.html</a></li><li>B-Tree: <a href="https://en.wikipedia.org/wiki/B-tree">https://en.wikipedia.org/wiki/B-tree</a></li><li>Bouding Box: <a href="https://en.wikipedia.org/wiki/Minimum_bounding_box">https://en.wikipedia.org/wiki/Minimum_bounding_box</a></li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2e3c1d016583" width="1" height="1" alt=""><hr><p><a href="https://medium.com/geo-tech/usando-r-tree-para-queries-espaciais-mais-r%C3%A1pidas-2e3c1d016583">USANDO R-TREE PARA QUERIES ESPACIAIS MAIS RÁPIDAS</a> was originally published in <a href="https://medium.com/geo-tech">geo.tech</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[MANIPULANDO DADOS GEOESPACIAIS EM PYTHON]]></title>
            <link>https://medium.com/geo-tech/manipulando-dados-geoespaciais-em-python-9fe21dda5894?source=rss----9c9f921a8a0a---4</link>
            <guid isPermaLink="false">https://medium.com/p/9fe21dda5894</guid>
            <category><![CDATA[geomarketing]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[geometry]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[geography]]></category>
            <dc:creator><![CDATA[Lucas Travi]]></dc:creator>
            <pubDate>Fri, 07 Feb 2020 16:53:31 GMT</pubDate>
            <atom:updated>2020-02-07T16:53:30.956Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*8N6mOB0uAXh1MNkJ" /><figcaption>Renda média domiciliar por setor censitário visualizada no <a href="https://geofusion.com.br/produto/onmaps/">OnMaps</a></figcaption></figure><p>Cada vez mais as empresas estão fazendo uso de dados na tomada de decisões. Todavia, fazer esta análise de forma a levarmos em consideração informações de geolocalização poderá trazer mais valor à análise, na mesma medida que a torna mais desafiadora.</p><p>Aqui no time de Insights da Geofusion, utilizamos Python e suas bibliotecas para manipular e enriquecer geometrias com dados, para gerar valor tanto para o nosso principal produto, o OnMaps, quanto para projetos e análises complexas em conjunto do nosso time de consultoria.</p><p>Neste artigo, iremos demonstrar algumas análises simples, mas poderosas, que podem auxiliar cientistas de dados a trabalharem com dados geoespaciais.</p><p>O notebook com os códigos e análise estão no <a href="https://github.com/geofusion/proportional_sum_python_shapely">github da Geo</a> e as geometrias e dados sociodemográficos podem ser encontrados no IBGE!</p><h3><strong>O QUE É WKT?</strong></h3><p>Well-known text (WKT) é uma linguagem de marcação de texto usada para representar objetos vetoriais em um mapa.</p><p>WKT pode ser utilizada para representar diversos tipos de objetos geométricos. Os mais utilizados aqui no time são pontos, linhas (<em>linestring </em>e<em> multilinestring</em>), polígonos e multipolígonos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/536/0*RcHsWG3dnY5T4UkV" /><figcaption>Geometrias primitivas, <a href="https://en.wikipedia.org/wiki/Well-known_text_representation_of_geometry">fonte: Wikipedia</a></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/615/0*X7Ml2DX4Ks8IhqpH" /><figcaption>Geometrias multipartes, <a href="http://Multipart geometrie">fonte: Wikipedia</a></figcaption></figure><p>Usaremos estas geometrias ao associá-las a dados sociodemográficos ou a uma quantidade de POIs (Points of Interest).</p><p>Para demonstrar como manipular dados geoespaciais em Python, usaremos um exemplo bem simples: associaremos as geometrias de cada setor censitário da cidade de São Paulo à sua renda nominal, quantidade de domicílios e renda média — sendo esta última definida como o resultado da divisão da renda nominal pela quantidade de domicílios.</p><p>O setor censitário é uma geometria definida pelo Instituto Brasileiro de Geografia e Estatística (IBGE), que pode ter qualquer medida. O que define esses setores não é o espaço geográfico que eles ocupam, mas a quantidade de domicílios que cada setor censitário comporta.</p><p>Entenda melhor sobre esta geometria e a sua importância no <a href="https://blog.geofusion.com.br/setor-censitario-varejo">blog da Geofusion</a>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/906/0*LMTkAzo-kGg8cUsv" /><figcaption>Dataframe com os dados sociodemográficos e geometria dos setores censitários</figcaption></figure><p>Mesmo com este dado estando em formato WKT, não conseguiremos manipulá-lo sem fazer uso de outras bibliotecas de Python específicas para dados geoespaciais. Até o momento, o dado é interpretado como uma <em>string</em>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JjFJOe8cspa07AFF0u9krg.png" /><figcaption>WKT ainda no formato de string</figcaption></figure><h3><strong>SHAPELY</strong></h3><p>A biblioteca que usamos aqui no time é a <a href="https://shapely.readthedocs.io/en/stable/manual.html">Shapely</a>, que permite com que façamos diversas operações geoespaciais de maneira simples e intuitiva.</p><p>A primeira delas é transformar o dado em formato WKT em um objeto geométrico que até então é apenas uma <em>string</em>, que não permite com que façamos nenhuma operação geoespacial com ele.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/505/0*w9K3gIZlARa3LYVt" /><figcaption>Biblioteca <a href="https://github.com/Toblerity/Shapely">Shapely</a> utilizada para ler e manipular dados na forma de geometria</figcaption></figure><p>Agora podemos realizar manipulações geométricas, visto que construímos um objeto geoespacial.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/530/0*F0WBW0tFNI_GrVq5" /><figcaption>O tipo do dado muda de string para um objeto shapely de classe Polygon</figcaption></figure><h3><strong>OPERAÇÕES GEOESPACIAIS</strong></h3><p>O desafio deste artigo foi calcular a renda média domiciliar de um <em>buffer</em> (área gerada a partir de um raio), com 500 metros de raio, realizando o cálculo proporcional da renda nominal e quantidade de domicílios dos setores censitários contidos dentro dela.