Ciclo de Vida em Ciência de Dados

Prévia do material em texto

Ciclo de vida de um processo de ciência 
de dados
Apresentação
A ciência de dados abrange os estudos, as metodologias e os processos para a análise de um 
conjunto de dados. A matéria-prima da informação, o dado, é coletada, armazenada e, depois, 
processada para que gere o conhecimento necessário ao objeto de estudo.
O contexto se propõe a analisar dados estruturados, semiestruturados 
e não estruturados em um ciclo contínuo de melhoria e garantia da veracidade. Assim, as boas 
práticas são necessárias para que o 
produto entregue seja, de fato, uma representação da realidade 
e solução para o problema dado.
Nesta Unidade de Aprendizagem, você vai conhecer as etapas 
do ciclo de vida dentro de ciência de dados, identificar as fases 
de coleta e armazenamento e realizar a análise da recuperação 
e o descarte dos dados.
Bons estudos.
Ao final desta Unidade de Aprendizagem, você deve apresentar os seguintes aprendizados:
Reconhecer as etapas do ciclo de vida de um processo em ciência 
de dados.
•
Identificar as fases de coleta e armazenamento dos dados.•
Analisar a recuperação e o descarte dos dados.•
Desafio
A ciência de dados tem aplicações diversas dentro da sociedade 
e pode ser utilizada para organizar o contexto de dados de uma instituição. Dessa forma, ao aplicar 
o ciclo de vida, é possível 
realizar um melhor mapeamento das fontes de dados e processos 
para o ganho de informação.
Aponte a câmera para o código e acesse o link do conteúdo ou clique no código para acessar.
https://statics-marketplace.plataforma.grupoa.education/sagah/4f8a027b-c971-483c-ab3b-5835eced3c6d/29483277-1a92-4af5-b64f-2c11023e52fe.jpg
 
Você foi contratado para realizar um relatório do ciclo de vida para o processo de ciência de dados 
que o hospital quer implantar. Informe ao diretor, a partir das fases de coleta, armazenamento, 
recuperação e descarte, como ele deverá lidar com seu ambiente. Separe seu relatório por fases e, 
ainda, fale sobre a privacidade.
Infográfico
Os passos dentro do ciclo de vida de um processo de ciência de 
dados são importantes, e dentro de cada um há atividades bem definidas. A necessidade de 
segmentar os passos parte do método científico de investigação, em que precisamos realizar 
pequenos fragmentos para, ao final, extrair conhecimento de uma base de dados.
Neste Infográfico, você vai conhecer os passos e as atividades que 
são realizados em cada parte do ciclo de vida. 
Aponte a câmera para o 
código e acesse o link do 
conteúdo ou clique no 
código para acessar.
https://statics-marketplace.plataforma.grupoa.education/sagah/8523d565-f1c7-4183-8766-f6d2008f2d83/73cc39a7-5821-483a-ba80-c045f03f1fcd.jpg
Conteúdo do livro
O contexto da ciência de dados ascendeu juntamente com a alta produção e consumo de dados 
pela humanidade. Logo, foi necessário realizar uma sistematização de estudos e metodologias para 
compor os passos necessários para a análise de um conjunto de dados.
Na obra Introdução à ciência de dados, base teórica desta Unidade de Aprendizagem, leia o capítulo 
Ciclo de vida de um processo de ciência de dados, no qual você irá conhecer as etapas do ciclo de 
vida de um processo em ciência de dados, identificar as fases de coleta e armazenamento dos 
dados e analisar a recuperação e o descarte dos dados.
Boa leitura.
INTRODUÇÃO 
A CIÊNCIA DE 
DADOS
Luiz Fernando Calaça Silva
Ciclo de vida de um processo 
de ciência de dados
Objetivos de aprendizagem
Ao final deste texto, você deve apresentar os seguintes aprendizados:
  Reconhecer as etapas do ciclo de vida de um processo em ciência 
de dados.
  Identificar as fases de coleta e armazenamento dos dados.
  Analisar a recuperação e o descarte dos dados.
Introdução
A sociedade transformou-se pelo conhecimento advindo de dados, os 
quais foram coletados de desenhos, pinturas, escritos e falas. A partir do 
seu armazenamento, durante os séculos, muitas informações chegaram 
até nós. Mais recentemente, o mundo transformou-se para o contexto 
digital, e a maioria dos dados se encontram on-line para serem consu-
midos, enquanto muitos outros são produzidos em escala exponencial.
