Prévia do material em texto
INTRODUÇÃO À INTELIGÊNCIA DE NEGÓCIOS Elenise Rocha Visualização e análise de dados Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: Descrever o processo de geração de visualização de dados. Empregar técnicas de visualização de dados compatíveis com a análise esperada. Diferenciar práticas de visualização e análise de dados para a inteli- gência nos negócios. Introdução Hoje, com o aumento da quantidade e do uso de dados e informações, é preciso planejar formas simples e dinâmicas de consolidação e exposição desses elementos. Nesse sentido, surge a visualização de dados, que consiste em uma maneira de transmitir dados e informações de forma clara e objetiva, utilizando a comunicação visual. Neste capítulo, você vai aprender sobre o processo de geração da visualização de dados, bem como sobre as suas formas de utilização. Você também vai verificar como utilizar técnicas de visualização compatíveis com a análise esperada e vai compreender as diferentes práticas de visualização relacionadas à inteligência nos negócios. Geração de visualização de dados A visualização de dados, também conhecida como data visualization, é ba- sicamente uma representação gráfi ca de dados ou de informações transmitida via comunicação visual. Normalmente, as informações são representadas por meio de tabelas, gráfi cos, mapas, diagramas, infográfi cos e painéis, tornando- -as de fácil entendimento pelo público, já que despertam o interesse visual pelo uso de cores e padrões. De acordo com Knaflic (2017, p. 7), “[...] a capacidade de contar histórias com dados é uma habilidade ainda mais importante em nosso mundo de dados crescentes e de desejo de tomada de decisões orientadas por dados”. Essa ideia de visualização de dados surgiu há muito tempo, a partir do desenvolvimento de mapas e diagramas no século XVII e da invenção do gráfico em formato de pizza em meados do século XIX. Após passadas algumas décadas, foi criado o exemplo mais conhecido de gráfico pelo engenheiro civil francês Charles Minard. Minard mapeou a invasão de Napoleão à Rússia, a partir de informações sobre o tamanho do exército e o percurso de retirada de Napoleão de Moscou. O engenheiro reuniu informações sobre a temperatura e a escala de tempo do ocorrido para obter uma compreensão mais aprofundada desse evento. A Figura 1 mostra um dos mapas de Minard. Figura 1. Mapa figurativo desenvolvido por Charles Minard (1869) representando as perdas sucessivas de homens do exército francês na campanha da Rússia, de 1812 a 1813. Fonte: Demaj e Field (2013, documento on-line). Visualização e análise de dados2 Para Ware (2012), o processo de geração de visualização de dados conta com quatro etapas, conforme apresenta a Figura 2. Etapa 1: consiste em coletar e armazenar os dados. Etapa 2: cria um pré-processamento, transformando os dados em algo logicamente organizado. Etapa 3: envolve o hardware e o algoritmo gráfico que produzem a visualização. Etapa 4: envolve a percepção humana e o sistema cognitivo, propor- cionando facilidade de entendimento dos dados e melhorando, assim, a tomada de decisões e a formação de hipóteses baseadas neles. Figura 2. Diagrama esquemático do processo de visualização. Fonte: Cini (2013, documento on-line). Com base nas etapas apresentadas no esquema da Figura 2, Ware (2012) destaca dois aspectos. O primeiro diz respeito à importância da coleta de dados; para o autor, sempre que a informação se apresentar relevante, o analista pode decidir por adicionar ou remover determinados conjuntos de dados. O segundo aspecto se refere à exploração de dados, que tem início no pré-processamento computacional que ocorre antes da visualização. O analista, sabendo que, nesse momento, os dados já foram processados, tem a possibilidade de consultá- -los; assim, ele passa a conhecer o conjunto e, caso uma visualização errada 3Visualização e análise de dados seja gerada, ele conseguirá distinguir o erro mais facilmente e corrigi-lo, assegurando a confiabilidade das informações. Já Card, Mackinlay e Shneiderman (1999) sugerem um processo diferente do apresentado por Ware (2012), mas com algumas semelhanças, conforme mostra a Figura 3. Figura 3. Modelo de referência de visualização proposto por Card, Mackinlay e Shnei- derman (1999). Fonte: Cini (2013, documento on-line). Nesse modelo, a informação, inicialmente bruta, passa por diversas etapas até ser de fácil entendimento humano. A cada etapa, uma série de trans- formações é aplicada. As interações do usuário controlam os parâmetros dessas transformações, podendo, por exemplo, restringir a visão para certos intervalos de dados ou trocar a natureza da transformação. Para o andamento do processo apresentado na Figura 3, é necessário que os dados brutos sejam transformados em tabelas de dados, por meio do processo de transformação de dados; posteriormente, as tabelas de dados devem ser modificadas para estruturas visuais, por meio do método de mapeamento visual; finalmente, para chegar à visualização, é necessária a transformação das visualizações, modificando e estendendo as estruturas visuais. Transformação dos dados A transformação de dados consiste em transformar dados brutos, de difícil compreensão humana, em relações lógicas mais estruturadas e, portanto, mais Visualização e análise de dados4 fáceis de serem visualizadas. Esse processo pode envolver a eliminação de dados redundantes, errados ou incompletos. Também pode ser feita a inclusão de informações, como resultados de análises estatísticas. Mapeamento visual O mapeamento visual transforma dados presentes nas tabelas em estruturas visuais, compostas de substrato espacial, marcas e propriedades gráfi cas. Substrato espacial — é o espaço para a visualização, normalmente representado por eixos, como os eixos X e Y do plano cartesiano. Há quatro tipos elementares de eixos: ■ U = eixo não estruturado (ou sem eixo); ■ N = eixo nominal (a região é dividida em sub-regiões); ■ O = eixo ordenado (a região é dividida em sub-regiões, e a ordem das mesmas tem importância); ■ Q = eixo quantitativo (a região tem uma métrica). Marcas visuais — são símbolos gráficos utilizados para representar os itens de dados. Tipos de marcas: ■ pontos; ■ linhas; ■ áreas; ■ volumes; ■ figuras. Propriedades gráficas — são atributos gráficos das marcas visuais associados aos atributos dos itens de dados das tabelas. Algumas propriedades gráficas: ■ posição — x, y, z; ■ tamanho, comprimento, área, volume; ■ orientação, ângulo, inclinação; ■ cor, brilho, textura, forma, animação, tempo. Uma boa ferramenta de exploração visual de dados deve apresentar as seguintes características: permitir o uso de diversos atributos visuais (forma, cor, posicionamento, tamanho etc.) para produzir gráficos multidimensionais facilmente interpretáveis; 5Visualização e análise de dados possibilitar a navegação interativa na tela, permitindo aproximação, rotação, reposicionamento e varreduras sobre a área exibida; fornecer controle interativo dos formatos de apresentação e atributos visuais dos gráficos apresentados; permitir o controle interativo dos dados apresentados, habilitando as pessoas a olharem os dados de uma perspectiva geral ou rapidamente mergulharem nos detalhes de um subconjunto de dados. Essas características combinadas aumentam a capacidade de interpretação do usu- ário, permitindo que ele obtenha uma visão aperfeiçoada sobre os dados e, a partir disso, seja capaz de inferir novas hipóteses com base na nova cena visual obtida. Transformação das visualizações As transformações das visualizações possibilitam modifi car e estender estru- turas visuais interativamente. Há três transformações básicas de visualizações: testes de localização — permitem obter informações adicionais sobre um item da tabela de dados; controles de ponto devista — para zoom e troca da imagem, de modo a oferecer diferentes visões; uma técnica chamada visão geral + detalhe (overview + detail) também é um tipo de controle de ponto de vista; distorção — distorções da imagem, visando a criar visualizações do tipo foco + contexto. Com o avanço da tecnologia, a análise de dados evoluiu. Os computadores possibilitam o processamento de grandes quantidades de dados e informações em velocidades extremamente altas. Atualmente, a visualização de dados virou peça fundamental em todas as instituições, tornando-se uma mistura de ciência e arte. Na Figura 4, você pode visualizar um gráfico com informações sobre pessoas com deficiência no Brasil. Ele demonstra de forma clara as estatísticas, utilizando cores que chamam a nossa atenção, e conta com poucos dados, facilitando o entendimento por todos. Visualização e análise de dados6 Figura 4. Gráfico representando tipos de deficiência no Brasil. Fonte: IBGE (2019, documento on-line). A visualização de dados deve ser de fácil entendimento, para que até mesmo as pessoas mais leigas sobre o assunto possam entender a mensagem que está sendo transmitida. Ela é de extrema importância no momento de tomada de decisões de uma empresa, desde que seja eficaz, pois, do contrário, pode se tornar um grande fracasso. Para gerar uma visualização de dados assertiva, primeiramente, é preciso entender o que deve ser demonstrado e o público-alvo que se deseja atingir. A seguir são apresentadas algumas perguntas básicas para o início da criação de uma visualização de dados de sucesso. Qual é o público-alvo? Que perguntas o gráfico deve responder? Que resposta o gráfico deve mostrar? Que mensagem deseja-se transmitir? A partir das respostas a essas perguntas e tendo em mãos todos os dados necessários (números, quantidades, porcentagens etc.), ficará mais fácil iniciar a criação da visualização de dados, com um formato interessante e intuitivo que poderá ser compreendido com mais facilidade e rapidez, contendo infor- mações