Gabarito Big Data Analytics - Análise e visualização dos dados

Prévia do material em texto

BIG DATA ANALYTICS: ANÁLISE 
E VISUALIZAÇÃO DOS DADOS
2021
Prof. Arquelau Pasta
GABARITO DAS 
AUTOATIVIDADES
2
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
TÓPICO 1
1 O Big Data refere-se ao volume, variedade e velocidade de 
dados – estruturados ou não –transmitidos através de redes em 
processos de transformação e em dispositivos de armazenamento 
até que se torne um conhecimento útil para as empresas. Diante 
deste contexto, podemos afirmar que o Big Data começou: 
a) (X) Com o surgimento de grande volume de dados gerados em 
função dos avanços tecnológicos.
b) ( ) Com o avanço nas metodologias de tomada de decisões 
estratégicas das empresas.
c) ( ) Com o avanço no poder de processamento dos computadores 
disponíveis para a população.
d) ( ) Com a necessidade de estarmos sempre conectados as redes 
sociais divulgando no cotidiano.
e) ( ) Com a criação de novas ferramentas de gerenciamento de 
banco de dados relacionais.
2 Usando de habilidades de programação, conhecimento de 
domínio e conhecimento matemático e estatístico, podemos 
analisar dados brutos e encontrar padrões ocultos. Uma empresa 
interessada em encontrar insights para gerenciar melhor a tomada 
de decisões a respeito de seus cliente e produtos, terá melhores 
chances se investir em:
a) ( ) Banco de dados Relacionais.
b) ( ) ERP.
c) (X) Data Science.
d) ( ) Big Data.
e) ( ) Governança de Dados.
UNIDADE 1
3
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
3 O Big Data Analytics é considerado um desdobramento do Big 
Data, softwares capazes de trabalhar com dados para transformá-
los em informações úteis às empresas. O Big Data Analytics se 
difere do BI (Business Intelligence) por apresentar:
a) ( ) A priorização do ambiente de negócios, não levando em 
consideração as demais áreas da empresa.
b) ( ) A análise das dúvidas já conhecidas pela empresa, com o 
objetivo de obter respostas.
c) ( ) Melhorar a qualidade na coleta dos dados para diminuir o 
espaço no bando de dados.
d) (X) A análise dos dados existente e dos futuros para indicar 
novos caminhos para a empresa.
e) ( ) A melhora na comunicação com seus clientes, ofertando novas 
promoções.
4 O Ministério Público Federal possui um conjunto de dados, em 
que o volume, a velocidade e a variedade de dados são muito 
grandes, tornando-se difícil de gerenciá-los, manipulá-los e 
analisá-los. A este conjunto de dados, damos o nome de:
a) ( ) Data Warehouse.
b) ( ) Data Mart.
c) (X) Big Data.
d) ( ) Cloud Computing.
e) ( ) Business Analytics.
5 No universo Big Data, as empresas buscam desbloquear 
o potencial de dados para gerar valor. Elas também estão 
impacientes para encontrar novas maneiras de processar esses 
dados e tomar decisões mais inteligentes, o que resultará em 
melhor atendimento ao cliente, melhor eficiência de processos 
e melhores resultados estratégicos. Sabendo disso, responda, 
na sua visão, como o Big Data pode auxiliar as empresas na 
construção desse valor?
4
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
R.: Insights derivados da análise de dados estão capacitando orga-
nizações grandes e pequenas a tomar decisões importantes de 
negócios que muitas vezes transformam suas práticas de organi-
zação ou programa. Oferecendo um olhar sobre oportunidades 
de economia financeira, mitigação de riscos, melhorias de saú-
de e segurança, rastreamento de conformidade e muito mais, a 
análise de dados fornece uma visão holística das operações para 
desenvolver estratégias de negócios focadas no futuro.
 Vantagens mais significativas do Big Data: 
 • Otimização de custos: um dos benefícios mais significativos 
das ferramentas de Big Data é que elas oferecem vantagens de 
custo para as empresas quando se trata de armazenar, processar 
e analisar grandes quantidades de dados.
 • Melhorar a eficiência: as ferramentas de Big Data podem 
melhorar a eficiência operacional por saltos e limites. Ao 
interagir com clientes/clientes e obter seu valioso feedback, as 
ferramentas de Big Data podem acumular grandes quantidades 
de dados úteis do cliente.
 • Fomentar preços competitivos: o Big Data Analytics facilita 
o monitoramento em tempo real do mercado e de seus 
concorrentes.
TÓPICO 2
1 O Big Data trabalha com dados oriundos das mais diversas fontes, 
em sua maioria, gerados pelas mídias sociais. Quando estamos 
trabalhando com esse tipo de dados, nos referimos a qual tipo:
a) ( ) Quase estruturado.
b) (X) Não estruturado.
c) ( ) Estruturado.
d) ( ) Semiestruturado.
e) ( ) Pré estruturados.
5
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
2 A Nota Fiscal Eletrônica gera também um arquivo no formato 
XML. Em relação ao tipo de estrutura de dados para Big Data, 
este formato consiste em qual tipo de dados:
a) ( ) Dados estruturados.
b) ( ) Não estruturados.
c) (X) Semi estruturados.
d) ( ) Quase estruturados.
e) ( ) Desestruturados.
3 Os bancos de dados relacionais trabalham com tabelas contendo 
os atributos a serem armazenados. Este tipo de dado no Big Data 
é considerado como:
a) ( ) Quase estruturado.
b) ( ) Não estruturado.
c) (X) Estruturado.
d) ( ) Semiestruturado.
e) ( ) Pré estruturados.
4 O mouse se tornou um periférico muito importante, os 
praticantes de jogos eletrônicos possuem mouses muito sensíveis 
que respondem aos comandos quase que em tempo real. Esses 
comandos, muitas vezes acionados por clique nos botões do 
mouse, também geram dados que podem ser analisados pelo Big 
Data. Ao analisar essa afirmação, estamos falando de qual tipo de 
estrutura de dados?
a) ( ) Não estruturado.
b) (X) Quase estruturado.
c) ( ) Estruturado.
d) ( ) Pré estruturados. 
e) ( ) Semiestruturado.