A fim de conceber processos, metodologias e algoritmos, a ciência 
de dados envolve diversas disciplinas nos seus pormenores e tem ciclos 
de vida claros e definidos (AMARAL, 2016). O seu intuito é justamente 
identificar dados, armazená-los corretamente e realizar a devida análise 
— e o descarte do que é desnecessário.
É possível analisar dados estruturados e não estruturados, visando, 
sobretudo, à extração de conhecimento para uma tomada de decisão. 
Na era do big data, em que há um grande volume de dados, fazem-se 
necessários os devidos processos para a sua compreensão, uma vez que 
eles oferecem inúmeras possibilidades.
Neste capítulo, você vai estudar sobre as etapas do ciclo de vida de 
um processo em ciência de dados. Além disso, vai ver quais são as fases 
de coleta e armazenamento dos dados, e como analisar a sua recuperação 
e o seu descarte.
1 Etapas do ciclo de vida de um processo
Quando se observa o método científi co, vê-se que há uma segmentação de 
fases, para que a investigação tenha êxito. Logo, também no contexto da 
ciência de dados existe uma estruturação. Nesse sentido, o ciclo de vida de 
um processo em ciência de dados é composto pelos passos necessários para 
a extração do conhecimento daquele conjunto de dados.
Segundo Sant’Ana (2016), o ciclo de vida dos dados é composto por quatro 
fases: coleta, armazenamento, recuperação e descarte. Além disso, há 
alguns fatores que permeiam todas as fases, conforme a Figura 1: privacidade, 
integração, qualidade, direitos autorais, disseminação e preservação.
Figura 1. Ciclo de vida dos dados para ciência da informação.
Fonte: Adaptada de Sant’Ana (2016).
CVD 1
Contexto 1
CVD
Contexto
Descarte
Pr
iv
ac
id
ad
e
In
te
gr
aç
ão
Q
ua
lid
ad
e
D
ire
ito
s 
au
to
ra
is
D
is
se
m
in
aç
ão
Pr
es
er
va
çã
o
Pr
iv
ac
id
ad
e
In
te
gr
aç
ão
Q
ua
lid
ad
e
D
ire
ito
s 
au
to
ra
is
D
is
se
m
in
aç
ão
Pr
es
er
va
çã
o
DescarteArmazenamento Armazenamento
BD1 BD
Co
let
a
Recuperação Co
let
a
Recuperação
A qualidade dos dados
A confi ança no contexto dos dados está intimamente ligada à sua qualidade. 
Em geral, é preciso verifi car se a fonte dos dados é segura e quem os produziu, 
a fi m de procurar pela veracidade inicial. No contexto do framework DAMA 
DMBoK, segundo Brackett et al. (2009), uma das suas áreas de conhecimento 
é o gerenciamento de qualidade dos dados. O seu objetivo é claro: uma vez que 
dados de qualidade ruim podem gerar decisões ruins, ele organiza processos 
para um programa de qualidade de dados.
Ciclo de vida de um processo de ciência de dados2
Nesse documento, também são propostas práticas como a definição de 
papéis. Por exemplo, sugere-se que haja um responsável que coleta e armazena 
os dados, que deve responder pela veracidade desses dados e pelo quanto eles 
representam a realidade.
Além disso, sugere-se a criação de métricas de qualidade de dados, de modo 
a planejar como mensurá-los e melhorá-los. Assim, tem-se um monitoramento 
contínuo da relação dos dados com o negócio, de maneira que se possa realizar 
ações e verificar se elas estão cumprindo as expectativas. Segundo Fagundes, 
Macedo e Freund (2018), no seu trabalho de revisão bibliográfica das pesquisas 
no campo da qualidade de dados, há ainda diversas lacunas e oportunidades 
para a melhoria nesse contexto.
O DAMA é uma organização sem fins lucrativos que produziu o DMBoK. Trata-se de 
um guia sobre gerenciamento de dados com o foco na gestão, na governança e na 
qualidade de dados e informação.
A privacidade
A privacidade vem à tona, no contexto dos dados, justamente pelo princípio 
da confi dencialidade em diversos espaços da vida pessoal, profi ssional e 
empresarial. Dados diversos têm sido coletados por pessoas físicas, empresas, 
instituições e governos, que sabem o quanto eles são valiosose, com isso, 
podem extrair informações para os seus negócios.