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*9E_RuEouVa33Whoj" /><figcaption>Área de estudo com raio de 500 metros gerada na cidade de São Paulo visualizada no <a href="https://geofusion.com.br/produto/onmaps/">OnMaps</a></figcaption></figure><p>Para isto, definimos quais setores censitários intersectam o <em>buffer</em> e verificamos o quanto destes setores está contido dentro da isocota para, então, realizar o cálculo proporcional.</p><p>Ou seja, se 50% da área do setor estiver contido no <em>buffer</em>, apenas 50% do valor de renda nominal e domicílios serão associados ao mesmo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/807/0*mlnemSdPGoW2Di6W" /><figcaption>Geometria do buffer gerado com o método geodesic_point_buffer (disponível no nosso git!)</figcaption></figure><p>Utilizamos o método Intersects da biblioteca Shapely, e após iterar em todos os setores censitários de São Paulo, levantamos uma lista final com 59 geometrias que intersectam o <em>buffer</em>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*truiGzkVctbSrHF8" /><figcaption>Script para determinar quais setores censitários intersectam o buffer</figcaption></figure><p>O método utilizado para obter a geometria da intersecção entre a isocota e os 59 setores censitários é o <strong><em>Intersection</em></strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*jvrTp6yjNZ_u41Ps" /><figcaption>Visualização no <a href="https://geofusion.com.br/produto/onmaps/">OnMaps</a> dos setores censitários que intersectam o buffer</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/730/0*ewdEKMQYEoN6iPnm" /><figcaption>Área resultante da intersecção entre o buffer e um setor censitário</figcaption></figure><p>O método Intersection retorna a intersecção entre duas geometrias. Para saber o quanto das áreas se intersectam, basta fazer a razão da área interseccionada pela área do setor censitário.</p><p>A partir daí, podemos obter a proporção da área do setor censitário que intersecciona o <em>buffer</em>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*mWY-WVUkTQB0zx3Q" /><figcaption>Porcentagem da área em comum do setor censitário no buffer</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*fZKIz0uR1LtVL79L" /><figcaption>Script para gerar o cálculo proporcional de renda e domicílios no buffer</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/720/0*b9OW36zUi0kNU9-j" /><figcaption>Variáveis do buffer obtidas através do cálculo proporcional</figcaption></figure><p>Também podemos fazer este mesmo processo para múltiplas geometrias. No exemplo abaixo, fazemos o cálculo proporcional para três <em>buffers</em> dentro de São Paulo.</p><p>Para isto, foi criado um <em>dataframe</em> (<em>df_buffers</em>) com a latitude e longitude dos pontos que desejamos estudar. O método ‘<strong><em>geodesic_point_buffer</em></strong>’ retorna o buffer (um objeto de classe Polygon) e em seguida iteramos em todos os setores censitários do município.</p><p>Se o setor intersecta o <em>buffer,</em> é feito o cálculo proporcional da renda nominal e domicílios, adicionando estes valores ponderados a uma lista, que é somada ao final da iteração e retorna o valor da renda nominal e de domicílios da isocota.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/636/0*ed23JfMq9pkYT4kh" /><figcaption>As três áreas de influência com raio de 500 metros visualizadas no OnMaps</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*6xD9heiZYE4UkNJM" /><figcaption>Script para realizar o cálculo proporcional nos três buffers</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/934/0*vzA4uusIjJ76TRfq" /><figcaption>Resultado obtido para os buffers</figcaption></figure><p>Como você pode ver, o <em>buffer</em> 0 está em uma área de maior renda nominal e menor densidade domiciliar, resultando em uma renda média domiciliar bastante superior às demais.</p><p>Enquanto isso, o <em>buffer</em> 1 possui um acúmulo de renda nominal superior ao <em>buffe</em>r 2. Contudo, a quantidade de domicílios é muito superior, fazendo com que o mesmo tenha uma renda média domiciliar inferior.</p><h3><strong>CONCLUSÃO</strong></h3><p>Neste artigo deu para notar a importância e a riqueza de insights que podemos ter ao associar geometrias geoespaciais com dados, deixando nossa análise mais completa.</p><p>Entendeu-se o conceito de WKT, e vimos como usar o Shapely para manipular geometrias geoespaciais.</p><p>Conferimos, também, métodos como o Intersects, que define se houve ou não intersecção entre as geometrias, e o Intersection, que retorna a geometria resultante da intersecção entre duas outras geometrias.</p><p>Finalmente, realizamos cálculo proporcional dentro de um <em>buffer</em>, utilizando estes métodos.</p><p>Ficou com alguma dúvida ou quer trocar experiências com a gente? É só deixar seu comentário no campo abaixo.</p><p>Até a próxima!</p><ul><li><em>Mais sobre Shapely: </em><a href="https://shapely.readthedocs.io/en/latest/manual.html"><em>https://shapely.readthedocs.io/en/latest/manual.html</em></a></li><li><em>Mais sobre OnMaps: </em><a href="https://geofusion.com.br/produto/onmaps/">https://geofusion.com.br/produto/onmaps/</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9fe21dda5894" width="1" height="1" alt=""><hr><p><a href="https://medium.com/geo-tech/manipulando-dados-geoespaciais-em-python-9fe21dda5894">MANIPULANDO DADOS GEOESPACIAIS EM PYTHON</a> was originally published in <a href="https://medium.com/geo-tech">geo.tech</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Florence Nightingale, o Diagrama da Rosa e o impacto visual]]></title>
            <link>https://medium.com/geo-tech/florence-nightingale-o-diagrama-da-rosa-e-o-impacto-visual-6f0e1fe5844d?source=rss----9c9f921a8a0a---4</link>
            <guid isPermaLink="false">https://medium.com/p/6f0e1fe5844d</guid>
            <category><![CDATA[tendências]]></category>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[visualização-de-dados]]></category>