6
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
5 Quando usamos nosso cartão, seja ele de crédito ou débito, em 
nossa compras, os dados gerados por essa ação informam não 
somente o valor da compra, mas uma série de outras informações 
podem ser geradas, como a loja onde compramos, o tipo de 
produto comprado, a periodicidade de nossas compras, ou 
seja, nosso hábito de compras. A coleta desses dados se dá por 
intermédio de qual elemento da interconexão do ecossistema de 
Big Data?
a) (X) Data Devices.
b) ( ) Data Center.
c) ( ) Data Collectors.
d) ( ) Data Users.
e) ( ) Data Buyers.
TÓPICO 3
1 A definição de Big Data está atrelada às características que 
alguns pesquisadores atribuíram como sendo os Vs do Big 
Data. A respeito dessa colocação, o Big Data possui as seguintes 
características:
a) ( ) Valor, velocidade, volume, visibilidade, voracidade, 
veracidade e variedade.
b) ( ) Valor, veracidade, volume, viabilidade, versatilidade, 
variedade e versatilidade.
c) (X) Volume, velocidade, veracidade, variedade, valor, 
visualização e volatidade.
d) ( ) Variedade, valor, volume, variabilidade, volatilidade, 
visualização e vitalidade.
e) ( ) Velocidade, veracidade, volume, valor, volatilidade, 
visualização e versatilidade.
7
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
2 Você está realizando uma análise e encontra problemas 
relacionados ao armazenamento de dados em vários formatos, 
sendo que possuem uma estrutura inconsistente, dificultando a 
sua integração. Esse tipo de problema refere-se à qualidade dos 
dados para o Big Data e são inerentes a qual característica?
a) ( ) Volatilidade.
b) ( ) Visualização.
c) (X) Variabilidade.
d) ( ) Volume.
e) ( ) Veracidade.
3 O Big Data trabalha com algumas dimensões consideradas as 
mais importantes a serem consideradas na elaboração de um 
projeto. Nestas dimensões, quando falamos da quantidade de 
dados gerados, estamos nos referindo a(o)?
a) ( ) Variedade.
b) ( ) Volatilidade.
c) ( ) Visibilidade.
d) (X) Volume.
e) ( ) Valor.
4 No Big Data, a confiabilidade nos dados analisados é um dos 
principais fatores de sucesso. Se acaso os dados não são confiáveis, 
as respostas obtidas poderão levar a empresa a interpretações 
erradas einclusive poderá levá-la a falência. Diante deste 
contexto, falamos sobre qual dimensão no Big Data? 
a) (X) Veracidade.
b) ( ) Volume.
c) ( ) Variedade.
d) ( ) Volatilidade.
e) ( ) Viabilidade.
8
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
5 Os dados gerados podem ser apresentados de várias formas, seja 
por imagens, vídeos, áudios, documentos de texto, planilhas 
eletrônicas, dentre tantos formatos. No Big Data, se faz necessário 
compreendermos esses formatos, como devemos analisá-los e 
armazená-los. Esta característica do Big Data se refere a(o):
a) ( ) Velocidade.
b) ( ) Visibilidade.
c) (X) Variedade.
d) ( ) Volatilidade.
e) ( ) Volume.
TÓPICO 4
1 O processo de Extração, Transformação, Carregamento e Trans-
formação, também conhecido como ETLT, faz parte da fase que 
inclui as etapas para explorar, pré-processar os dados antes da 
modelagem e análise. Estamos nos referenciando a qual fase?
a) ( ) A fase da descoberta dos dados.
b) (X) A fase de preparação dos dados.
c) ( ) A fase do planejamento do modelo.
d) ( ) A fase da construção do modelo.
e) ( ) A fase de apresentação dos relatórios.
2 Muitas ferramentas estão disponíveis para essa subfase, dentre 
as quais se destacam: R, linguagem para análise e tratamento de 
grandes volumes de dados, SQL Analylis Service, conjunto de 
serviços para gerenciamento de Data Warehouse, O SAS/ACCESS 
fornece integração entre o SAS e o repositório de análise através 
de vários conectores de dados, como OBDC, JDBC e OLE DB. 
Esta subfase faz parte de qual etapa?
9
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
a) ( ) Preparação dos dados.
b) ( ) Descoberta dos dados.
c) ( ) Construção do modelo.
d) ( ) Apresentação dos relatórios.
e) (X) Planejamento do modelo.
3 Uma das habilidades mais importantes para um cientista de 
dados é ser capaz de trabalhar efetivamente com as partes 
interessadas. Seu impacto dependerá de sua capacidade de 
pensar com os gerentes de produtos, colaborar com engenheiros 
e persuadir executivos. Estamos falando da identificação dos 
stakeholders, que faz parte de qual fase do Big Data?
a) ( ) Planejamento do modelo.
b) ( ) Preparação dos dados.
c) (X) Descoberta dos dados.
d) ( ) Apresentação dos relatórios.
e) ( ) Construção do modelo. 
4 O estágio mais importante da análise de Big Data é o estágio 
de______________, em que as operações de pré-processamento e 
integração de dados são realizadas para melhorar a qualidade do 
Big Data.
a) ( ) Planejamento do modelo.
b) ( ) Descoberta dos dados.
c) ( ) Seleção dos dados.
d) (X) Preparação de dados.
e) ( ) Exploração de dados e seleção variável.
5 Na fase inicial do processo, a equipe de cientistas precisa 
determinar quanto conhecimento de negócios ou domínio o 
cientista de dados precisa para desenvolver modelos nas Fases 
3 e 4. Quanto mais cedo a equipe conseguir fazer essa avaliação 
melhor, pois a decisão ajuda a ditar os recursos necessários para a 
10
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
equipe do projeto e garante que a equipe tenha o equilíbrio certo 
de conhecimento de domínio e conhecimento técnico. Essa fase 
refere-se:
a) ( ) À fase de preparação dos dados.
b) ( ) À fase do planejamento do modelo.
c) ( ) À fase da construção do modelo.
d) ( ) À fase de apresentação dos relatórios.
e) (X) À fase da descoberta dos dados.
TÓPICO 5
1 Observa-se que a quantidade de dados gerados está crescente, 
isto faz com que a análise dos dados não seja feita da maneira 
tradicional, pois os tipos de dados gerados não são os mesmos 
tipos de dados armazenados em banco de dados relacionais. 
