Analytics e o Processo de Tomada de Decisão

Prévia do material em texto

1
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
2
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
3
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
Núcleo de Educação a Distância
GRUPO PROMINAS DE EDUCAÇÃO
Diagramação: Gildenor Silva Fonseca
PRESIDENTE: Valdir Valério, Diretor Executivo: Dr. Willian Ferreira.
O Grupo Educacional Prominas é uma referência no cenário educacional e com ações voltadas para 
a formação de profissionais capazes de se destacar no mercado de trabalho.
O Grupo Prominas investe em tecnologia, inovação e conhecimento. Tudo isso é responsável por 
fomentar a expansão e consolidar a responsabilidade de promover a aprendizagem.
4
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
Prezado(a) Pós-Graduando(a),
Seja muito bem-vindo(a) ao nosso Grupo Educacional!
Inicialmente, gostaríamos de agradecê-lo(a) pela confiança 
em nós depositada. Temos a convicção absoluta que você não irá se 
decepcionar pela sua escolha, pois nos comprometemos a superar as 
suas expectativas.
A educação deve ser sempre o pilar para consolidação de uma 
nação soberana, democrática, crítica, reflexiva, acolhedora e integra-
dora. Além disso, a educação é a maneira mais nobre de promover a 
ascensão social e econômica da população de um país.
Durante o seu curso de graduação você teve a oportunida-
de de conhecer e estudar uma grande diversidade de conteúdos. 
Foi um momento de consolidação e amadurecimento de suas escolhas 
pessoais e profissionais.
Agora, na Pós-Graduação, as expectativas e objetivos são 
outros. É o momento de você complementar a sua formação acadêmi-
ca, se atualizar, incorporar novas competências e técnicas, desenvolver 
um novo perfil profissional, objetivando o aprimoramento para sua atua-
ção no concorrido mercado do trabalho. E, certamente, será um passo 
importante para quem deseja ingressar como docente no ensino supe-
rior e se qualificar ainda mais para o magistério nos demais níveis de 
ensino.
E o propósito do nosso Grupo Educacional é ajudá-lo(a) 
nessa jornada! Conte conosco, pois nós acreditamos em seu potencial. 
Vamos juntos nessa maravilhosa viagem que é a construção de novos 
conhecimentos.
Um abraço,
Grupo Prominas - Educação e Tecnologia
5
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
6
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
Olá, acadêmico(a) do ensino a distância do Grupo Prominas! .
É um prazer tê-lo em nossa instituição! Saiba que sua escolha 
é sinal de prestígio e consideração. Quero lhe parabenizar pela dispo-
sição ao aprendizado e autodesenvolvimento. No ensino a distância é 
você quem administra o tempo de estudo. Por isso, ele exige perseve-
rança, disciplina e organização. 
Este material, bem como as outras ferramentas do curso (como 
as aulas em vídeo, atividades, fóruns, etc.), foi projetado visando a sua 
preparação nessa jornada rumo ao sucesso profissional. Todo conteúdo 
foi elaborado para auxiliá-lo nessa tarefa, proporcionado um estudo de 
qualidade e com foco nas exigências do mercado de trabalho.
Estude bastante e um grande abraço!
Professora: Jéssica Laisa Dias da Silva
7
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
O texto abaixo das tags são informações de apoio para você ao 
longo dos seus estudos. Cada conteúdo é preprarado focando em téc-
nicas de aprendizagem que contribuem no seu processo de busca pela 
conhecimento.
Cada uma dessas tags, é focada especificadamente em partes 
importantes dos materiais aqui apresentados. Lembre-se que, cada in-
formação obtida atráves do seu curso, será o ponto de partida rumo ao 
seu sucesso profissional.
8
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
Com o advindo da internet e o avanço de uma nova era de com-
partilhamento de informações em um volume e velocidade nunca vistos 
antes, temos um grande volume de dados que é produzido diariamente 
pelas mais variadas aplicações existentes, surgindo, nesse contexto, a ne-
cessidade de tratamento desses dados e extração das informações. De 
modo que será explanado sobre os grandes volumes de dados e como 
estão sendo processados pelas soluções de Big Data, Ciências de Dados, 
Analytics. Esta unidade analisará os princípios e abordaremos sobre a to-
mada de decisão, trazendo uma introdução, levantando um breve histórico 
contextualizando sua estrutura e característica, apresentando as técnicas 
de Analytics e as ferramentas.
Big Data, Ciências de dados, Analytics.
9
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
 CAPÍTULO 01
TOMADA DE DECISÃO
Apresentação do Módulo ______________________________________ 11
Dados, Informações e Conhecimento _____________________________
Fundamentos de Tomada de Decisão ____________________________
Analítica _________________________________________________________
Recapitulando ___________________________________________________
12
16
21
24
 CAPÍTULO 02
ANALYTICS
Business Analytics na Tomada de Decisão _____________________
Ciencias de Dados e Analytics ___________________________________
Data Analytics _________________________________________________
Recapitulando _________________________________________________
28
33
38
41
10
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
Big Data Analytics Platforms ___________________________________
Recapitulando _________________________________________________
Considerações Finais ___________________________________________
Fechando a Unidade ___________________________________________
Referências ____________________________________________________
52
58
62
63
66
Onde aplicar? __________________________________________________ 49
 CAPÍTULO 03
BIG DATA E ANALYTICS
O que é Big Data Analytics? ____________________________________ 45
11
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
A tomada de decisão está presente em todo cotidiano na vida 
das pessoas. Nas empresas não é diferente, pelo contrário, é um re-
curso fundamental, pois, através das informações que são disponíveis 
para os gestores, acrescidas de mecanismos avaliadores dos impactos 
a serem vividos pela empresa, o gestor optará pela ação de proporcio-
nar produtividade, bem-estar a seus clientes e funcionários.
Nesse sentido, observamos que os grandes volumes de da-
dos estão sendo processados pelas soluções de Big Data, Ciências de 
Dados, Analytics, na qual aumentam exponencialmente e solicitam cri-
térios diferenciados de armazenamento e processamento, expondo um 
grande desafio às organizações de tecnologias tradicionais, bem como 
o conjunto de volumes de dados precisa de armazenamento escaloná-
vel e ter um enfoque distribuído para possibilitar a consulta a eles (ERL 
et. al., 2016).
Sendo assim, no capítulo 1, abordaremos sobre a tomada de 
decisão trazendo uma introdução, levantando um breve histórico, con-
textualizando sua estrutura e característica; o capítulo 2 versará sobre 
Analytics na abordagem geral, entendendo o seu conceito e alinhando 
ao Business Analytics, Ciências de Dados e Data Analytics. 
Por fim, o capítulo 3 abordará sobre Big Data e Analytics enten-
dendo esse recurso tecnológico, explanando seu conceitoe aplicação. 
No mais, boas-vindas ao presente módulo e que todos possam enrique-
cer seus conhecimentos com os assuntos que serão explanados.
Bons estudos!
12
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
DADOS, INFORMAÇÕES E CONHECIMENTO
Com o advindo da internet e o avanço de uma nova era de 
compartilhamento de informações em um volume e velocidade nunca 
vistos antes, segundo Sodré (2016), aproximadamente 2,5 quintilhões 
de bytes de dados são produzidos diariamente através de postagens 
em redes sociais, upload de fotos, arquivos e vídeos, registros de tran-
sações financeiras, sinais de GPS, rastros de navegação e sensores 
dos mais vários tipos.
Além do mais, as novas tecnologias têm originado nos últimos 
anos para endereçar as lacunas técnicas das ferramentas clássicas, no 
tratamento das demandas de processamento mais robustos, tempos de 
resposta cada vez menores e crescentes volumes de dados (LETOU-
ZÉ, 2012; GOLDMAN et al., 2012). Tecnologias como ferramentas de 
TOMADA DE
DECISÃO
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
13
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
colaboração, sensores, diversidade de sistemas, aplicações elaboradas 
tanto para empresas como para uso pessoal contribuem para a grande 
produção dos dados diariamente.
Assim, temos um grande volume de dados que é produzido 
diariamente pelas mais variadas aplicações existentes, surgindo, nesse 
contexto, a necessidade de tratamento desses dados e extração das 
informações.
Nesse contexto de estarmos inseridos em um universo de da-
dos, é importante entender alguns conceitos como: dado, informação e 
conhecimento.
• Entendendo o conceito de dados 
É importante entender que os dados são fatos, instruções ou 
convenções coletadas e normalmente armazenadas, ou seja, são re-
presentações de informações. Exemplo: símbolos como as letras do 
alfabeto (COELHO, 2009). 
Entende-se que o dado, por tratar de ser o ponto de início, tem 
que ser relevante e desenvolver significado para se tornar informação, 
visto que ele é um recurso que, por si só, não indica a compreensão.
Vale salientar que, para se tornar informação, o dado necessi-
ta ser significativo para que o interessado assimile e o transforme em 
informação, e, por outro lado, o indivíduo necessita estar acessível e 
interessado no conteúdo para que converta o dado em formação. 
• Entendendo o conceito da informação
Partindo para o conceito da informação; é o dado que passou 
por uma análise, ou seja, é um dado ajustável, trabalhado, processa-
do e configurado de forma adequada (ORNA, 2008). Assim, podemos 
entender a informação como um meio para um objetivo ou como uma 
ferramenta a ser usada para propósitos específicos.
Dessa forma, a informação, uma vez obtida ou gerada de modo 
sistemático, apresenta um elemento significativo e, frequentemente, 
é buscada pelas organizações, serve para beneficiá-las e propiciar o 
compartilhamento e recuperação da informação, como fundamento do 
conhecimento para tomar decisões, responder a perguntas, solucionar 
problemas, interpretar ocorrências (CHOO, 2003).
Por conseguinte, temos a ressalva que a informação ajuda 
a criar um ambiente competitivo, sendo esse um aspecto de elevada 
importância em qualquer gestão organizacional por ser um elemento 
indispensável nos contextos internos e externos das organizações (SPI-
NATO, 2010). 
14
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
• Entendendo o conceito do conhecimento
Já o conhecimento trata da informação in terpretada, compre-
endida e direcionada para uma finalidade. Conforme Sober (2008), a 
informação é transformada em “saber‟ por parte do usuário e, desse 
modo, ajuda a realizar um processo decisório eficiente.
Entende-se o conhecimento como condição fundamental para 
o processo decisório, é o conjunto de ferramentas teóricas e categorias 
usadas pelos indivíduos para elaborar, agrupar, armazenar e compartil-
har a informação (LAUDON; LAUDON, 1999). 
Produção de dados 
É importante percebemos que, a cada dia, a produção dos da-
dos tem crescido massivamente. Um estudo da “A Universe of Opportu-
nities and Challenges”, elaborado pela consultoria EMC, reportou que, 
de 2006 a 2010, o volume de dados digitais produzidos cresceu de 166 
exabytes para 988 exabytes, fazendo a perspectiva de que o volume 
de dados atinga a casa dos 40.000 exabytes, ou 40 zettabytes (ou 40 
trilhões de Gigabytes), nos próximos anos (GANTZ, 2012).
É sabido que a produção de dados não está apenas direciona-
da pela entrada de algum equipamento, bem como pela análise ou para 
execução de processos operacionais, podendo ser responsáveis por 
produzir volumes relevantes de dados (AMARAL, 2016). 
Nesse sentido, observamos que os grandes volumes de da-
dos estão sendo processados pelas soluções de Big Data, Ciências de 
Dados, Analytics, na qual aumentam exponencialmente e solicitam cri-
térios diferenciados de armazenamento e processamento, expondo um 
grande desafio às organizações de tecnologias tradicionais, bem como 
o conjunto de volumes de dados precisa de armazenamento escaloná-
vel e ter um enfoque distribuído para possibilitar a consulta a eles (ERL 
ET. AL., 2016).
Podemos observar no nosso cotidiano que os dados estão 
sendo produzidos e eles vêm de todas as partes. Conforme Amaral 
(2016), os dados podem ser oriundos de diversos lugares como dados 
comprados, produzidos ou simplesmente coletados. Seguem abaixo as 
descrições de cada um dos tipos de dados:
• Dados comprados: esses são oriundos de empresas especia-
listas em vender dados, conhecidas como “data brokers”. Estes possibi-
litam o entendimento de como se dá a coleta de informações sobre os 
consumidores de fontes diversas comerciais (FRAZÃO, 2019).
• Dados produzidos: esses são destinados dos sistemas tran-
sacionais, operações de processamento, por exemplo, o fechar da folha 
https://www.jota.info/autor/ana-frazao
15
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
de pagamento, os métodos de transformação de dados e o ELT (extra-
ção, carregamento, transformação). 
• Dados coletados: esses podem ser oriundos de outros siste-
mas, pesquisas, históricos, arquivos ou data warehouse entre outros. 
Por exemplo, os data warehouse tratam de um sistema de gerencia-
mento de dados idealizado para ativar e fornecer suporte às atividades 
de business intelligence (BI) (ORACLE, 2014).
Contudo, ainda podemos perceber que os dados são produzi-
dos também pelos sensores, por exemplo, como os sensores de smar-
tphone, câmeras, os sensores de Touch screen; GPS; como também, 
os sensores relacionados à comunicação, como: Bluetooth, WiFi, WiDi, 
NFC, entre outros. 
Cada vez mais aumenta-se a tendência de utilização de carros, 
bússola, GPS, rádio, TV, câmera fotográfica, filmadora, videogame e 
carros, e, consequentemente, a produção de dados gerados por eles 
(AMARAL, 2016).
Armazenamento 
Outro lado interessante a ser observado que pode constatar é 
que os dados estão sendo gerados a cada instante e de maneira expo-
nencial, esse aspecto ocasiona na necessidade de se ter recursos de 
armazenamento para esses dados. 
Isso se deve aos recursos tradicionais que já não podem supor-
tar tanto volume de informações produzido, de modo que, além desse 
volume de dados, existem as capacidades de transferência das redes 
de comunicação que ficam excedidas. Dessa forma, existe uma neces-
sidade crescente em revolucionar as tecnologias de armazenamento e 
de comunicação (JUSTIN, et al., 2006).
O armazenamento possibilita que, de forma posterior, os dados 
possam ser readquiridos facilmente para se realizaruma cópia ou para 
replicar o processo acontecido, como também, para produzir informa-
ção ou conhecimento (AMARAL, 2016). 
 Ressalta-se que o armazenamento deve priorizar os seguintes 
aspectos: segurança da informação, integridade, diminuir redundância, 
concorrência, otimização de espaço, etc. Outro aspecto é que o arma-
zenamento pode ser feito em um dispositivo volátil ou não volátil.
Atualmente, algumas empresas usam ambientes, como Cloud 
Computing ou Computação em Nuvem, para o armazenamento. A com-
putação em nuvem admite que empresas aluguem capacidade de com-
putação e armazenamento sob solicitação e com pagamento relacio-
nado à utilização, ao invés de bancarem grandes investimentos para 
https://www.oracle.com/br/database/what-is-data-management/
https://www.oracle.com/br/database/what-is-data-management/
16
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
a construção e instalação de dispositivos de computação em grande 
escala (SOUSA et al., 2010).
Na figura 3, ilustra-se como diversas aplicações produzem 
dados e são armazenados na nuvem. Entende-se a Computação em 
Nuvem como uma tecnologia e, através dela, as organizações podem 
aproveitar os grandes conjuntos de dados sem ter que investir em gran-
des instalações de armazenamento e processamento de dados (DSA, 
2017).
Dessa forma, a Computação em Nuvem possibilita ambientes 
com grande capacidade de armazenamento, escaláveis, flexíveis, com 
maior desempenho e disponibilidade, tornando-se um importante ele-
mento que serve como uma opção para viabilizar a construção de apli-
cações de gestão e análise de grandes volumes de dados (AGRAWAL 
et al., 2011). 
É importante enfatizar que, em muitos momentos do processo 
de análise dos dados, deve ser eficiente e quase em tempo real, assim, 
o armazenamento de todos os dados coletados é quase inviável.
FUNDAMENTOS DE TOMADA DE DECISÃO
O processo decisório e a tomada de decisão estão intima-
mente ligados e podem ser mal interpretadas. Angeloni (2003) afirma 
que dado, informação e conhecimento são aspectos importantes para o 
processo decisório nas organizações.