Em nosso meio, observamos que os dados que fornecemos em nossas 
redes sociais, aplicativos bancários, entre outros, devem ser privados. Esse 
aspecto é tão sério que é possível abrir processos judiciais, caso ocorra algum 
vazamento, conforme a Lei Geral de Proteção de Dados (BRASIL, 2018), que 
regula as atividades de tratamento de dados pessoais.
Segundo Brito e Machado (2017), há uma ligação entre a privacidade e a 
qualidade dos dados. Garantir a privacidade pode resultar em dados que não 
são verídicos, já que a fonte não pode ser explorada em todos os seus âmbi-
tos. Assim, pode-se perceber a complexidade envolvida no equilíbrio entre 
preservar a fonte e manter a qualidade e a utilização dos dados.
3Ciclo de vida de um processo de ciência de dados
Ainda em relação a essa questão, é necessário organizar a forma como 
será feito o armazenamento, para que ele não afete a privacidade. Assim, 
esse aspecto envolve diversos outros contextos — inclusive a filosofia e a 
sociologia — para compor a legalidade moral do armazenamento dos dados, 
bem como para qual fim serão utilizados.
Por exemplo, alguns serviços na internet pedem que os seus usuários 
informem os seus dados e, em troca, podem utilizar gratuitamente as diversas 
plataformas. No entanto, é importante refletir sobre até que ponto esse uso 
é de fato gratuito e se os dados não estariam sendo utilizados para alguma 
aplicação para a qual o usuário não deu o seu consentimento.
A disseminação
A internet tem se tornado cada vez mais uma fonte riquíssima de informações. 
As pessoas a utilizam para compras e vendas, para comunicação e divulgação, 
para ministrar cursos e dar dicas, entre diversas outras atividades. Assim, 
também avançamos para o contexto da disseminação dos dados.
A vantagem desse cenário, por exemplo, é que, quando uma empresa deseja 
criar um branding de marca e quer que a sua mensagem chegue a diversos 
usuários, ela pode se beneficiar da disseminação. A desvantagem é que, 
quando a segurança dos dados falha e eles são disponibilizados publicamente 
de forma indevida, vários atores querem consumir esse conteúdo — nem 
sempre de forma ética. 
De fato, um cenário positivo da disseminação massiva é a sua utilização 
para educar a população em diversas áreas, como a saúde, principalmente a 
respeito de cuidados específicos sobre os quais todos devem saber. Porém, 
quando fotos privadas de uma pessoa se disseminam sem autorização, por 
exemplo, esse cenário representa o lado negativo dessa disseminação.
Antigamente, as informações circulavam apenas em uma pequena vizi-
nhança. Santos e Andreoli (2015) observam que, nas relações interpessoais, 
ainda é comum o chamado “boca a boca”: alguém achou alguma notícia inte-
ressante ou comprou algo que julga ser vantajoso, então repassa a informação 
para a vizinhança ou para os meios nos quais circula.
No entanto, quando consideramos o contexto da internet, esse “boca a 
boca” pode se tornar viral, em proporções inimagináveis, ultrapassando as 
fronteiras de países: um simples vídeo, uma mensagem ou foto pode alcançar 
milhões de pessoas rapidamente. Portanto, a disseminação de informações 
na internet pode ser muito benéfica, quando bem utilizada, mas é importante 
considerar os problemas causados com o seu uso nocivo.
Ciclo de vida de um processo de ciência de dados4
Os direitos autorais
Outro aspecto importante está relacionado aos conteúdos que são protegidos 
por direitos autorais. Logo, podem ser consumidos somente pelos canais per-
mitidos ou autorizados pelo detentor dos direitos, ou outorgados formalmente 
a alguma entidade. O que comumente chamamos de pirataria é quando ocorre 
a violação dos direitos autorais de uma propriedade que é protegida.
Segundo Feres, Oliveira e Gonçalves (2017), de acordo com estudos con-
duzidos para a União Europeia, em geral, acredita-se que, para entender a 
pirataria, é preciso pensar em tudo aquilo que as indústrias produtoras, nos 
seus diversos âmbitos, desejam ver protegido. Feres, Oliveira e Gonçalves 
(2017) pontuam que o termo “pirataria” foi sendo construído ao longo da 
história e antecede o próprio conceito de propriedade intelectual.