            <dc:creator><![CDATA[Thais Calil]]></dc:creator>
            <pubDate>Wed, 03 Oct 2018 19:01:03 GMT</pubDate>
            <atom:updated>2018-10-03T19:01:03.523Z</atom:updated>
            <content:encoded><![CDATA[<h4>O que aprendemos com a história da pioneira na utilização de métodos de representação visual</h4><p>Quem nunca entrou num dilema existencial para escolher o melhor gráfico para, no fim, cair no velho e bom gráfico de barras? Quem nunca tentou colocar um monte de variáveis num único gráfico para no fim perceber que ninguém — nem mesmo você — vai entender nada?</p><p>Independente das boas práticas de <strong>visualização de dados</strong>, é inegável que a forma como você escolhe expor suas descobertas tem um impacto profundo no entendimento e interpretação das pessoas que recebem o conteúdo. Apresentar uma informação num gráfico confuso terá o mesmo efeito, ou até pior, do que a apresentação numa tabela densa e carregada de textos.</p><p>Hoje, a moda são os <em>dashboards,</em> que geram um grande impacto visual, mas, perdendo a mão com o excesso de informações, também não facilitam em nada a interpretação da informação. Conhecer e aplicar as boas práticas para trabalhar com visualização de dados é um assunto que faz parte do universo tanto dos <strong>designers</strong> quanto dos <strong>cientistas de dados</strong>.</p><p>Ouso dizer que a forma visual que você utiliza para comunicar suas análises pode colocar tudo a perder ou salvar milhares de vidas. Para provar que não é exagero, vou te contar um pouco sobre a história de <strong>Florence Nightingale</strong>.</p><p>Florence Nightingale foi uma <strong>enfermeira</strong> britânica, famosa por cuidar dos feridos durante a Guerra da Crimeia. Contribuiu também para o campo da <strong>Estatística</strong>, sendo pioneira na utilização de métodos de representação visual de informações, por exemplo o <strong>gráfico setorial</strong>, o famoso gráfico de pizza. Ok, o gráfico de pizza está em baixa, mas já teve seus dias de glória e, se usado da maneira correta (com apenas 2 pedaços), pode ser eficaz. É como a fonte <strong>Comics Sans</strong> — usada em HQs, ela cumpre com classe seu papel, já num documento de uma empresa de seguros médicos, será um desastre.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*QVjeURM3H2CL5vNJ" /></figure><p><strong>Voltando a Florence:</strong> A sua contribuição mais famosa foi durante a Guerra da Crimeia, quando começaram a chegar relatos contando sobre as condições horríveis dos feridos.Florence escreveu um livro, em que criou gráficos coloridos, clamando por medidas sanitárias nos hospitais. O impacto de usar <strong>gráficos</strong> ilustrando suas descobertas evidenciou a importância da informação, pelo alto poder de <strong>comunicabilidade.</strong> Isso convenceu as autoridades, que, a partir daí, começaram a aplicar medidas sanitaristas.</p><p><strong>Florence foi a primeira mulher a integrar a Sociedade Real de Estatística.</strong> Ela apresentou os dados sobre os soldados feridos com as contagens de mortes por mês. Observou a negligência no tratamento aos soldados britânicos e enfrentou a resistência de autoridades militares. Acabou constatando que a principal incidência de mortes se devia a infecção hospitalar e não a ferimentos em batalha, como muitos imaginavam.</p><p>Ao retornar à Inglaterra, com a coleta de dados e registros feitos na guerra, Florence produziu um relatório usando o gráfico que ficou conhecido como <strong>“Diagrama da Rosa”,</strong> que demonstrou de forma impactante as suas conclusões.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/0*PynyWsFlt_X431Xz" /></figure><p>Florence dizia que o diagrama deveria atingir os olhos, coisa que um monte de palavras e números jamais conseguiriam. Naquela época, usar gráficos para representar informações estatísticas era algo extremamente inovador. Florence tinha consciência de que a rainha teria muito pouco tempo para analisar seu material e tomar decisões, por isso, o diagrama deveria contar a história rapidamente.</p><p><strong>Seu objetivo crucial era evidenciar que vidas poderiam ser salvas. </strong>A mensagem era que as mortes epidêmicas poderiam ser controladas, apenas era preciso provar para as autoridades que o dinheiro deveria ser gasto com saneamento. Depois de muito tentar dar visibilidade sobre o que ocorria nos hospitais, usou o poder do diagrama com forte apelo visual para convencer as autoridades sobre os dados estatísticos. Sentiu que tinha que persuadir primeiro pela visão. Inclusive, retirou os números dos gráficos para chamar mais atenção ainda para a conclusão em si.</p><p>E, de fato, o “Diagrama da Rosa” criou uma impressão instantânea e conseguiu transmitir a mensagem de forma emocional. Esse diagrama salvou milhões de vidas, ao revolucionar as diretrizes e práticas de gestão em saúde. Além do mais, foi um marco na ilustração gráfica de dados.</p><p>Além de tudo isso, há outro aspecto brilhante que permeia toda a história de Florence: ela se rebelou contra o papel convencional das mulheres. Preocupada com as condições de tratamento médico recebidas pelos mais pobres, rompeu com o que a sociedade esperava de uma mulher naquela época para se dedicar totalmente à causa em que acreditava.</p><p>Você pode conhecer um pouco mais sobre essa história neste vídeo:</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FIk6X2-DCudU%3Ffeature%3Doembed&amp;url=http%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DIk6X2-DCudU&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FIk6X2-DCudU%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="640" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/82a78417ed4d98a96b05cc8be578375e/href">https://medium.com/media/82a78417ed4d98a96b05cc8be578375e/href</a></iframe><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6f0e1fe5844d" width="1" height="1" alt=""><hr><p><a href="https://medium.com/geo-tech/florence-nightingale-o-diagrama-da-rosa-e-o-impacto-visual-6f0e1fe5844d">Florence Nightingale, o Diagrama da Rosa e o impacto visual</a> was originally published in <a href="https://medium.com/geo-tech">geo.tech</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Como vamos criar uma visão unificada dos nossos dados com Data Lake]]></title>