Entendemos que o processo decisório e os indivíduos toma-
dores de decisões necessitam de atentar-se aos dados e as infor-
mações a serem usadas para que a decisão seja a mais próxima de ser 
eficaz (GUIMARÃES; ÉVORA, 2004). Segundo Robbins (2005), todas 
as decisões precisam de interpretações e avaliação de informação. Os 
dados podem vir de várias fontes e requerem ser selecionados, proces-
sados e interpretados.
Por outro lado, as tomadas de decisões nas organizações são 
usadas levando em consideração alguns aspectos como comunicação, 
como dados, informações e conhecimento. 
Como já vimos anteriormente, os dados são imagens, símbolos 
17
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
que não se desfazem. Por meio do conjunto de dados contextualizados, 
é gerada a informação que é imprescindível para adquirir conhecimento.
Vale destacar que as tarefas de tomada decisões é importante 
para as organizações, pois essas acontecem a todo o tempo, nos mais 
diversos níveis, e influencia de forma direta ao desempenho da organi-
zação. Portanto, Machado (1976) afirma que, ao encarar um problema 
de decisão, o gestor deve usar a informação acessível para escolher 
uma opção dentre as várias relacionadas.
Conforme determina Angeloni (2003), o processo de tomada 
de decisão precisa cada vez mais de trabalhos em grupo e com maior 
participação de indivíduos. Tendo em vista que nenhum indivíduo de-
tém todas as informações e conhecimentos da organização e como 
também nem sempre estas informações estão claras e acessíveis, 
fazendo com que cada um detenha apenas uma parte deles, a tomada 
de decisão em equipe é um modo a ser usado para superar os desafios 
das informações e conhecimentos particionados. 
Segundo Abramczuk (2009), existem dois tipos de decisão: se-
quencial e única. A decisão sequencial é tomada através da tomada de 
decisão de ações anteriores, segue como uma sequência. Já a decisão 
única direciona a ação para obter o objetivo proposto, contudo indepen-
dente das decisões anteriores.
 Nesse sentido, a tomada de decisão individual e organizacio-
nal é um processo interativo, contínuo e volátil, que dificilmente conse-
guem um resultado permanente com base em uma única decisão, pois 
o indivíduo não é totalmente racional (CHERMACK, 2003). Dentro do 
processo decisório, há modelos de tomada de decisão que são utiliza-
dos como referência na tomada de decisão. 
Mcafee e Brynjolfsson (2012) reportam que é comum indiví-
duos em cargos elevados na classe organizacional tomarem decisões 
com fundamento nas suas experiências, direcionadas através de pa-
drões de relacionamentos que os acompanham.
18
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
Um estudo realizado com 179 grandes empresas de capital 
aberto dos EUA mostrou que aquelas que tomam decisões baseadas 
em informações obtêm rendimentos e ganhos de produtividade 5 a 6% 
maiores. Essa relação também surge em outras medidas de desem-
penho: utilização de ativos, retorno sobre patrimônio líquido e valor de 
mercado (ESPINDOLA; ROTH, 2015).
Inclui-se ainda que dentro do processo decisório existem mo-
delos de tomada de decisão que são usados como base na tomada de 
decisão. Vamos destacar esses modelos nas próximas sessões: mode-
lo de tomada de decisão racional, processual, anárquico e político.
Modelo racional 
O modelo racional dentre os demais modelos contém um for-
mato rígido e sistemático, pois determina os processos a serem se-
guidos para obtenção dos melhores resultados. Esse trata de o gestor 
tomar decisões baseadas na racionalidade. 
Através de recursos burocráticos e metódicos, a organização 
cria diretrizes que são fundamentadas em regras formais, principais em 
sistemas de organizações fechadas. Esse modelo ainda possui objetivo 
de atingir as metas da organização, por meio das resoluções de proble-
mas, com a elaboração de rotinas e normas com a finalidade de criar 
métodos que tornem a organização racional (Lousada; Valentim, 2011). 
Conforme determina Feio et al. (2007), a pessoa se agrada e 
tem satisfação quando a descoberta da decisão é mais precisa, entre as 
condições disponíveis, visto que não é fácil encontrar a melhor decisão 
diante dos desafios de conhecimento e tempo.
Modelo processual
O modelo processual teve Mintzberg como um dos desenvol-
vedores, esse modelo determina a tomada de decisão em três fases: 
identificação, desenvolvimento e seleção. Bem como apresenta três ro-
tinas: de controle, de comunicação e de políticas. Além do mais, contém 
seis grupos de fatores dinâmicos.
 
19
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
As fases decisórias são:
• Identificação: fundamenta-se em rotinas de reconhecimento e 
rotinas de diagnóstico do problema, de modo que delimita a necessida-
de de tomar uma decisão e implementar a compreensão das questões 
relacionada à decisão.
• Desenvolvimento: é referente a entender a procurar (memó-
ria, passiva, armadilha, ativa) e rotinas de criação, criação de uma ou 
mais resoluções para um problema, desafio ou oportunidade. 
• Seleção: é referente a analisar opções e definir uma dentre 
outras (CHOO, 2003). Já as rotinas correspondentes, segundo (CHOO, 
2003), são:
- Rotinas de controle: direcionam o processo decisório forman-
do o planejamento e definem as lacunas do espaço da decisão; 
- Rotinas de comunicação: juntam e distribuem a informação 
como parte do processo decisório.
- Rotinas políticas: é referente a parte importante nos proces-
sos estratégicos, devido a poder assumir um modo de persuasão ou de 
cooptação.
Assim finalizado,existem seis grupos de fatores dinâmicos, 
conforme Choo (2003): interrupções: que destaca tanto as influências 
ambientais, como internas e externas; adiantamento de prazos: minimi-
zando o quesito das atividades do processo decisório; feedback: apa-
rece quando os responsáveis obtêm as soluções de ações praticadas 
para serem usadas depois.
Ciclos de compreensão: importantes para tratar com aspectos 
difíceis; ciclos de fracasso: acontece quando não se consegue obter uma 
decisão (CHOO, 2003). Este modelo se aproxima ao racional, devido a 
seguir um padrão que exige lógica e métodos bem esquematizados. 
Modelo anárquico 
O modelo anárquico é chamado também como “lata de lixo” 
em que vários tipos de problemas e soluções são armazenados, e os 
participantes da decisão têm a oportunidade de decidir entre as opções 
depositadas. As organizações possuem a tendência de resolver os pro-
blemas e acabam descartando-os. Esse modelo destaca a desestrutu-
ração no processo de tomada de decisão (VIEIRA et. al. 2015).
Para Feio et al. (2007), as decisões são tomadas por meio da 
identificação do problema que é avaliado através de reuniões entre as 
pessoas da organização. De modo que cada indivíduo busca os proble-
mas que devem ser solucionados na organização.
20
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
Modelo político 
Segundo Choo (2003), o modelo político de tomada de decisão 
é usado quando o tomador de decisão tem multifunções dentro da orga-
nização e exerce vários graus de poder sobre a empresa. As decisões 
são tomadas por meio do nível de ocupação dos gestores, e o modelo 
político contém um caráter de selecionar as menos racionais. 
De forma que toda tomada de decisão é, de fato, política, pois 
engloba ideias, discussões, divergências e consenso para chegar à me-
lhor decisão. Esse modelo utiliza da política como base para a tomada 
de decisão, assim, de acordo com os vários níveis de poder exercidos 
pelos tomadores de decisão, as decisões não são de caráter racional, 
mas se formam pela opinião de cada tomador (LOUSADA; VALENTIM, 
2011). 
Com isso, como todo modelo de tomada de decisão, o modelo 
político precisa de informações para respaldar suas escolhas. Nesse 
modelo, trabalha-se com a incerteza menor, devido aos tomadores de 
decisão possuem esclarecimentos em suas opiniões e metas que alme-
jam alcançar. 
Apesar disso, esse modelo possuir algumas lacunas que são: 
a grande diferença em opinião e disputa de poder, os tomadores de 
decisão dão prioridade às metas da organização e deixam os objetivos 
pessoais de lado, pois as preferências individuais dos indivíduos que 
possuem maior poder e influência se sobrepõem.
Tomada de decisão baseada em dados
A tomada de decisão orientada a dados trata do método de 
fundamentar as decisões na análise de dados e não somente na per-
cepção. De modo que temos essa que contribui para que os gerentes e 
administradores possam tomar decisões com qualidade e precisas em 
suas tarefas cognitivas. 
Neste contexto, a tomada de decisão baseada em dados não 
elimina todas as habilidades cognitivas humanas, porém ela comple-
menta suas lacunas (CRUZ, 2007). 
Contudo, Mcafee e Brynjolfsson (2012) reportam que é comum 
indivíduos em cargos elevados na classe organizacional tomarem deci-
sões baseado em suas experiências, direcionados por meio de padrões 
de relacionamentos que os acompanham ao longo da carreira.
Podemos perceber que a análise de dados que pode ser con-
seguida de modo manual ou automático na prática de fundamentar de-
cisões ao invés do gestor realizar o processo de tomada de decisão 
baseado apenas pela intuição (PROVOST; FAWCETT, 2013).
21
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
Salienta-se que, nas tarefas empresariais, muita coisa está di-
recionada em uma decisão. Assim, os riscos devem ser reduzidos ao 
máximo, e fundamentar-se em dados pode ser o melhor modo para 
isso.
Dessa forma, esse tipo de decisão dar aos gestores mais se-
gurança por meio de dados brutos e confiáveis e, nesse contexto, é 
primordial dar suporte às tarefas de organização e armazenamento de 
documentos para que estejam acessíveis para consulta a qualquer mo-
mento.
Em estudo de dados da BI-Survey, reporta que 60% das em-
presas de alto desempenho no mundo, atualmente, fundamentam suas 
decisões em dados usando várias ferramentas para coletar e analisar in-
formações acerca de seus clientes, mercado de atuação e concorrentes. 
Essa grande percentagem apresenta a importância de criar 
uma cultura interna baseada em dados, alcançando benefícios como, 
(MOREIRA, 2019):
• Aperfeiçoado a competitividade;
• Maior foco no cliente;
• Redução de custos: ao tomar decisões acertadas e com 
maior probabilidade de retorno, os gastos de operacionalização da em-
presa tendem a cair, assim como a diminuição dos maus investimentos.
• Aumento na agilidade: observar os negócios do mercado 
como oportunidades ou riscos através de se basear em dados, permi-
tindo uma maior agilidade para reação.
Portanto, existem muitos benefícios na tomada de decisão 
baseada em dados, por exemplo, uma grande empresa e telecomuni-
cações que pode ter centenas de milhões de clientes, cada qual candi-
dato à deserção. Dezenas de milhões de clientes têm contratos que ex-
piram a cada mês, então, cada um deles tem uma probabilidade maior 
de deserção no futuro próximo. Se pudermos aperfeiçoar nossa capaci-
dade de estimar, para um determinado cliente, o quão lucrativo seria 
focarmos nela, poderemos potencialmente colher grandes benefícios 
aplicando essa capacidade aos milhões de clientes da população (PRO-
VOST; FAWCETT, 2013). 
ANALÍTICA
O Analytics ou Analítica trata de um conjunto de procedimentos 
e tecnologias que trabalham organizando e juntando os dados, de forma 
que esses sejam analisados de modo intuitivo e utilizados para a toma-
https://bi-survey.com/data-driven-decision-making-business
https://bi-survey.com/data-driven-decision-making-business
https://www.myabcm.com/pt-br/blog-post/tecnologias-emergentes/
22
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
da de decisões. Este termo o Analytics é direcionado e aplicado aos 
dados, análises e raciocínio sistemático para seguir em um processo de 
tomada de decisão muito mais eficiente. Esse também é direcionado e 
aplicado em vários negócios e departamentos.
Conforme a International Data Corporation - IDC (2018), a ascen-
ção do mercado de Analytics se tornará mais forte nos próximos anos. 
Esse crescimento promoverá um grande impacto devido a esse mercado 
ativar uma ampla cadeia que engloba fornecedores de recursos como 
armazenamento e processamento de dados, empresas focadas em ter-
ceirizar análises e empresas de softwares de análise de dados.
Conforme Frank (2012), em um estudo idealizado pela MGI, 
constatou-se uma falta de 140.000 a 190.000 de pessoas no EUA com 
conhecimento analítico e 1.5 milhões de gerentes e analistas com ap-
tidões para compreenderem e tomarem decisões com fundamentação 
na análise.
Conforme com Vianna e Dutra (2016), no que se refere ao con-
ceito de Big Data, Analytics refere-se a diversas estratégias de tecnolo-
gia para deixar a percepção mais robusta, detalhada e exata no que se 
refere aos clientes, analisando padrões e correlações, obtendo, por fim, 
vantagem competitiva.
Analytics alinhada com outras técnicas ajuda no processamen-
to de fluxo constante de dados em tempo real, de modo que favoreça as 
organizações no processo de tomada de decisões com maior agilidade, 
acompanhando tendências emergentes, corrigindo cursos rapidamen-
te e proporcionado investimento em novas oportunidades de negócios 
(VIANNA; DUTRA, 2016).
Conforme (SODRÉ, 2016), existem basicamente quatro tipos 
de analítica:
• Analítica descritiva:essa se encarrega de analisar o que 
aconteceu e por quê. 
• Analítica diagnóstica: essa é referente a realizar análise do 
porquê determinado um evento que ocorreu.
• Analítica preditiva: essa é referente a direcionar o que irá ou 
poderá ocorreu (predição), exemplo, o desejo de prever o comporta-
mento do consumidor tem sido um dos seus principais impulsionadores.
• Analítica prescritiva: essa indica o que pode ser feito para 
atingir uma meta. Bem como, fornecer as informações sobre decisões 
precisas com base nos cenários futuros previstos. 
Conforme Sodré (2016), a descrição e o diagnóstico são mui-
to importantes, porém hoje um dos maiores objetivos é desenvolver a 
aptidão de prever fenômenos, comportamentos e, com isso, pode fazer 
https://cetax.com.br/blog/o-que-e-analytics/
23
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
ações desejadas. E isso depende da aptidão preditiva e prescritiva.
Davenport e Harris (2007), num primeiro estudo, afirmaram que 
a maturidade analítica da empresa acarreta em seu crescimento e, no 
segundo, utilização de Analytics com o desempenho do negócio. No pri-
meiro estudo, os autores constataram uma correlação significativa entre 
os mais altos níveis de maturidade analítica e as taxas anuais de cresci-
mento composto em cinco anos. 
Já no segundo estudo, os autores envolveram mais de 450 exe-
cutivos de 371 empresas de médio e grande porte, e encontraram uma 
relação estatística importante entre o compromisso da organização com 
Analytics e o alto desempenho. Em suma, constataram que as empre-
sas que se baseiam nas orientações para Analytics apresentaram melhor 
performance financeira com relação ao lucro, receita e retorno aos acio-
nistas. 
Um estudo da Global State of Enterprise Analytics 2019 reali-
zou entrevista com 500 profissionais de inteligência de negócios, Data 
& Analytics no Brasil, Alemanha, Japão, Reino Unido e Estados Unidos, 
durante o segundo trimestre de 2019. Nele, foi reportado que 94% afir-
ma que a cultura de dados é um elemento importante no processo de 
transformação digital em suas empresas
No próximo capítulo, estudaremos mais sobre Analytcs alinhada 
a outras técnicas computacionais como Business Analytics, Data Analy-
tics e ciências de dados.
24
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
QUESTÕES DE CONCURSOS
QUESTÃO 1
Ano: 2019 Banca: IBFC Órgão: IDAM Prova: Técnico de Nível Su-
perior 
Leia a frase abaixo referente ao conceito básico sobre paginação:
“É um esquema de gerenciamento de _________ pelo qual um 
computador armazena e recupera dados de um armazenamento 
_________ para uso na memória _________.”.
Assinale a alternativa que completa correta e respectivamente as 
lacunas:
a) Memória/ secundário/ principal.
b) Entrada-saída/ secundário/ principal.
c) Processos/ principal/ secundária.
d) Memória/ principal/ secundária.
QUESTÃO 2
Ano: 2020 Banca: IBFC Órgão: PM BA Prova: Soldado 
Marcos deseja migrar seu backup de arquivos pessoais, que atual-
mente encontra-se em seu computador, para nuvem. Assinale a al-
ternativa correta para exemplos de serviços de armazenamento de 
arquivos em nuvem.
a) Dropbox e Google Chrome.
b) Firefox e Mozilla.
c) Google Arq e Team Viewer.
d) Dropbox e Google Drive.
e) Google Arq e Firefox.