Considere, por exemplo, a violação dos softwares licenciados, os quais a 
população mundial consumiu como pirataria. Em função do seu alto valor de 
aquisição desses sistemas operacionais e softwares específicos, muitas pessoas 
passaram a utilizá-los por meio desse tipo de violação.
Outro exemplo é o das músicas MP3, que foram massivamente baixadas, o que 
ocasionou uma mudança de mercado. Nesse formato, a entrega poderia ser feita 
de forma eficiente, mas não foi possível conter a violação de produtos privados. 
O autor Paiva (2016) observa que, no século XX, várias tecnologias causaram 
uma mudança drástica na indústria fonográfica, e o formato de música MP3 
foi o que mais causou impacto na distribuição musical. Mesmo com as taxas de 
transferência baixa na internet, o fluxo de consumo aumentou exponencialmente.
Os dados privados têm uma titularidade, e o seu uso deve ser observado 
— ao contrário dos dados públicos, que podem ser utilizados sem restrição, 
conforme o autor os coloca à disposição. No Brasil, a propriedade intelectual 
é regida pelas seguintes leis: Lei nº 9.279 de 14 de maio de 1996 (Lei de Pro-
priedade Industrial), Lei nº 9.609, de 19 de fevereiro de 1998 (Lei do Software) 
e Lei nº 9.610, de 19 de fevereiro de 1998 (Lei de Direitos Autorais).
A preservação
A fase de coleta dos dados refere-se ao processo de identifi car os dados neces-
sários para o problema, de forma que sejam armazenados e preservados para 
a sua análise posterior. Também devem ser armazenados os dados e metada-
dos possíveis, a fi m de colaborar com a preservação do conjunto de dados. 
Os metadados são informações sobre os dados. Por exemplo, em uma foto, da-
dos como dia e horário da foto são informações sobre a foto, ou seja, metadados.
5Ciclo de vida de um processo de ciência de dados
Segundo Sant’Ana (2016), a preservação dos dados coletados e armazenados 
pode exigir que algumas informações adicionais também sejam armazena-
das. Por exemplo, algumas características dos dispositivos que coletaram os 
dados poderiam ser utilizadas para dar um maior significado e auxílio no 
conhecimento sobre eles. Portanto, para a preservação dos dados, é necessário 
armazená-los devidamente. Eles devem ser descartados apenas com critérios 
rigorosos e, oportunamente, deve-se guardar dados sobre esses dados.
A integração
Durante a coleta, podem ser identifi cados diversos silos de dados, que podem 
ser integrados para que se possa ter mais conhecimento a respeito do problema 
estudado. Por exemplo, poderíamos buscar uma fonte de dados que contivesse 
dados das escolas municipais de determinada cidade, e gostaríamos de integrá-
-la com uma base sobre a condição fi nanceira das famílias que têm os seus 
fi lhos matriculados nessas escolas. 
Assim, a integração é um quadro comum no contexto dos dados, de modo 
a formar um quebra-cabeça que fará sentido na sua completude. Como um 
exemplo dessa integração, Santin et al. (2019) demonstram que, ao se fundir 
dados públicos de saúde e de transporte, pode-se descobrir insights que as 
bases isoladas não poderiam gerar.
Segundo Sant’Ana (2016), para que seja possível utilizar bem os dados, é 
necessário certo nível de integração entre entidades distintas, para uma melhor 
análise e conhecimento. Bases integradas podem compor um conhecimento 
que terá mais valor que as individualizadas.
Assim, a integração visa a compor um grau de informação distinta dos 
seus componentes separados. Além disso, visa à preservação dos dados, já 
que, unidas, as bases geram um conhecimento mais amplo a respeito de um 
contexto, ao mesmo tempo em que se mantém as suas bases originais com o 
devido significado.
2 A recuperação e o descarte dos dados
A recuperação e o descarte dos dados são tão importantescomo os passos 
iniciais de coleta e armazenamento. Ao serem armazenados, os dados precisam 
ser recuperáveis, e é comum ver, durante as análises, que parte do conjunto 
pode ter problemas: campos vazios, dados errados, dados fora do desvio 
padrão, entre outros. Esses dados problemáticos, então, serão descartados. 