Considerando este contexto descreva a diferença entre Big Data e 
uma Base de Dados tradicional.
R.: Big Data e dados tradicionais não é apenas diferenciado na base 
do tamanho. Também é diferencial nas bases de como os dados 
podem ser utilizados e também como foi implantado o processo 
de ferramenta, metas e estratégias relacionadas a isso. Existem 
diferentes características que tornam o Big Data preferível e 
recomendado como:
• Flexibilidade: Big Data é flexível e facilmente manuseia sem 
qualquer tipo de perturbação. No modelo tradicional de base 
de dados (banco de dados relacionais), os dados só podem ser 
salvos em tipos específicos de estruturas de dados. No entanto, 
hoje em dia há um tipo diferente de formato que estão sendo in-
troduzidos. O Big Data fornece melhor acesso aos seus dados e a 
organização pode moldá-los de acordo com suas necessidades.
11
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
• Melhor análise: no método anterior, os dados demoraram a 
tempo para que todas as informações sejam analisadas corre-
tamente e, para obter o resultado final, a qualidade dos dados 
seja degradada. Mas com este, o desempenho e o método de 
análise tornam-se avanços e facilmente acessados sem afetar 
a qualidade.
• Rápido e fácil: houve um tempo em que as pessoas têm que 
esperar para obter os dados analisando relatórios finais, agora, 
todo o processo é muito mais simples e fácil, não apenas que 
ele também se torne rápido.
• Uma maneira simples de armazenar: com o armazenamento 
tradicional, os dados costumavam armazenar em diferentes 
tipos de disco e drives. Hoje, pode ser facilmente feito com a 
ajuda de software que torna este trabalho deve ser conveniente. 
No entanto, é difícil armazenar todos os tipos de dados na 
plataforma moderna, mas então eles fornecem a opção de 
transferência rápida.
2 Tecnologia e ciência estão observando avanços revolucionários 
todos os dias e as empresas estão tentando extrair o melhor dela. A 
análise de dados é uma dessas áreas em que eles estão utilizando 
Big Data e Data Science na ponta dos dedos para combinar a 
enorme quantidade de dados com estratégias de negócios. Este 
cenário no remete a mito de que o Big Data.
a) ( ) Deve ser implantado no banco de dados relacional da empresa.
b) ( ) Apresentará respostas incertas sobre a concorrência.
c) ( ) Eliminará o trabalho dos departamentos de pesquisa e 
desenvolvimento.
d) (X) Pode ser adotado por qualquer empresa que queira conhecer 
melhor seus dados.
e) ( ) Precisa de alto investimento, tanto na infraestrutura quanto 
em pessoal especializado.
12
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
3 A análise pode prever a tendência usando Big Data, mas não são 
os dados que impulsionam o negócio. Um negócio se mantém em 
muitos fatores como economia, recursos humanos, tecnologia e 
muito mais. Isto implica que o uso do Big Data.
a) ( ) Não traz respostas concretas a respeito dos dados analisados.
b) ( ) Permite planejar o desenvolvimento de novos produtos 
baseado em dados passados.
c) ( ) Requer uma equipe de cientistas de dados para a análise dos 
dados.
d) (X) Pode prever o futuro, mas depende das perguntas feitas 
sobre os dados.
e) ( ) Exige um investimento considerável em analistas e 
equipamentos.
4 O Data Warehouse armazena dados consolidados de diversas 
fontes, mas interligados pelo ambiente de uma corporação. São os 
chamados dados estruturados, que têm como principal objetivo 
a precisão e qualidade, que darão suporte à tomada de decisões 
de qualquer empresa. Em relação ao Data Warehouse podemos 
afirmar que o Big Data.
a) ( ) É um complemento, pois necessita dos dados já tratados do 
Data Warehouse.
b) ( ) São arquiteturas idênticas, podendo usar tanto um quanto o 
outro.
c) ( ) O Big Data é uma substituição para um Data Warehouse.
d) (X) Big data e Data Warehouse não são os mesmos, por isso não 
são intercambiáveis.
e) ( ) O Big Data veio substituir o Data Warehouse pela simplicidade 
no tratamento dos dados.
5 O volume de dados refere-se ao tamanho dos conjuntos de 
dados que precisam ser analisados e processados, que agora são 
frequentemente maiores que terabytes e petabytes ou mesmo 
13
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
zetabytes. O grande volume dos dados requer tecnologiasde processamento distintas e diferentes do que os recursos 
tradicionais de armazenamento e processamento.
a) ( ) Para o Big Data a quantidade de dados é o fator chave para as 
análises, pois quanto mais dados, melhor.
b) (X) Dados de má qualidade têm muitos erros, muitos dados 
perdidos que podem ser enganosos.
c) ( ) A quantidade de dados gerados é independente, uma vez que 
o Big Data faz suas análises em lotes de dados.
d) ( ) O processo de transformação dos dados é simples e de baixo 
custo para o Big Data.
e) ( ) Uma grande quantidade de dados atrapalha a geração dos 
relatórios.
TÓPICO 6
1 Big Data é um termo em evolução que descreve um grande volume 
de dados estruturados, não estruturados e semiestruturados com 
potencial para serem extraídos para informações e usados em 
projetos de machine learning e outros. Qual das características a 
seguir está entre os 5 V de dados?
a) ( ) Versatilidade.
b) ( ) Voracidade.
c) ( ) Virtualidade.
d) (X) Velocidade.
e) ( ) Vácuo.
2 Big Data é um termo geral para as estratégias e tecnologias não 
tradicionais necessárias para coletar, organizar, processar grandes 
conjuntos de dados. Embora o problema de trabalhar com dados 
que excedam o poder de computação ou armazenamento de um 
14
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
único computador não seja novo, a penetração, escala e valor 
desse tipo de computação se expandiu muito nos últimos anos. 
Apenas coletar e armazenar informações não é suficiente para 
produzir valor real para o negócio. As tecnologias de análise de 
Big Data são necessárias para.
a) ( ) Formular gráficos e gráficos atraentes.
b) (X) Extrair insights valiosos dos dados.
c) ( ) Integrar dados de fontes internas e externas.
d) ( ) Organizar os dados em suas respectivas tabelas.
e) ( ) Padronizar o acesso aos dados e seus relatórios.