claras, que sejam úteis e específicas. Segundo Baltzan (2016, p. 117): 7Visualização e análise de dados É essencial compreender a importância da visão criativa, junto com a maes- tria técnica dos softwares. A visualização de dados não diz respeito ao uso de todos os dados disponíveis, mas trata de como decidir em quais padrões e elementos se concentrar, em criar uma narrativa e em contar uma história dos dados brutos de uma maneira diferente e atraente. Para a criação de uma análise de dados, você precisa ter uma compreensão clara dos dados, dos objetivos, das necessidades e do público-alvo. Para tanto, considere as seguintes orientações: entenda os dados que está tentando visualizar, incluindo seu tamanho e cardina- lidade (a individualidade dos valores dos dados de uma coluna); determine o que você está tentando visualizar e que tipo de informação você quer transmitir; conheça seu público e saiba como ele processa informações visuais; use uma visualização que transmita a informação da melhor e mais simples maneira para o seu público. Técnicas de visualização de dados Atualmente, existem diversas maneiras de expressar por meio de imagens o que se quer transmitir para um determinado público-alvo. Mas, para isso, é preciso parar e analisar qual é a melhor forma de se fazer isso e qual técnica deverá ser empregada para atingir o objetivo fi nal. Boas visualizações de dados são criadas quando a comunicação, a ciência de dados e o design andam de mãos dadas. Para Knaflic (2017, p. 17), todavia, “[...] o sucesso da visualização de dados não começa com a visualização de dados. Em vez disto, antes de começar a criar uma apresentação ou comunicação de dados, a atenção e o tempo devem estar voltados a entender o contexto da necessidade de se comunicar”. É muito importante que a técnica utilizada seja compatível com a análise esperada, para trazer clareza e facilidade de entendimento à mensagem a ser transmitida. As visualizações feitas corretamente oferecem informações importantes sobre um conjunto de dados complexos, de maneira significativa e intuitiva. Visualização e análise de dados8 Escolhendo a melhor forma de visualização de dados A primeira pergunta a ser feita para escolher um bom gráfi co é: o que será mostrado no gráfi co? A segunda pergunta a ser feita para escolher um bom gráfi co é: quantas variáveis, itens ou categorias serão mostradas no gráfi co? Essas duas questões ajudam a escolher o melhor tipo de visualização, conforme o tipo de dados. Contudo, para fazer uma escolha que realmente vai fazer a diferença em uma análise, é preciso pensar também nas questões estratégicas de cada formato. Para isso, a seguir são descritos os seis tipos de visualização mais utilizados e suas empregabilidades. Um gráfico (Figura 5) é uma tentativa de expressar visualmente dados ou valores numéricos de maneira diferente, facilitando a sua compreensão. Figura 5. Exemplos de gráficos. Fonte: robuart/Shutterstock.com. 9Visualização e análise de dados Já o diagrama é uma representação gráfica usada para demonstrar um esquema simplificado ou um resumo sobre um assunto, conforme exempli- ficado na Figura 6, que apresenta um diagrama de análise organizacional. Figura 6. Exemplo de diagrama. Fonte: Análise SWOT... (2019, documento on-line). Visualização e análise de dados10 Já a infografia ou os infográficos são textos visuais explicativos e infor- mativos associados a elementos não verbais, como imagens, sons, gráficos, hiperlinks, etc., conforme exemplificado na Figura 7. São utilizados com frequência nas mídias impressa e digital. Figura 7. Exemplo de infográfico. Fonte: Liziero (2016, documento on-line). 11Visualização e análise de dados Um mapa, por sua vez, representa visualmente uma região, conforme exemplifica a Figura 8. Figura 8. Exemplo de mapa. Fonte: Hluboki Dzianis/Shutterstock.com. As tabelas (Figura 9) são elaboradas com o propósito de sistematizar informações (numéricas e em forma de texto) que devem ser apresentadas de forma clara e precisa. Figura 9. Exemplo de tabela. Fonte: Queiroz (2015, documento on-line). Visualização e análise de dados12 Já os painéis são utilizados para consolidar diversas informações de forma resumida, conforme mostra a Figura 10. Figura 10. Exemplo de painel. Fonte: Brasil (2017, documento on-line). Caso se opte por fazer um gráfico para a visualização de dados, deve-se ter em mente que existem inúmeras formas de satisfazer o objetivo da visu- alização. Para isso, deve-se observar três categorias gerais para a tomada de decisão quanto à melhor forma de visualização de dados: 1. Comparação: gráficos de comparação são usados para comparar dois ou mais itens ou mostrar as mudanças em um determinado período. Tipos de gráficos: linha, barras, colunas, eixos múltiplos. 2. Composição: os gráficos de composição mostram a porcentagem ou proporção de diferentes partes que, combinadas, formam o todo. Tipos de gráficos: pizza, funil. 3. Distribuição: gráficos de distribuição são ótimos para mostrar a re- lação ou correlação entre variáveis; esse tipo de gráfico também pode ajudar a identificar valores atípicos e tendências em seus dados. Tipo de gráfico: dispersão. 13Visualização e análise de dados Após a decisão sobre qual tipo de gráfico é mais adequado para transmitir as informa- ções, deve-se projetar e personalizar a visualização. Lembre-se de que a simplicidade é fundamental: não se deve adicionar elementos que distraiam a atenção sobre os dados. Práticas de visualização e análise de dados para a inteligência nos negócios A inteligência de negócios, também conhecida pelo termo em inglês business intelligence (BI), é uma metodologia que está relacionada à coleta, à análise e ao compartilhamento de dados estratégicos para o melhor funcionamento e a tomada de decisões de uma organização. Pode-se dizer que esse método é compatível com qualquer segmentode mercado, não importando seu tamanho, e apresenta muitos benefícios. O BI ajuda a detectar tendências de consumo, perfi l do público-alvo, além de alterações do nicho de mercado. O principal objetivo do BI é o aumento de efi ciência das operações, proporcionando to- madas de decisões mais ágeis, bem como uso consciente de recursos. De acordo com Turban et al. (2009, p. 104, grifo nosso), “A análise de negócios (BA) é uma ampla categoria de aplicações e técnicas para reunir, armazenar, analisar e fornecer acesso aos dados, com o objetivo de ajudar os usuários da empresa a tomarem melhores decisões comerciais e estratégicas”. Desse modo, pode-se dizer que a análise de negócios está relacionada à visu- alização de dados, pois, sem a consolidação dos dados ou das informações, criada a partir de uma boa visualização de dados, a BA fica prejudicada. Segundo Turban et al. (2009, p. 125): [...] a visualização de dados também habilita BA, ao usar ferramentas ba- seadas na Web. Em vez de ter de esperar um relatório ou comparar colunas inúteis de números, um gerente pode usar uma interface de navegador em tempo real para analisar dados vitais de desempenho organizacional. Ao usar tecnologias visuais de análise, gerentes, engenheiros e outros profissionais podem reconhecer problemas que passaram despercebidos, durante anos, pelos métodos de análise padrão. Visualização e análise de dados14 A seguir, são listadas as 10 principais vantagens da BI. 1. Permite conhecer melhor a empresa. 2. Por meio de evidências concretas, a tomada de decisão se torna mais fácil. 3. Agiliza tanto o acesso como o compartilhamento de dados que contri- buem para a organização. 4. As análises são realizadas em tempo real. 5. Os déficits de recursos do sistema são identificados com mais facilidade. 6. Os problemas se tornam mais escassos. 7. O processo de entrega para o profissional adequado ocorre em tempo ideal. 8. As oportunidades de venda são mais visíveis. 9. As respostas são mais ágeis em qualquer pesquisa de negócios. 10. São coletadas informações sobre o público-alvo e seus hábitos, para, assim, criar uma boa experiência do usuário. Visualização por planilhas As planilhas do Excel podem ser ótimas aliadas para o desenvolvimento de uma boa visualização. O Microsoft Excel possui uma variedade enorme de recursos, funções e fórmulas, sendo uma ferramenta tão versátil que fi ca difícil atribuir apenas uma fi nalidade a ela. Mas, de forma resumida, pode-se dizer que o Excel serve para controlar e organizar as informações, sendo um excelente aliado no cumprimento das rotinas e no melhor aproveitamento do tempo, devido à geração de relatórios, aos tipos de consultas, às ferramentas matemáticas e estatísticas e a diversas ferramentas de BI. Segundo Peters, Brath e Wright (2016), a capacidade do Excel pode ser potencializada de muitas maneiras para a visualização de dados, incluindo melhorias da eficácia, ênfase nas comunicações, suporte a irregularidades, facilitação do entendimento e habilitação da colaboração. Dashboards de indicadores Os dashboards de indicadores ou painéis de indicadores chegaram para faci- litar a vida das empresas. Por meio deles, pode-se visualizar diversos dados consolidados em apenas uma tela, geralmente dados de performance e de- 15Visualização e análise de dados sempenho. Com essas informações, torna-se de fácil amostragem a análise de onde a empresa deseja chegar e se ela está no caminho certo para alcançar seus objetivos. Os dashboards permitem monitorar, em tempo real, o andamento e a evolução de diferentes demandas de projetos. O dashboard pode estar em uma TV, um painel ou um quadro, desde que esteja visível para todos os membros daquele determinado projeto ou a quem possa interessar. A ideia do dashboard é compartilhar os indicadores que medem o sucesso de diferentes processos, deixando claro o que realmente importa para a gestão. Além disso, essa ferramenta é capaz de promover o engajamento