Ciclo de vida de um processo de ciência de dados6
O processo de extrair, transformar e carregar os dados, conhecido como ETL (Extract, 
Transform e Load), tem como princípio a ideia de integração de diversas bases. Pode-se 
buscar inúmeras fontes, organizá-las transformando os dados em paralelo a outras e, 
então, carregá-los para uma nova estrutura de armazenamento.
Assim, o armazenamento deve ser feito de forma que os arquivos ou dados 
sejam recuperáveis, isto é, sejam alocados em formatos que permitam a con-
sulta e a posterior análise. Organizar arquivos em formatos não suportáveis 
por linguagens de programação pode fazer daquela coleta um projeto inviável 
para o processo de dados.
O descarte dos dados se faz necessário para compreendê-los melhor — 
costuma-se chamar esse processo de limpeza. Existem várias técnicas e pro-
cedimentos que podem ser adotados para esse processo, mas é preciso sempre 
levar em consideração as legislações sobre o descarte, a necessidade de ter 
uma cópia de segurança de pelo menos parte dos dados, entre outros aspectos. 
Os sistemas de recuperação na web semântica 
Para que possam ser encontrados na internet, os dados armazenados precisam ter a 
semântica necessária. A partir disso, entra-se no contexto da web semântica. Santarém 
(2017, documento on-line) afirma: 
Com essa grande oferta de dados disponíveis é necessário um segundo 
passo, o desfrute desses datasets. É necessário transformar todo esse 
conjunto de informações em conhecimento útil e aplicável, de forma 
a mudar positivamente a vida das pessoas [...]. 
Nesse sentido, estruturas como o RDF (Resource Description Framework) organizam 
os dados em estruturas a serem armazenadas, de forma que a linguagem SPARQL 
possa recuperar essa informação.
7Ciclo de vida de um processo de ciência de dados
3 A análise exploratória em um conjunto de dados 
e as fases do ciclo de vida de ciência de dados 
A análise exploratória oferece um conhecimento inicial sobre os dados. A partir 
dela, é possível observar o resumo das características principais dos dados, 
para depois compreendê-los melhor. De forma geral, o seu intuito é analisar 
os dados antes mesmo de aplicar qualquer técnica estatística.
Nesse sentido, como demonstram Rodrigues e Dias (2017), a visualização 
dos dados consegue transmitir melhor a informação. Logo, faz-se necessário 
concebê-los de forma a auxiliar no ciclo de vida em ciência de dados. 
Para ilustrar as fases do ciclo de vida dos dados, imagine que precisa acessar os dados 
da empresa Airbnb para o estado do Rio de Janeiro, no Brasil.
Utilizando a linguagem Python 3 e o ambiente de desenvolvimento Google Cola-
boratory, você pode realizar a coleta de dados da seguinte forma:
Após a coleta, os dados serão armazenados em memória. Assim, você poderá recu-
perá-los e obter um conhecimento no dataset sobre a quantidade de colunas e linhas.
Ciclo de vida de um processo de ciência de dados8
Organize a retirada do sinal de dólar do campo price, para que possa utilizá-lo.
Realize então a verificação de valores de aluguéis discrepantes (outliers) em relação 
aos valores do conjunto de dados, conforme mostra a Figura 2. Esses dados serão 
descartados.
Figura 2. Gráfico de valores altos no pico.
Com isso, você pôde conhecer a dimensão dos dados e outliers e, assim, iniciar os 
primeiros descartes por meio da análise exploratória. 
9Ciclo de vida de um processo de ciência de dados
AMARAL, F. Introdução à ciência de dados: mineração de dados e big data. Rio de 
Janeiro: Alta Books, 2016.
BRACKETT, M. (ed.). et al. The dama guide to the data management body of knowledge. 
[S. l.]: Technics Publications, 2009.
BRASIL. Lei n. 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais 
(LGPD). Brasília, 2018. Disponível em: http://www.planalto.gov.br/ccivil_03/_ato2015-
2018/2018/lei/L13709.htm. Acesso em: 29 abr. 2020.
BRITO, F. T.; MACHADO, J. C. Preservação de privacidade de dados: fundamentos, 
técnicas e aplicações. In: JORNADAS DE ATUALIZAÇÃO EM INFORMÁTICA, 36., 2017. 
Anais [...]. São Paulo: SBC, 2007. Disponível em: http://csbc2017.mackenzie.br/public/
files/all/livro-jai.pdf. Acesso em: 29 abr. 2020.