3 Uma grande quantidade de dados é muito difícil de processar 
em bancos de dados tradicionais. Então, é por isso que podemos 
usar ferramentas de Big Data e gerenciar nosso enorme tamanho 
de dados muito facilmente. Qual é a melhor prática recomendada 
para o gerenciamento de programas de análise de Big Data?
a) ( ) Adotando ferramentas de análise de dados com base em uma 
lista de lavanderia de suas capacidades.
b) ( ) Mantendo inteiramente a concepção de "ideias antigas" 
relacionadas à gestão de dados.
c) (X) Focando em metas de negócios e como usar tecnologias de 
análise de Big Data para atendê-las.
d) ( ) Utilizando de ferramentas de bancos de dados relacionais 
para efetuar as consultas.
e) ( ) Migrando os bancos de dados para o serviço nas nuvens, para 
garantir a segurança dos dados.
4 A análise de Big Data é o método de coletar, estudar e interpretar 
volumes maciços de dados quantitativos e qualitativos que 
impactarão as margens de lucro e o ROI de qualquer negócio. 
É um recurso valioso usado por profissionais de marketing e 
proprietários de empresas ao tomar decisões críticas, desde o 
lançamento de uma campanha de marketing, o desenvolvimento 
15
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
de um novo produto ou a descontinuação de um serviço 
previamente oferecido. Diante deste contexto, como a análise de 
Big Data é útil para aumentar a receita dos negócios?
R.: A análise de Big Data tornou-se muito importante para as em-
presas. Ajuda as empresas a se diferenciarem das outras e au-
mentarem a receita. Por meio de análises preditivas, a análise 
de Big Data fornece às empresas recomendações e sugestões 
personalizadas. Além disso, a análise de Big Data permite que 
as empresas lancem novos produtos dependendo das necessi-
dades e preferências dos clientes. Esses fatores fazem com que 
as empresas ganhem mais receita e, portanto, as empresas estão 
usando a análise de big data. As empresas podem encontrar um 
aumento significativo de 5 a 20% na receita com a implementa-
ção de análises de Big Data. Algumas empresas populares que 
estão usando análise de Big Data para aumentar sua receita são: 
Walmart, LinkedIn, Facebook, Twitter etc.
5 As empresas de visão de futuro entendem que os insights 
orientados por dados são excelentes diretrizes quando se trata de 
gerenciar os aspectos complicados das empresas que nem sempre 
são evidentes, mas críticos, no entanto. Usar dados para lançar 
luz sobre esses fatores pode ajudá-lo a desenvolver melhores 
planos para o futuro e torná-los rentáveis para o seu negócio. Isto 
nos faz refletir e questionar: como podemos aplicar esses insights 
e gerenciá-los para obtermos lucros com a oportunidade que os 
dados nos apresentam?
R.: O Big Data é extremamente versátil, pois pode ser aplicado a 
empresas de todos os tamanhos e pode fazer uma enorme diferença 
em grandes e pequenos assuntos. Tudo o que se precisa fazer é 
entender onde ele se encaixa dentro da estrutura organizacional, 
e usá-lo no contexto certo. O rápido desenvolvimento de novas 
tecnologias, especialmente no espaço de machine learning, sem 
dúvida usurpará todas as previsões que tentamos fazer. A 
quantidade de dados que estamos produzindo só vai aumentar 
e analisando-os, podemos aprender e eventualmente ser capazes 
de prever algumas coisas. 
16
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
UNIDADE 2
TÓPICO 1
1 O volume dos dados vem crescendo de forma vertiginosa, o uso 
massivo de dados e o aumento da capacidade de processamento 
de grandes bases intensificaram as pesquisas e o emprego 
da inteligência artificial nas tarefas diárias. Alinhando este 
contexto ao uso da Inteligência Artificial, assinale a alternativa 
INCORRETA:
a) (X) Não existe risco, sejam éticos ou morais, quanto às decisões 
tomadas pelos dispositivos que fazem uso de técnicas de 
Inteligência Artificial.
b) ( ) Os dispositivos com técnicas de Inteligência Artificial já 
superam as habilidades humanas em algumas funções.
c) ( ) Veículos autônomos e robôs aspiradores são considerados 
exemplos de utilização da Inteligência Artificial.
d) ( ) Proteger e garantir a segurança dos dados são apontados 
como um desafio crescente com o avanço das técnicas de 
Inteligência Artificial.
e) ( ) O uso de técnicas de Inteligência Artificial em máquina e 
equipamentos, de certa forma, substitui empregos que em 
outra época eram atribuídos às pessoas.
2 A era do Big Data permitiu que empresas de todos os portes, desde 
startups até pequenas empresas, e estabeleceu grandes empresas 
para utilizar uma nova geração de processos e tecnologias. Isso 
fez com que a geração de dados tivesse um aumento nunca 
antes visto. Fato este que resultou na necessidade de ampliação 
da capacidade de se lidar com esta quantidade de dados. Neste 
contexto, estamos abordando o conceito de:
a) ( ) Computação em nuvem.
b) ( ) Redes de computadores.
c) ( ) Bancos de dados não relacionais.
17
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
d) (X) Escalabilidade.
e) ( ) Proteção de dados.
3 O processo de quebrar grandes tabelas em pedaços menores, 
chamados fragmentos, espalhados por vários servidores. Um 
fragmento é essencialmente uma partição horizontal de dados que 
contém um subconjunto do conjunto total de dados e, portanto, 
é responsável por servir uma parte da carga de trabalho global. 
O fragmento do banco de dados é o processo de fazer partições 
de dados em um banco de dados ou mecanismo de pesquisa, de 
tal forma que os dados são divididos em vários pedaços distintos 
menores, ou fragmentos. Este conceito refere-se a(o):
a) ( ) Modularidade.
b) ( ) Troubleshooting.
c) (X) Sharding.
d) ( ) Compartilhamento.
4 A escalabilidade é a capacidade de manter o desempenho diante 
do aumento de dados ou carga adicionando recursos ao sistema. 
Pode ser definida também como a capacidade de um sistema, rede 
ou processo, para lidar com a crescente quantidade de trabalho de 
forma capaz, ou sua capacidade de ser ampliada para acomodar 
esse crescimento. Disserte sobre este conceito.