QUESTÃO 3
Ano: 2019 Banca: Instituto AOCP Órgão: UFPB Prova: Analista de 
Tecnologia da Informação 
Um dos principais tipos de sistemas gerenciadores de banco de 
dados são os bancos de dados relacionais.
Assinale a alternativa que apresenta a forma que todos os dados 
de um banco de dados relacional são armazenados.
a) Tabelas.
b) Arquivos.
c) Memória.
d) Discos.
e) Fitas.
25
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
QUESTÃO 4
Ano: 2020 Banca: IBADE Órgão; Pref. Vila Velha Prova: Professor 
O One Drive é um serviço da Microsoft que permite gravar infor-
mações:
a) No Hard Disk do seu computador.
b) Em um Pen Drive.
c) Em um DVD.
d) Na nuvem.
e) Na memória ROM.
QUESTÃO 5
Ano: 2020 Banca: IBADE Órgão; Pref. Vila Velha Prova: Professor
Ao alocar recursos, sob demanda, de um servidor e armazenamen-
to de dados em um Data Center remoto, localizado em qualquer 
ponto do planeta, com acesso pela internet, você estará utilizando 
o que chamamos de:
a) On-line.
b) Real Time.
c) FTP.
d) Computação na Nuvem.
e) Computação Quântica.
QUESTÃO DISSERTATIVA – DISSERTANDO A UNIDADE
Disserte sobre a importância do processo de tomada de decisão levan-
do em consideração o que estudamos ao longo do capítulo.
TREINO INÉDITO
Dentre os conceitos estudados sobre tomada de decisão, temos um 
modelo que se refere a um formato rígido e sistemático, pois determina 
os processos a serem seguidos para obtenção dos melhores resulta-
dos. Este trata de o gestor tomar decisões baseadas na racionalidade. 
a) Processo decisório.
b) Modelo racional.
c) Modelo processual.
d) Modelo anárquico.
e) Modelo político.
26
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
NA MÍDIA
“Descubra quais são as 5 etapas do processo de tomada de decisão”
Neste artigo, explana-se como ação de tomar decisões é uma ação im-
portante para gestores e profissionais de todas as áreas e como essa é 
desafiante para as mais variadas situações que aconteçam. Relata que 
a tomada de decisão ocorre, em sua maioria, de modo intuitivo, sem 
base em dados e fatos concretos, podendo acarretar falhas que preju-
diquem qualquer negócio.
Dessa forma, é apresentado no artigo um passo a passo de 5 etapas 
do processo de tomada de decisão para contribuir em gerar decisões 
mais assertivas no momento crítico e sobre qualquer assunto na sua 
empresa.
Fonte: Mindminers
Data: 15/09/2018.
Leia a notícia na íntegra: https://mindminers.com/blog/etapas-proces-
so-tomada-decisao/ Acesso em: 15 de set. 2020.
NA PRÁTICA
Lendo o artigo com o tema: Tomada de decisão: O que é e qual sua 
importância? Este artigo traz uma abordagem geral do que é a tomada 
decisão, a sua importância e algumas características. Sabendo que, 
nas empresas, a tomada de decisão é ponto desafiante e que gera 
grande responsabilidade sendo uma parte importante para a gestão do 
negócio. Decisões estruturadas e planejadas são fundamentais para o 
crescimento e o sucesso de uma organização.
Acesse o link: <https://www.totvs.com/blog/negocios/tomada-de-deci-
sao/> Acesso em: 15 de set. 2020.
PARA SABER MAIS
Filme sobre o assunto: O Aviador
Ano: 2004
Acesse os links: <https://www.youtube.com/watch?v=I0CY8S26Xfo> 
Acesso em: 15 de set. 2020.
27
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
Como estudamos anteriormente, o Analytics ou analítica trata 
da utilização aplicada de dados, por meio de análises e raciocínio siste-
mático, para conseguir gerar um processo de tomada de decisão muito 
mais eficiente.
O presente capítulo, em sua primeira parte, versará sobre o 
conceito e o escopo trabalhado no Business Analytics, e também, como 
esse ajuda no processo de tomada decisão.
Por conseguinte, na segunda parte do capítulo, serão tratados 
sobre a Ciências de Dados e Analytics. Abordagens como essas podem 
trabalhar juntas, e as devidas características e técnicas relacionadas.
Ademais, estudaremos sobre o Data Analytics e como essa 
trabalha e as contribuições geradas para o processo de tomada de de-
cisão.
ANALYTICS
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
28
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
BUSINESS ANALYTICS NA TOMADA DE DECISÃO
Segundo descreve Mortenson et al. (2015),não existe uma 
concordância na academia sobre o conceito de Business Analytics e 
como esse termo pode ser diferente de conceitos correlacionados, por 
exemplo, Business Intelligence e Big data.
O autor Chen et. al. (2012) assumi uma definição unificada dos 
dois termos usando a nomenclatura Business Intelligence & Analytics 
(BI&A). Pois, segundo os autores, o conceito Business Intelligence to-
mou fama entre os profissionais de TI e gestão durante a década de 
1990 e já expressão Analytics no final da década passada (2000), sendo 
esse termo inserido para representar os componentes analíticos de fer-
ramentas de BI. 
Em seguida, os autores definiram outros termos também como 
unificados o Big Data e Big Data Analytics que foram adotados para 
descreverem técnicas analíticas direcionadas em grandes e complexos 
volumes de dados, as quais exigem metodologias e tecnologias avan-
çadas de armazenamento, gestão, análise e visualização, porém esse 
termo será estudado no capítulo seguinte.
Conforme Chen et. al. (2012), o BI&A tem seu surgimento mar-
cado na área de gestão de dados e o descreve como direcionado 
as técnicas, tecnologias, sistemas, práticas, métodos e aplicações que 
analisam dados importantes no negócio para contribuir nas organiza-
ções em uma melhor compreensão do mercado, negócio e em decisões 
mais eficazes.
Podemos destacar que a evolução das ferramentas e aplica-
ções de BI&A são classificadas em 3 grupos (CHEN et. al., 2012) con-
forme descritos abaixo:
• BI&A 1.0: Essa trata em sua essência e a gestão e arma-
zenamento de dados, onde esses são, de forma geral, organizados e 
coletados pelas organizações de seus sistemas legados e armazena-
dos em banco de dados relacionais (Relational Database Management 
Systems - RDMS). 
- Exemplificando, dentre as principais funções dessas ferra-
mentas estão: geração de relatórios e Dashboards, Online Analytical 
Processing – OLAP, visualizações interativas, scorecards, modelos pre-
ditivos e data mining.
• BI&A 2.0: essas ferramentas são voltadas para análise de 
dados oriundos da internet (na maioria, são dados não estruturados), de 
forma que esse grupo de ferramentas possibilite às empresas um maior 
29
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
compreensão das necessidades de seus clientes e o encontro de novas 
oportunidades de negócio por meio da análise de dados de navegado-
res, comentários de fóruns, portais e redes sociais.
- Exemplo da aplicação de técnicas são text mining, web mi-
ning, web analytics, social media analytics e social netwok analysis.
• BI&A 3.0: Fundamentado nas tecnologias mobile e sensor–
based (Internet of Things ou Internet das coisas), essa evolução das 
ferramentas possibilita novos tipos de analytics, como location-aware 
que detecta a localização e navegação em tempo real. 
Por outro lado, os autores Evans e Lindner (2012) descreveram 
que Business Analytics como sendo a combinação de três disciplinas bá-
sicas: estatística; inteligência de negócios (BI) e sistemas de informação 
(TI); bem como, modelagem e otimização. Além disso, afirmam que o 
Business Analytics é normalmente analisado por três perspectivas, con-
forme descritas abaixo: 
• A análise descritiva sintetiza os dados em gráficos e relatórios 
e esse tipo de análise é mais utilizado e ajuda a melhor entender a per-
formance do negócio no passado e atualmente, bem como para tomada 
de decisões. 
• Análise preditiva trata de avaliar o desempenho passado em 
um trabalho para pode fazer previsão do futuro, analisando dados his-
tóricos, identificado padrões ou relações entre eles e, em seguida, indo 
além dessas relações trazendo projeções. 
• Análise prescritiva utiliza otimização para identificar as me-
lhores alternativas para minimizar ou maximizar algum objetivo, sendo 
muito utilizada em diversas áreas de negócios, incluindo operações, 
marketing e finanças.
Por conseguinte, o modelo descrito por Hill (2014) traz a repre-
sentação da ligação de funcionalidades de sistemas de BI&A conforme 
apresentado na figura 1, na qual o valor e potencial diferencial compe-
titivo gerado às organizações aumentam conforme a sofisticação das 
análises empregas.
30
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
Figura 1 - Funcionalidades de sistemas de BI&A
Fonte: Adaptado pelo autor (HILL, 2014).
Outra definição que podemos apresentar é a de Seddon et. al (2017), 
que descreve o Business Analytics (BA) como a utilização de dados para 
gerar tomadas de decisões de negócios mais eficazes e fundamentadas 
em evidências através de Business Intelligence (BI), sendo essa última 
um grupo de ferramentas idealizadas em Tecnologia da Informação (TI), 
por exemplo, datawarehouses, processamento analítico on-line (OLAP), 
ferramentas estatísticas e quantitativas, ferramentas de visualização e 
de mineração de dados.
Salienta-se, ainda, a definição do autor Holsapple et. al (2014) 
que descreve o Business Analytics como reconhecimento e a resolução 
de problemas usando como base evidências que acontecem nos negócios.
É importante entender que uma diferença resumida do Busi-
ness Analytics (BA) para o Business Intelligence(BI) é que o BI usa os 
dados atuais e históricos para aperfeiçoar o desempenho no presente; 
já o BA também usa das informações ao longo do histórico da organi-
zação e do mercado, bem como do presente, contudo a finalidade é 
realizar a preparação da empresa para o futuro (WAGNER, 2018).
31
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
Assim, compreende-se que os benefícios de confiar em dados, 
insights da inteligência de negócios (BI) e análises para ajudar a tomar 
decisões melhores e mais rápidas. Propicia algumas contribuições para 
as empresas como retorno financeiro e de desempenho, isto tem ge-
rado um maior confiança nos dados e nas ferramentas usadas. Uma 
pesquisa global, aplicada com 646 executivos, apresenta uma evolução 
nos processos de tomada de decisão e utilização de BI/ferramentas de 
análise com quatro fatores principais: aprimoramento de habilidades, 
equilíbrio de dados com instintos, forjar novos relacionamentos e de-
senvolvimento de melhores práticas (HBRAS, 2012)
Perfil comportamental do profissional de análise de inteligência de 
negócios
Apresentamos nessa seção uma listagem do perfil comporta-
mental do profissional analista de BI que é preciso ter para lidar com os 
desafios do tratamento dos dados e o mundo dos negócios, segundo 
descreve Garro (2017), segue a lista abaixo:
• Comunicação: é necessário ter a competência de se expres-
sar e se fazer claro e objetivo nos pontos importantes. Transmitindo 
tudo com clareza e explicação de premissas para a realização de ta-
refas, delimitar escopos e riscos, buscando favorecer as soluções de 
inteligência em uma linguagem prática e objetiva.
• Pacificador: é necessário o analista de BI saber estabelecer a 
ponte entre os envolvidos no projeto, tendo aptidão de traduzir a regra 
de negócio para o ambiente técnico.
• Liderança: é essencial para o analista de BI ter um perfil de 
liderança para requisitar as soluções e determinar os papéis dos envol-
vidos. Precisará também ter uma postura adequada e segura de suas 
definições, bem como, orientar a equipe e aos setores pertinentes.
• Conhecimento técnico: é de extrema importância que o ana-
lista de BI tenha conhecimento técnico profundo e não apenas saber 
o desenho da solução. Esse também é responsável por dar garantias 
que a solução seja elaborada com a tecnologia adequada e no melhor 
ambiente.
• Atitude: é essencial que o analista de BI entenda o seu papel 
e que tem a maior responsabilidade de fazer com que as coisas aconte-
çam. É ele quem possui o raciocínio lógico, e quem define processos, 
desenha modelos de soluções e detémo conhecimento do negócio e 
técnico.
32
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
Enfim, é importante quer você entenda que os analistas de BI 
de modo geral lidam com análise e projetos de modelagem de dados 
utilizando dados coletados, seja de um armazém de dados centralizado 
ou de variados bancos de dados em toda a organização. Cada orga-
nização pode escolher as habilidades mais relevantes para escolher o 
seu analista de BI.
Alguns objetivos do Business Analytics (BA) podem ser lista-
dos do seguinte modo:
• Promove o alto desempenho dos negócios.
• Oferece suporte à tomada de decisão. 
• Realiza otimização dos processos de negócio.
• Melhoria dos processos de gestão.
• Permite analisar o desempenho da mão de obra. 
• Identificação de contribuições através da análise dos dados 
de clientes.
Em suma, muitas empresas utilizam o Business Analytics (BA) 
para gerar contribuições. Nas empresas, através da aplicação desse 
recurso, eles podem usar de uma variada gama de técnicas e méto-
dos analíticos direcionados a dados para diversos escopos de negócios 
(Chen et al., 2014). 
O Business Analytics refere-se a um tema crescente nos estu-
dos organizacionais, que procura melhorias no contexto de desempe-
nho das organizações através de um processo decisório baseado em 
fatos e dados. Dessa forma, BA engloba um conjunto de atividades do 
processo decisório usando os dados de alta qualidade e envolvendo 
pessoas com certas aptidões analíticas (Seddon, et. al., 2017).
Vale ressaltar que o Business Analytics está aplicado em em-
presas dos mais variados segmentos, seja no centro do negócio de 
multinacionais, como Google ou Walmart, seja oferecendo insights para 
áreas específicas, como marketing e finanças de empresas de diver-
sos segmentos. Esse recurso aperfeiçoa vantagem competitiva entre as 
empresas que o adotam (DAVENPORT, 2007).
33
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
CIÊNCIAS DE DADOS E ANALYTICS
A Ciência de Dados ou Data Science favorece como um supor-
te metodológico para o processo de tomada de decisão, contribuindo 
com a aquisição da informação contextualizada (PROVOST; FAWCETT, 
2013).
Nesse contexto, as soluções computacionais de Ciência de 
Dados beneficiam os gestores em suas tarefas para adquirir conheci-
mento de suas informações (SCHREIBER et al., 2000).
Dessa forma, entende-se a Ciência de Dados como base de 
processos e métodos para compreender fatos através da análise de da-
dos, de forma que se tornam embasamentos para a tomada de decisão 
baseada em dados. Por seguinte, a Ciência de Dados apoia o processo 
de tomada de decisão norteada por dados, porém também se sobrepõe 
a ela, ao se sobressair pelas decisões dos mercados, o qual estão sen-
do adotadas de modo automático por sistemas de computação (PRO-
VOST; FAWCETT, 2013). 
Salienta-se ainda a relação semelhante entre Ciência de Da-
dos e a Inteligência de Negócios (Business Intelligence), como transfor-
mar dados brutos em conhecimentos a serem usados no processo de 
tomada de decisões nos negócios ou em determinado escopo aplicando 
no geral. 
No Business Intelligence, as soluções são elaboradas por meio 
de dados do tipo transacional, correspondente a dados que são forne-
cidos durante o movimento de um caso de transação, por exemplo, os 
dados gerados durante uma venda e transferências de dinheiro entre 
contas bancárias (MATOS, 2019).
Com isso, temos o conceito Business Intelligence (BI) tratando 
de explicar dados e eventos que já aconteceram, tornando-se mais co-
nhecido nas organizações de negócios e tecnologia da informação por 
volta dos anos 90 (PAIXÃO, 2015). Logo após, foi adicionada a análi-
se de negócios (Business Analytics) com a finalidade de representar o 
elemento analítico chave em BI, como estudamos anteriormente (DA-
VENPORT et. al., 2006).
As técnicas analíticas de BI, geralmente, são direcionadas pe-
las organizações sobre os sistemas legados armazenados em bancos 
de dados relacionais, fundamentadas, principalmente, por métodos es-
tatísticos, bem como de usarem outras técnicas, por exemplo, minera-
ção de dados. 