FAGUNDES, P. B.; MACEDO, D. D. J.; FREUND, G. P. A produção científica sobre qualidade 
de dados em big data: um estudo na base de dados Web of Science. Revista Digital de 
Biblioteconomia e Ciência da Informação, v. 16, n. 1, 2018. Disponível em: https://periodi-
cos.sbu.unicamp.br/ojs/index.php/rdbci/article/view/8650412. Acesso em: 29 abr. 2020.
FERES, M. V. C.; OLIVEIRA, J. V.; GONÇALVES, D. D. Robin Hood às avessas: software, 
pirataria e direito autoral. Revista Direito GV, v. 13, n. 1, 2017. Disponível em: http://
bibliotecadigital.fgv.br/ojs/index.php/revdireitogv/article/view/68899/66490. Acesso 
em: 29 abr. 2020.
PAIVA, J. E. R. Copyrights, MP3 and the New Recording Industry in Brazil. Sonora, n. 
9, 2016. Disponível em: https://www.publionline.iar.unicamp.br/index.php/sonora/
article/view/676. Acesso em: 29 abr. 2020.
RODRIGUES, A. A.; DIAS, G. A. Estudos sobre visualização de dados científicos no 
contexto da Data Science e do Big Data. Pesquisa Brasileira em Ciência da Informação e 
Biblioteconomia, v. 12, n. 1, 2017. Disponível em: https://periodicos.ufpb.br/index.php/
pbcib/article/view/34774. Acesso em: 29 abr. 2020.
SANT’ANA, R. C. G. Ciclo de vida dos dados: uma perspectiva a partir da ciência da 
informação. Informação & Informação, v. 21, n. 2, 2016. Disponível em: http://www.uel.
br/seer/index.php/informacao/article/download/27940/20124. Acesso em: 29 abr. 2020.
SANTARÉM SEGUNDO, J. E. Web semântica: introdução a recuperação de dados usando 
SPARQL. In: ENCONTRO NACIONAL DE PESQUISA EM CIÊNCIA DA INFORMAÇÃO, 15., 2014. 
Anais […]. Belo Horizonte: UFMG, 2014. Disponível em: http://repositorios.questoese-
mrede.uff.br/repositorios/handle/123456789/3191?show=full. Acesso em: 29 abr. 2020.
Ciclo de vida de um processo de ciência de dados10
Os links para sites da web fornecidos neste capítulo foram todos testados, e seu fun-
cionamento 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.
SANTIN, P. L. L. et al. Integração de dados públicos de saúde e transporte: caracterização 
para modelagem multicamadas. In: WORKSHOP DE COMPUTAÇÃO URBANA, 3., 2019. 
Anais [...]. Porto Alegre: SBC, 2019. Disponível em: https://ojs.sbc.org.br/index.php/
courb/article/view/7471. Acesso em: 29 abr. 2020.
SANTOS, A.; ANDREOLI, T. Marketing viral: um estudo de caso de três vídeos do banco 
Itaú que se tornaram virais de sucesso. Revista GeTeC, v. 4, n. 8, 2015. Disponível em: 
http://www.fucamp.edu.br/editora/index.php/getec/article/view/672. Acesso em: 
29 abr. 2020.
Leituras recomendadas
BRASIL. Lei n. 9.279, de 14 de maio de 1996. Regula direitos e obrigações relativos à pro-
priedade industrial. Brasília, 1996. Disponível em: http://www.planalto.gov.br/ccivil_03/
Leis/L9279.htm. Acesso em: 29 abr. 2020.
BRASIL. Lei n. 9.610, de 19 de fevereiro de 1998. Altera, atualiza e consolida a legislação 
sobre direitos autorais e dá outras providências. Brasília, 1998. Disponível em: http://
www.planalto.gov.br/ccivil_03/leis/L9610.htm. Acesso em: 29 abr. 2020.
BRASIL. Lei n. 9.609, de 19 de fevereiro de 1998. Dispõe sobre a proteção da propriedade 
intelectual de programa de computador, sua comercialização no País, e dá outras 
providências. Brasília, 1998. Disponível em: http://www.planalto.gov.br/ccivil_03/leis/L9609.htm. Acesso em: 29 abr. 2020.