R.: A escalabilidade é imperdível paraqualquer ambiente de TI. Este 
é especialmente o caso em que a arquitetura de armazenamento 
está relacionada. Entre todos os documentos, arquivos PDF, fotos 
e vídeos, a empresa média tem dados mais não estruturados do 
que sabe. É evidente que a importância de escalar para atender às 
crescentes demandas de armazenamento não pode ser debatida. 
Escalabilidade Horizontal e Escalabilidade Vertical são duas 
estratégias de TI que aumentam o poder de processamento e a 
capacidade de armazenamento dos sistemas. A diferença está na 
forma como os engenheiros conseguem esse tipo de crescimento 
18
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
e melhoria do sistema. Enquanto a Escalabilidade Horizontal 
envolve adicionar mais unidades a um sistema para adicionar 
capacidade, a Escalabilidade Vertical envolve a atualização de 
unidades existentes, integrando recursos a elas.
5 Sua startup criada a menos de um ano obteve uma injeção de 
recursos por parte dos investidores que perceberam o potencial 
de crescimento. Este crescimento se deve ao fato de você estar à 
frente de seus concorrentes, pelo poder de processamento que seu 
sistema dispõe. A crise causada pela pandemia do COVID-19 não 
lhe afetou, muito pelo contrário, sua startup teve um crescimento 
sem precedente e agora você precisa ampliar ainda mais o poder 
de processamento de seu sistema. Na sua visão estratégica como 
administrador e conhecedor do mercado, qual seria a melhor 
solução? Investir em novos computadores ou partir para a nuvem? 
Descreva sua estratégia baseada nos conceitos de escalabilidade:
R.: O dimensionamento horizontal vem com sobrecarga em forma 
de configuração de cluster, gerenciamento, custos de manutenção 
e complexidades. O design fica cada vez mais complexo e o 
modelo de programação muda. Por outro lado, simplesmente 
lançar novos hardwares adicionando mais nós ou máquinas, 
também não é a maneira de começar. O projetista do sistema deve 
analisar os requisitos, se eles podem ser atendidos pelo aumento 
da capacidade ou características de sintonia de uma única 
máquina. Caso não, deve ser usada uma abordagem de scale-out 
ou combinação de ambos. Com a disponibilidade de grandes 
máquinas multicore a um preço significativamente menor, a 
questão da escala versus scale-out torna-se mais comum. Uma 
boa analogia para entender a diferença seria comparar drives de 
disco com virtualização de armazenamento. Drives de disco são 
uma boa analogia à abordagem de scale-up, a virtualização do 
armazenamento é uma boa analogia à abordagem de scale-out.
19
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
TÓPICO 2
1 A computação em nuvem é um paradigma extremamente bem-
sucedido da computação orientada a serviços, e revolucionou a 
forma como a infraestrutura de computação é abstrata e usada. 
Dentre suas classes de serviços, encontra-se uma que possibilita 
que o usuário acesse aplicativos e serviços de qualquer local 
usando um computador conectado à internet. Assinale a 
alternativa CORRETA:
a) (X) Saas.
b) ( ) Iaas.
c) ( ) PaaS.
d) ( ) FaaS.
e) ( ) CaaS.
2 Usamos o termo cloud computing (ou computação em nuvem) para 
designar uma série de serviços relacionados à TI disponibilizados 
para os mais diversos usuários. Sem a necessidade de instalarem 
programas em suas máquinas. A distribuição desses serviços é 
realizada por intermédio de uma plataforma, a cloud ou nuvem. 
Dentre esses serviços tem-se o que envolve a contratação de 
servidores e máquina virtuais, armazenamento e até sistemas 
operacionais. Este tipo de serviço na nuvem é conhecido como:
a) ( ) Saas.
b) (X) Iaas.
c) ( ) PaaS.
d) ( ) CaaS.
3 Os provedores de cloud computing, também conhecidos como 
SPs (do inglês Service Providers), oferecem diferentes tipos de 
serviços. Analise as proposições a seguir, em relação aos modelos 
de serviços oferecidos na computação em nuvem.
20
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
I- No SaaS, o usuário administra a infraestrutura subjacente, in-
cluindo rede, servidores, sistemas operacionais, armazenamento 
ou mesmo as características individuais da aplicação.
II- O SaaS é disponibilizado por prestadores de serviços na camada 
de aplicação. Ele roda inteiramente na nuvem e pode ser consi-
derado uma alternativa a rodar um programa em uma máquina 
local.
III- O modelo de serviço PaaS prevê que o usuário deve administrar 
a infraestrutura subjacente, incluindo rede, servidores, sistemas 
operacionais ou armazenamento. 
IV- No modelo de serviço IaaS existe a disponibilização de recursos 
completos, tais como servidores, rede, armazenamento e outros re-
cursos de computação, como se fosse o aluguel de um data center. 
V- O PaaS é uma modalidade que oferece um ambiente sob demanda. 
Este serviço é ideal para empresas que desenvolvem aplicativos 
web baseados em nuvem.
Estão CORRETAS apenas as afirmações:
a) ( ) I, II e III.
b) ( ) I, III e IV.
c) ( ) II, III e IV.
d) (X) II, IV e V.
e) ( ) III, IV e V.
4 Além dos tipos de serviços prestados à computação em nuvem, 
também temos alguns modelos de implantação, dentre os quais 
destacamos as nuvens privadas. Disserte sobre este tipo de 
implementação de nuvem.
R.: Nuvens privadas são frequentemente implantadas quando nu-
vens públicas são consideradas inadequadas para as necessida-
des de um negócio. Por exemplo, uma nuvem pública pode não 
fornecer o nível de disponibilidade de serviço ou tempo de ati-
vidade que uma organização precisa. Em outros casos, o risco 
de hospedar uma carga de trabalho de missão crítica na nuvem 
pública pode exceder a tolerância ao risco de uma organização, 
ou pode haver preocupações de segurança ou regulamentação 
21
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
relacionadas ao uso de um ambiente multi-inquilinos. Nestes ca-
sos, uma empresa pode optar por investir em uma nuvem privada 
para perceber os benefícios da computação em nuvem, mantendo 
o controle total e a propriedade de seu ambiente.