entre os colaboradores, além de otimizar tempo e recursos, mantendo todos focados em alcançar performances cada vez melhores. Visualização de dados financeiros Uma das empregabilidades da visualização de dados em BI é mensurar dados da área fi nanceira, pois seus dados normalmente são considerados complexos e sensíveis, e um erro pode causar uma grande perda fi nanceira. Conforme Turban et al. (2009), para evitar que sistemas identifi quem automaticamente padrões inexpressivos nos dados, os diretores fi nanceiros (CFOs) querem ter certeza de que a capacidade de processamento de um computador sempre será ajustada pelo discernimento de um ser humano. Uma maneira de fazer isso é justamente por meio da visualização de dados. Confi ra um exemplo a seguir. Diretor do laboratório de engenharia financeira da Sloan School of Management, do Instituto de Tecnologia de Massachusetts (Estados Unidos), Andrew W. Lo desenvolveu um programa no qual um CFO pode usar o mouse para “voar” sobre um panorama tridimensional, que representa o risco, o lucro e a liquidez dos ativos de uma empresa. Com prática, o CFO pode começar a se concentrar no ponto selecionado no panorama tridimensional: aquele onde o equilíbrio entre risco, lucro e liquidez é o mais vantajoso. Sistema de informações geográficas O sistema de informações geográfi cas (SIG), popularmente conhecido como GIS (do inglês geographic information system), é um sistema projetado para capturar, Visualização e análise de dados16 armazenar, manipular e apresentar todos os tipos de dados geográfi cos. O GIS permite visualizar, questionar e interpretar dados de uma determinada locali- dade, buscando entender seus padrões e tendências, servindo como informação de caráter estratégico para organizações dos mais diferentes portes e ramos. Por meio desse sistema, é possível fazer o mapeamento completo de onde os elementos estão, mostrando, assim, a localização dos seus diversos recursos e quais são as relações entre eles. Geralmente, as principais fontes de dados para fazer esse mapeamento são o sensoriamento remoto, o sistema de posiciona- mento global (GPS, do inglês global positioning system) e o geoprocessamento. O sistema pode incluir dados sobre a população, como renda ou nível educacional, podendo ainda incluir informações sobre a paisagem, como a localização de córregos e de diferentes tipos de vegetação e de solos. Utilizando o GIS, com apenas um mapa, é possível coletar informações sobre diversos segmentos, como indústrias, fazendas e, até mesmo, cidades inteiras, integrando vários tipos de dados, como de locais sensíveis à poluição, zonas úmidas e rios. Esse mapa ajudaria, por exemplo, a determinar onde o abastecimento de água poderia estar em maior risco. Acesse o link a seguir e conheça a Trimble, empresa que pode ser considerada pioneira na área de GIS e fornece produtos e serviços que conectam os mundos físicos e digitais desde 1978, atuando em 40 países. https://qrgo.page.link/ZKUqV Na interpretação de dados fotográficos, a coleta de fotografias aéreas é feita por meio de aviões, balões, veículos aéreos não tripulados e drones es- pecializados em mapeamento. Os dados digitais também podem ser inseridos no GIS. Um exemplo desse tipo de informação são os dados coletados por satélites, que mostram a localização de fazendas, cidades e florestas. Por fim, no GIS, também é possível incluir dados em forma de tabela ou planilha eletrônica, como as informações demográficas de uma população. A tecnologia GIS permite que todos esses diferentes tipos de informações, inde- pendentemente da fonte ou do formato original, sejam sobrepostos um ao outro em um único mapa, que pode ser utilizado para as mais diversas aplicações. 17Visualização e análise de dados A seguir, são apresentados exemplos de como o GIS, em conjunto com o GPS, ajuda as empresas a diferenciarem seus produtos, entregarem serviços e melhorarem seu desempenho. Exemplo 1 A cidade de Nova Iorque foi pioneirano uso do sistema CompStat (Figura 11), que usa o GIS para mapear atividades criminais e disposição policial por data, hora e local. Ao tornar os comandantes dos distritos policiais responsáveis pela própria estratégia de policiamento, o CompStat foi um dos principais fatores para a redução de aproximadamente 70% da taxa de crimes violentos na cidade na última década. Figura 11. Sistema CompStat 2.0. Fonte: Crean (2016, documento on-line). Alguns departamentos de polícia, associações de bairros e cidadãos interes- sados, em diversas cidades, estão usando o GIS para combater a criminalidade. Informações geográficas sobre os bairros são integradas aos relatórios de criminalidade, para analisar os padrões de crimes. Ao identificar tendências e fornecer informações aos cidadãos, as polícias estão mais bem preparadas para criar atividades de vigilância, e os cidadãos podem modificar atitudes, levando a uma redução da criminalidade nessas áreas. Visualização e análise de dados18 Exemplo 2 No comércio de localização (l-commerce), a propaganda é direcionada a uma pessoa cuja localização é conhecida por meio de uma combinação de GIS e GPS (Figura 12). De forma semelhante, sistemas médicos de emergência identifi cam, em segundos, a localização de um acidente de carro, e o GIS vinculado ajuda a orientar as ambulâncias até o local do acidente. Figura 12. Exemplo de l-commerce (comércio de localização) que apresenta estabelecimentos próximos da localização do usuário. Exemplo 3 A CSX Transportation Inc. equipou 3.700 locomotivas com GPS (Figura 13). A Union Pacifi c Railroad instalou dispositivos de monitoramento via satélite em milhares de seus vagões de carga para rastreamento. Ao combinar GIS com GPS, uma empresa de transporte de cargas pode identifi car a posição de um vagão ou caminhão a qualquer hora. Pode identifi car, por exemplo, locomotivas que saíram da sua rota e vagões que foram deixados para trás ou que foram enviados com a locomotiva errada. Um benefício adicional é a capacidade de minimizar acidentes. 19Visualização e análise de dados Figura 13. Ferrovias atendidas pela empresa CSX. Fonte: CSX (2019, documento on-line). ANÁLISE SWOT para pequenas empresas: o que muda e como fazer. Blog Juros Baixos, 2019. Disponível em: https://jurosbaixos.com.br/conteudo/analise-swot-para-pequenas- -empresas/. Acesso em: 18 nov. 2019. BALTZAN, P. Tecnologia orientada para gestão. 6. ed. Porto Alegre: AMGH, 2016; BRASIL. Ministério da Economia. Instituto Nacional da Propriedade Intelectual. Painel de Marcas Julho 2017. 2017. Disponível em: http://www.inpi.gov.br/menu-servicos/marcas/ copy2_of_Painel_julho_2017.jpg/view. Acesso em: 18 nov. 2019. CARD, S. K.; MACKINLAY, J. D.; SHNEIDERMAN, B. Information Visualization. Readings in Information Visualization: Using Vision to Think, Morgan Kaufmann Publishers, p. 1-34, San Francisco, California, USA, 1999. CINI, G. Estudo sobre a visualização de informações no contexto educacional. 2013. Trabalho de Conclusão de Curso (Bacharelado em Ciências da Computação) — Universidade de Caxias do Sul, Caxias do Sul, 2013. Disponível em: https://repositorio.ucs.br/xmlui/ bitstream/handle/11338/1496/TCC%20Glauber%20Cini.pdf?sequence=1&isAllowed=y. Acesso em: 18 nov. 2019. CREAN, S. Use the NYPD’s Compstat 2.0 System to understand crime in our neigh- borhood. Bklyner, 2016. Disponível em: https://bklyner.com/use-nypd-compstat-2- -0-system-understand-crime-in-neighborhood-fortgreene/. Acesso em: 18 nov. 2019. Visualização e análise de dados20 CSX. CSX system map. 2019. Disponível em: https://www.csx.com/index.cfm/customers/ maps/csx-system-map/. Acesso em: 18 nov. 2019. DEMAJ, D.; FIELD, K. Map examples. ICA, 2012. Disponível em: https://mapdesign.icaci. org/map-examples/. Acesso em: 18 nov. 2019. IBGE. Conheça o Brasil - população: pessoas com deficiência. IBGE Educa Jovens, 2019. Disponível em: https://educa.ibge.gov.br/jovens/conheca-o-brasil/populacao/20551- -pessoas-com-deficiencia.html. Acesso em: 18 nov. 2019. KNAFLIC, C. N. Storytelling com dados: um guia sobre visualização de dados para pro- fissionais de negócios. 2. ed. Rio de Janeiro: Alta Books, 2017. LIZIERO, A. Guia visual sobre o desperdício de alimentos. Geografia Visual, 2016. Dispo- nível em: https://geografiavisual.com.br/infografico/guia-visual-sobre-o-desperdicio- -de-alimentos. Acesso em: 18 nov. 2019. PETERS, M.; BRATH, R.; WRIGHT, W. System and method for visualizing contextual-numerical data of source documents as corresponding transformed documents. US 2006/0288284 A1. Public. date: Dec. 21, 2006. Disponível em: https://patentimages.storage.google- apis.com/9d/ef/c5/579ee09e1d5682/US20060288284A1.pdf. Acesso em: 18 nov. 2019. QUEIROZ, M. Domine as macros no Excel e multiplique a sua produtividade logís- tica. Experts da Logística, 2015. Disponível em: http://www.expertsdalogistica.com.br/ domine-as-macros-no-excel-e-multiplique-a-sua-produtividade-logistica/. Acesso em: 18 nov. 2019. TURBAN, E. et al. Business intelligence: um enfoque gerencial para a inteligência do negócio. Porto Alegre: Bookman, 2009. WARE, C. Information visualization: perception for design. Burlington: Morgan Kauf- mann, 2012. Leituras recomendadas DICAS para criar visualizações de dados eficazes e envolventes. Blog Tableau, 2019. Disponível em: https://www.tableau.com/pt-br/learn/articles/data-visualization-tips. Acesso em: 18 nov. 2019. GOMES, P. C. T. Tipos de gráficos: principais formas de visualização de dados. Data Geeks, 2019. Disponível em: https://www.datageeks.com.br/tipos-de-graficos/. Acesso em: 18 nov. 2019. GUIA prático da visualização de dados: definição, exemplos e recursos de aprendizado. Blog Tableau, 2019. Disponível em: https://www.tableau.com/pt-br/learn/articles/data- -visualization. Acesso em: 18 nov. 2019. O PODER das planilhas eletrônicas: por que usar o Excel no dia a dia. Mundo RH, 2019. Disponível em: https://www.mundorh.com.br/o-poder-das-planilhas-eletronicas-por- -que-usar-o-excel-no-dia-a-dia/. Acesso em: 18 nov. 2019. 