            <link>https://medium.com/geo-tech/como-vamos-criar-uma-vis%C3%A3o-unificada-dos-nossos-dados-com-data-lake-a56adbaf9094?source=rss----9c9f921a8a0a---4</link>
            <guid isPermaLink="false">https://medium.com/p/a56adbaf9094</guid>
            <category><![CDATA[data]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data-lake]]></category>
            <category><![CDATA[hacks]]></category>
            <dc:creator><![CDATA[Waldecir Pereira Junior]]></dc:creator>
            <pubDate>Wed, 19 Sep 2018 18:15:22 GMT</pubDate>
            <atom:updated>2018-09-19T18:24:08.770Z</atom:updated>
            <content:encoded><![CDATA[<h4>Conheça os nossos planos para simplificar o armazenamento e a manipulação dos dados da Geo</h4><p>Aqui na Geofusion, nossos dados são distribuídos e armazenados em diferentes tecnologias: Oracle, PostgreSQL, MongoDB, Solr, Amazon S3, entre outras. Você deve estar se perguntando o porquê disso. Bom, para nós faz todo o sentido, já que buscamos sempre utilizar as tecnologias mais adequadas para cada tipo de uso dos nossos dados e serviços.</p><p>A questão é que, do ponto de vista dos Analistas, Cientistas de Dados e Engenheiros de Dados do nosso time, essa arquitetura exige esforços consideráveis para processar, analisar e disponibilizar os dados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/533/1*Oxin046SV9-nbvZaVah8AQ.gif" /></figure><p>Para abstrair a complexidade do armazenamento heterogêneo queremos olhar de uma forma unificada para os dados. Ou seja, nossa intenção é criar mecanismos para que seja possível encontrar e entender rapidamente esses dados, independentemente de onde estejam armazenados.</p><p>Como faremos isso? Você vai descobrir agora.</p><h4><strong>Data Lake</strong></h4><p>Com o desafio de minimizar a complexidade do nosso ambiente de dados, começamos a investigar o conceito de Data Lake no início de 2018 como uma possível solução.</p><p>Mas afinal, o que é um Data Lake?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*ZdAueSafo34eg0GV.jpg" /></figure><p>Data Lake é uma abordagem arquitetural que permite rápido armazenamento, processamento escalável e análise diversificada de qualquer tipo de dado. Além disso, é um recurso que ajuda a organizar, entender e manter a precisão dos dados.</p><p>Um Data lake fornece maneiras para que os diversos profissionais da organização possam encontrar e disponibilizar rapidamente os dados, com as políticas corretas de acesso. E um de seus principais benefícios é a criação de uma única fonte da verdade para os dados de uma organização, independentemente de onde estejam armazenados.</p><p>Alguns requisitos fundamentais que um Data Lake deve satisfazer são:</p><ul><li>disponibilizar um conjunto de ferramentas unificadas para consultar e analisar dados;</li><li>construir e manter metadados automaticamente, conforme os dados evoluem;</li></ul><p>Neste <a href="https://aws.amazon.com/pt/big-data/datalakes-and-analytics/what-is-a-data-lake/">link</a> você pode encontrar mais detalhes sobre a definição de um Data Lake.</p><h4><strong>Data Lake baseado em serviço AWS</strong></h4><p>Como toda nossa infraestrutura está na AWS, fazia sentido pensar em construir o Data Lake utilizando as ferramentas e os serviços disponíveis nessa nuvem. E é exatamente isso que estamos fazendo. A AWS possui uma grande quantidade de <a href="https://aws.amazon.com/pt/big-data/datalakes-and-analytics/featured-partners/">cases de implementação de Data Lakes</a>. Estamos estudando as ferramentas e os serviços que achamos mais adequados para nossa realidade e, aos poucos, definindo a nossa arquitetura.</p><p>As tecnologias da AWS que estamos considerando até o momento são as seguintes:</p><p><strong>— S3</strong>: Pretendemos utilizar object storage da Amazon para armazenar diferentes tipos de dados. Vamos começar pelos dados que consideramos imutáveis ou com ciclo de atualização longo, por exemplo os dados socioeconômicos com que trabalhamos. Esses dados vão ser migrados do Oracle para o S3 como resultado de um projeto de “reestruturação de dados” que estamos realizando. Pretendo escrever um post sobre esse projeto em outro momento.</p><p>Um dos requisitos para que um Data Lake, que utiliza o S3 como fonte de dados, tenha bom desempenho e baixo custo é o particionamento dos dados. Com o S3, é possível fazer isso diretamente na definição de diretórios. Como a maioria dos nossos dados podem ser particionados por ano e região administrativa, pretendemos tirar proveito dessa característica do S3.Também vou falar um pouco mais sobre S3 e particionamento de dados em outro post.</p><p><strong>— Glue</strong>: O AWS Glue é um serviço de ETL que permite preparar e carregar dados de diferentes fontes para diferentes destinos. O que nos chamou a atenção no Glue é que ele faz a gestão automática dos metadados dos dados do Data Lake através de crawlers. Basta indicar a fonte dos dados que ele os descobre e armazena os metadados associados (ex.: schema e definição de tabela) no AWS Glue Data Catalog. Uma vez catalogados, os dados ficam imediatamente disponíveis para o desenvolvimento de ETLs e para consultas em tecnologias como o Athena e o EMR (Hive e Presto), que vou apresentar a seguir.</p><p><strong>— Athena</strong>: O Amazon Athena é um serviço que permite a execução de consultas interativas usando SQL padrão. Outras vantagens que também identificamos no uso desse serviço:</p><ul><li>Não precisa de servidor (portanto, não há infraestrutura para gerenciar) e cobra apenas pelas consultas executadas;</li><li>Tem integração com o Amazon S3 e com o AWS Glue Data Catalog;</li><li>É possível fazer consultas sobre dados espaciais.