5 Sua startup progrediu e virou um unicórnio. Com este crescimento, 
você foi obrigado a abrir novas unidade para melhor atender seus 
clientes. Você não pretende investir em mais servidores, pois 
considera melhor utilizar os serviços da nuvem para isso. Que tipo 
de serviços você utilizaria e qual o modelo de implementação de 
nuvem seria adquirido? Descreva suas ações sobre este contexto.
R.: As organizações não necessariamente têm que decidir entre 
usar uma nuvem pública ou privada. Para algumas empresas, a 
resposta é ambas. Para outros, nenhuma das duas. As duas formas 
de computação em nuvem diferem em uma série de aspectos 
significativos: os serviços da nuvem pública estão disponíveis 
para todos, embora os usuários individuais aqui também atuem 
independentemente uns dos outros, todos eles usam o mesmo 
pool de recursos. A nuvem privada concede apenas acesso aos 
usuários autorizados aos serviços em nuvem. Os recursos, 
portanto, não são compartilhados por vários usuários. Além disso, 
as capacidades de computador, armazenamento e rede, em uma 
nuvem privada, podem ser adaptadas às necessidades individuais 
da organização. Uma nuvem pública geralmente não pode ser 
adaptada tão precisamente ao cliente individual – em comparação 
com a nuvem privada. A chamada nuvem híbrida combina as 
vantagens das nuvens privadas e públicas em um modelo de 
nuvem. Alguns dados da organização estão localizados em uma 
nuvem pública e outros em uma nuvem privada. Assim, a nuvem 
híbrida oferece um nível de flexibilidade comparativamente alto e 
os custos, muitas vezes menores, da nuvem pública, mas também 
atende às crescentes necessidades de segurança e proteção de 
dados nas organizações, pois certos serviços só podem ser usados 
internamente, como em uma nuvem privada. As organizações, 
portanto, se beneficiam da redução de custos, mantêm sua 
22
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
flexibilidade e são capazes de armazenar dados confidenciais com 
segurançana área interna. Na nuvem híbrida, os usuários podem 
alternar entre tipos de nuvem a qualquer momento sem serem 
afetados por eles durante o trabalho.
TÓPICO 3
1 Conceitua-se que um banco de dados não relacional não segue 
o padrão dos bancos de dados tradicionais, conhecidos como 
SGBDR. Sobre os bancos de dados não relacionais, conhecidos 
como NoSQL, assinale a alternativas CORRETA:
a) ( ) Os bancos de dados do tipo NoSQL não podem ser indexados.
b) ( ) Os bancos de dados NoSQL são considerados banco de dados 
relacionais pela relação de suas colunas.
c) ( ) Para se trabalhar com bancos de dados NoSQL, deve ser 
definido um esquema de dados fixo antes de qualquer 
operação.
d) ( ) Bancos como: MongoDB, Firebird, DynamoDB, SQLite, 
Microsoft Access e Azure Table Storage são considerados 
Bancos NoSQL.
e) (X) Para acessar e gerenciar os dados, os bancos de dados NoSQL 
usam diversos modelos, como documento, gráfico, chave/
valor, em memória e pesquisa.
2 De acordo com Schreiner (2019, p. 9), “Os BDs NoSQL não 
seguem o modelo relacional e, para variar, não possuem um 
modelo de dados padrão, ou seja, cada BD NoSQL tem seu 
modelo de dados e suas especificações”. Existem vários modelos 
de dados operacionais associados ao conceito NoSQL. Assinale a 
alternativa que correlaciona corretamente os bancos NoSQL em 
relação ao modelo orientado a Chave/Valor:
23
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
a) ( ) SqlServer, Redis, Memcached.
b) ( ) PostgreSql, SqlServer, Riak.
c) (X) Riak, Redis, Memcached.
d) ( ) Riak, Memcahed, Oracle.
e) ( ) Memcached, Oracle, Riak.
3 Consistência, Disponibilidade e Tolerância à partição (do 
acrônimo em inglês: Consistency, Availability e Partition 
Tolerance, CAP) são os três pilares do Teorema de Brewer, o qual 
está por trás de grande parte da geração recente de pensar em torno 
da integridade transacional em sistemas distribuídos grandes 
e escaláveis. Em relação ao termo Consistência, é CORRETO 
afirmar que:
a) (X) Significa leituras e gravações consistentes para que as ope-
rações simultâneas vejam o mesmo estado de dados válido e 
consistente.
b) ( ) Significa que os dados que não satisfazem restrições 
predefinidas não são persistidos.
c) ( ) Significa que o sistema de banco de dados está sempre 
disponível sem tempo de inatividade.
d) ( ) Significa que, mesmo que a comunicação entre diferentes nós 
de banco de dados na rede não seja confiável, tudo funciona.
e) ( ) Significa que tudo em uma transação é bem-sucedido para 
que não seja revertido.
4 Sua empresa desenvolveu um sistema que trabalha com o 
histórico e sessões de usuários, fóruns e websites de e-commerce. 
As codificações em uso incluem XML, YAML, JSON e BSON, bem 
como formulários binários, como documentos PDF e Microsoft 
Office (MS Word, Excel, e assim por diante). Descreva qual é 
o tipo de banco de dados NoSQL que você deve utilizar para 
suportar estas transações.
24
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
R.: Um banco de dados orientado a documentos é um tipo de 
banco de dados NoSQL, no qual os dados são armazenados 
em arquivos de documentos binários. Este tipo de banco de 
dados associa cada documento a uma chave única que toma a 
forma de uma string, path ou URI. As chaves são usadas para 
localizar e retirar documentos individuais do banco de dados. 
Um banco de dados orientado a documentos também pode ser 
referido como uma loja de documentos. O MongoDB é um dos 
exemplos mais populares de um banco de dados orientado a 
documentos. Ele inclui recursos como suporte total ao índice, 
replicação e fragmentação. Uma função central do MongoDB é 
sua escalabilidade horizontal, o que o torna um banco de dados 
útil para empresas que executam aplicativos de Big Data.