11Ciclo de vida de um processo de ciência de dados
Dica do professor
É importante verificar que há limites, na forma da Lei, para a coleta, 
o armazenamento, a recuperação e o descarte. Empresas ou acadêmicos devem observar que os 
dados devem ser utilizados 
com responsabilidade.
Nesta Dica do professor, você vai compreender os processos do ciclo de vida de ciência de dados 
em comparativo com a Lei Geral de Proteção de Dados (LGPD).
Aponte a câmera para o código e acesse o link do conteúdo ou clique no código para acessar.
https://fast.player.liquidplatform.com/pApiv2/embed/cee29914fad5b594d8f5918df1e801fd/5cefed76b30095798a1122cad301e8b8
Exercícios
1) A união de bases de dados similares, para tentar melhorar a análise dos dados, é uma tarefa 
comum em ciência de dados.
Dado que uma base de dados A contém dados íntegros, com grande confiabilidade e com 
campos similares aos de uma base de dados B, ambas as bases poderiam ser usadas para 
analisar um conjunto de dados. No entanto, na base B, verifica-se que 65% de seu total de 
campos está nulo, e muitos dados contêm erros relacionados ao formato. Qual seria uma boa 
estratégia a ser adotada dentro dos processos de ciência de dados?
A) Devem-se descartar as duas bases, justamente por não ser possível realizar a integração.
B) Mantém-se a segunda base somente, pois, como ela contém erros, de fato, será o objeto de 
estudo.
C) A base A será mantida, pois contém dados confiáveis, e a base B será descartada.
D) É possível integrar as duas bases, mesmo com alguns erros na base B.
E) A base B tem colunas correlatas à base A; portanto, deve-se realizar a integração.
Em ciência de dados, o contexto do armazenamento dos dados tem seus pormenores para que 
tenhamos a devida segurança e fácil recuperação.
Um hospital armazena os dados de seus pacientes a fim de que possa ter mais segurança e, 
também, realizar o devido tratamento. Especificamente na área de dermatologia, há uma pequena 
amostra de dados armazenados:
2) 
 
Eles foram realizados por um dermatologista de renome; assim, há alta taxa de confiabilidade e 
qualidade nos dados. No entanto, ele armazenou os dados dentro de seu smartphone em bloco de 
anotação digital, ao qual somente ele tem acesso. A partir do problema, o que se pode inferir a 
respeito do armazenamento, da recuperação, da qualidade e da privacidade? 
A) O médico armazenou de forma a dificultar a recuperação dos dados por outros; no entanto, 
não há privacidade.
B) Ele armazenou em um formato correto e com alta confiabilidade, de modo que não ocorra 
perda dos dados.
C) A coleta tem qualidade e confiabilidade, e, de fato, o armazenamento foi feito de forma 
errada, já que dificulta a recuperação, com possibilidades de perda.
D) A privacidade é mantida por ser um acesso único, e a recuperação é fácil. Já a qualidade dos 
dados é baixa e com pouca confiabilidade.
E) Ao priorizar a privacidade, o médico afetou a confiabilidade dos dados; portanto, eles devem 
ser descartados.
A partir da Lei Geral de Proteção de Dados (LGPD), as instituições devem ter o devido 
cuidado nos processos de ciência de dados, a fim de garantir a eficiência necessária com o 
cumprimento das normas.
3) 
Um sistema, alocado na Internet, solicita ao usuário dados pessoais e os armazena em uma 
base de dados relacional confiável, à qual somente a própria empresa tem acesso, utilizando-
a para o fim de marketing. De acordo com a Lei Geral da Proteção de Dados e as fases 
de coleta e descarte do processo de ciência de dados, pode-se afirmar que:
A) o usuário pode solicitar a qualquer momento uma cópia dos dados, bem como compreender 
para que fim estão sendo utilizados.
B) mesmo que o usuário peça o descarte, a empresa não é obrigada a fazê-lo, já que o usuário 
assinou um contrato digital de consentimento.
C) a empresa pode utilizar os dados para o fim necessário, ou seja, mesmo que tenha iniciado 
com marketing, poderá, posteriormente, realizar a venda dos dados.
D) para que seja realizada a coleta de dados, a empresa não precisa que o usuário informe o 
consentimento, pois pode utilizar-se de outras vias.
E) se o usuário pedir o descarte dos dados, a coleta não mais poderá ser realizada em nenhum 
momento, pois o usuário será excluído permanentemente.