Contudo, a ciência de dados visa obter conhecimento de ne-
gócios, realizando por meio de grupos a identificação de padrão de da-
34
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
dos de negócios estruturados como em BI, ou através de conjuntos de 
dados estruturados, semiestruturados, não estruturados. Isso se dá por 
outra diferença existente, pela qual as soluções de ciências dados não 
se limitam apenas aos dados transacionais como em BI (MATOS, 2019).
Por outro lado, a Ciência de Dados usa métodos matemáti-
cos ou estatísticos avançados para analisar e gerar previsões através 
de grandes quantidades de dados do negócio. Estes insights preditivos 
são, geralmente, significativos para o futuro do negócio, a longo prazo. 
Em linhas gerais, há significantes diferenças entre BI&A e Data Science. 
Vale destacar que, embora diferentes, um não substitui o outro, pois, na 
verdade, são complementares (PAIXÃO, 2015). 
Já o termo Analytics, como estudamos antes, refere-se a um 
conjunto de ferramentas de análises quantitativas e visuais para favo-
recer as analistas a preverem eventos futuros, ou seja, uma ferramenta 
que auxilia os negócios já existentes e também novos negócios, atuan-
do no processo de tomada de decisão de maneira real, clara e otimiza-
da com base na análise dos dados existentes (CAMPOS, 2015).
Ferramentas que trabalham com ciências de dados
É interessante, antes de aplicar a ciências de dados, adotar 
ferramentas necessárias, para isso, é importante conhecermos as ferra-
mentas disponíveis no mercado que podem ser utilizadas para realizar 
os métodos e procedimento de obtenção de conhecimento e extração 
de informações. Segue abaixo os exemplos de algumas ferramentas, 
conforme Wayner (2019) descreve:
1. Alteryx
O alteryx é uma ferramenta de Designer com um ambiente de 
programação visual que permite ao desenvolvedor arrastar e soltar íco-
nes ao invés de escrever código. Essa ferramenta proporciona vários 
modelos preditivos, pré-estabelecidos para analisar dados e deduções 
de desenhos. Tendo como característica parecer como ícones para 
processamento de dados, contudo, por trás, têm programas em R ou 
Python, e o Alteryx permiti esconder a complexidade e a codificação 
fundamentado em texto.
2. Talend
O Talend contém um conjunto de aplicativos que trabalham em 
desktops ou data centers locais ou na nuvem. Esse trata de ferramen-
tas multicamadas que permitem a coleta de dados de vários bancos de 
dados antes de transformá-los para análise.
Um exemplo de uma das ferramentas que faz parte da coleção 
é o Pipeline Designer, o qual oferece uma ferramenta de design visual 
35
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
para realizar extração de dados de diversas fontes, analisados por meio 
de ferramentas padrão ou extensões do Python.
3. Knime
O Knime é uma plataforma de análise de dados de código 
aberto que contém uma interface visual para atrelar várias rotinas de 
análise e processamento de dados. Dessa forma, o software principal 
é disponibilizado de forma gratuita, contudo às versões comerciais têm 
alguns plugins e extensões. 
Essa ferramenta tem uma base do software que está codifica-
da em Java e muitas das integrações da Knime dependem do ecossis-
tema Java. A interface do Knime é estruturada sobre o Eclipse, de modo 
que a plataforma possibilita trabalhar com dados em todos com bancos 
de dados, como MySQL e PostgreSQL, integrando serviços de nuvem.
O Knime também integra a próxima geração de ferramentas de 
dados distribuídos como o Apache Spark.
Figura 2 - KNIME
FONTE: (KNIME,2020).
4. Pandas
O Pandas é uma ferramenta prática, flexível e fácil de usar para 
análise e manipulação de dados de código aberto. Essa foi implemen-
tada em cima da linguagem de programação Python. De modo que esta 
provê uma estrutura de dados e funções robustas para trabalhar com 
grandes conjuntos de dados de modo mais rápido (PANDAS, 2020). 
Ademais, Pandas permite uma robusta estrutura de dados e 
funções desenvolvidas para tornar mais prático e rápido o trabalho com 
um conjunto de dados (MCKINNEY, 2012).
https://www.python.org/
36
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
Figura 3 - Pandas
FONTE: (PANDAS, 2020).
5. Anaconda
O Anaconda é uma distribuição que contém diversos pacotes 
que podem ser instalados todos de uma vez, sendo um recurso essen-
cial para trabalhar com Ciências de Dados. 
Essa distribuição permite instalar os pacotes otimizando, faci-
litando o trabalho do desenvolvedor em configurar o ambiente. O Ana-
conda também disponibiliza o Conda, que é designado por realizar o 
controle de versões dos pacotes instalados. Assim, o desenvolvedor 
passa a poder trabalhar em vários projetos em diferentes versões de 
Python sem se preocupar com a versão dos pacotes instalados (CRUZ, 
2018).
Figura 4 - ANACONDA
FONTE: (ANACONDA, 2020).
O cientista de dado
É importante conhecer a formação do cientista de dado, um 
relatório britânico solicitado pela Joint Information Systems Committe 
(JISC) sobre das habilidades, as funções e carreira desse profissional 
constata a dificuldade de uma conformidade quanto à definição desse 
profissional, contudo determina no contexto geral a formação do cientis-
37
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
ta de dado como aquele que trabalha onde as pesquisas são efetivadas, 
de forma colaborativa com os pesquisadores ou grupos de cientistas 
em centros de dados e que está associado na investigação criativa e de 
análise de dados, fornecendo soluções tecnológicas para a manipula-
ção e utilização de dados digitais (SWAN; BROWN, 2008). 
Segundo relata Provost (2016), um dos princípios do cientista 
de dados são os dados e a capacidade de descobrir conhecimento fun-
damentais através deles, sendo esta análise um princípio ativo estraté-
gico. Dessa forma, o autor ressalta que a melhor equipe que trabalha 
com ciências de dados pode obter pouco valor sem os dados apropria-
dos. Isso porque, algumas vezes, apenas os dados corretos não podem 
melhorar as decisões sem a capacidade adequada dos profissionais de 
ciências dos dados. 
Vale ressaltar que o cientista de dados possui uma grande de-
manda na linha das ciências, indústria e governo. Esse profissional tem 
uma expectativa de formação tipicamente sólida em ciência da compu-
tação e aplicações, modelagem, estatística, analítica e matemática, bem 
como conhecimento mínimo do domínio de aplicação (DAVENPORT; 
PATIL, 2012).
É interessante destacar a afirmação do autor Finzer (2013), 
que descreveu o profissional do século sendo aquele que tem a forma-
ção em ciência de dados, tendo como atributos a ampliação das áreas 
técnicas como estatística, programação e computação, o qual pode ser 
chamado como um Data Analyst ou Analista de Dados. Contudo, o autor 
delineia poucas características desse novo profissional.
Segundo Davenport e Patil (2012), as habilidades precisas 
para se tornar um cientista de dados são: habilidades em linguagens 
de programação de análise de dados, comunicação, visualização de 
dados, mineração de dados, estatística, habilidades em infraestrutura 
que trabalham com Big Data, aprendizado de máquina, engenharia de 
software, álgebra linear e habilidade de resolução de problemas.
Por conseguinte, Davenport (2014) destaca outras habilidades 
como fundamentais para um cientista de dado, conforme citadas abaixo:
• Aptidão de programar;
• Capacidade de arquiteturas tecnológicas de Big Data;
• Processo de tomada de decisão;
• Improvisação;
• Aptidão de comunicação e relacionamento;
• Capacidade de decisões e entender os processos decisórios;
• Análise estatística;
• Técnicas de visualização.
38
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
DATA ANALYTICS
O Data Analytics, também conhecido como análises de dados, 
é o processo pelo qual se procura analisar, limpar, transformar e mo-
delar dados. Visto que, muitas vezes como um elemento da Ciência de 
Dados, é utilizada para compreender como são os dados de uma em-
presa, e é emprega a Data Analytics para solucionar problemas (OLA-
VSRUD, 2018).
A Ciência de Dados propõe trabalhar em avaliar massas de da-
dos brutos para apresentar insights. A Data Analytics funciona melhor 
quando é direcionada, tendo definidas as perguntas que necessitam 
de respostas com base nos dados existentes. Por mais que existam 
distinções entre a Ciência e a Data Analytics, ambas são de extrema 
importância para trabalhar com o futuro dos dados.
 Exemplificando, o Data Analytics ajuda concretizar estudos 
como analisar e ver padrões do comportamento do consumidor e suas 
preferências, bem como observar as predisposições de mercado.
No contexto geral, o Data Analytics é a ciência que trata de 
examinar dados brutos com o intuito de buscar padrões e obter con-
clusões sobre essa informação, aplicando um processo algorítmico ou 
mecânico para adquirir informações. 
A gestão e análise de dados têm, a cada dia, tornado-se impor-
tante nas dimensões significativas dentro da área da TI. Com a opor-
tunidade de incorporar novas tecnologias sobre os recursos de Busi-
ness Intelligence (BI) e Data Analytics, os princípios da gestão de dados 
mantêm-se: (PEREIRA, 2015)
• Vale ressaltar que os dados são a fonte da informação e gerar 
conhecimento, dessa maneira, os dados devem ser disponibilizados em 
formato adequado, levando a uma solução favorável para tomada de 
decisão.
• Primar pela qualidade dos dados, ao longo de todo o proces-
so de coleta e construção de solução final, é importante para garantir o 
valor mais alto da integridade dos dados. 
• Bom resultado em usar os métodos de BI e Analytics não de-
pende somente da maneira como os dados são processados.
Em suma, o Data Analytics é o processo de analisar os dados 
com uma meta específica. Ou seja, pesquisar e responder perguntas 
https://www.cetax.com.br/blog/o-que-e-analytics/
39
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
com base em dados e com uma metodologia bem explicada para todos 
os envolvidos. 
O Data Analytics está contribuindo para que as organizações 
possam aproveitar seus dados e utilizá-los para descobertas de novas 
oportunidades. Dessa forma, ocasiona em contribuições como deixar a 
movimentação dos negócios mais eficaz, operações mais inteligentes, 
aumentar os lucros e satisfazer os clientes.
Em um relatório idealizado pelo diretor de pesquisa do IIA - 
Tom Davenport - entrevistou-se mais de 50 empresas com intuito de 
compreender como elas adotavam a utilização de análise de dados e 
verificando como essa agregava valor para o negócio. E apresentou 
alguns elementos, os principais foram (REFINARIA DE DADOS, 2019): 
• Minimização de custo: Traz tecnologias e a análise baseada 
em nuvem, trazendo vantagens de custo importantes quando se leva 
em consideração de armazenamento de grande conjunto de dados, 
bem como de encontrar modos mais eficazes de realizar negócios.
• Aumento na velocidade e melhor: Por meio da análise de 
dados, as empresas conseguem informações e conhecimento com ra-
pidez para ajudar os gestores a tomarem melhores decisões com base 
na análise de dados.
• Oferecer novos produtos e serviços: Com aptidão de ava-
liar e entender a satisfação do cliente através de análises, podendo ofe-
receraos clientes produtos e serviços que melhor se adequem a suas 
necessidades. 
Importante destacar que a visualização de dados contribui no 
quesito análise de dados. De forma que a transformação de dados em 
conhecimento é a meta da visualização de dados que é direcionada 
para atingir a compreensão na massa de dados diferenciados. 
Uma empresa consegue identificar o valor dos dados seja pela 
visualização de dados, seja pela resposta a questões específicas de 
negócio, ou seja, na descoberta de resultados, ou da elaboração de 
novas perguntas por meio da necessidade exploratória.
Entende-se a visualização de dados como uma das práticas 
inseridas de BI, devido a isso, é vista, além de um grupo de funções em 
uma ferramenta de BI, como a visualização de dados que disponibiliza 
uma evolução ou uma ocorrência, mostrando um resultado preciso e 
relevante. 
Assim, temos a prática da visualização de dados favorecendo 
e aperfeiçoado o processo de tomada de decisão contribuindo no de-
40
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
sempenho da análise em toda a organização.
De modo que os recursos e representações visuais são mais 
eficientes do que apresentar apenas os dados brutos. As ferramentas 
disponibilizam aos envolvidos recursos visuais para apresentar dados e 
funcionalidades de interação para uma análise rápida e vantajosa. Vale 
destacar que essa visualização está inserida em muitas ferramentas 
que trabalham com Data Analytics 
Por conseguinte, exemplificando isso, temos uma solução de 
BI com a capacidade de fornecer um grupo completo de elementos vi-
suais de exploração e apresentação que têm um impacto benéfico, para 
gerar um entendimento de um problema ou para entender determina-
do contexto da organização, conforme a necessidade buscada (STOD-
DER, 2013).
41
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
QUESTÕES DE CONCURSO
QUESTÃO 1
Ano: 2019 Banca: Instituto AOCP Órgão: UFPB Prova: Analista de 
Tecnologia da Informação 
Os bancos de dados estão implícitos na vida da sociedade moderna.
Assinale a alternativa que NÃO apresenta uma implicação adicio-
nal do uso de banco de dados.
a) Economias de escalas.
b) Disponibilidade de informações atualizadas.
c) Desenvolvimento de novos dispositivos.
d) Flexibilidade.
e) Tempo reduzido para o desenvolvimento de aplicações.
QUESTÃO 2
Ano: 2019 Banca: CEBRASPE (CESPE) Órgão: SEFAZ RS Prova: 
Auditor-Fiscal da Receita Estadual 
A respeito do BI (business intelligence), assinale a opção correta.
a) O BI consiste na transformação metódica e consciente das informa-
ções exclusivamente prestadas pelos tomadores de decisão em novas 
formas de conhecimento, para evolução dos negócios e dos resultados 
organizacionais.
b) ETL é o processo de análise de dados previsto pela arquitetura de BI.
c) As técnicas do BI objetivam definir regras para a formatação adequa-
da dos dados, com vista a sua transformação em depósitos estrutura-
dos de informações, sem considerar a sua origem.
d) O repositório de dados analíticos de BI é representado pelas diversas 
bases de dados relacionais e por repositórios de dados que utilizem 
modelagens relacionais.
e) A camada de apresentação de uma arquitetura de BI é aquela em que 
as informações são organizadas e centralizadas.
QUESTÃO 3
Ano: 2018 Banca: FUNDEP Órgão; INB Prova: Administrador
É fato que as organizações não podem concluir com sucesso a 
maior parte das suas atividades sem dados e sem a capacidade 
de gerenciá-los. A grande maioria de seus processos depende do 
gerenciamento de dados, necessitando de organização para serem 
úteis e terem significados. O banco de dados oferece a capacidade 
de partilhar dados e recursos de informação, oferecendo vanta-
gens para a gestão empresarial.
São vantagens oferecidas por um banco de dados EXCETO: 
42
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
a) Utilização estratégica aperfeiçoada dos dados corporativos. 
b) Maior complexidade. 
c) Compartilhamento de dados e recursos de informação. 
d) Modificação e atualização mais fáceis.
QUESTÃO 4
Ano: 2018 Banca: CEBRASPE (CESPE) Prova: Perito Criminal Federal 
No que se refere aos conceitos de estratégias de distribuição de 
banco de dados, julgue o item que se segue.
Disponibilidade de um sistema de banco de dados distribuído é, 
por definição, a característica de o sistema estar sempre disponí-
vel para ser utilizado imediatamente.
( ) Certo
( ) Errado
QUESTÃO 5
Ano: 2018 Banca: CEBRASPE (CESPE) Órgão: CGM João Pessoa 
Prova: Auditor Municipal de Controle Interno 
A respeito de bancos de dados, julgue o item a seguir. 
Um banco de dados é uma coleção de dados que são organizados 
de forma randômica, sem significado implícito e de tamanho variá-
vel, e projetados para atender a uma proposta específica de alta 
complexidade, de acordo com o interesse dos usuários.
( ) Certo
( ) Errado
QUESTÃO DISSERTATIVA – DISSERTANDO A UNIDADE
Após o estudo ao longo deste capítulo, disserte sobre o Business Analy-
tics citando sua definição e suas características.
TREINO INÉDITO
Este termo é conhecido como análises de dados, é o processo pelo qual 
procura-se analisar, limpar, transformar e modelar dados. Visto que, 
muitas vezes, como um elemento da ciência de dados, é utilizada para 
compreender como são os dados. Assinale a alternativa que correspon-
de ao termo descrito acima:
a) Data Analytics.
b) Ciências de dados.
c) Business Analytics 
d) Business Intelligence. e) Cientista de dado.