5 Como NoSQL geralmente se refere a qualquer DBMS que não 
emprega o modelo relacional, existem vários modelos de dados 
operacionais associados ao conceito NoSQL. Eles funcionam 
bem para sistemas de gerenciamento de conteúdo, softwares de 
blogs, entre outros. Esses bancos de dados NoSQL possuem uma 
estrutura de dados de dicionário que consiste em um conjunto 
de objetos que representam campos de dados. Disserte sobre o 
modelo de banco de dados NoSQL ao qual se refere o exposto.
R.: As vantagens naturalmente se prestam a vários casos de uso 
popular para bancos de dados de chave/valor. Os aplicativos 
web podem armazenar detalhes da sessão do usuário e 
preferência em uma loja de chave/valor. Todas as informações 
são acessíveis através da chave do usuário, e os bancos de dados 
orientados a chave/valor se prestam a leituras e gravações 
rápidas. Recomendações e publicidade em tempo real são 
frequentemente alimentadas por bancos de dados orientados 
a chave/valor porque bancos podem acessar rapidamente e 
apresentar novas recomendações ou anúncios à medida que um 
visitante da Web se move em um site. Na parte técnica, os bancos 
de dados orientados a chave/valor são comumente usados 
para cache de dados na memória para acelerar aplicativos 
minimizando leituras e gravações para sistemas mais lentos 
baseados em disco. 
25
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
UNIDADE 3
TÓPICO 1
1 O Big Data geralmente inclui conjuntos de dados com tamanhos 
além da capacidade de ferramentas de software comumente 
usadas para capturar, curar, gerenciar e processar dados dentro 
de um tempo tolerável decorrido. Qual é a melhor prática 
recomendada para o gerenciamento de programas de análise de 
Big Data?
a) ( ) Adotando ferramentas de análise de dados com base em uma 
lista de suas capacidades.
b) ( ) Adotando totalmente ideias antigas relacionadas à gestão de 
dados.
c) (X) Focando em metas de negócios e como usar tecnologias de 
análise de Big Data para atendê-las.
d) ( ) Utilizando ferramentas de banco de dados tradicionais, pois 
já estão consolidadas.
e) ( ) Utilizando somente dados oriundos dos sistemas internos da 
empresa, uma vez que são dados mais confiáveis.
2 Big Data é um termo em evolução que descreve um grande volume 
de dados estruturados, não estruturados e semiestruturados que 
tem o potencial para ser extraído de informação e utilizados 
em projetos de aprendizado de máquina e outros. As empresas 
que têm grandes quantidades de informações armazenadas em 
sistemas diferentes devem começar um projeto de análise de Big 
Data considerando:
a) ( ) A criação de um plano para a escolha e implementação de 
tecnologias de infraestrutura de Big Data.
b) (X) A inter-relação dos dados e a quantidade de trabalho de 
desenvolvimento que será necessária para conectar várias 
fontes de dados.
26
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
c) ( ) A capacidade dos fornecedores de business intelligence e 
análise de ajudá-los a responder a perguntas de negócios em 
ambientes de Big Data.
d) ( ) A análise dos dados que estão retendo e avaliar como estão 
sendo usados. 
e) ( ) As ferramentas de análise de dados tradicionais que integram 
dados internos.
3 É um termo aplicado a um conjunto de dados que excede a 
capacidade de processamento dos sistemas convencionais de 
banco de dados, ou não se encaixa nos requisitos estruturais da 
arquitetura tradicional do banco de dados. 
a) (X) Big Data.
b) ( ) Data Warehouse.
c) ( ) Business Analytics.
d) ( ) Database.
e) ( ) Data Mining.
4 A análise de Big Data examina grandes quantidades de dados 
para descobrir padrões ocultos, correlações e outros insights. 
Com a tecnologia de hoje, é possível analisar seus dados e obter 
respostas quase imediatamente – um esforço mais lento e menos 
eficiente com soluções de business intelligence mais tradicionais. 
Disserte sobre o conceito de Big Data nas empresas.
R.: O termo “análise de Big Data” refere-se à estratégia de analisar 
grandes volumes de dados, ou Big Data. A grande quantidade de 
dados coletados de uma ampla variedade de fontes, incluindo re-
des sociais, vídeos, imagens digitais, sensores e registrosde tran-
sações de vendas, é chamada de Big Data. O principal objetivo da 
análise de todos esses dados é descobrir padrões e conexões que, 
de outra forma, poderiam ser invisíveis e que podem fornecer in-
formações valiosas dos usuários que os criaram. Por meio dessa 
percepção, as empresas podem ser capazes de obter uma vanta-
gem sobre seus rivais e tomar decisões de negócios superiores.
27
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
5 A análise de dados lida principalmente com a coleta, inspeção, 
limpeza, transformação e modelagem de dados para obter alguns 
insights valiosos e apoiar a melhor tomada de decisão em uma or-
ganização. Disserte sobre as etapas do ciclo de vida do Big Data. 
R.: A análise de dados abrange seis fases: descoberta de dados, 
preparação e processamento dos dados, planejamento dos 
modelos de dados, execução do modelo de dados, comunicação 
dos resultados e operacionalização. Essas seis fases do ciclo de 
vida da analítica de dados são iterativas com movimento para 
trás e para frente e, às vezes, sobreposto. O usuário de negócios, 
ou analista de negócios, pode definir as métricas e os resultados 
da implementação do projeto de ciência de dados. O analista de 
negócios pode estar envolvido desde o estágio de definição do 
valor da iniciativa de dados. O patrocinador do projeto identifica 
o enigma do negócio e se envolve desde o estágio de coleta de 
requisitos. O gerente de projeto garante que haja qualidade nas 
entregas do produto de dados final e garante a entrega do projeto 
no prazo e dentro do orçamento, aproveitando todos os recursos 
do projeto.
TÓPICO 2
1 Apenas coletar e armazenar informações não é suficiente para 
produzir valor real para o negócio. As tecnologias de análise de 
Big Data são necessárias para:
a) ( ) Formular gráficos e gráficos atraentes.
b) (X) Extrair insights valiosos dos dados.
c) ( ) Integrar dados de fontes internas e externas.
d) ( ) Agrupar os dados sob a mesma base de dados.
e) ( ) Facilitara o trabalho do Administrador de banco de dados.
28
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
2 O método pelo qual as empresas analisam dados de clientes 
ou outros tipos de informações em um esforço para identificar 
padrões e descobrir relações entre diferentes elementos de dados 
é frequentemente referido como:
a) (X) Data Mining.
b) ( ) Data Warehouse.
c) ( ) Clusterização.
d) ( ) Web Mining.