21Visualização e análise de dados Os links para sites da Web fornecidos neste livro foram todos testados, e seu funciona- mento foi comprovado no momento da publicação do material. No entanto, a rede é extremamente dinâmica; suas páginas estão constantemente mudando de local e conteúdo. Assim, os editores declaram não ter qualquer responsabilidade sobre qualidade, precisão ou integralidade das informações referidas em tais links. SAS. Visualização de dados: o que é e qual sua importância. 2019. Disponível em: https:// www.sas.com/pt_br/insights/big-data/data-visualization.html. Acesso em: 18 nov. 2019. SOTILLE, M. Diagramas de contexto. Dicas PMP, 2015. Disponível em: https://dicaspmp. wordpress.com/2015/03/13/diagramas-de-contexto/. Acesso em: 18 nov. 2019. TAURION, C. A importância da visualização dos dados em tempos de big data. TI Especialistas, 2014. Disponível em: https://www.tiespecialistas.com.br/importancia-da- -visualizacao-dos-dados-em-tempos-de-big-data. Acesso em: 18 nov. 2019. VIERGUTZ, G. O que é dashboard? Minhas Planilhas, 2017. Disponível em: https://www. minhasplanilhas.com.br/o-que-e-dashboard/. Acesso em: 18 nov. 2019. Visualização e análise de dados22 Catalogação na publicação: Karin Lorien Menoncin CRB-10/2147 L475d Ledur, Cleverson Lopes. Desenvolvimento de sistemas com #C [recurso eletrônico] / Cleverson Lopes Ledur; [revisão técnica: Jeferson Faleiro Leon]. – Porto Alegre : SAGAH, 2018. ISBN 978-85-9502-314-7 1. Ciência da computação. 2. Linguagens de programação de computador. I. Título. CDU 004.43 Revisão técnica: Jeferson Faleiro Leon Desenvolvimento de Sistemas Especialista Formação Pedagógica de Professores Professor do curso Técnico em informática Utilizar o Entity Framework para persistência em banco de dados – V Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados:� Analisar como é realizada a alteração de um registro. � Reconhecer a forma de remover um registro. � Utilizar o Server Explorer para conectar e visualizar o banco de dados. Introdução Atualmente, poucos sistemas trabalham localmente. A maior parte dos sistemas atuais utiliza servidores para realizar tarefas de computação e armazenamento de dados. Muitos desses servidores não são físicos e ficam localizados nas chamadas nuvens computacionais. Para utilizar esses servidores e também bancos de dados, é preciso criar conexões por meio do Server Explorer ou do Gerenciador de Servidores do Visual Studio. É pela conexão com bancos de dados que o Entity Framework realiza as modificações solicitadas por meio do código. Duas dessas alterações consistem em atualizar e excluir registros. Para elas, o Entity Framework oferece métodos de alto nível em que é possível, com pe- quenas alterações em objetos e poucas chamadas, realizar a persistência de modificações de registros de uma tabela. Neste texto, você irá aprender a realizar atualizações e exclusões em registros por meio do ORM Entity Framework. Além disso, vai ver como adicionar um banco de dados por meio do Server Explorer. Atualizando dados A atualização de dados utilizando o Entity Framework é bastante simples e fácil. Com ela, você pode alterar as informações utilizando objetos que representam os registros de uma tabela (FREEMAN, 2017). Logo, você altera apenas os objetos e então, por meio do método SaveChanges(), você informa ao Entity Framework que deseja aplicar as alterações na tabela. No código a seguir, você pode ver um exemplo. Como foi visto no exemplo anterior, estão sendo realizadas as seguintes etapas: � obtenção do objeto que representa um registro no banco de dados; � alteração de um dos atributos desse objeto; � chamada do método SaveChanges() para atualizar as informações no banco de dados. Abaixo você pode ver outro exemplo. Nele, é feito um update de um registro por meio do Entity Framework. Nesse exemplo, há uma classe de modelo chamada Estudante. Você pode verificar no código a seguir que há alguns atributos nessa classe modelo. Utilizar o Entity Framework para persistência em banco de dados – V2 Junto a essa classe modelo, você também precisa da classe de contexto, o SchoolDBEntities. A seguir, no exemplo, você pode ver a especificação da classe Estudante e outras que se relacionam com ela. Com o DBContext, você pode fazer então a configuração do Entity Framework para ele saber quais classes são mapeadas para quais tabelas no banco de dados. Agora que já viu onde está trabalhando, você pode observar o código em que realiza a alteração. Veja, no próximo código, um trecho de um método que realiza inicialmente uma consulta na tabela Estudantes utilizando a cláusula 3Utilizar o Entity Framework para persistência em banco de dados – V Where. Nesse exemplo também há uma expressão lambda para selecionar o estudante que possui como nome Novo Estudante1. Logo após a consulta, você deve verificar se o retorno é nulo. Caso con- trário, precisa realizar a alteração do atributo EstudanteName. Ao fim, deve realizar a gravação do registro no banco de dados por meio da chamada SaveChanges() do objeto context. Removendo dados Em alguns momentos do desenvolvimento de sistemas, você também vai precisar remover registros do banco de dados. Por exemplo, quando um item de uma loja não é mais vendido, é necessário retirá-lo do sistema. A utilização do Entity Framework torna a remoção de registros de banco de dados bastante fácil. Basicamente, o que você precisa fazer é, por meio do objeto context e do atributo da entidade da qual está realizando a alteração, chamar o método Remove(), passando o objeto que será excluído como parâmetro. Veja no exemplo. Utilizar o Entity Framework para persistência em banco de dados – V4 Outra forma de remover uma entidade é por meio do State (estado) do objeto. Observe o código a seguir. Ela mostra um caso em que, utilizando um exemplo similar ao usado na seção de alteração, você poderia ter uma exclusão apenas modificando o State do objeto. Utilizando o Server Explorer Atualmente, poucos sistemas trabalham localmente. A maior parte dos sistemas atuais utiliza servidores para realizar tarefas de computação e armazenamento de dados. Muitos desses servidores não são físicos e ficam localizados nas chamadas nuvens computacionais (DEITEL; DEITEL, 2016). A Microsoft possui uma plataforma própria de nuvem computacional chamada Azure. Nela, você pode criar instâncias para computação e armazenamento de dados. Essa plataforma também disponibiliza uma grande variedade de opções de APIs que você pode utilizar para incrementar sua aplicação. Tanto o uso de nuvens computacionais quanto a adição de servidores e bancos de dados são realizados por meio do Gerenciador de Servidores do Visual Studio (Figura 1). 5Utilizar o Entity Framework para persistência em banco de dados – V Figura 1. Gerenciador de Servidores. No Gerenciador de Servidores, você adicionar um servidor, remover um servidor, criar um novo banco de dados ou se conectar a um banco de dados existente. A seguir, você pode verificar os passos para realizar cada ação. Para adicionar um link para um servidor no Gerenciador de Servidores: 1. Selecione Conectar ao Servidor no menu Ferramentas ou clique no ícone Conectar ao Servidor no Gerenciador de Servidores. 2. A caixa de diálogo Adicionar Servidor é aberta. 3. Na caixa de texto Computador, insira o nome ou o endereço IP do servidor. Para remover um link para um servidor no Gerenciador de Servidores: 1. No Gerenciador de Servidores, expanda o nó Servidores. 2. Clique com o botão direito do mouse no servidor que não é mais necessário. 3. Selecione Excluir no menu de atalho. 4. Não há efeito sobre o servidor real. Você está removendo o link da sua exibição. Para conectar-se novamente a um servidor remoto como um usuário diferente: 1. Exclua todas as conexões existentes para o computador remoto como o usuário desejado. Utilizar o Entity Framework para persistência em banco de dados – V6 2. Você não pode criar várias conexões para um servidor remoto como o mesmo usuário desse computador. Isso inclui conexões NET USE. 3. Selecione Conectar ao Servidor no menu Ferramentas ou clique no ícone Conectar ao Servidor na barra de ferramentas. 4. A caixa de diálogo Adicionar Servidor é aberta. 5. Na caixa Computador, insira o nome ou o endereço IP do servidor. 6. Selecione Conectar-se usando outro nome de usuário. 7. A caixa de diálogo Conectar como é aberta. 8. Insira um novo nome de usuário e senha. 9. Na caixa Computador, insira o nome ou o endereço IP do servidor. Para conectar-se novamente a um servidor em seu computador local como um usuário diferente: 1. Saia do Visual Studio e finalize todos os outros programas que estão em execução no seu computador. 2. Você deve se conectar a um servidor localizado em seu próprio com- putador como o usuário atual do computador. 3. No menu Iniciar do Windows, selecione Desligar. 4. A caixa de diálogo Desligar o Windows aparecerá. 5. Clique em Fazer logoff. 6. A caixa de diálogo Fazer logon aparecerá. 7. Insira um novo nome de usuário e senha. 8. Abra o Visual Studio e selecione Conectar ao Servidor no menu Ferramentas ou clique no ícone Conectar ao Servidor na barra de ferramentas. 9. A caixa de diálogo Adicionar Servidor é aberta. 10. Na caixa Computador, insira o nome do servidor desejado no seu computador. DEITEL, P.; DEITEL, H. Visual C#: how to program. 6th ed. London: Pearson, 2016. FREEMAN, A. Essential C# features: Pro ASP.NET Core MVC 2. 7th ed. Berkeley: Apress, 2017. 