43
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
NA MÍDIA
"Qual a diferença entre Data Analytics, Data Science e Big Data?"
O artigo explana a definição das três soluções computacionais onde 
traz o Data Science tendo como conceito geral o trabalho de profissio-
nais que são do campo da matemática, programação e estatística para 
adquirir dados. Já o Big Data é uma tecnologia voltada para grandes 
massas de dados, de forma bruta e não estruturada. 
O Data Analytics é um conceito que trata de examinar dados com intuito 
de buscar padrões, também é considerado estratégia importante para 
empresas que estão recebendo de forma diária várias tipos de infor-
mações dos seus clientes como dados pessoais, tendências de busca, 
preferências e comentários, bem como aproveitar ao máximo as infor-
mações. 
Fonte: migreseunegocio.
Data: 19 Março 2019.
Leia a notícia na íntegra: <https://migreseunegocio.com.br/data-analy-
tics-entenda-o-que//> Acesso em: 14 de setembro 2020.
NA PRÁTICA
O artigo com o título “Business Analytics and Data Science: Once 
Again?” descreve que o Business Analytics como reconhecimento de 
problemas com base em evidências e soluções do que acontecem den-
tro do contexto de situações de negócios, e bem como apresentam que 
as técnicas matemáticas e estatísticas existem e, a muito tempo, são 
estudadas em escolas de negócios sob títulos como Pesquisa Opera-
cional e Ciência de Gestão, Simulação Análise, econometria e análise 
financeira. 
Entretanto, no artigo, ainda apresenta a disponibilidade de grandes con-
juntos de dados em que os negócios tornaram essas técnicas muito 
mais importantes em todos os campos da gestão.
Acesse o link: <https://link.springer.com/content/pdf/10.1007/s12599-
016-0461-1.pdf>. Acesso em: 14 de set. 2020.
PARA SABER MAIS
Filme sobre o assunto: Privacidade Hackeada
Ano: 2019
44
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
Após estudarmos sobre o Analytics, Data Analytics, Business 
Analytics e como esses ajudam no processo de tomada de decisão, 
bem como são soluções computacionais correlacionadas, agora, neste 
capítulo, será dedicado para estudarmos sobreo Big Data Analytics.
De modo que, em sua primeira parte, versará sobre a contex-
tualização do Big Data e Analytics, abordando sobre características e 
suas contribuições, entendendo o que é o Big Data e, por sua vez, como 
trabalhar o Big Data e Analytics.
Por conseguinte, na segunda parte do capítulo, serão tratados 
sobre onde se pode aplicar esta solução computacional Big Data An-
alytics. Descrevendo exemplos e contribuições desta solução para o 
setor de negócio.
Por fim, apresentaremos tecnologias que favorecem o uso des-
sa solução computacional.
BIG DATA &
ANALYTICS
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
45
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
O QUE É BIG DATA ANALYTICS
Vimos anteriormente que o Big Data Analytics pode ser concei-
tuado como a aplicação de técnicas analíticas avançadas no Big Data. 
Conforme Davenport (2013), usar o termo analytics pode contribuir a 
motivar as empresas a usarem ferramentas de decisões matemáticas 
e estatísticas mais sofisticadas para solucionar problemas relacionados 
aos negócios e ganhar vantagem competitiva. Como também o Big Data 
Analytics pode favorecer a performance e o desempenho dos negócios.
O mercado aderiu massivamente a utilização do Big Data e de 
seus modelos evolutivos de análise de dados, visto que tais modelos 
atenderam às novas demandas de análises rápidas dos dados oriundos 
de várias fontes e em maior quantidade (NOVO e NEVES, 2013). 
Partimos, inicialmente, para entender sobre o que Big Data, 
conforme o autor Schonberger-Mayer (2013), este recurso tecnológico 
é responsável por modificar a natureza dos negócios, dos mercados e 
da sociedade, uma vez que sua aplicação e modificação se expandem 
em relação aos importantes dados corporativos, tornando-se um recur-
so econômico essencial para a macroeconomia, servindo como funda-
mento para o surgimento de novos modelos de negócios.
Visto que existem aplicações gerando dados em abundância e 
as informações dos clientes, bem como, registros e a massa de dados 
disponíveis para ampliar constantemente novas tecnologias, vê-se me-
lhorando os serviços existentes, o qual tendem a melhorar a eficiência 
da produção, diminuir custos, criar inovações e trazer a satisfação às 
necessidades dos clientes (ZHANG et al., 2013). 
Conforme Isaca (2013), a análise do Big Data pode impactar 
no mercado de negócio de modo positivo nos seguintes processos:
1) Desenvolvimento de produto;
2) Desenvolvimento do mercado;
3) Eficiência nas operações;
4) Experiência e fidelidade do cliente; 
5) Prever a demanda de mercado.
Vale ressaltar que o Big Data foi apresentado por Cearley 
(2013) como uma das 10 tendências de tecnologias estratégicas com a 
potencialidade de impacto na vida dos indivíduos e das empresas. Essa 
lista foi fundamentada no potencial de cada tecnologia.
46
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
Temos que o aumento no volume de dados disponíveis e a ne-
cessidade de velocidade para que as informações sejam recuperadas 
e processadas, ligados à característica de sua variedade, contribuem 
para que os dados possam gerar valor e que esses possam ter garantia 
de veracidade.
Dessa forma, é importante entender que os 5Vs compõem 
o Big Data, sendo elas: volume, variedade, velocidade, veracidade e 
valor. Abaixo, temos o detalhamento de cada um desses pontos: (TAU-
RION, 2013)
• Volume: Essa característica é referente à grande capacidade 
de adquirir os dados disponíveis em registros, descrevendo o universo 
de informações disponíveis através das várias aplicações existentes, re-
des sociais, pesquisas no Google, upload, entre outros. Essa ascensão 
de dados pode ser originada por várias fontes, por exemplo: celulares, 
computadores, sensores, equipamentos médicos, variados aplicativos 
existentes, entre outros que agrupam grandes quantidades de informa-
ção (SCHNEIDER, 2012).
• Velocidade: Esse elemento trata ao dinamismo de crescimen-
to e o processamento dos dados. Ressalta-se que o Big Data tem um 
andamento consecutivo de informações que não param de serem gera-
das, por isso é de suma importância que as análises sejam realizadas 
em tempo real e que se atualizem de forma constante, ou seja, que 
ocorram com velocidade. (DAVENPORT, 2014).
• Variedade: Essa característica é referente à diversidade dos 
dados que tem origens, configurações e formatos diversos, podendo 
apresentar os dados estruturados ou não, como os oriundos de redes 
sociais, e-mails, pesquisas na internet, dentre outros meios. Essa varie-
dade é de grande importância, pois os dados de outras fontes podem 
resultar em informações de valor para os gestores tomarem em suas 
decisões, bem como, realizarem predições mais hábeis (TAURION, 
2013).
• Veracidade: Essa característica é referente à autenticidade, 
a fonte originada e a confiabilidade dos dados. De forma, que, se por-
ventura os dados não constituírem uma qualidade satisfatória na oca-
sião em que forem integrados com outros dados, as informações podem 
acarretar em uma falsa correlação, podendo, assim, resultar em uma 
análise incorreta de alguma oportunidade de negócios de uma organi-
zação, ou seja, implicando de modo direto no resultado das análises. 
• Valor: Essa característica é referente ao conjunto de resul-
tados entre as ações de coletar, armazenar, processar e analisar o Big 
Data, isto implica a junção de todos os outros os apresentados acima. 
De modo que, quanto maior for a qualidade dos dados, maior valor ela 
47
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
tem para o negócio (KAISLER et al., 2013). Destacamos que o valor e a 
velocidade estão inversamente relacionados, de modo que, quanto me-
nor for a velocidade para gerar informações consistentes, maior poderá 
ser o valor gerado para o negócio, os quais irão contribuir valor para as 
organizações ajudando no processo de tomada de decisão deixando 
mais eficiente e rápida.
Ademais, o Big Data, apesar da falta de consenso no concei-
to, procura manipular e procurar padrões em grandes quantidades de 
dados. Por sua vez, o Analytics procura identificar padrões em dados 
brutos.
É importante enfatizar que essas características tornam visível 
o quesito que big data não é somente para os cientistas, mas também 
para as empresas. Dessa forma, Big Data Analytics vem se tornando a 
cada dia conhecido tanto no meio acadêmico como em empresas de va-
riados setores da economia durante duas décadas (CHEN et al. 2012).
Nesse sentido, uma definição para o Big Data e Analytics será 
dada como um conjunto de ferramentas e métodos a serem aplicados 
sobre grandes quantidades de dados brutos, ou seja, permitindo iden-
tificar padrões sobre os dados adquiridos, independentemente de sua 
origem e forma como foi armazenado (TAURION, 2013).
Segundo determinam Vianna e Dutra (2016), o conceito de Big 
Data Analytics refere-se às várias estratégias de tecnologia para favore-
cer a percepção mais robusta, detalhada e exata no que trata a clientes, 
realizando análise padrões e correlações, ganhando, gerando a vanta-
gem competitiva. Essa possibilita por realizar um processamento e um 
fluxo constante de dados em tempo real, de modo que as organizações 
possam tomar decisões com maior rapidez, acompanhando as tendên-
cias emergentes, fazendo correções de forma rápida quando necessá-
rio, e investir em novas oportunidades de negócios.
Dessa forma, o grande desafio da Big Data e Analytics (BDA) 
será dado pela crescente dificuldade das instituições, como nas empre-
sas privadas, de manipular e coletar informações úteis dos dados co-
letados, sendo esses dados originados de redes sociais, e-commerce, 
sites de relacionamento, sistema bancários,entre várias outras fontes. 
48
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
A figura 5 apresenta um esquema simplificado de alguns gera-
dores de dados.
Figura 5 - Exemplo de geradores de dados para BDA
Fonte: Adaptado de (DIETRICH D. et al., 2015).
Assim, segundo (DIETRICH D. et al., 2015), três atribuições 
principais serão importantes para definir a aplicação do Big Data e 
Analytics, sendo elas:
1. Grande volume de dados: definido pela existência de bilhões 
de linhas de elementos presentes no banco de dados.
2. Complexidade das estruturas e tipos de dados: Big Data 
pode receber diferentes tipos de dados advindos de fontes quaisquer 
e sendo plausível a existente cia de estruturas e tipos de dados advin-
dos de simples traços capturados na web, ou seja, dados incompletos 
de características que deverão ser identificadas. Os dados poderão ser 
números, textos, sons, imagens, entre outros.
3. Velocidade de crescimento da quantidade de dados: alguns 
tipos de informação devem ser tratados com tempestividade, indepen-
dente do fluxo de geração de novos dados. Assim, a análise dos dados 
deve ser dada em tempo real ou de execução dos sistemas de análise, 
normalmente, ocorrendo quando um novo dado é inserido, sendo toda 
a informação refatorada quase que imediatamente após essa inserção.
Em relação ao diferencial do Big Data em relação aos modelos 
padrões, destaca-se, como citado, o fato das linguagens de consulta 
49
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
dos bancos de dados, SQL, não serem compatíveis com as demandas 
da análise e gestão de grandes quantidades de dados (SANTOS, 2016).
Além do conceito citado, destaca-se o poder computacional e 
a necessidade de investimento em sistemas computacionais de alto de-
sempenho, algo que, utilizando os métodos padrões com SQL, resulta 
em equipamentos extremamente caros. Em suma, as técnicas de con-
sultas distribuídas possibilitam que equipamentos intermediários apre-
sentem resultados satisfatórios, algo importante para a BDA.
Dessa forma, uma vez que o sistema computacional e a base 
estejam projetada e com as ferramentas de análise prontas para atua-
res sobre os dados, a BDA será responsável por tratar os conjuntos 
complexos de dados para geração de informações que serão usadas 
como suporte para tomadas de decisões complexas.
É importante destacar que o big data analytics possibilita que 
os gestores possam tomar de decisão e saibam mais sobre os negó-
cios, bem como ajudar os gestores a resolverem problemas e identificar 
oportunidades. De modo que os sistemas de medição de desempenho 
favoreçam o processo de medição através do uso de um conjunto de 
medidas de desempenho.
O Big Data & Analytics possibilita a segmentação cada vez 
mais detalhada de produtos ou serviços, pois as particularidades dos 
clientes são vistas em melhor desdobramento de dados. Este favorece, 
análises mais sofisticadas melhoram substancialmente a tomada de de-
cisões, porque ofertam opções que normalmente não seriam pensadas 
somente com leituras convencionais (MANYIKA, 2011).
ONDE APLICAR?
O Big Data Analytics pode ser usado para monitoração contí-
nuo de processo para detectar, por exemplo, influenciar na opinião dos 
consumidores; explorar os dados e as relações das redes sociais, como 
amigos sugeridos no LinkedIn e Facebook; detectar fraude em tempo 
real; entender por que as taxas de erros de uma montadora cresceram 
repentinamente; realizar intervenções nos métodos de cuidado com a 
saúde; e antecipar as vendas online.com base em um conjunto de da-
50
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
dos das características do produto (MCAFEE et. al. , 2012).
Vale ressaltar que algumas aplicações de Big Data Analytics 
são auxiliadas pelo Cloud Computing que é uma tecnologia capaz de 
realizar o processamento de Big Data. O principal intuito dessa tecno-
logia é usar grandes elementos computacionais e de armazenamento 
com a finalidade de proporcionar aplicações de Big Data Analytics com 
capacidade computacional refinada. 
Podemos exemplificar que a aplicação e os investimentos que 
essa nova maneira de trabalhar com os dados tem recebido são evi-
dências da importância do Big Data Analytics. Durante o ano de 2012, 
a Boston University recebeu 15 milhões de dólares para estruturar o 
Instituto Rafik B. Hariri de Engenharia e Ciência da Computação, que é 
um centro de pesquisa interdisciplinar, para buscar, através do uso de 
abordagens computacionais direcionadas por dados, para os avanços 
na ciência da computação (TIEN, 2013).
Por conseguinte, existe uma característica que indica a alterna-
tiva de usar o Big Data Analytics em diversos setores, que, nos Estados 
Unidos, os principais programas de pesquisa estão sendo financiados 
para usar com Big Data Analytics em todos os cinco setores da econo-
mia: serviços, fabricação, construção, agricultura e mineração (TIEN, 
2013).
Ainda sobre os diversos setores, Brown et. al (2011) afirmam 
que a facilidade de identificar o valor com Big Data Analytics e tamanho 
de seu potencial variam em cada um deles. Logo abaixo, estão listados 
exemplos de setores que podem aplicar este recurso e o porquê eles 
podem ser potencializados. Por exemplo:
• Setor financeiro contém grandes possibilidades para criar va-
lor, pois ele tem investido fortemente em tecnologia de informação e 
possui grandes conjuntos de dados para explorar. 
• Setor de informação contém muitas alternativas para elaborar 
valor porque ele utiliza seus dados de forma inovadora para competir 
pela adoção de técnicas analíticas sofisticadas.
• Setor público, devido ao governo coletar grande massa de 
dados, porém existem desafios no uso desses dados, pois, algumas 
vezes, eles são mantidos em sigilo.
Por conseguinte, destaca que o Big Data Analytics pode ter 
sua aplicação ocorrendo através de algumas formas, como destacado 
abaixo: 
• Análises sociais: realiza análises através das redes sociais 
dos seus clientes, onde possibilita informar aos gerentes, por exemplo, 
o bom êxito de campanhas digitais internas e externas.
51
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
• Ciência da decisão: essa trata de análise dos dados ex-
plorando para nortear pesquisas de campo e testar as hipóteses. Por 
exemplo, ajuda a ter um feedback dos clientes onde, assim, pode co-
letar informações para melhorar o desenvolvimento de um produto ou 
serviço.
• Gestão de desempenho: Essa trata da análise dos dados 
possibilitando obter mais informações e conhecimento sobre a empre-
sa. Por exemplo, com essa estratégia, é possibilitado a verificação do 
segmento de clientes mais rentáveis em tempo real. Ajudando, assim, 
no processo de tomada de decisões. 
• Exploração de dados: essa trata de adotar muitas técnicas 
estatísticas para obtenção de informações por meio dos dados. Exem-
plos dessa técnica são: modelagem preditiva e análise de cluster.