3 Empresas que possuem grandes quantidades de informações 
armazenadas em diferentes sistemas devem iniciar um projeto 
de análise de Big Data considerando:
a) ( ) A criação de um plano de escolha e implementação de 
tecnologias de infraestrutura de Big Data.
b) (X) A inter-relação dos dados e a quantidade de trabalho de 
desenvolvimento que será necessária para vincular várias 
fontes de dados.
c) ( ) A capacidade dos fornecedores de business intelligence e 
analytics para ajudá-los a responder perguntas de negócios em 
ambientes de Big Data.
d) ( ) A quantidade de máquinas disponíveis para realizar o 
trabalho de processamento dos dados a serem coletados.
4 Os clientes vivem em um mundo de expectativa instantânea, 
onde tudo se move a uma velocidade vertiginosa. Com vendas 
digitais, feedback do consumidor e dispositivos que produzem 
dados em um ritmo igualmente rápido e em volumes cada vez 
maiores. Como as empresas podem se organizar de forma eficaz e 
criativa para a inovação?
R.: Tratando a inovação como um ecossistema. Ou seja, eles precisam 
ir além de ver a inovação como um processo. A partir do início, 
deve ser uma prioridade de liderança. Inovação requer estratégia, 
29
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
boa governança e espaço para praticar (seu laboratório). Isso per-
mitirá que a organização se adapte a toda a incerteza e mudança 
que acontece em nosso mundo. Você precisa ser magro, rápido, e 
promover uma cultura de intraempreendedorismo.
5 Big Data e as tecnologias de análise avançada prometem uma 
visão sem precedentes sobre as operações de negócios e clientes, 
permitindo que as empresas não apenas aumentem a eficiência 
operacional, níveis de serviço, receita e modelos de negócios, mas 
também aumentem a centralização no cliente. Como o Big Data 
pode agregar valor às empresas?
R.: No cenário atual, Big Data é tudo. Se você tiver dados, você tem a 
ferramenta mais poderosa à sua disposição. O Big Data Analytics 
ajuda as empresas a transformar dados brutos em insights 
significativos e acionáveis que podem moldar suas estratégias 
de negócios. A contribuição mais importante do Big Data para os 
negócios são as decisões de negócios orientadas por dados. O Big 
Data torna possível que as organizações baseiem suas decisões em 
informações e insights tangíveis.
TÓPICO 3
1 O Hadoop é uma estrutura de software de código aberto 
para armazenar dados e executar aplicativos em clusters de 
hardware de commodities. Ele fornece armazenamento maciço 
para qualquer tipo de dados, enorme poder de processamento 
e a capacidade de lidar com tarefas ou trabalhos simultâneos 
praticamente ilimitados. Diante deste contexto, qual afirmação 
sobre Hadoop é falsa:
30
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
a) ( ) Ele funciona com hardware de commodities.
b) ( ) É uma parte do projeto Apache patrocinado pela ASF.
c) (X) É melhor para o streaming em tempo real de dados.
d) ( ) Ele pode lidar com qualquer tipo de dados.
2 Qual é o nome da estrutura de programação originalmente de-
senvolvida pelo Google que suporta o desenvolvimento de apli-
cativos para processamento de grandes conjuntos de dados em 
um ambiente de computação distribuída?
a) (X) MapReduce.
b) ( ) Hive.
c) ( ) ZooKeeper.
d) ( ) Tableau.
3 Apache Hadoop é uma plataforma que lida com grandes conjun-
tos de dados de forma distribuída. A estrutura usa MapReduce 
para dividir os dados em blocos e atribuir os pedaços a nós em 
um cluster. MapReduce, então, processa os dados em paralelo em 
cada nó para produzir uma saída única. O Spark foi desenvolvi-
do em qual linguagem de programação?
a) ( ) Java.
b) (X) Scala.
c) ( ) Python.
d) ( ) R.
4 A enorme quantidade de dados geradas em um ritmo feroz e 
em todos os tipos de formatos é o que chamamos hoje de Big 
Data. A complexa estrutura de dados hoje em dia requer soluções 
sofisticadas para a transformação de dados, para tornar as 
informações mais acessíveis aos usuários. Diante deste contexto, 
sintetize como o Hadoop está relacionado com o Big Data?
31
BIG DATA ANALYTICS: ANÁLISE E VISUALIZAÇÃO DOS DADOS
R.: Quando falamos de Big Data, falamos de Hadoop. O Hadoop 
é uma estrutura de código aberto para armazenar, processar e 
analisar conjuntos de dados complexos não estruturados para 
obter insights e inteligência.
5 Os avanços na tecnologia da informação e comunicação 
apresentam as soluções mais viáveis para a análise de Big Data 
em termos de eficiência e escalabilidade. Este contexto retrata um 
pouco do Framework MapReduce e, com base nele, explique um 
programa MapReduce.
R.: Um programa MapReduce consiste em três partes, ou seja, Dri-
ver, Mapper e Reducer.
 O código driver é executado na máquina cliente e é responsável 
por construir a configuração do trabalho e submetê-lo ao Cluster 
Hadoop. O código Driver conterá o método principal() que aceita 
argumentos da linha de comando.
 O código Mapper lê os arquivos de entrada como <chave valor> 
pares e emite pares de valores-chave. A classe Mapper amplia o 
MapReduceBase e implementa a interface Mapper. A interface 
Mapper espera quatro genéricos, que definem os tipos dos pares 
de tecla/valor de entrada e saída. Os dois primeiros parâmetros 
definem a chave de entrada e os tipos de valor, os dois segundos 
definem a tecla de saída e os tipos de valor.
 O código Redutor lê as saídas geradas pelos diferentes mapeadors 
como <chave valor> pares e emite pares de valores-chave. A classe 
Redutor amplia o MapReduceBase e implementa a interface 
Redutor.A interface Redutor espera quatro genéricos, que 
definem os tipos dos pares de tecla/valor de entrada e saída. Os 
dois primeiros parâmetros definem a chave intermediária e os 
tipos de valor, os dois segundos definem a chave de saída final e 
os tipos de valor.