7Utilizar o Entity Framework para persistência em banco de dados – V http://asp.net/ Encerra aqui o trecho do livro disponibilizado para esta Unidade de Aprendizagem. Na Biblioteca Virtual da Instituição, você encontra a obra na íntegra. Conteúdo: METODOLOGIA CIENTÍFICA Karinada Silva Nunes Análise de dados Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: Reconhecer as fases da análise de dados. Selecionar o método de análise de dados. Relacionar os dados coletados com a fundamentação e com os ob- jetivos da pesquisa. Introdução Após a coleta dos dados, passa-se à fase seguinte da pesquisa, que é a análise dos elementos obtidos. Ela deve ser realizada para atingir os objetivos da pesquisa, confrontando os dados e as informações com as hipóteses criadas no estudo. Essa fase é importante pois é ela que constrói os elos para que os dados sejam finalmente transformados em informações. Tais informações, por sua vez, geram o conhecimento buscado desde o início da pesquisa. Em síntese, a análise dos dados guia o pesquisador ao encontro das respostas que foram o fomento inicial do estudo. Neste capítulo, você vai estudar a análise dos dados e as suas fases. A ideia é que você reflita sobre como examinar os dados e que identifique a melhor forma de estruturar a análise. Fases da análise de dados A análise de dados é uma das etapas da construção do estudo. Conforme Gil (2012, p. 156), “[...] a análise tem como objetivo organizar e sumariar os dados de forma tal que possibilitem o fornecimento de respostas ao problema proposto para investigação”. Na análise de dados, o pesquisador entra em contato profundo com os dados coletados, a fi m de conseguir respostas às suas indagações. A partir disso, ele estabelece as relações necessá- rias entre as informações obtidas e as hipóteses formuladas previamente. Tais hipóteses são comprovadas ou não a partir da análise (MARCONI; LAKATOS, 2017). Para que a análise atenda às expectativas do pesquisador, ela pode ser dividida em fases. De acordo com Minayo (1992, p. 69), as fases da análise podem “Estabelecer uma compreensão dos dados coletados, confirmar ou não os pressupostos da pesquisa e/ou responder às questões formuladas e ampliar o conhecimento sobre o assunto pesquisado, articulando-o ao contexto cultural do qual faz parte”. Identificar as fases da análise de dados leva o pesquisador a se orientar melhor na construção da escrita dos resultados, pois tratar o material coletado é unir a abordagem teórica com a investigação de campo. Na etapa da análise, o pesquisador já definiu se o seu estudo é qualitativo ou quantitativo. Cada tipo de estudo leva a fases distintas de análise de dados. Além disso, os processos de análise de dados podem variar em função do planejamento da pesquisa. Veja as fases de uma análise de dados quantitativos (GIL, 2012): estabelecimento de categorias; codificação; tabulação; análise estatística dos dados; avaliação das generalizações obtidas com os dados; inferência de relações causais; interpretação dos dados. Como os dados quantitativos oferecem a possibilidade de comparação entre as variáveis, trabalhar com eles siginifica ter uma ampla gama de possibilidades de agrupamentos e controle, de acordo com os objetivos da pesquisa. Quanto à análise de dados na pesquisa qualitativa, Creswell (2010) propõe o caminho que você pode ver na Figura 1. O autor ressalta que as fases são interativas. Assim, os estágios são inter-relacionados e nem sempre ocorrem na ordem apresentada. Análise de dados2 Figura 1. Fases da análise qualitativa. Fonte: Adaptado de Creswell (2010). Os passos apresentados por Creswell (2010) podem ser descritos mais especificamente como: 1. organizar e preparar os dados para a análise, o que envolve transcrever as informações coletadas dos instrumentos e organizá-las por tipo de dado, conforme a fonte da informação; 2. ler as informações coletadas e refletir sobre o seu significado global, verificando que ideias gerais foram obtidas na coleta de dados; 3. codificar os dados, ou seja, organizar as informações para atribuir significado a elas; 4. gerar, a partir da codificação dos dados, uma descrição geral do local, das pessoas, dos objetos de análise, etc.; 5. informar como a descrição e o tema serão apresentados na escrita dos resultados; 6. realizar a interpretação e extrair o significado dos dados. 3Análise de dados Em resumo, os processos que definem a natureza da análise qualitativa são os seguintes: dar estrutura aos dados; descrever a experiência dos sujeitos pesquisados; compreender o contexto em que eles estão; interpretar e avaliar as unidades, categorias e padrões. Além disso, é necessário explicar situações, fatos e fenômenos; reconstruir perspectivas; vincular os dados à formulação do problema; e relacionar os resultados da análise com a teoria, ou construir novas teorias (SAMPIERI; COLLADO; LUCIO, 2013). Seleção do método de análise de dados Para analisar os dados provenientes da coleta de dados, o pesquisador tem de escolher o método que melhor se adequa ao seu propósito de pesquisa (incluindo tempo e custos fi nanceiros). A partir disso, ele vai construir as conclusões do estudo. Lembre-se de que a principal diferença entre os dados quantitativos e os qualitativos é que os primeiros incluem informações que podem ser comparadas Tais informações são recolhidas de uma amostra específica de uma população por meio de questionários, formulários, roteiros de entrevistas, etc. Já os dados qualitativos são muito mais abertos a diferentes tipos de análise, pois as informações recolhidas na maioria das vezes não podem ser comparadas, visto que analisam situações particulares. Análise de dados quantitativos Como você viu anteriormente, os primeiros passos para a análise de dados quantitativos são a categorização e a codifi cação dos dados. A ideia é deixar os dados prontos para serem inseridos em um software estatístico que seja capaz de comparar e fornecer ao pesquisador as análises estatísticas necessárias. As técnicas estatísticas disponíveis constituem a principal fonte de informação para a caracterização e o resumo dos dados, assim como para a análise das relações entre as variáveis e o prolongamento das conclusões para além da amostra utilizada (GIL, 2012). Existem diversos programas que fazem a análise dos dados. O seu fun- cionamento se dá em duas partes: definição de variáveis e matriz de dados. Uma não existe sem a outra e tudo é definido pelo pesquisador (SAMPIERI; Análise de dados4 COLLADO; LUCIO, 2013). A utilização de softwares estatísticos dá suporte à construção da abordagem estatística do trabalho e possibilita a criação dos objetos de apresentação, como tabelas, gráficos e quadros. Entre os softwares de análise de dados quantitativos mais indicados, estão: SPSS, Minitab, SAS e STATS. Análise de dados qualitativos Os dados qualitativos incluem grande diversidade de elementos. Segundo Gibbs (2009), qualquer forma de comunicação entre as pessoas — escrita, auditiva, audiovisual — é passível de análises qualitativas. O importante é garantir que os dados sejam examinados, descritos e explicados da melhor maneira possível. Os dois tipos principais de análises qualitativas são a análise de conteúdo e a análise de discurso. Veja a seguir. Análise de conteúdo: esse tipo de análise prima pela descrição e pela interpretação do conteúdo de uma mensagem. Portanto, a sua utilização é indicada para a comunicação escrita. A análise de conteúdo é usada para a análise do significado de palavras, com o objetivo de encon- trar sentido para o documento (FARIAS FILHO; ARRUDA FILHO, 2015). Ao usar esse tipo de análise, os pesquisadores estabelecem um conjunto de categorias e depois contam o número de vezes que os termos aparecem em cada categoria. Segundo Silverman (2009, p. 149), “[...] a análise de conteúdo presta uma atenção particular à confiabilidade [...] e à validade de seus achados por meio da contagem do uso da palavra”. Aná lise do discurso: é uma prática da linguística no campo da comu- nicação e tem como objeto de análise as construções nas formas de comunicação escrita. ConformeFarias Filho e Arruda Filho (2015, p. 145), “[...] a aná lise do discurso é uma té cnica de aná lise das intenç õ es 5Análise de dados e das motivaç õ es do autor ao fazer tal discurso, ou ao emitir uma mensagem”. A análise do discurso se preocupa com o contexto social do emissor da sentença, pois esta sempre vem carregada dos valores do indivíduo responsável pelo discurso (FARIAS FILHO; ARRUDA FILHO, 2015). Além desses dois tipos de análise, existe a possibilidade de analisar dados qualitativos por meio de softwares de análise, como acontece no caso da aná- lise de dados quantitativos. Conforme Gibbs (2009, p. 136), os softwares de análises de dados qualitativos (SADQ) oferecem muitas formas de tratar um texto, pois permitem que os pesquisadores mantenham “[...] bons registros de suas impressões, análises, além de fornecer acesso aos dados para que possam ser analisados e examinados”. Os três programas de análise de dados estatísticos qualitativos mais utilizados pelos pesquisadores são: Atlas.ti, MAXQDA e Nud.ist. Os dados coletados, a fundamentação e os objetivos da pesquisa Após o planejamento da metodologia, a escolha da ferramenta de coleta de dados e a posterior análise de dados, chega-se à última, mas não menos im- portante, etapa do estudo: relacionar os dados coletados e analisados com os fundamentos e com os objetivos da pesquisa. Após a análise dos dados, a informação tratada deve servir para alcançar os objetivos e a questão norteadora da pesquisa. Conforme Farias Filho e Arruda Filho (2015, p. 138): A análise deve ser feita para atender aos objetivos da pesquisa, para comparar e confrontar dados e informações com as hipóteses e as questões de pesquisa, ou seja, para confirmar ou rejeitar a(s) hipótese(s) ou os pressupostos da pes- quisa; para o pesquisador verificar se os resultados da pesquisa conseguiram responder às questõ es iniciais. Análise de dados6 Quando se