APOSTILA ANÁLISE EXPLORATÓRIA NOVA(1)

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