Segue abaixo exemplos de algumas empresas que utilizaram o 
Big Data para trazer valor para seus negócios:
1. Magazine Luiza
Uma das iniciativas do 2014 do Magazine Luiza foi criar o “Lui-
zalabs”, um laboratório de Tecnologia e Inovação com objetivo de idea-
lizar produtos e serviços para o varejo, melhorando a experiência de 
compra dos clientes.
Ademais, outro projeto que merece destaque e muito importan-
te é o Bob, um aplicativo de Big Data que tem a finalidade atual de fazer 
recomendações do Magazine Luiza e também responsável por enviar 
propostas de compras por e-mail e outros dispositivos (FÉLIX, 2018).
2. Amazon
A Amazon realizou uma expansão durante um tempo no seu 
modelo de negócios, o qual antes era só de venda on-line de livros e, 
atualmente,tornou-se uma das maiores varejistas de bens físicos e vir-
tuais, como: ebooks, streaming de vídeos e serviços web. Essa empresa 
implementou o Amazon Now e passou a competir com supermercados, 
fornecendo produtos frescos e com uma entrega rápida (MARR, 2016).
Segundo Marr (2016), a Amazon tem usado o Big Data para 
os seus recursos de recomendações através dos dados e da monitora-
ção do que os usuários compram, o que eles buscam, qual horário da 
navegação, o endereço de entrega para determinar dados demográfi-
cos, seus comentários e opiniões registradas no site. Nos usuários do 
aplicativo para celular, eles também coletam a localização pelo GPS e 
informações sobre aplicativos usados no celular.
3. Nordstrom
A Nordstrom é uma empresa varejista de moda luxo dos Esta-
dos Unidos. Essa é conhecida por sua qualidade no atendimento e ser-
52
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
viço ao consumidor, bem como no merchandising. Essa marca adotou 
como marketing um projeto de Big Data, criando um laboratório que o 
aplica para gerar insights através de tendências de comportamento de 
compra de seus clientes e, com isso, promove produtos específicos em 
canais direcionados para seus clientes (MACHADO, 2018). 
BIG DATA ANALYTICS PLATFORMS
A plataforma do Big Data é um ecossistema de serviços e tec-
nologias que precisam de funcionar análise de dados volumosos, com-
plexos e dinâmicos. Visto que essa aumenta a escala da plataforma 
de hardware e torna iminente e escolhe as tecnologias de hardware. 
Seguem abaixo exemplos de tecnologias usadas no Big Data e Big Data 
Analytics
1. Yarn
O Yarn é um gerenciador de elementos distribuídos do cluster. 
Por meio do Resource Manager, realiza a locação de recursos nos nós 
do cluster para fazer tarefas das aplicações. Desse modo, cada aplica-
ção sabe em que máquina os seus recursos estão alocados, e suportam 
o princípio da localidade, que é o processamento do código onde estão 
os dados. 
2. Haddop 
O Hadoop Distributed File System (HDFS) é um software em 
Java desenvolvido para ser utilizado em equipamentos que são interco-
nectados para disponibilizar um poder de processamento maior. Essa 
ferramenta utilizada para trabalhar com o big data é conhecida como 
Hadoop, que suporta aplicações de muitos dados distribuídos, permitin-
do que as aplicações. O HDFS tem características diferentes, como: ter 
alta tolerância a falhas e é idealizado para ser implementado em har-
dware de baixo custo. Além do exposto, é dirigido para aplicações que 
possuam grande volume de dados (BORTHAKUR, 2007).
O HDFS é um sistema de arquivos distribuídos com o compo-
nente de armazenamento de dados do projeto sendo código aberto, in-
titulado Apache Hadoop, aperfeiçoado para qualquer tipo de dados não 
estruturados, estruturados e semiestruturados, criado para trabalhar 
com hardware de baixo custo e escalável de modo rápido com milhares 
de máquinas (HADOOP, 2020).
O Hadoop é uma plataforma de software idealizada pela Apa-
che Software Foundation, open source, escrito em Java, o qual possi-
bilita o processamento de grandes massas de dados em clusters de 
53
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
computadores. É preciso salientar que o Hadoop é conhecido pela ca-
pacidade de armazenamento, contudo é também uma ferramenta para 
processamento através do MapReduce. Este possui dois componentes 
principais: a estrutura de programação HDFS e MapReduce, que estão 
intensamente relacionados entre si (WHITE, 2015), abaixo segue uma 
descrição dos dois componentes: 
• HDFS (Hadoop Distributed File System): trata de ser um siste-
ma de arquivos distribuído, idealizado para armazenar grande massas 
de dados de modo confiável e realizar a transmissão para os usuários. 
O HDFS tem características de tolerância a falhas e pode ser expandin-
do de um único servidor para milhares de máquinas, cada uma propor-
cionando armazenamento local. Esse ainda trabalha em dois tipos de 
nós, o “Mestre” – gerencia a hierarquia de sistemas, e vários “Escravos” 
– nós de dados (SHVACHKO et. Al. 2010). 
• MapReduce: é um modelo de programação para processar 
e gerar grandes conjuntos de dados úteis para atividades no mundo 
real (DEAN, 2004). Esse tem as funções map (mapeamento) e reduce 
(redução), de modo que a função map atende o par chave/valor (chave 
trata o identificador do registro e valor o seu conteúdo) como entrada, 
e gera pares chave/valor intermediários. Por sua vez, a função redu-
ce mescla todos os pares associados à mesma chave (intermediários), 
permitindo a geração de uma saída (HASHEM, 2014). 
3. Spark
O Spark é um framework para processamento de Big Data 
idealizado com foco em velocidade, facilidade de utilização e análises 
aprimoradas. Essa tecnologia foi criada para oferecer uma ampla gama 
de cargas de tarefas, como aplicativos em lote, algoritmos iterativos, 
consultas interativas e streaming, possibilitando a tolerância a toda essa 
carga de trabalho e reduzindo a carga de gerenciamento da manuten-
ção de ferramentas separadas (SPARK, 2020). 
Ressalta-se que o principal atributo do Spark é a computação 
em cluster na memória, aumentando a velocidade de processamento de 
um aplicativo. Este, por sua vez, possibilita um framework padronizado 
e de simples compreensão para gerenciar e processar Big Data com 
uma diversidade de conjuntos de dados de várias naturezas e origens 
(batch ou streaming de dados em tempo real). 
Esse framework oferece suporte há algumas linguagens Py-
thon, Java e Scala, ainda possuindo outros módulos para aprendizado 
de máquina e inteligência artificial (PENCHIKALA, 2015). O conceito 
principal desse framework é o RDD (Resilient Distributed Datasets), 
pelo qual funciona como uma tabela do banco de dados que pode ar-
https://spark.apache.org/
https://spark.apache.org/
https://blog.geekhunter.com.br/o-java-ainda-faz-historia/
https://blog.geekhunter.com.br/aprendizagem-de-maquina-supervisionada-ou-nao-supervisionada/
https://blog.geekhunter.com.br/aprendizagem-de-maquina-supervisionada-ou-nao-supervisionada/
54
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
quivar qualquer tipo de dado. 
As demais características do Spark são, conforme Penchikala 
(2015):
• Oferece suporte a mais do que somente as funções de Map 
e Reduce;
• Otimiza o uso de operadores de grafos arbitrários;
• Realiza análise sob demanda de consultas de Big Data, pos-
sibilitando a otimização do fluxo global do processamento de dados;
• Apresenta shell interativo para Scala e Python.
O Spark armazena os dados do RDD em distintas partições, 
isso auxilia a reorganização computacional e a questão de otimizar o 
processamento dos dados (PENCHIKALA, 2015).
Computação nas nuvens 
A computação na nuvem é um ambiente que possibilita traba-
lhar com as soluções de Big Data e Data Analytcs onde as empresas 
e pessoas aluguem capacidade de computação e armazenamento sob 
demanda e com pagamento com base na utilização, em vez de fazerem 
grandes investimentos de capital necessários para a construção e ins-
talação de equipamentos de computação em larga escala (SOUSA et 
al., 2010).
Bem como, a Computação em Nuvem fornece um ambiente 
com ampla capacidade de armazenamento, escalabilidade, elásticos, 
com alto desempenho e elevada disponibilidade. 
Banco de Dados NoSQL
O Banco de Dados NoSQL é outra tecnologia que oferece su-
porte a grande massas de dados e com os diversos tipos deles que são 
trabalhados em soluções como Big Data e Big Data Analytics. Esse sur-
giu para o ambiente de Banco de Dados trazendo nova categoria deno-
minada NoSQL (Not Only SQL), e foi criado com objetivo para atender 
aos requisitos de gerenciamentos de grandes massas de dados que 
necessitavam de alta disponibilidade e escalabilidade.Por conseguinte, outro motivo para o surgimento dessa tecno-
logia foi a falta de eficiência dos bancos de dados relacionais, ligado a 
grandes massas e diferentes tipos de dados. (LÓSCIO, 2011).
Cassandra
O Apache Cassandra é um banco de dados NoSQL open sour-
55
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
ce escalável, adotado para gerenciar dados estruturados, semiestrutu-
rados e não estruturados sobre múltiplos meios de dados e na nuvem. 
O Cassandra tem características que proporcionam a contínua 
disponibilidade, escalabilidade linear e um operacional simples através 
de muitos servidores sem um único ponto de falha, o qual contém uma 
arquitetura masterless em forma de anel, em que não existe um nó prin-
cipal, funcionando juntamente como um modelo de dados dinâmicos 
criados para obter maior flexibilidade e rápidas respostas (APACHE, 
2020).
Outra característica é que o Cassandra é um de banco de da-
dos descentralizado, distribuído e orientado à coluna, de modo que esse 
é otimizado para clusters e fornece acesso de baixa latência a clientes. 
Uma das vantagens do design de banco de dados Cassandra é por ele 
ser orientado por coluna, facilitando alguns tipos de pesquisas de dados 
e podendo se tornar mais veloz devido aos dados esperados poderem 
ser armazenados continuamente em uma única linha (MATOS, 2019).
É interessante ressaltar que Cassandra é utilizado por grandes 
empresas, como Facebook, Twitter e Digg.
MongoDB
O MongoDB tem o foco em determinar modelos de dados apro-
priados para sua aplicação, contudo as técnicas utilizadas são muito va-
riadas daquelas consideradas nos bancos de dados relacionais. Isso se 
deve pôr se atentar com os dados que são extraídos do banco diferente 
dos bancos de dados tradicionais no escopo relacional. 
Vale ressaltar que, no MongoDB, os dados não são tratados 
como registros, mas como documentos no formato JSON e usam con-
ceitos de coleções (CRIVELINI, 2018).
O MongoDB também fornece os recursos necessários para um 
meio de produção, através de: balanceamento de carga, replicação, in-
dexação, consulta e pode operar como um sistema de arquivos com 
balanceamento de carga e tolerância a falhas. Outra característica im-
portante do MongoDB é a escalabilidade criada para grandes volumes 
de dados (MATOS, 2019).
Conforme Queiroz et al. (2013), o MongoDB trabalha com co-
56
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
leções de documentos lembrando o conceito de tabelas e linhas da tec-
nologia relacional, porém, com a diferença dos documentos, não preci-
sarem ter o mesmo esquema. O MongoDB está em uso no Foursquare 
e SourceForge.
Redis
O Redis tem uma implementação key-value store, essa trata 
de ser um paradigma que atribui valores às chaves para facilitar a en-
trada e o armazenamento desses valores. Essa tecnologia suporta seus 
pares de valores-chave na memória, permitindo seu acesso rápido. 
Durante muito tempo, muitas APIs foram elaboradas para 
atender a variedade grande de linguagens de programação, tornando o 
Redis uma boa opção para desenvolvedores (MATOS, 2019). Dessa for-
ma, temos o Redis (Remote Dictionary Server) sendo um banco de dados 
NoSQL do tipo chave-valor e que armazena os dados em memória. 
É importante destacar também que os comandos são atômi-
cos, de modo que a ordem de execução das operações é a mesma or-
dem das chamadas. Outra característica é criar as chaves e decidir por 
quanto tempo elas devem existir, ou seja, possibilita configurar o tempo 
onde as chaves são deletadas automaticamente.
Um exemplo prático disso é a característica em sessões de 
usuário e carrinhos de compras. Ainda merece destaque que toda con-
sulta é realizada através da chave, onde se retorna um valor e as redun-
dâncias de dados não são um problema tão grave (MONTEIRO, 2020).
HBase
O HBase é um banco de dados orientado a coluna, distribuído 
em implementação gratuita e aberta do BigTable do Google. Esse tem 
característica de facilitar e encontrar de modo eficiente os dados disper-
sos e distribuídos, sendo um dos seus pontos fortes. O HBase possui 
uma série de implementações em empresas como LinkedIn, Facebook 
e Spotify (MATOS, 2019).
Podemos destacar que muitos projetos relacionados ao Apa-
che oferecem suporte ao HBase, fornecendo uma camada SQL para 
acesso a dados, o que ajuda os administradores de banco de dados re-
lacionais que buscam implementar uma solução NoSQL e, como existe 
um número grande de instalações Hadoop, o HBase é uma importante 
solução de armazenamento NoSQL (MATOS, 2019).
57
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
Amazon DynamoDB 
O Amazon DynamoDB trata de um recurso que oferece serviço 
de banco de dados NoSQL em nuvem que é acessível pela AWS (Ama-
zon Web Service). O DynamoDB oferece velocidade e flexibilidade para 
todas as aplicações que necessitam de latência constante inferior a 10 
milissegundos em qualquer escala. 
O serviço desse banco de dados em nuvem é todo gerenciável 
e é compatível com os modelos de armazenamento de documentos e 
de chave-valor, propiciando dados flexíveis, desempenho confiável e a 
escalabilidade automática da capacidade de throughput, fazendo desse 
serviço uma opção apropriada para aplicações móveis, web, jogos, tec-
nologia de anúncios e Internet das Coisas (IoT), por exemplo (MATOS, 
2019). 
Merece destaque algumas empresas como Lyft, Airbnb e Re-
dfin, bem como, Samsung, Toyota, e Capital One, que dependem da 
escala e da atuação do DynamoDB para comportar seus volumes de 
trabalho (AWS, 2020).
Neo4j
O Neo4j é o sistema de gerenciamento de banco de dados 
baseado em grafos (ou Graph Database), sendo o sistema mais co-
nhecido e usado atualmente dessa categoria. Esse Graph Database é 
estruturado com forma de grafo, de modo que as arestas atuam como 
relacionamentos entre os vértices, relacionando diretamente com as 
instâncias de dados umas com as outras. Esse também possui uma 
implementação de código aberto, onde os dados no Neo4j podem ser 
acessados e atualizados através da Cypher Query Language, uma lin-
guagem semelhante à linguagem SQL. (MATOS, 2019). 
Ressalta-se que uma dos beneficies desse banco é, em alguns 
casos de uso, como cenários de mineração de dados e reconhecimento 
de padrões, as associações entre instâncias de dados serem explicita-
mente declaradas (MATOS, 2019). 
http://www.cienciaedados.com/aprendendo-internet-of-things-com-raspberry-pi/
58
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
QUESTÕES DE CONCURSOS
QUESTÃO 1
Ano: 2019 Banca: CEBRASPE (CESPE) Órgão: SLU DF Prova: Ana-
lista de Gestão de Resíduos Sólidos 
No que se refere ao banco de dados relacional (SQL) e não relacio-
nal (NoSQL) e ao framework JPA, julgue o item subsecutivo.
Para uma empresa que necessite implantar uma base de dados 
altamente escalável, com grande desempenho e cujo esquema de 
dados seja flexível, de modo que suporte constantes mudanças 
de campos e valores armazenados, a melhor opção é uma base de 
dados NoSQL.
( ) Certo
( ) Errado
QUESTÃO 2
Ano: 2019 Banca: CCV UFC Órgão: UFC Prova: Técnico 
Sobre o banco de dados NoSQL, assinale a afirmativa correta.
a) Bancos de dados NoSQL não podem ser indexados.
b) Bancos de dados NoSQL são considerados banco de dados relacio-
nais.
c) Nos bancos de dados NoSQL, devem ser definidos um esquema de 
dados fixo antes de qualquer operação.
d) São exemplos de bancos de dados NoSQL: MongoDB, Firebird, Dy-
namoDB, SQLite, Microsoft Access e Azure Table Storage.
e) Os bancos de dados NoSQL usam diversos modelos para acessar e 
gerenciar dados, como documento, gráfico, chave-valor, em memória e 
pesquisa.