chega a esse ponto da pesquisa, os dados já foram interpretados e é necessário desmembrá-los para que eles sejam capazes de responder ao problema de pesquisa. Além disso, é preciso estabelecer conexões entre o que foi proposto no projeto e o que foi obtido, admitindo-se que os dados respondem aos questionamentos propostos. Esse é o momento de afirmar que os resultados foram alcançados satisfa- toriamente. Se não o foram, a questão da pesquisa não foi respondida e, por conseguinte, o estudo não teve validade. O pesquisador deve comentar por que os resultados se apresentaram de tal maneira e se eles foram suficientes para o alcance dos objetivos do estudo. Além disso, é necessário apontar quais fatores e variáveis podem ter influenciado os resultados (MARTINS JÚNIOR, 2009). Ao escrever esse capítulo do estudo, o pesquisador deve contemplar a análise dos dados e a apresentação dos resultados, no sentido de responder ao questionamento central da pesquisa. Conforme Gray (2012), a ideia é ressaltar os resultados obtidos e as suas consequências. De acordo com Martins Júnior (2009, p. 142), nessa fase do estudo, é preciso: Responder às questões formuladas na delimitação do problema; responder aos objetivos específicos formulados; responder ao objetivo geral; confirmar ou rejeitar a hipótese do trabalho; citar as limitações (sempre que forem de- tectadas ao longo do trabalho); propor sugestões para novas pesquisas com temas semelhantes. Essas etapas são, na verdade, o resultado de tudo o que foi previsto no estudo, porém agora já com as respostas encontradas. A conclusão do trabalho está sempre ligada aos seus objetivos e precisa conter as respostas para cada objetivo anteriormente proposto. É de suma importância que os propósitos e o problema da pesquisa sejam respondidos de forma definitiva. O estudo é um encadeamento de fatos baseado nas respostas encontradas na análise de dados. Ao se efetivar a análise, fecha-se o ciclo da constru- ção do estudo, pois as respostas encontradas vão responder aos objetivos propostos e os questionamentos vão cessar. Para entender melhor, observe a Figura 2, a seguir. 7Análise de dados Figura 2. Ciclo da pesquisa. Ao atingir os objetivos propostos, a pesquisa cria um novo conhecimento para a área em que se insere. Então, o pesquisador pode elucidar o que o seu estudo agrega à produção de conhecimento da ciência e sugerir que novas pesquisas sejam feitas a partir de seu trabalho. CRESWELL, J. W. Projeto de pesquisa: métodos qualitativo, quantitativo e misto. 3. ed. Porto Alegre: Artmed, 2010. FARIAS FILHO, M. C.; ARRUDA FILHO, E. J. M. Planejamento da pesquisa científica. 2. ed. São Paulo: Atlas, 2015. GIBBS, G. Análise de dados qualitativos. Porto Alegre: Artmed, 2009. GIL, A. C. Métodos e técnicas de pesquisa social. 6. ed. São Paulo: Atlas, 2012. Análise de dados8 GRAY, D. E. Pesquisa no mundo real. 2. ed. Porto Alegre: Penso, 2012. MARCONI, M. de A.; LAKATOS, E. M. Fundamentos de metodologia científica. 8. ed. São Paulo: Atlas, 2017. MARTINS JUNIOR, J. Como escrever trabalhos de conclusão de curso: instruções para planejar e montar, desenvolver, concluir, redigir e apresentar trabalhos monográficos e artigos. Petrópolis: Vozes, 2008. MINAYO, M. C. de S. O desafio do conhecimento: pesquisa qualitativa em saúde. 14. ed. São Paulo: HUCITEC, 2014. SAMPIERI, R. H.; COLLADO, C. F.; LUCIO, M. del P. B. Metodologia de pesquisa. 5. ed. Porto Alegre: Penso, 2013. SILVERMAN, D. Interpretação de dados qualitativos: métodos para análise de entrevistas, textos e interações. 3. ed. Porto Alegre: Artmed, 2009. 9Análise de dados Conteúdo: Conteúdo: ADMINISTRAÇÃO DE BANCO DE DADOS Jorge Brandão de Campos ANALISAR E COMPREENDER A UTILIZAÇÃO DO BANCO DE DADOS NoSQL 4 OBJETIVOS DE APRENDIZAGEM Ao final deste texto, você deve apresentar os seguintes aprendizados: • Descrever o que são bancos de dados NoSQL. • Listar os principais tipos e características dos bancos de dados NoSQL. • Diferenciar o modelo relacional (SQL) e o NoSQL. INTRODUÇÃO O volume de dados está aumentando em proporções exponenciais no mundo. Os Estados Unidos é o país em que mais circulam dados, ficando a China em segundo lugar. Também merece destaque em tráfego de dados a América Latina, o Oriente Médio e a África. E como lidar com tanta informação? Os bancos de dados de modelos relacionais estão preparados? Neste texto, você vai estudar um novo conceito de banco de dados para trabalhar com grandes volumes de dados, o NoSQL. BANCOS DE DADOS Antes de falarmos em bancos de dados, devemos conhecer alguns conceitos importantes. O que são dados, informação e conhecimento? Podemos conceituar dados como sendo a forma bruta da informação, ou a parte indivisível da informação. Vejamos um exemplo: abra um bloco de notas e insira seu nome, “Jorge”. Neste instante, façolhe uma pergunta: o que significa “Jorge”? A resposta é simples, é apenas um dado, não tem significado. Perfeito! É realmente isso, o dado sozinho não tem significado. Portanto, po-demos dizer que dado é uma parte da informação, ou seja, a forma mais bruta, sem qualquer semântica. Entretanto, temos a necessidade de entender o conceito de informação, com isso, faremos mais uma atividade: com seu bloco de notas aberto, após a palavra “Jorge”, digite “aluno”. Neste instante, temos um significado: sabemos que Jorge é um aluno. Portanto, 5 podemos afirmar que informações são significados que buscamos e isso acontece pelo processamento de dados (Figura 1), em que o conjunto deles gera a informação. Figura nº 1 – Processamento dos dados Jorge + aluno = Jorge é um aluno Fonte: Autor Outro conceito importante é o conhecimento. O conhecimento é obtido com a extração, organização e cruzamento de informações, ou seja, o conjunto de informações organizadas gera conhecimentos. Um dos maiores ativos das empresas é o que chamamos de ativo intangível. Podemos colocar nesse grupo o conhecimento na fabricação de seus produtos e execução de serviços;e, em uma visão analítica, o conhecimento em todos os processos que levam a empresa a alcançar seus objetivos. Traçando uma linha cronológica decrescente (Figura 2), temos que o conhecimento vem de informações, ao passo que informações são extraídas do processamento de dados. Figura nº 2 – Linha do tempo, conhecimento, informação e dado. Conhecimento < informação < Dados Fonte: Autor Agora podemos entender por que desde os primeiros computadores, uma das grandes preocupações é quanto ao armazenamento e manipulação de dados. Com o passar dos anos, o volume de dados foi aumentando e surgindo modelos para organizar e manipular esses dados. A seguir, veremos uma breve descrição sobre os modelos de dados trabalhados no decorrer dos anos. 6 MODELOS DE DADOS Modelo hierárquico O modelo hierárquico é um tipo de gerenciador de banco de dados que conecta os registros em forma de árvore e cada tipo de registro tem apenas uma raiz. Modelo em rede O modelo em rede é uma extensão do modelo hierárquico. A representação dos dados é feita por meio de uma coleção de registros. Os relacionamentos são feitos por links. Modelo relacional O modelo relacional é o modelo mais aceito pelas empresas nos dias atuais. Sua característica é a organização dos dados em tabelas. As tabelas se relacionam entre si por meio de chaves primárias e estrangeiras. Modelo orientado a objetos Neste modelo os dados são armazenados na forma de objetos, por meio de estruturas chamadas classes. Os campos são instâncias dessas classes. SGBD Sistema Gerenciador de Banco de Dados ou SGBD é um conjunto de ferramentas baseados em uma linguagem, usadas para gerir a criação da estrutura, exclusão e alteração de bases de dados, tabelas e manipulação de dados. BIG DATA A cada dia é gerada uma grande quantidade e variedade de dados. Podemos citar como algumas das empresas que convivem diariamente com esse dilúvio de informações as companhias aéreas, operadoras de telefonia, redes sociais, busca on-line e redes varejistas. No entanto, não basta ter as informações armazenadas, é necessário gerar conhecimento para nortear processos e 7 tomadas de decisões, ou seja, saber fazer o melhor uso dos dados. Com isso, entramos no conceito de Big Data. De acordo com Alecrim (2013), inicialmente podemos definir o conceito de Big Data como sendo conjuntos de dados extremamente amplos e que, por este motivo, necessitam de ferramentas especialmente preparadas para lidar com grandes volumes, de modo que toda e qualquer informação nestes meios possa ser encontrada, analisada e aproveitada em tempo hábil. Simplificando, a análise de grandes quantidades de dados para a geração de resultados importantes que, em volumes menores, dificilmente seriam alcançados. Diariamente são feitas milhões de transações bancárias; milhões de e-mails são enviados ao redor do mundo; redes sociais com um volume cada vez maior de publicações. Portanto, podemos assumir que Big Data é um problema de um imenso volume e variedade de dados. Os bancos de dados relacionais, por características são normalizados, suas consultas possuem muitos joins pelo grande número de tabelas relacionadas, influenciando diretamente na performance da aplicação. Não estou apresentando o fim dos bancos de dados relacionais, apenas estou relacionando ao problema Big Data. Muitas empresas usam e continuarão usando suas bases relacionais. Buscamos, aqui, uma alternativa melhor para o trabalho com grandes volumes de dados. Os bancos de dados tradicionais, principalmente os relacionais, não possuem soluções adequadas a este problema. Ainda, segundo Alecrim (2013), isso acontece porque bancos de dados relacionais normalmente se baseiam em quatro propriedades que tornam a sua adoção segura e eficiente, razão pela qual soluções do tipo são tão populares: atomicidade, consistência, isolamento e durabilidade. Esta combinação