</li></ul><p><strong>— EMR</strong>: O Amazon EMR (Elastic MapReduce) disponibiliza um cluster do Hadoop com toda sua stack de tecnologias, permitindo o processamento e a análise de grandes volumes de dados em instâncias do Amazon EC2. As grandes vantagens que enxergamos em utilizar o EMR em uma das camadas do nosso Data Lake são:</p><ul><li>Permite escalar o cluster com o uso de instâncias Spots;</li><li>Permite o processamento de dados utilizando tecnologias conhecidas, como Hadoop e o Spark;</li><li>Disponibiliza ferramentas que permitem a execução de consultas SQL, como o Hive e o Presto, para a análise dos dados;</li><li>Interage de forma muito fácil com os dados armazenados no S3;</li><li>As ferramentas contidas no cluster reconhecem automaticamente os metadados catalogados no AWS Glue — o que vai nos ajudar a poupar muito trabalho de mapeamento de dados.</li></ul><p>Para fechar essa seção, a arquitetura que pretendemos ter em nosso data lake é a seguinte:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/760/0*E1jiAiKHpngKYljI" /></figure><h4><strong>Mas então, quais os próximos passos?</strong></h4><p>Depois de levantar todo o cenário de necessidades que temos aqui na Geofusion e entender as tecnologias que podemos empregar em nosso Data Lake para atendê-las, agora vem a parte da execução.</p><p>Estamos começando a implementar o Data Lake com a migração de parte dos nossos dados socioeconômicos do Oracle para o S3. Novos fluxos de dados estão sendo construídos em Python e Spark e estamos utilizando o EMR como camada de processamento. Na camada de disponibilização dos dados, estamos começando a utilizar tecnologias como Hive, Presto, Athena, Notebooks e APIs desenvolvidas em Flask.</p><p>Como bem sabemos, nem tudo em tecnologia é simples. Existem várias características positivas e negativas que já identificamos e que ainda vamos identificar durante esse projeto. Meu plano é fazer outros posts no futuro, detalhando melhor os desafios de cada etapa desse nosso novo desafio.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a56adbaf9094" width="1" height="1" alt=""><hr><p><a href="https://medium.com/geo-tech/como-vamos-criar-uma-vis%C3%A3o-unificada-dos-nossos-dados-com-data-lake-a56adbaf9094">Como vamos criar uma visão unificada dos nossos dados com Data Lake</a> was originally published in <a href="https://medium.com/geo-tech">geo.tech</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Três coisas que aprendemos com o workshop de Lean Inception na Geo]]></title>
            <link>https://medium.com/geo-tech/tr%C3%AAs-coisas-que-aprendemos-com-o-workshop-de-lean-inception-na-geofusion-3e4f2d3211e5?source=rss----9c9f921a8a0a---4</link>
            <guid isPermaLink="false">https://medium.com/p/3e4f2d3211e5</guid>
            <category><![CDATA[lean]]></category>
            <category><![CDATA[agile]]></category>
            <category><![CDATA[inception]]></category>
            <category><![CDATA[eventos]]></category>
            <category><![CDATA[agile-methodology]]></category>
            <dc:creator><![CDATA[Michel Cordeiro]]></dc:creator>
            <pubDate>Thu, 23 Aug 2018 19:39:05 GMT</pubDate>
            <atom:updated>2018-08-24T17:28:34.731Z</atom:updated>
            <content:encoded><![CDATA[<p>Rodamos o Workshop de Lean Inception na Geofusion e vamos te contar três lições que aprendemos com essa experiência.</p><p>Aqui na Geofusion, temos um projeto chamado GeO2, voltado para nos aproximar cada vez mais das comunidades de tecnologia e contribuir com trocas, sempre compartilhando nosso conhecimento e adquirindo novos aprendizados.</p><p>Por isso, trouxemos para nossa casa a capacitação de Lean Inception facilitada pelo <a href="https://medium.com/u/7b36d96f37e5">Yoris Linhares</a> através de um workshop super interessante que tem o objetivo de ajudar a resolver um problema bem comum nas empresas de tecnologia: <strong>A dor de como trabalhar com eficácia e criar um produto valioso, factível e usável no menor tempo possível.</strong></p><p>E hoje quero compartilhar com você três grandes aprendizados que tivemos com a experiência da Lean Inception aqui na Geo.</p><p><strong>Mas, antes, que tal entender melhor o que é a Lean Inception?</strong></p><p>Para contextualizar o assunto, vou fazer um resumão sobre o que é essa ferramenta que você certamente vai querer adicionar ao seu cinto de utilidades.</p><p>A ideia foi criada pelo Paulo Caroli, especialista em cultura e processos ágeis. Na definição dele, o Lean Inception é um workshop colaborativo para alinhar um grupo de pessoas para o Mínimo Produto Viável (MVP).</p><p>Esse movimento surgiu para trazer mais eficiência ao trabalho de ideação de produtos, que podia levar meses da concepção ao desenvolvimento de uma ideia. Muitas das práticas que eram usadas você pode encontrar nos livros <a href="https://www.amazon.com.br/Agile-Samurai-Masters-Deliver-Software/dp/1934356581">The Agile Samurai</a> e no <a href="https://www.amazon.com.br/User-Story-Mapping-Martin-Fowler/dp/1491904909">User Story Mapping</a>. Quando teve contato com o <a href="https://www.amazon.com.br/Lean-Startup-Entrepreneurs-Continuous-Innovation/dp/0307887898">Lean Startup</a>, foi que Caroli teve o insight de juntar algumas abordagens, enxugando o processo de inception do RUP (Rational Unified Process) a partir das práticas do lean, para ter como resultado um MVP alinhado por todas as partes interessadas. Após validar esse conjunto de práticas com alguns formatos e diversos times ele chegou ao formato que chamou de Lean Inception, com ciclos rápidos de descobertas e uma duração bem menor do que antigamente: <strong>apenas uma semana.</strong></p><p>Agora que estamos devidamente apresentados a ideia vamos te contar o que rolou na Geo.