QUESTÃO 3
Ano: 2019 Banca: CEFETMINAS Órgão: IF SudesteMG Prova: Téc-
nico 
São exemplos de Bancos de Dados Relacionais, EXCETO:
a) PostgreSQL.
b) Oracle.
c) SQL Server.
d) MySQL.
e) NoSQL.
QUESTÃO 4
Ano: 2019 Banca: FEPESE Órgão: CELESC Prova: Analista 
Quais dos sistemas gerenciadores de banco de dados (SGBD) 
59
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
abaixo constituem SGBDs NoSQL?
1. Oracle database
2. MongoDB
3. Neo4j
4. MySQL
Assinale a alternativa que indica todas as afirmativas corretas.
a) São corretas apenas as afirmativas 2 e 3.
b) São corretas apenas as afirmativas 1, 2 e 3.
c) São corretas apenas as afirmativas 1, 2 e 4.
d) São corretas apenas as afirmativas 2, 3 e 4.
e) São corretas as afirmativas 1, 2, 3 e 4.
QUESTÃO 5
Ano: 2019 BAnca: IADES Órgão; ALEGO Prova: Analista Legislativo 
A grande variedade de sistemas de armazenamento pode ser orga-
nizada em uma hierarquia de acordo com velocidade e custo. Os 
níveis mais altos são caros, mas são rápidos. Quando descemos 
na hierarquia, o custo por bit geralmente reduz, enquanto o tempo 
de acesso em geral aumenta.
SILBERSCHATZ, A.; GALVIN, P.B.; GAGNE, G. Operating System
Concepts. Nova Jersey: John Wiley & Sons, Inc, 2013. Tradução livre.
Considerando essa passagem, os sistemas de armazenamento de 
um computador, e a respectiva hierarquia, é correto afirmar que:
a) Discos magnéticos têm tempo de acesso mais rápido que unidades 
de estado sólido.
b) A memória principal de um computador é tipicamente formada por 
unidades de armazenamento não volátil.
c) Esse trade-off entre tempo de acesso e custo é razoável, dado que 
um sistema de armazenamento que fosse mais lento e caro que outro 
– mantidas as outras propriedades iguais – não teria razão para ser 
usado.
d) A memória cache é a mais rápida de um computador, tendo tempo de 
acesso menor que registradores.
e) A memória secundária é tipicamente utilizada em sistemas de ba-
ckup, sendo a memória cache a mais usada com esse propósito.
QUESTÃO DISSERTATIVA – DISSERTANDO A UNIDADE
Após os estudos sobre Big Data e Big Data Analytics, disserte sobre as 
formas que ele pode ser explorado. 
60
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
TREINO INÉDITO
Estudamos que o Big Data pode receber diferentes tipos de dados, ad-
vindos de fontes quaisquer e sendo plausível a existente cia de estru-
turas e tipos de dados advindos de simples traços capturados na web, 
ou seja, dados incompletos de características que deverão ser identifi-
cadas. Assim, assinale a alternativa que apresenta uma das caracterís-
ticas do Big Data Analytics:
a) Complexidade das estruturas e tipos de dados.
b) A velocidade de crescimento da quantidade de dados.
c) A variedade dos dados produzidos.
d) O valor dos dados gerados.
e) Grande volume de dados.
NA MÍDIA
“Tendências de mercado: por que você e sua empresa precisam enten-
der o que é Big Data Analytics?”
Este artigo ajudará você a saber mais sobre a importância e as perspec-
tivavas do Big Data Analytics” e os setores que ele pode ser adotado.
A importância de Big Data não gira em torno da quantidade de dados 
que você tem, mas do que você faz com eles. Nele, é destacado que a 
sua importância não está ligada apenas à quantidade de dados, mas, 
sim, na capacidade de explorar esses dados onde os analisa e, com 
isso, obtém alguns benefícios, como: redução de custos, reduções de 
tempo, desenvolvimento de novos produtos e ofertas otimizadas, contri-
bui no processo de tomada de decisão inteligente. Em suma, ao combi-
nar os grandes conjuntos de dados com análises, acaba por potenciali-
zar suas informações e as atividades relacionadas a negócios.
Fonte: Blog Runrun.it
Data: 23 Agosto. 2020.
Leia a notícia na íntegra: <https://blog.runrun.it/big-data-analytics/> 
Acesso em: 14 de set. 2020.
NA PRÁTICA
Lei o artigo intitulado como: ”Na prática, Agrupamentos epistemológicos 
de artigos publicados sobre Big Data Analytics”. Nele, abordará quais 
são os principais escopos e vertentes de publicação sobre o Big Data 
Analytics, tendo como objetivo focar nos processos de gestão de big 
data. Os resultados descritos no artigo trazem o encontro de estudos 
61
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
encontrados como a evolução do big data; gestão, negócios e estraté-
gia; comportamento humano e aspectos socioculturais; mineração dos 
dados (data mining) e geração de conhecimento e Internet das Coisas.
Acesse o link: <https://www.scielo.br/pdf/tinf/v29n1/0103-3786-
tinf-29-01-00091.pdf>. Acesso em: 14 de setembro 2020.
PARA SABER MAIS
Filme sobre o assunto: Blade Runner
Ano: 2019 
62
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
Finalizando o presente módulo, espera-se que o aluno tenha 
adquirido um conhecimento exploratório na área de Analytics e toma-
da de decisão e possa ter a capacidade de entender seus princípios e 
métodos.
Inclusive, que os alunos possam sair com a compressão da 
grande importância do Analytics, Data Analytics, Big Data e ciências de 
dados para ajudarem os gestores para tomada de decisão proporciona-
do até mesmo uma vantagem competitiva às empresas que o adotam.
Ainda, estudamos sobre o Big Data e Big Data Analytics que 
foram adotados para descrever técnicas analíticas direcionadas em 
grandes e complexos volumes de dados, as quais exigem metodologias 
e tecnologias avançadas de armazenamento, gestão, análise e visuali-
zação.
Ademais, espera-se que o conteúdo explanado possa levar 
você a ser um profissional qualificado e trazendo uma visão geral de 
técnicas que ajudam o processo de tomada de decisão e como essas 
são alinhadas no universo dos negócios. Bem como, deseja trazer com 
os temas abordados que, no futuro, possa ser um profissional que co-
nheça e entenda como trabalhar com as informações para gerar valor 
para as empresas.
Em suma, almejamos que todos os temas explanados sejam 
de grande valia para o seu crescimento profissional, bem como pessoal, 
e que contribua como inspiração para viabilizar a garantia de um bom 
desempenho em uma carreira de sucesso.
63
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
GABARITOS
CAPÍTULO 01
QUESTÕES DE CONCURSOS
01 02 03 04 05
A D A D D
QUESTÃO DISSERTATIVA – DISSERTANDO A UNIDADE – PADRÃO 
DE RESPOSTA
A partir dos aspectos importantes para o processo decisório nas orga-
nizações, entendemos que, no processo decisório, os indivíduos toma-
dores de decisões necessitam se atentar aos dados e as informações a 
serem usadas para que a decisão sejam as mais próximas da eficácia 
(GUIMARÃES; ÉVORA, 2004). Assim, todas as decisões precisam de 
interpretações e avaliação de informação. Os dados podem vir de várias 
fontes, e requerem ser selecionadas, processadas e interpretadas.
Por outro lado, as tomadas de decisão nas organizações são usadas 
levando em consideração alguns aspectos como comunicação, como 
dados, informações e conhecimento. O processo de tomada de decisão 
precisa, cada vez mais, de trabalhos em grupo e com maior partici-
pação de indivíduos. Tendo em vista que nenhum indivíduo detém to-
das as informações e conhecimentos da organização e, como também, 
nem sempre essas informações estão claras e acessíveis, fazendo com 
que cada um detenha apenas uma parte delas, a tomada de decisão 
em equipe é um modo a ser usado para superar os desafios das infor-
mações e conhecimentos particionados. 
TREINO INÉDITO
Gabarito: B
64
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
CAPÍTULO 02
QUESTÕES DE CONCURSOS
01 02 03 04 05
C C B CERTO ERRADO
QUESTÃO DISSERTATIVA – DISSERTANDO A UNIDADE – PADRÃO 
DE RESPOSTAConforme estudado ao longo da unidade, temos, inicialmente, a defini-
ção de um dos autores - Chen et. al. (2012) - que assumi uma definição 
unificada dos dois termos, usando a nomenclatura Business Intelligen-
ce & Analytics (BI&A). Pois, segundo os autores, o conceito Business 
Intelligence tomou fama entre os profissionais de TI e gestão durante 
a década de 1990 e a já expressão Analytics no final da década passa-
da (2000), sendo esse termo inserido para representar os componentes 
analíticos de ferramentas de BI. 
Por outro lado, os autores Evans e Lindner (2012) descreveram que Busi-
ness Analytics como sendo a combinação de três disciplinas básicas: es-
tatística; inteligência de negócios (BI) e sistemas de informação (TI); bem 
como, modelagem e otimização. Além disso, afirmam que o Business 
Analytics é normalmente analisado por três perspectivas, conforme des-
critas abaixo: a análise descritiva, análise preditiva e análise prescritiva.
TREINO INÉDITO
Gabarito: A
65
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
CAPÍTULO 03
QUESTÕES DE CONCURSOS
01 02 03 04 05
CERTO E E A C
QUESTÃO DISSERTATIVA – DISSERTANDO A UNIDADE – PADRÃO 
DE RESPOSTA
O Big Data Analytics pode ter sua aplicação ocorrendo através de algu-
mas formas como: análises sociais, onde pode-se realizar análises atra-
vés das redes sociais dos seus clientes onde possibilita informar aos 
gerentes, por exemplo, o bom êxito de campanhas digitais internas e 
externas. Por meio da ciência da decisão: essa trata de análise dos da-
dos explorando para nortear pesquisas de campo e testar as hipóteses. 
Bem como, na gestão de desempenho, que é referente à análise dos 
dados possibilitando obter mais informações e conhecimento sobre a 
empresa. E, por fim, a exploração de dados, que trata de adotar muitas 
técnicas estatísticas para obtenção de informações por meio dos dados. 
TREINO INÉDITO
Gabarito: A
66
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
AMARAL, Fernando. 2016. Introdução à Ciência de Dados: Minera-
ção de dados e Big Data. Rio de Janeiro: ALTA Books.
Apache Cassandra 3.0 Documentation. Disponível em: <https://cassan-
dra.apache.org/doc/latest/>. Acesso dia 05 de setembro de 2020.
ABRAMCZUK, A. A. A Prática da Tomada de Decisão. São Paulo. Atlas, 
2009. 
ANGELONI, M. T. Elementos Intervenientes na Tomada de Decisão. 
Ciência e Informação. Vol. 32, n. 1, p. 17-22 Brasília, 2003.
ANACONDA. (2020). Disponível em: <https://www.anaconda.com/>. 
Acesso 10 agosto de 2020.
AWS. Amazon DynamoDB. Disponível em: <https://aws.amazon.com/
pt/dynamodb/>. Acesso 04 de junho de 2020.
BROWN, B.; CHUI, M.; MANYIKA, J. Are you ready for the era of ‘big 
data’? McKinsey Quarterly, v. 4, p. 24-35, 2011.
CAMPOS, Fábio Rocha. A gestão da inovação em serviços intensivos 
em conhecimento: oportunidades e desafios do Big Data.2015.
CEARLEY, D; Claunch, C. (2013) The Top 10 Strategic Technology 
Trends for 2013. Gartner. 
CHEN, H.; CHEN, G. (2013). Business Intelligence and Analytics : 
Research Directions. ACM Trans. Manage. Inf. Syst, v. 3, n. 4, p. 1–10.
CHEN, H.; STOREY, V. C.; CHIANG, R. H. L. (2012). Business intelli-
gence and analytics : frombig data to big impact. MIS Quarterly. v. 
36, n. 4, p. 1–24.
CHERMACK, T. J. Decision-Making Expertise at the Core of Human 
Resource Development. Advances in Developing Human Resour-
ces, v. 5, n. 4, p. 365–377, 1 nov. 2003.
CHOO, C. W. A Organização do Conhecimento: Como as Organiza-
ções Usam a Informação Para Criar Significado, Construir Conhe-
cimento e Tomar Decisões. São Paulo: SENAC, 2003. 425p.
67
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
CHOO, Chun W. Gestão da informação para a organização inteli-
gente: a arte de explorar o meio ambiente. Lisboa: Caminho, 2003. 
COELHO, Willianny. Dados, informação, conhecimento e competên-
cia. Webarti-gos.com. 2009. Disponível em: <http://www.webartigos.
com/articles/26653/1/DADOS-INFORMACAO-CONHECIMENTO-E-
-COMPETENCIA/pagina1.html>. Acesso em: 19 de Agosto 2020. 
CRIVELINI W. (2018). Começando a Entender os Bancos de Dados 
NoSQL: o MongoDB. Disponível em: https://meunegocio.uol.com.br/
academia/tecnologia/comecando-a-entender-os-bancos-de-dados-nos-
ql-o-mongodb.html#rmcl>.(Acessodia 24 de Agosto de 2020)
CRUZ, E.P.; COVA, C. J. G. Teoria das Decisões: Um Estudo do Mé-
todo Lexicográfico.RPCA, Rio de Janeiro, v. 1, n. 1, p. 26-35, set./dez. 
2007.
CRUZ C. L.; Data Science: Desenvolvimento De Aplicação Para 
Análise De Dados. (2018). Instituto Municipal De Ensino Superior De 
Assis – Imesa. Assis-SP.
DAVENPORT T. H., Cohen, D., Jacobson, A. (2006). Competing on 
Analytics In:Harvard Business Review, p. 98-107.
DAVENPORT, T; HARRIS, J. Competição Analítica: Vencendo Atra-
vés da Nova Ciência.Campus, 2007.
DAVENPORT, Thomas H. Big Data no trabalho: derrubando mitos e 
descobrindo oportunidades. 1. ed. Rio de Janeiro: Elsevier, 2014.
PATIL, T. H.; DAVENPORT, D. J. Data Scientist: thes exiest job ofthe 
21st century. Harvard Business Review, Brighton, MA, 2012. Disponí-
vel em: Acesso em: 20 de agosto 2020.
DIETRICH D., HELLER B., YANG B. (2015). Data Science e Big Data 
Analytics: Descobrindo, Analisando, Visualizando e Apresentando 
Dados. (2015). EMC Education Services 
DSA: Data Science Academy. 4 Componentes Principais Para a In-
fraestrutura de Big Data, 2017. Disponível em: <http://datasciencea-
cademy.com.br/blog/4-componentes-principais-para-a-infraestrutura-
-de-big-data/>. Acesso em: 19 de Agosto 2020.
http://datascienceacademy.com.br/blog/4-componentes-
http://datascienceacademy.com.br/blog/4-componentes-
68
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
ERL, Thomas; KHATTAK, Wajid; BUHLER, Paul. Big Data Fundamen-
tals: Concepts, Drivers & Techniques. Boston: Prentice Hall, 2016.
ESPINDOLA, A.M.S; ROTH, L. Big Data e Inteligência Estratégica: 
Um Estudo de Caso Sobre a Mineração de Dados como Alternativa 
de Análise. Revista Espacios, v. 37, n. 4, p. 16, out. 2015. Disponí-
vel em: <http://www.revistaespacios.com/a16v37n04/16370417.html>. 
Acesso em: 19 de Agosto 2020.
EVANS, J. R.; LINDNER, C. H. (2012). Business analytics: the next 
frontier for decision sciences. Decision Line, 43(2), pp. 4-6.
FEIO, M. A. de C. B. de N; NODARI, L. D. T; ZIBRES, R. A; POPADIUK, 
S. O Processo de Tomada de Decisão: Um Estudo em Empresas de 
Tecnologia da Informação. Paraná, 2007. p. 3.
FÉLIX, B. M. et al. Critical Success Factors for Big Data Adoption in 
the Virtual Retail: Magazine Luiza Case Study. Rev. Bras. Gest. Neg. 
São Paulo, v. 20, n. 1, jan-mar. 2018 p.112-126. Disponível em: <DOI: 
10.7819/rbgn.v20i1.3627>. Acesso 20 de Agosto de 2020.