4) Em ciência de dados, a preservação dos dados tem, em sua essência, o objetivo de contribuir 
para que o dado coletado tenha suas informações originais e fidedignas, sem perda de 
informações quando de sua recuperação.
No processo de identificação de pragas, um agrônomo pode colher, em campo, diversas 
fotografias em alta qualidade de cada uma delas e catalogá-las em seu sistema com o intuito 
de organizar uma base necessária para os seus estudos. No entanto, ao realizar os processos 
para a identificação, percebe que o horário e a qualidade das fotografias têm um papel 
importante para a catalogação. No que se refere aos fatores que permeiam as fases da 
ciência de dados, o que se pode compreender nesse contexto? 
A) A parte dos direitos autoriais foi violada, já que realizou fotografias de diversas pragas sem a 
autorização devida.
B) Devido à qualidade baixa dos dados, não é possível prosseguir com os estudos.
C) Estas seriam fotografias que se disseminariam facilmente nas redes sociais, pois todos 
compreenderiam seu significado.
D) A preservação das fotografias não é necessária, já que, após os estudos, elas serão 
descartadas.
E) 
Mostra a importância dos metadados, já que o dia e a hora das fotografias, bem como a 
sua qualidade, são dados que poderiam ser obtidos.
•
5) Na etapa de preparação de dados a serem submetidos ao processo de mineração de dados, 
uma importante tarefa consiste no processo de normalização dos dados numéricos, que está 
dentro do contexto da análise exploratória e do pré-processamento dos dados. Com isso, 
leva-se o conjunto de dados a uma mesma escala, evitando distorções na execução dos 
algoritmos de aprendizado de máquina utilizados na descoberta de conhecimento de dados, 
afetando a análise dos resultados.
A respeito da análise exploratória e o descarte dos dados, é possível afirmar:
A) Mesmo que a análise exploratória mostre campos nulos, a extração de conhecimento ainda 
pode ser feita com esses campos.
B) O descarte é realizado minuciosamente, retirando-se o que não faz sentido ao problema ou 
o que não tem condições de ter conhecimento extraído.
C) A mineração de dados é realizada já durante a coleta, a fim de que já se possa obter insights 
dos dados.
D) A análise exploratória é um passo que poderia ser ignorado, já que, ao identificar um dado na 
coleta, ele deve fazer parte de solução.
E) A normalização dos dados é parte importante anterior à coleta e faz com que a mineração dos 
dados seja mais efetiva.
Na prática
O ciclo de vida dos dados é importante na realização dos passos necessários para o resultado final: 
a extração da informação. 
Ele pode ser utilizado em qualquer conjunto de dados.
Neste Na Prática, você verá sua utilização dentro dos dados educacionais e como estes podem 
ajudar uma prefeitura a 
tomar decisões para a melhoria do serviço à população. 
Aponte a câmera para o 
código e acesse o link do 
conteúdo ou clique no 
código para acessar.
https://statics-marketplace.plataforma.grupoa.education/sagah/4304dd4c-fae8-4fe7-b9f1-5e254dd6d94a/bf1e2f8c-c05e-4d58-9acb-7dd6f071d666.jpg
Saiba +
Para ampliar o seu conhecimento a respeito desse assunto, veja abaixo as sugestões do professor:
Você sabe extrair informações de dados?
Assista ao vídeo a seguir, que mostra, de forma irreverente, como se deve olhar para um conjunto 
de dados para que se possa extrair conhecimento, quais são os primeiros passos e onde encontrar 
dados abertos e confiáveis para que se possa começar no mundo dos dados.
Aponte a câmera para o código e acesse o link do conteúdo ou clique no código para acessar.
Ciência de dados educacionais: definições e convergências 
entre as áreasde pesquisa
Há grande interesse na aplicação de técnicas oriundas da área de Big Data em problemas 
pertencentes ao contexto da informática na Educação. O artigo a seguir procura fundamentar a 
análise de dados educacionais a partir da ciência de dados.
Aponte a câmera para o código e acesse o link do conteúdo ou clique no código para acessar.
https://www.youtube.com/embed/RlGOaSPFtXc
https://www.researchgate.net/publication/320698163_Ciencia_de_Dados_Educacionais_definicoes_e_convergencias_entre_as_areas_de_pesquisa