é conhecida como ACID (do inglês, Atomicity, Consistency, Isolation e Durability). Neste ponto entra em cena o conceito de NoSQL. NoSQL NoSQL (não somente SQL) não faz referência a movimentos contra SQL, refere-se à solução de banco de dados que possibilita o armazenamento de várias formas não se limitando ao modelo relacional. Embora não seja um conceito novo, surgiu em 1998, ainda não se tornou bem conhecido dos profissionais de TI. 8 De acordo com Oliveira (2013): “As análises em grandes massas de dados podem trazer respostas que antes não seriam possíveis de ser obtidas, por isso é grande o potencial de mercado do Big Data, bem como o desejo das empresas de adotá-lo. Para tratar uma imensa quantidade de dados e aproveitá-los da melhor maneira possível, estão sendo criadas tecnologias que sustentam o Big Data como o NoSQL para infraestrutura de banco de dados, Stream Computing como novo paradigma e Hadoop e MapReduce voltado para análise de dados. O NoSQL (Not only Structured Query Language) é um termo genérico para uma classe definida de bancos de dados não-relacionais, que tem uma propriedade chamada BASE (Basically Available, Soft state, Eventual consistency), que distribui os dados em diferentes repositórios tornando- os sempre disponíveis, não se preocupa com a consistência de uma transação, delegando essa função para a aplicação, porém sempre garante a consistência dos dados em algum momento futuro à transação.” NoSQL é uma forma de organizar os dados diferente do modelo relacional. Até pouco tempo atrás só existiam bancos de dados relacionais; se você tivesse qualquer problema teria que buscar uma solução relacional. Existe uma nova onda de aplicações de bancos de dados, a qual você não olha mais para o passado, você olha para o presente, ou seja, os dados estão chegando, estão sendo armazenados, processados, extraídos os conhecimentos para que possamos recomendar ao cliente. Veja, na Tabela 1, o comparativo entre bancos de dados SQL e NoSQL. Tabela nº 1 – Comparativo entre bancos de dados SQL e NoSql. Banco de dados SQL Bancos de dados NoSQL Modelo de dados O modelo relacional normaliza dados em estruturas tabulares conhecidas como tabelas, que consistem em linhas e colunas. Um schema define estritamente as tabelas, colunas, índices, relações entre tabelas e outros elementos do banco de dados. Bancos de dados não relacionais (NoSQL) normalmente não aplicam um schema. Geralmente, uma chave de partição é usada para recuperar valores, conjuntos de colunas ou documentos semiestruturados JSON, XML ou outros que contenham atributos de itens relacionados. 9 Banco de dados SQL Bancos de dados NoSQL Propriedades ACID Sistemas de gerenciamento de bancos de dados relacionais (RDBMS) tradicionais são compatíveis com um conjunto de propriedades definido pela sigla ACID: Atomicidade, Constância, Isolamento e Durabilidade. Atomicidade significa “tudo ou nada”, ou seja, uma transação é concluída integralmente ou não. Constância significa que quando uma transação é realizada, os dados devem estar em conformidade com o schema do banco de dados. Isolamento exige que as transações simultâneas sejam executadas separadas uma da outra. Durabilidade é a capacidade de se recuperar de uma falha do sistema ou falta de energia inesperada para o último estado conhecido. Bancos de dados NoSQL normalmente trocam algumas propriedades ACID de sistemas de gerenciamento de bancos de dados relacionais (RDBMS) por um modelo de dados mais flexível que escala horizontalmente. Essas características fazem dos bancos de dados NoSQL uma excelente opção em situações em que os RDBMS deparam com desafios de arquitetura e precisam solucionar uma combinação de gargalos de desempenho, escalabilidade, complexidade operacional e custos crescentes de administração e suporte. Desempenho O desempenho normalmente depende do subsistema do disco. A otimização de consultas, índices e estrutura de tabela é necessária para alcançar máximo desempenho.Desempenho geralmente é uma função do tamanho do cluster do hardware subjacente, da latência de rede e da aplicação que faz a chamada. Escala Mais fácil de aumentar a escala “verticalmente” com hardware mais rápido. Outros investimentos são necessários para tabelas relacionais para abranger um sistema distribuído. Projetado para aumentar a escala “horizontalmente” usando clusters distribuídos de hardware de baixo custo para aumentar a transferência sem aumentar a latência. APIs As solicitações para armazenar e recuperar dados são comunicadas usando consultas compatíveis com structured query language (SQL). Essas consultas são analisadas e executadas por sistemas de gerenciamento de bancos de dados relacionais (RDBMS). APIs baseadas em objetos permitem que desenvolvedores de aplicações armazenem e restaurem facilmente estruturas de dados na memória. As chaves de partição permitem que os aplicativos procurem pares de chave-valor, conjuntos de colunas ou documentos semiestruturados contendo objetos e atributos de aplicativos serializados. Ferramentas Os bancos de dados SQL normalmente oferecem um rico conjunto de ferramentas para simplificar o desenvolvimento de aplicações orientadas ao banco de dados. Oferecem ferramentas para gerenciar clusters e escalabilidade. As aplicações são a interface principal com os dados subjacentes. Fonte: https://aws.amazon.com/pt/nosql/ 10 Principais características dos bancos de dados NoSQL Os bancos de dados NoSQL possuem características importantes que os diferenciam dos bancos de dados relacionais. De acordo com Cavalcante (2012), as características dos bancos de dados relacionais são: • Escalabilidade Horizontal: na medida em que o volume de dados cresce, aumenta-se a necessidade de escalabilidade e melhoria do desempenho. Dentre todas as possibilidades para esta solução, a escalabilidade horizontal se torna a mais viável, porém requer diversas threads ou que processos de um tarefa sejam criadas e distribuídas. Dessa forma, o uso de um banco de dados relacional poderia ser muito complexo. Não queremos dizer que os bancos de dados relacionais não escalam, a verdade é que eles não escalam facilmente. Isto por que no momento em que diversos processos se conectam simultaneamente em um mesmo conjunto de dados há uma geração de uma alta concorrência aumentando assim o tempo de acesso às tabelas. Neste contexto, uma grande vantagem dos bancos NoSQL é justamente a ausência de bloqueios, o que permite a escalabilidade horizontal com uma maior facilidade e eficiência (ele não é afetado pelo aumento da concorrência). Uma alternativa muito utilizada para alcançar a escalabilidade horizontal é o Sharding, que divide os dados em múltiplas tabelas a serem armazenadas ao longo de diversos nós na rede. O que esta técnica faz, na realidade, é romper a cadeia de relacionamentos, que é uma forte característica nos bancos relacionais. É possível realizar o Sharding em banco de dados relacionais de forma manual. Entretanto, esta não é uma tarefa simples e demonstra complexidade de implementação para a equipe que está desenvolvendo. • Ausência de esquema (Schema-free) ou esquema flexível: Outra característica notável em bancos de dados NoSQL é a ausência parcial ou total de esquema que define a estrutura de dados. É justamente essa ausência de esquema que facilita uma alta escalabilidade e alta disponibilidade, mas em contrapartida não há a garantia de integridade dos dados, fato este que não ocorre no Modelo Relacional. • Suporte nativo a replicação: Esta é outra forma de prover a escalabilidade, pois, no momento em que permitimos a replicação de forma nativa o tempo gasto para recuperar informações é reduzido. • API simples para acessar o banco de dados: Em banco de dados NoSQL, o foco não está no armazenamento dos dados e sim como recuperar estes dados de forma eficiente. Pensando nisso, é fundamental APIs 11 desenvolvidas para facilitar o acesso às devidas informações para que se possa usar o banco de dados de forma rápida e eficiente. • Consistência eventual: Outra característica particular de bancos NoSQL é que nem sempre a consistência dos dados é mantida. Esta característica tem embasamento no teorema CAP (Consistency, Availability e Partition tolerance) que afirma que em um dado momento só é possível garantir duas destas três propriedades, que seriam consistência, disponibilidade e tolerância à partição. No mundo real, normalmente estas duas últimas são privilegiadas. Como consequência disto, as propriedades do ACID não são respeitadas simultaneamente, ao contrário disto, temos outro conjunto de projetos denominado BASE (Basicamente disponível, estado leve e consistente em momento indeterminado). Ou seja, é necessário haver um planejamento para que o sistema possa tolerar inconsistências temporárias com o objetivo de priorizar a disponibilidade. Agora que falamos brevemente sobre as principais características nos bancos de dados NoSQL, é importante ressaltar algumas técnicas utilizadas para a implementação de suas funcionalidades. Entre elas estão: • Map/reduce: permite a manipulação de enormes volumes de dados ao longo de nós em uma rede. Funciona da seguinte forma: na fase map, os problemas são particionados em pequenos problemas que são distribuídos em outros nós na rede. Quando chegam à fase reduce, esses pequenos problemas são resolvidos em cada nó filho e o resultado é pas-sado para o pai, que sendo ele consequentemente filho, repassaria para o seu, até chegar à raiz do problema. • Consistent hashing: suporta mecanismos de armazenamento e recuperação, onde a quantidade de sites está em constante mudança. É interessante usar essa técnica, pois ela evita que haja uma grande migração de dados entre estes sites, que podem ser alocados ou desalocados para a distribuição dos dados. • MVCC (Multiversion concurrency control): Oferece suporte a transações paralelas em banco de dados. Por não fazer uso de locks para controle de concorrência, faz com que transações de escrita e leitura sejam feitas simultaneamente. • Vector clocks: Ordenam eventos que ocorreram em um sistema. Como existe a possibilidade de várias operações estarem acontecendo simultaneamente, o uso de um log de operações informando suas datas se faz importante para informar qual versão de um dado é a mais atual. 