FINZER, W. The Data Science Education Dilemma. Technology In-
novations In Statistics Education, Caifórnia, v. 7, n. 2, 2013. Acesso 
em: 22 ago. 2020.
FRANK, C. (2012). Improving Decision Making in the World of 
Big Data. Disponível em: <https://www.forbes.com/sites/christopher-
frank/2012/03/25/improving-decision-making-in-the-world-of-big-data/#-
7641c6f11e85>. Acesso em: Acesso 20 de Agosto 2020.
FRAZÃO A.(2019). A indústria dos dados pessoais e os data broke-
rs. Disponível em:<https://minutodaseguranca.blog.br/a-industria-dos-
-dados-pessoais-e-os-data-brokers/>. Acesso em: 19 de Agosto 2020.
GANTZ, John and Reinsel. (2012). David. The Digital Universe In 
2020: Big Data, Bigger Digital Shadows, and Biggest Growth in the 
Far East. EMC Corporation. Disponível em: <http://www.emc.com/colla-
teral/analyst-reports/idc-the-digital-universe-in-2020.pdf>. Acesso em: 
19 de Agosto 2020.
GARRO F. (2017). Inteligência de negócios é uma especialização 
muito valorizada pelo mercado. Entenda seus desafios e diferen-
http://www.revistaespacios.com/a16v37n04/16370417.htmlhttp://www.forbes.com/sites/christopherfrank/2012/03/25/improving-decision-making-in-
http://www.forbes.com/sites/christopherfrank/2012/03/25/improving-decision-making-in-
http://www.forbes.com/sites/christopherfrank/2012/03/25/improving-decision-making-in-
69
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
ciais. Disponível em: <https://www.igti.com.br/blog/carreira-inteligen-
cia-negocios/>. Acessado em: 13 de agosto de 2020.
GUIMARÃES, Eliane Marina Palhares; ÉVORA, Yolanda Dora Martinez. 
Sistema de informação: instrumento para tomada de decisão no exer-
cício da gerência. Ciência da Informação, Brasília, v. 33, n. 1, p. 72-
80, jan./abril 2004.
GOLDMAN, A., et al. Apache hadoop: conceitos teóricos e práticos, 
evolução e novas possibilidades. In: XXXI Jornadas De Atualizações 
Em Informática, 2012.
HADOOP. Disponível em: <https://hadoop.apache.org/>. Acesso em: 
21 de Agosto de 2020.
HASHEM, I. A. T. et al. (2014). The rise of “big data” on cloud com-
puting: Review and open research issues. Information Systems 47: 
98-115. 
HBRAS - Harvard Business Review Analytic Services. (2012). The Evolu-
tion of Decision Making: How Leading Organizations Are Adopting a Data-
-Driven Culture. A Report by Harvard Business Review Analytic Services,.
HILL, T. Completing the value chain: data, insight, action. Tech page 
one - Dell UK. (2014). Disponível em: <http://www.techpageone.co.uk/
en/technology/completing-the-value-chain-data-insight-action/#.Vav7N-
vlViko>. Acesso em: 19 agosto 2020.
HOLSAPPLE, C., LEE-POST, A., PAKATH, R. (2014). A unified foun-
dation for business analytics. Decision Support Systems, 64, pp. 
130-141.
INTERNATIONAL DATA CORPORATION- IDC. (2018). Worldwide Se-
miannual Big Data and Analytics Spending Guide. Fonte: https://
www.idc.com/getdoc.jsp?containerId=prUS44215218.
ISACA, Big Data–Impactos e Benefícios. 2013. Disponível em: http://
www.isaca.org/KnowledgeCenter/Research/Documents/BigData_whp_
Por_0413.pdf. Acesso dia 21 de Agosto 2020.
JUSTIN Samuel, S., Koundinya, R. V. P. V. P., Sashidhar, K., & Bharathi, 
C. R. R. (2006). A Survey on Big Data and Its Research Challenges. 
http://www.techpageone.co.uk/en/technology/completing-the-value-chain-
http://www.techpageone.co.uk/en/technology/completing-the-value-chain-
http://www.idc.com/getdoc.jsp?containerId=prUS44215218
http://www.idc.com/getdoc.jsp?containerId=prUS44215218
70
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
ARPN Journal of Engineering and Applied Sciences, 10(8), 3343–
3347.
KAISLER, Stephen et al. Big Data: Issues and Challenges Moving 
Forward. In: XLVI Hawaii International Conference On System Scienc-
es, 46., Maui, 2013.
KNIME. (2020). Disponível em: <https://www.knime.com/>. Acesso dia 
21 de Agosto 2020.
LAUDON, Kenneth C.; LAUDON, Jane P., Sistemas de informação com 
Internet. Tradução Dalton Conde de Alencar. Rio de Janeiro: LTC, 1999. 
LETOUZÉ, E. Big Data for development: challenges & opportuni-
ties. UN Global Pulse, 2012.
LOUSADA, M; VALENTIM, M. L. Modelos de Tomada de Decisão e 
Sua Relação com a Informação Orgânica. Perspectivas em Ciência 
da Informação, v.16, n.1, p.147-164, jan./mar. 2011.
LÓSCIO B. F. , Pontes J. C. S. , Oliveira H. R.(2008). Nosql no desen-
volvimento de aplocações web colaborativas. 2011. 7, 8
MACHADO, Rogério A. Avaliação de alternativas na tomada de deci-
são. Revista de Administração de Empresas, v. 16, n. 2, p. 52-57, 1976. 
MACHADO, F. N. R. (2018). Big Data: o Futuro dos Dados e Aplica-
ções. 1. ed. São Paulo: Saraiva.
MANYIKA, J. et al.(2011). Big data: The next frontier for innovation, 
competition, and productivity. McKinsey & Company: McKinsey Glo-
bal Institute, 
MARR, B.(2016) . Big Data in Practice. 1. ed. West Sussex: Wiley. 
MATOS DAVID. Top 6 NoSQL Databases. (2019). Disponível em:<h-
ttp://www.cienciaedados.com/top-6-nosql-databases/>. Acesso dia 05 
de agosto de 2020.
MELL, P. and Grance, T. (2009). The nist definition of cloud comput-
ing. NIST, page 50.
71
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
MCKINNEY, Wes. Python for Data Analysis, 1. ed. Sebastopol – CA: 
Editora O’Reilly, 2012.
MCAFEE, A.; BRYNJOLFSSON, E. Big Data: The management revo-
lution. Harvard Business Review, v. 90, n. 10, p. 60, 2012.
MOREIRA E. (2019). O caminho para a tomada de decisão baseada 
em dados. Disponível em: <https://transformacaodigital.com/dados/o-
-caminho-para-a-tomada-de-decisao-aseada-em-dados/>. Acesso em: 
19 de Agosto 2020. 
MORTENSON, M. J.; DOHERTY, N. F.; ROBINSON, S. Operational 
research from Taylorism to Terabytes: A research agenda for the 
analytics age. European Journal of Operational Research, v. 241, n. 3, 
p. 583–595, 2015.
MONTEIRO D. (2020). SQL ou NoSQL? Você conhece o Redis?. Dis-
ponível em: http://db4beginners.com/blog/sql-ou-nosql-redis//>. Acesso 
dia 05 de agosto de 2020.
NOVO Rafael; NEVES S. M. José. Inovação na inteligência analítica 
por meio do Big Data: características de diferenciação da aborda-
gem tradicional. 2013.
PAIXÃO A. de Oliveira, Silva V., Tanaka A.(2015). De Business Intelli-
gence a Data Science: Um estudo comparativo entre áreas de co-
nhecimento relacionadas. Disponível em: <https://pdfs.semanticscho-
lar.org/a335/91f5334b50aa8230754e85ae2c37d9a946a0.pdf> Acesso 
em: 20 de Agosto 2020.
PATIL, T. H.; DAVENPORT, D. J. Data Scientist: thes exiest job ofthe 
21st century. Harvard Business Review, Brighton, MA, 2012. Disponí-
vel em: Acesso em: 20 de Agosto 2020.
PANDAS. (2020). Disponível em: <https://pandas.pydata.org/>. Acesso 
em: 21 de Agosto 2020.
PEREIRA F. (2015). Big Data e Data Analysis: Visualização de infor-
mação. Dissertação Mestrado Integrado em Engenharia e Gestão de 
Sistemas de Informação.
https://transformacaodigital.com/dados/o-caminho-para-a-tomada-de-decisao-baseada-em-dados
https://transformacaodigital.com/dados/o-caminho-para-a-tomada-de-decisao-baseada-em-dados
72
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
PENCHIKALA S. (2015). Big Data com Apache Spark - Parte 1: In-
trodução. Disponível em: <https://www.infoq.com/br/articles/apache-s-
park-introduction/>. Acesso 23 de Agosto de 2020.
PROVOST, Foster e FAWCETT, Tom (2016) Data Science para negó-
cios: o que você precisa saber sobre mineração de dados e pensa-
mento analítico de dados. Alta Books, Rio de Janeiro, RJ.
PROVOST, Foster; Fawcett, Tom (2013). Data Scienceand its Rela-
tion-shipto Big Data and Data-Driven Decision Making Big Data, 1:1 
(March2013) 51-59.
OLAVSRUD, Thor. Afinal o que é Ciência de Dados e o que isso 
tem a ver com a profissão do futuro. (2018). Disponível em: <http://
idgnow.com.br/carreira/2018/07/05/afinal-oque-e-ciencia-de-dados-e-o-
-que-isso-tem-a-ver-com-as-profissoes-do-futuro/>. Acesso em: 20 de 
Agosto 2020.
ORACLE. (2014). Disponível em: <https://www.oracle.com/br/databa-
se/what-is-a-data-warehouse/> Acesso 20 de Agosto 2020. 
QUEIROZ, G. R. De, Miguel, A., Monteiro, V., & Câmara, G.(2013). 
Geographic Databases and NoSQL. Accomlishments and future di-
rections. Revista Brasileira de Cartografia, (2013), 479 ý 492.
ROBBINS, STEPHEN P. (2005). Comportamento organizacional. 11. 
ed. São Paulo: Pear son Prentice Hall, 536p.
RUSSOM, P. Big Data Analytics. TDWI Research, TDWI Best Practic-
es Report, 2011. Disponível em: <ftp://129.35.224.12/software/tw/Defin-
ing_Big_Data_through_3V_v.pdf>. Acesso em: 20 de Agosto 2020.
REFINARIA DE DADOS. (2019). Disponível em: <https://refinariadeda-
dos.com.br/artigos/data-analytics/>. Acesso em: 20 de Agosto 2020.
SAS. Disponível em: <https://www.sas.com/pt_br/insights/analytics/
analytics.html>. Acesso em: 19 de Agosto 2020. 
SANTOS Ijon A. B.. Condicionantes do Uso Efetivo do Big Data e 
BusinessAnalytics em Organizações Privadas: Atitudes, Aptidão 
e Resultados. Programa de Pós-Graduação em Administração – PRO-
PAD,UFPE.2016.
73
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
SPARK.(2020). Disponível em: <https://spark.apache.org/>. Acesso 01 
setembro de 2020.
SEDDON, P. B., CONSTANTINIDIS, D., TAMM, T., DOD, H. (2017). How 
does Business Analytics Contribute to Business Value? Information 
Systems Journal, 27(3), pp. 237-269.
SINGH, D. AND REDDY, C. K. (2015). A Survey on Platforms for Big 
Data Analytics. Journal of Big Data, 2(1):8.
SCHNEIDER, R. D. (2012). Hadoop For Dummies, Special Edition. 
Mississauga, CAN: John Wiley & Sons Canada. 41 p.
SCHREIBER, Guss; Akkermans, Hans; Anjewierden, Anjo; de Hoog, 
Robert; Shadbolt, Nigel; van der Welde, Walter; Wielinga, Bob. (2000). 
Knowledge Engineering and Management: the Com-monKADS 
Methodology. Cambridge: The MIT Press, 2000.
SCHONBERGER-MAYER, Viktor; CUKIER Kenneth. Tradução Paulo 
Palzonoff Junior. Big Data: como extrair volume, variedade, veloci-
dade e valor da avalanche de informação cotidiana. Rio de Janeiro: 
Elsevier, 2013.
SODRÉ, L. Big Data Estratégico: Um Framework para Gestão Sistê-
mica do Ecossistema Big Data. 125 f. Dissertação (Mestrado) - Pro-
grama de Pós-graduação em Engenharia de Produção, COPPE, Uni-
versidade Federal do Rio de Janeiro, abr. 2016.
SOBER, Elliott. O que é o conhecimento? Tradução de Paula Mateus. 
Crítica: Re-vista de Filosofia, 2008. Retirado do livro Core Questions in 
Philosophy, de Elliott.Sober. Disponível em: <http://criticanarede.com/
fil_conhecimento.html>. Acesso em: 04 de Maio 2020.
SOUSA, F. R. C., MOREIRA, L. O., Macêdo, J. A. F., and Machado, J. C. 
(2010). Gerenciamento de dados em nuvem: Conceitos, sistemas e 
desafios. In SBBD, pages 101–130.
STODDER, D. (2013). Data Visualization and Discovery for Bet-
ter Business Decisions. TDWI Best Practices Report, Third Quarter, 
1(July), 36. 
74
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
SPINATO, Paulo. A importância do fluxo de informações organi-
zacional. 2010. Disponível em: <http://www.administradores.com.br/
informe-se/artigos/aimportancia-do-fluxo-de-informacoes-organizacion-
al/45057/>. Acesso em: 15 de Agosto 2020. 
STODDER, D. (2013). Data Visualization and Discovery for Better 
Business Decisions. TDWI Best Practices Report, Third Quarter, 
1(July), 36. 
SWAN, A.; BROWN, S. The skills, role and career structureof data 
scientistsand curators: anassessment of currentpr actice and fu-
ture needs. Reporttothe Joint Information Systems Committee 
(JISC). Truro: Key Perspectives for JISC, 2008. 34 p.
TAURION, C. Big Data. 3. ed. Rio de Janeiro: Brasport Livros e Multi-
mídia Ltda., 2013. 
TIEN, J. M. Big Data: unleashing information. Journal of Systems 
Science and Systems Engineering, v. 22, n. 2, p. 127-151, 2013.
VIANNA, W. B.; DUTRA, M. L. Big Data e gestão da informação: Mo-
delagem do Contexto Decisional Apoiado pela Sistemografia. Re-
vista Informação e Informação, Londrina, v. 21, n. 1, p. 185 – 212, jan./
abr. 2016.
VIEIRA, A. C. P; MACCARINI, G; FREIRE, P. de S; ZILLI, J. C. Análise 
de modelos de tomada de decisão para implantação em empresas fami-
liar. Revista de Negócios do CESUCA. Rio Grande do Sul, 2015.
WAGNER F. (2018).Qual a diferença entre Business Intelligence e 
Business Analytics?.Disponível em:<https://blog.neomind.com.br/busi-
ness-intelligence-e-business-analytics/>. Acesso em: 21 de agosto de 
2020.
WAYNE P. (2019). 6 ferramentas que facilitam a adoção da Ciência 
de Dados. Disponível em: <https://cio.com.br/6-ferramentas-que-fa-
cilitam-a-adocao-da-ciencia-de-dados/>. Acesso em: 21 de agosto de 
2020.
WU, X., Kumar, V., Quinlan, J. R., Ghosh, J., Yang, Q., Motoda, H., 
McLachlan, G. J., Ng, A., Liu, B., Philip, S. Y., et al. (2008). Top 10 
algorithms in data mining. Knowledge and Information Systems, 
75
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
14(1):1–37.
ZHANG, J., CHEN, Y., & LI, T. (2013). Opportunities of innovation 
under challenges of big data. Proceedings - 2013 10th International 
Conference on Fuzzy Systems and Knowledge Discovery, FSKD 2013, 
669– 673.
76
A
N
A
LY
TI
C
S 
E
 O
 P
R
O
C
E
SS
O
 D
E
 T
O
M
A
D
A
 D
E
 D
E
C
IS
Ã
O
 -
 G
R
U
P
O
 P
R
O
M
IN
A
S
	_Hlk39603146
	_Hlk39602979
	_Hlk39604627
	_Hlk39602145
	_Hlk39602296
	_Hlk39601976
	_Hlk39602483
	_Hlk39604983
	_Hlk39604396
	_Hlk39804412
	_Hlk39804199
	_Hlk39804041