</p><blockquote><strong>#Aprendizado1: Alinhar pessoas: Todo mundo na mesma página</strong></blockquote><p>Aposto que você já participou de projetos onde todas as pessoas envolvidas diziam estar alinhadas com o trabalho a ser feito. Mas bastava você fazer uma ou outra pergunta separadamente que as dúvidas e desentendimentos apareciam.</p><p>Infelizmente essa situação é mais comum do que parece. Fomentar um alinhamento real e colaborativo em uma equipe é uma conquista louvável.</p><p>Mas como levar um time ao entendimento real sobre o que vai ser feito?</p><p>Na primeira fase da Lean Inception, conhecemos três técnicas fundamentais para colocar todos os envolvidos em um projeto na mesma página: Visão de produto, Glossário e Objetivos.</p><p><strong>A visão de produto</strong> segue a técnica do Elevator Pitch, que consiste em uma versão rápida de um discurso de venda. É como se você precisasse apresentar seu negócio ou ideia nos minutos que leva para subir alguns andares de elevador.</p><p>A visão é criada de forma colaborativa por pessoas ou times diferentes, na seguinte estrutura:</p><p><strong><em>Para</em></strong><em> [cliente final],</em></p><p><strong><em>cujo</em></strong><em> [problema que precisa ser resolvido],</em></p><p><strong><em>o</em></strong><em> [nome do produto]</em></p><p><strong><em>é um</em></strong><em> [categoria do produto]</em></p><p><strong><em>que</em></strong><em> [benefício-chave, razão para adquiri-lo].</em></p><p><strong><em>Diferentemente da</em></strong><em> [alternativa da concorrência]</em></p><p><strong><em>o nosso produto</em></strong><em> [diferença-chave]</em></p><p>Cada parte da frase é definida por um grupo, e a sentença é consolidada, junto ao entendimento sobre o produto.</p><p>Com a visão estabelecida pode até parecer fácil pensar que as pessoas já tenham os objetivos claros. Mas basta pedir para que os descrevam de forma individual e depois apresentem uns para os outros para perceber o quanto há variação na compreensão da direção que precisam seguir.</p><p>Por isso, é importante que o entendimento sobre o <strong>objetivo </strong>central seja consolidado e, então registrado em grupo. Como você já deve imaginar, esse é um momento de muita conversa e debate.</p><p>Por fim, entra em cena um recurso que parece muito simples, mas é um dos mais úteis para fazer com que as pessoas voltem a convergir para a mesma direção:<strong> o Glossário</strong>. Tudo o que não está claro é definido e registrado no ato pelos participantes, criando uma base de conhecimento comum sobre todos os assuntos que forem importantes, que pode ser consultada por todos a qualquer momento.</p><p>Nesse glossário, você pode simplesmente definir o que quer dizer “objetivo” para o seu projeto e consultá-lo sempre que precisar eliminar eventuais dúvidas. Esse acordo acaba sendo mais valioso do que qualquer conceito pré-formatado.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PNyyPEm1n37aCP5arKgKhg.jpeg" /></figure><blockquote><strong>#Aprendizado2: Priorizar utilizando empatia</strong></blockquote><p>Uma técnica já bem conhecida e que casa perfeitamente com a proposta da Lean Inception é o mapa de personas. Essa é uma técnica útil que vai ajudar na definição de features.</p><p>Existem diversas formas de construir personas. Há até mesmo ferramentas online, como o gerador de personas da Rockcontent com a Resultados Digitais, <a href="https://geradordepersonas.com.br/">da uma olhada aqui</a>. Mas independente da forma, o foco da criação de personas é um só: ajudar você a ter um pouco mais de empatia com o seu cliente.</p><p>Dos diversos modelos o meu favorito é um bem simples onde você divide uma folha em quadrantes e aborda:</p><ul><li><em>Nome e Desenho;</em></li><li><em>Perfil;</em></li><li><em>Comportamento;</em></li><li><em>Necessidades</em></li></ul><p>Com suas personas criadas, a visão sobre o produto vai convergindo de acordo com os objetivos e propostas de personas.</p><p>Assim, quando chega o momento em que o time deve definir quais features considera viáveis, é perceptível um filtro muito claro das ideias que surgiram ao longo do processo, justamente por causa das personas. No início do workshop, são apresentadas as necessidades e dores do usuário e, automaticamente, surgem diversas ideias de solução. A partir do momento em que visão, objetivos, personas e features são definidos, fica evidente para as equipes de quais apostas iniciais podem abrir mão, priorizando o que mais faz sentido.</p><p>Olhar constantemente para o que já foi alinhado e confrontar com os passos seguintes, pensando sempre nas necessidades do cliente, é um exercício bastante enriquecedor para um time, além de proporcionar melhores resultados e entregas mais eficazes.</p><blockquote><strong>#Aprendizado3: Classificar o grau de entendimento sobre cada feature</strong></blockquote><p>À medida que a Lean Inception avança para novas rodadas de decisões, o alinhamento do time ganha forma. Uma das fases mais importantes é a etapa de entendimento técnico (se o time sabe como fazer uma feature) e de negócio (se sabem qual a proposta da feature).</p><p>Essa etapa auxilia na previsibilidade sobre o projeto, trazendo maior clareza sobre como cada tópico será desenvolvido e se está compreensível para todos. Tendo em mente que no workshop temos um time multidisciplinar, essa etapa se torna fundamental.</p><p>Para auxiliar nessa etapa, é utilizada a matriz abaixo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/776/0*xzpjWOxBYlDsD_xw" /></figure><p>Para cada feature, o time deve determinar em qual quadrante está o entendimento de todos.</p><p>Para os pontos de maior desentendimento, novas rodadas de conversa são necessárias.</p><p>De forma muito similar, é utilizado um segundo gráfico para confrontar o valor de negócio com o esforço necessário para desenvolver cada feature.