12 Tipos de bancos de dados NoSQL • Sistemas baseados em armazenamento chave valor • Sistemas baseados em grafos • Sistemas orientados a documentos • Sistemas orientados a colunas A Tabela 2 apresenta uma descrição dos tipos de bancos de dados NoSQL. Tabela nº 2 – Comparativo entre bancos de dados SQL e NoSql. Tipos de bancos de dados NoSQL Bancos de dados colunares Os bancos de dados colunares são otimizados para colunas de leitura e gravação, ao contrário das linhas de dados. O armazenamento orientado a colunas para tabelas do banco de dados é um fator importante no desempenho de consulta analítica, pois ele reduz drasticamente os requisitos gerais de E/S e diminui a quantidade de dados que você precisa carregar do disco. Bancos de dados de documentos Os bancos de dados de documentos são projetados para armazenar dados como documentos, geralmente em formato JSON ou XML. Diferentemente dos bancos de dados relacionais tradicionais, o esquema de cada documento não relacional (NoSQL) pode variar, dando a você mais flexibilidade ao organizar e armazenar dados do aplicativo e ao reduzir o armazenamento exigido para valores opcionais. Bancos de dados de gráficos Os bancos de dados de gráficos armazenam vértices e links direcionados chamados de bordas. Gráficos podem ser construídos em bancos de dados relacionais (SQL) e não relacionais (NoSQL). Vértices e bordas podem ter propriedades associadas a eles. Armazéns em memória de chave-valor As solicitações para armazenar e recuperar dados são comunicadas usando Os armazéns em memóriade chave-valor são bancos de dados NoSQL otimizados para cargas de trabalho de aplicativos de leitura pesada (como redes sociais, jogos, compartilhamento de mídia, e portais de P e R) ou cargas de trabalho com uso intenso da computação (como um mecanismo de recomendação). O armazenamento em cache na memória melhora o desempenho do aplicativo ao armazenar pedaços críticos de dados na memória para acesso de baixa latência. Fonte: https://aws.amazon.com/pt/nosql/ NoSQL database exemplos: • Google bigtable • Amazon Dynamo • Facebook Cassandra • Apache HBASE • Linkedin Valdemort 13 REFERÊNCIAS ALECRIM, Emerson. O que é Big Data? Infowester, 2013. Disponível em: <https://www.infowester.com/big-data.php>. Acesso em: 20 mar. 2017. OLIVEIRA, Claudio Alves de. Bancos de Dados NoSQL. IBM, 2013. Disponível em: <https://www.ibm.com/developerworks/community/blogs/tlcbr/entry/ bancos_de_dados_nosql?lang=en>. Acesso em: 20 mar. 2017. AMAZON WEBSERVICE. O que é NoSQL? [S.I]. Disponível em: <https://aws. amazon.com/pt/nosql/>. Acesso em: 20 mar. 2017. NoSQL. [S.I]. Disponível em: <http://nosql-database.org/>. Acesso em: 20 mar. 2017. CAVALCANTE, Marília. Banco de dados NoSQL: Um novo paradigma - Revista SQL Magazine 102.Devmedia, a.9,n. 07, ago. 2012. Disponível em: <http:// www.devmedia.com.br/banco-de-dados-nosql-um-novo-paradigma- revista-sql-magazine-102/25918>. Acesso em: 20 mar. 2017. Conteúdo: MANUTENÇÃO INDUSTRIAL Gabriela Fonseca Parreira Gregorio Coleta e análise de dados de manutenção Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: Descrever as principais formas de coletas de dados em uma indústria. Definir os conceitos de métricas e indicadores. Identificar a importância da coleta de dados para análise e uso do OEE e do TEEP. Introdução Com elevada frequência, o gestor de manutenção precisa tomar decisões na organização. Questões como “qual tipo de manutenção é a mais ade- quada para este ativo?”; “quando realizar o reparo neste equipamento?”; “como fazer este reparo?”; “é melhor trocar, restaurar ou reparar?”, entre outras, surgem a todo momento e uma deliberação inadequada pode acarretar consequências graves para segurança, meio ambiente, qualidade, produção e custo. O processo de tomada de decisão é mais assertivo quando o gestor se cerca de informações confiáveis sobre o histórico de funcionamento dos equipamentos, as falhas apresentadas, as causas das falhas, as ações de manutenção já realizadas, etc. Por meio dessas informações, muitos indicadores de manutenção podem ser mensurados, o que permite averiguar a eficiência das ações implantadas e melhorar o plano de manutenção. Neste capítulo, você conhecerá ferramentas que auxiliam na coleta de dados na indústria, aprenderá sobre métricas e indicadores e reconhecerá a importância da coleta de dados para análise e uso dos índices OEE (Overall Equipment Effectiveness — Eficiência Global do Equipamento) e TEEP (Total Effectiveness Equipment Performance — Performance Efetiva Total dos Equipamentos). Principais formas de coleta de dados em uma indústria Adotar um processo estruturado de coleta de dados é importante para reduzir o índice de perdas e garantir a periodicidade adequada dos mesmos. Os dados podem ser coletados por diversos colaboradores da organização. No caso da manutenção industrial, alguns dados são coletados pelo próprio operador do equipamento, outros, pelo especialista de manutenção e outros são obtidos automaticamente por meio de sistemas de informações. Existem várias formas que auxiliam na coleta de dados em uma indústria. A seguir, acompanhe a sua descrição. Ordens de serviço (OS) Embora o principal objetivo da ordem de serviço (OS) seja registrar a prestação de serviços de manutenção, uma OS bem estruturada fornece uma série de dados importantes para a indústria. Segundo Branco Filho (2008), em condições normais, nenhum serviço deveria ser executado sem a emissão e A autorização prévia de uma OS (Figura 1). Ainda segundo o autor, cada empresa, de acordo com seu pla- nejamento, organização e controle da manutenção e com as necessidades de engenharia de manutenção, deve personalizar a OS, determinando as informações que devem ser fornecidas ao mantenedor e que tipo de informação o executante deve fornecer após a realização dos reparos, trocas ou restaurações. Coleta e análise de dados de manutenção2 Figura 1. Modelo de ordem de serviço. Fonte: Branco Filho (2008). Por meio das OSs abertas para determinado ativo ao longo do tempo, é possível ter acesso aos seguintes dados e informações: número de falhas apresentadas pelo equipamento; datas de ocorrência das falhas; data de finalização da ação de manutenção; trocas, reparos e/ou restaurações realizadas; cumprimento, ou não, das ações planejadas. 3Coleta e análise de dados de manutenção Folha de verificação Kume (1993) defi niu uma lista de verifi cação ou folha de verifi cação como um formulário que contém os itens a serem inspecionados, facilitando o processo de coleta de dados (SANTOS; PEREIRA; OKANO, 2012). Na Figura 2, você pode conferir um exemplo de modelo de folha de verifi cação. Figura 2. Modelo de folha de verificação. A empresa pode personalizar a folha de verificações de acordo com as necessidades de dados a serem obtidos pela organização. Na folha de verificação apresentada na Figura 2, é possível identificar os desvios/falhas apresentados e a frequência com que ocorreram. Checklist Um checklist, de forma geral, é utilizado para avaliar a adequação, ou não, de determinados parâmetros e condições de ativos. Nesse formulário, os profi ssionais verifi cam cada item e atestam se eles estão de acordo com as especifi cações. Coleta e análise de dados de manutenção4 Na Figura 3, está ilustrado um checklist. Figura 3. Exemplo de checklist. Fonte: Biehl e Sellito (2015, p. 1137). A forma de coleta de dados mais adequada pode ser distinta entre uma em- presa e outra e depende das informações que a empresa necessita no processo de tomada de decisão e na elaboração do plano de manutenção. Independentemente da forma adotada, é importante que ela seja simples, de fácil compreensão e preenchimento e personalizada para cada organização. 5Coleta e análise de dados de manutenção Com os avanços tecnológicos, a coleta de dados tem sido feita, cada vez mais, por meio de sistemas de informação e tecnologias móveis. As empresas personalizam os formulários, de acordo com suas necessidades de dados e informações, e os profissionais, de posse dos dispositivos, coletam os dados em campo. Existem, também, as tecnologias de monitoramento dos equipamentos, denominadas tecnologias onboard, que oferecem dados importantes acerca de equipamentos de grande importância para o processo. Conceitos de métricas e indicadores Os dados coletados na indústria, ao serem tratados, serão transformados em informações que auxiliarão os gestores. Parte dessas informações está relacionada às métricas e aos indicadores de processos. Métricas e indicadores são importantes para a gestão do processo de ma- nutenção, no entanto, segundo BPM CBOK (ASSOCIATION..., 2013), são termos, muitas vezes, utilizados indistintamente e não são bem decodificados. Sendo assim, é necessário esclarecer essas diferenças. Métrica “[...] é uma extrapolação de medidas, isto é, uma conclusão com base em dados finitos”, enquanto indicador “[...] é uma representação de forma simples ou intuitiva de uma métrica ou medida para facilitar sua in- terpretação quando comparada a uma referência alvo” (ASSOCIATION..., 2013, documento on-line). As métricas são representadas por qualquer variável passível de ser quan- tificada na organização, são geradas no dia a dia e são constituídas por dados primários e brutos. Os indicadores de desempenho são dados que quantificam a performance de acordo com os objetivos organizacionais. Métricas