</p><p>O passo seguinte é igualmente interessante. É a hora da Jornada do Usuário, uma etapa super divertida e ao mesmo tempo importante. Nela, você irá definir como será a interação das personas com a solução que você está desenvolvendo. Com post-its e canetas na mão, o time determina todos os pontos de ação que levam uma pessoa a interagir com o seu produto, desde a necessidade inicial que funciona como gatilho para o uso, até a solução que você proporciona.</p><p>Então, você irá cruzar o que apareceu na jornada com as features levantadas anteriormente. É mais um momento de convergência e de grande valor para o processo, em que ficam evidentes as funcionalidades que foram planejadas e não apareceram na jornada e vice-versa. Assim, será feito mais um filtro sobre as features do seu MVP.</p><p>Ao final de tudo isso, o time terá a compreensão sobre várias dimensões do projeto, entendendo muito bem todos os detalhes, esforços e propósitos daquilo que desejam construir.</p><blockquote><strong>Conclusão</strong></blockquote><p>A Lean Inception de modo geral entrega aquilo a que se propõe. Vai além dos aprendizados citados nesse post e é uma ferramenta valiosa para se ter como recurso na ideação de um produto. Se você deseja um alinhamento para chegar a uma proposta de MVP certamente vale à pena analisar a possibilidade de usar esse método.</p><p>Mas se você está bem familiarizado com os desafios de trabalhar com o Product Discovery, talvez você concorde comigo que algumas adaptações poderiam deixar a prática ainda mais interessante. Olhando para o workshop por completo e indo um pouco além dos aprendizados acima, vão aqui algumas sugestões:</p><ul><li>Antes de rodar o workshop, sugiro que reúna dados reais e o máximo de informações sobre o contexto da sua ideia ou produto, a fim de embasar todos os envolvidos. Esses dados serão úteis para a composição das personas e certamente você terá jornadas compatíveis com a sua realidade;</li><li>Quando o assunto é a definição de features, eu prefiro a visão de outcome ao invés de output. Se você se sente mais confortável com esse mindset eu sugiro adotar as práticas do livro <a href="https://www.amazon.com/Product-Roadmaps-Relaunched-Direction-Uncertainty/dp/149197172X/ref=sr_1_1?ie=UTF8&amp;qid=1534200477&amp;sr=8-1&amp;keywords=Product+Roadmaps+Relaunched&amp;dpID=51MM-ojjthL&amp;preST=_SX218_BO1,204,203,200_QL40_&amp;dpSrc=srch">Product Roadmaps Relaunched</a>, em que você constrói hipóteses mais orientadas a resultados do que a soluções;</li><li>Quanto à estimativa de prazos para o MVP, nós entraremos em um dilema, com opiniões variadas sobre deadlines para o processo de descoberta do produto. Nesse tópico, a minha sugestão é que você se concentre mais em promover ciclos constantes e frequentes de aprendizados e descobertas sobre seu produto, do que necessariamente olhar para uma estimativa e apenas fazer acompanhamentos das datas acordadas. A proposta de um MVP é incrível, mas lembre-se que o MVP é mais uma ferramenta de aprendizado e descoberta. Algo que vai demandar pouco esforço e que rapidamente vai proporcionar a você mais uma validação das suas hipóteses;</li><li>Se você não tiver uma técnica já definida para criação da Jornada do Usuário, eu recomendo que você pense no momento da descoberta da sua solução, na motivação para o uso, o uso em si e o gatilho para quando será usado novamente.</li></ul><p>Se você tiver oportunidade, aplique e conta pra gente como foi. Tenho certeza de que será uma experiência interessante.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3e4f2d3211e5" width="1" height="1" alt=""><hr><p><a href="https://medium.com/geo-tech/tr%C3%AAs-coisas-que-aprendemos-com-o-workshop-de-lean-inception-na-geofusion-3e4f2d3211e5">Três coisas que aprendemos com o workshop de Lean Inception na Geo</a> was originally published in <a href="https://medium.com/geo-tech">geo.tech</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Vamos falar de tech?]]></title>
            <link>https://medium.com/geo-tech/vamos-falar-de-tech-cc73a07f55d1?source=rss----9c9f921a8a0a---4</link>
            <guid isPermaLink="false">https://medium.com/p/cc73a07f55d1</guid>
            <category><![CDATA[product]]></category>
            <category><![CDATA[geofusion]]></category>
            <category><![CDATA[programação]]></category>
            <category><![CDATA[tecnologia]]></category>
            <category><![CDATA[coding]]></category>
            <dc:creator><![CDATA[Michel Cordeiro]]></dc:creator>
            <pubDate>Wed, 18 Jul 2018 20:07:38 GMT</pubDate>
            <atom:updated>2018-07-19T18:23:49.247Z</atom:updated>
            <content:encoded><![CDATA[<p>Misturando códigos e inteligência geográfica, chegamos ao Medium.</p><p>A ideia de criar uma página do time de tecnologia da Geofusion surgiu da nossa vontade de ter um espaço próprio, em uma plataforma fluida e intuitiva, onde pudéssemos registrar nossas ideias e processos. Além disso, esperamos construir um canal de comunicação direto com diversas comunidades de Tech, para compartilhar experiências e aprendizados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/298/1*G3RLFGG1ZQqo_jySZ-kcPg.gif" /></figure><p>Mas calma. Se você ainda não faz ideia de quem somos, deixa eu te apresentar um pouco sobre nós, porque eu acho que vai dar match.</p><p>Highlights deste post:</p><ol><li>Um pouco sobre nós</li><li>O que fazemos em nosso time de Tech?</li><li>De onde viemos?</li><li>O que vem por aí?</li></ol><p><strong>Um pouco sobre nós</strong></p><p>Nós somos a Geofusion, ou Geo para os íntimos, uma empresa pioneira em geomarketing no Brasil. Fomos a primeira a ter um software de geolocalização em cloud no mercado tupiniquim. Temos bons 20 anos de estrada, muito know-how e vivência no que fazemos. Começamos focados em consultoria, ajudando clientes a entender o mercado, como se posicionar e definir estratégias de crescimento, expansão e redução de custo. No decorrer da nossa história, automatizamos o que melhor sabemos fazer e criamos o nosso produto, o <a href="https://blog.geofusion.com.br/geomarketing-e-vantagem-competitiva-3-aplicacoes-no-onmaps-para-comecar-a-explorar-agora">OnMaps</a>, para trazer mais inteligência, automação e escala a análises e estratégias de mercado.</p><p>Nosso negócio é location analytics, um nicho de <a href="https://blog.geofusion.com.br/inteligencia-de-mercado">business intelligence</a>. Atendemos empresas que tem como mercado o varejo ou o consumidor final, proporcionando insights para tomada de decisões de mercado seguras. Nossa tecnologia, informações e serviços apontam para onde e como as empresas podem crescer, contribuindo para a geração de oportunidades de negócio, aumento de vendas, corte de custos e muito mais. <a href="https://geofusion.com.br/casos-de-sucesso/">Dá uma conferida aqui em alguns dos nossos cases</a>.</p><p>Se você ainda tem dúvidas sobre como o geomarketing funciona e pode fazer a diferença para empresas de diferentes setores, separei alguns posts do nosso <a href="https://blog.geofusion.com.br/">blog</a> que podem dar uma visão legal:</p><ul><li><a href="https://blog.geofusion.com.br/infografico-o-que-e-geomarketing">[INFOGRÁFICO] O que é Geomarketing</a></li><li><a href="https://blog.geofusion.com.br/inteligencia-competitiva">Inteligência Competitiva</a></li><li><a href="https://blog.geofusion.com.br/geomarketing-sales-operations-planning">Geomarketing Sales Operations Planning</a></li><li><a href="https://blog.geofusion.com.br/data-driven-marketing">Data Driven Marketing</a></li></ul><p>Acompanhe a gente também por outros canais: estamos no <a href="http://www.facebook.com/geofusiongeomarketing/">Facebook</a>, <a href="https://www.linkedin.com/company/geofusion/">LinkedIn</a>, <a href="https://twitter.com/geofusiongeomkt">Twitter</a>, <a href="https://www.youtube.com/user/geofusionvideos/featured">YouTube</a> e <a href="https://br.pinterest.com/geofusiongeomkt/">Pinterest</a>.</p><p><strong>O que fazemos em nosso time de Tech?</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NNx_aD0mObzWAn3eKpTEUA.png" /></figure><p>Para você entender bem como nosso time de Tech se organiza e o que fazemos, vou dar uma visão geral das nossas áreas de atuação. Nossa estrutura envolve times de Engenharia, Produto e Dados.</p><p>Em engenharia:</p><ul><li>Back-End;</li><li>Front-End;</li><li>Arquitetos;</li><li>QA;</li><li>DevOps.</li></ul><p>Em produto:</p><ul><li>Gerente de Produto;</li><li>UX;</li><li>Marketing de Produto.</li></ul><p>Em dados:</p><ul><li>Engenheiro de Dados;</li><li>Cientista de Dados.</li></ul><p>É assim que nossos especialistas estão agrupados até o momento da publicação deste post. A partir dessa estrutura, formamos equipes multidisciplinares, que reúnem especialistas de cada um desses grupos de diferentes backgrounds, todos focados em um objetivo comum.</p><p>Temos times que estão voltados à nossa plataforma, desacoplamentos e escalabilidade. Outros orientados a descobertas e tração, e ainda há aqueles com foco em inteligência dos dados.</p><p>Na prática, os times se relacionam de acordo com suas necessidades e objetivos. Assim, vamos construindo nossas evoluções e entregas. Em posts futuros, vamos detalhar melhor como nossos times funcionam. Desta forma poderemos ser bem mais específicos em determinados assuntos, ok?</p><p><strong>De onde viemos?</strong></p><p>Estamos mais precisamente em São Paulo e Campinas. Mas importamos um número maravilhoso de mineiros, uma turma do nordeste e até gente do velho continente. Além disso, contamos com uma expressiva quantidade de mulheres atuando conosco. Nos orgulhamos da nossa diversidade.</p><p>E sobre nossos compartilhamentos: essa não é a primeira vez que colocamos assuntos de tech nas interwebs. Nós já escrevemos muita coisa legal <a href="http://geofusion.tech/">aqui</a>, além de compartilharmos ideias e soluções em espaços de discussão internos. Também participamos de alguns eventos, como palestrantes, organizadores ou cedendo nosso espaço.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SmJ0_FjEIwBY0W5XDdzopw.jpeg" /></figure><p><strong>O que vem por aí?</strong></p><p>Pensando nos temas que gostamos de discutir, decidimos dividir os nossos posts em categorias, para facilitar a troca de conhecimentos e frequência de publicação. Olha só como ficou a organização:</p><ul><li><a href="https://medium.com/geo-tech/tagged/how-to"><strong>How to</strong></a> — Dicas e listas para estudos e primeiros passos;</li><li><a href="https://medium.com/geo-tech/tagged/hacks"><strong>Hacks</strong> </a>— novos conhecimentos e aprendizados do nosso dia a dia;</li><li><a href="https://medium.com/geo-tech/tagged/eventos"><strong>Eventos</strong> </a>— Resumão de eventos e encontros;</li><li><a href="https://medium.com/geo-tech/tagged/tend%C3%AAncias"><strong>Tendências</strong> </a>— o que está rolando de novo no mercado e na Geo;</li><li><a href="https://medium.com/geo-tech/tagged/entrevista"><strong>Fala aí</strong> </a>— Entrevistas com especialistas.</li></ul><p>E você, se animou também? Então, fica de olho que já temos dois conteúdos no forno para compartilhar.</p><p>Recentemente, tivemos um papo super legal sobre Gestão de Produtos com o querido <a href="https://medium.com/u/c716b5f26f4d">Raphael Farinazzo</a> da <a href="http://shipit.resultadosdigitais.com.br/">Resultados Digitais</a>. Em breve, você verá um post com a entrevista que fizemos com ele. Além disso, sediamos na nossa casa o curso de Lean Inception do Paulo Caroli facilitado pelo Yoris Linhares, e vamos fazer um resumão de como foi.</p><p>Até logo!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cc73a07f55d1" width="1" height="1" alt=""><hr><p><a href="https://medium.com/geo-tech/vamos-falar-de-tech-cc73a07f55d1">Vamos falar de tech?</a> was originally published in <a href="https://medium.com/geo-tech">geo.tech</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>