E-Book da Unidade 2_Visualização de Dados_DIGITAL PAGES

Prévia do material em texto

RECURSOS GRÁFICOS 
PARA VISUALIZAÇÃO 
DE DADOS
2
UNIDADE
SER_DATSCI_VISUDADOS_UNID2.indd 42 20/02/2020 16:39:43
Objetivos da unidade
Tópicos de estudo
 Entender o que é indústria 4.0, Machine Learning e Inteligência Artificial;
 Conhecer quais são os principais métodos de visualização de dados;
 Conhecer o que são charts e plots;
 Conhecer o que são word clouds.
 Dados e a Revolução Industrial 4.0
 Machine Learning
 Inteligência Artificial
 Métodos de visualização de 
dados
 Gráficos (charts)
 Infográficos
 Mapas mentais 
 Word clouds 
 Estruturas visuais dos dados
 Tipos de dados
 Visual encodings
 Processo de criação de charts 
e plots
VISUALIZAÇÃO DE DADOS 43
SER_DATSCI_VISUDADOS_UNID2.indd 43 20/02/2020 16:39:43
Dados e a Revolução Industrial 4.0
Estamos vivendo em uma época que por muitos especialistas e pesquisadores 
é chamada de Revolução Industrial 4.0 ou indústria 4.0. Áreas promissoras como 
Machine Learning (aprendizado de máquina, em tradução livre), Inteligência Artifi -
cial (IA) e Data Science estão em grande evidência, proporcionando descobertas e 
evoluções tecnológicas que geram melhorias na qualidade de vida das pessoas em 
todo o mundo.
Muitas empresas e cientistas de diversos seguimentos de mercado estão in-
vestindo muito tempo e dinheiro em inúmeras pesquisas que visam promover a 
evolução de tecnologias relacionadas a estas áreas, como robôs autônomos com 
Inteligência Artifi cial ou algoritmos de aprendizagem de máquina que conseguem 
fazer análises aprofundadas sobre determinado cenário.
Sendo assim, a ideia central é projetar soluções sistêmicas que benefi ciem a hu-
manidade como um todo. Inclusive, o Ministério da Indústria, Comércio e Serviços 
mantém um site sobre a agenda brasileira para a indústria 4.0 para mostrar os de-
safi os e expectativas do país em adentrar de vez nesta nova revolução industrial.
Nesta corrida pelo alcance do progresso, os dados, por sua vez, continuam 
sendo considerados como a principal moeda de troca, ou seja, são os ativos mais 
importantes para as instituições e, de certa forma, são os motores responsáveis 
por todo este avanço. Já é de conhecimento comum que o valor atrelado aos dados 
transcende a simples organização deles em planilhas ou tabelas, ou seja, as informa-
ções contidas na combinação dos dados são tão importantes e relevantes que têm o 
poder de produzir novas interpretações, determinando outras direções que podem 
ser seguidas pelos tomadores de decisão. E isto independe da maneira pela qual os 
dados estão organizados.
A evolução proporcionada pela indústria 4.0 demonstra que a análise e a visua-
lização de dados devem ser mais consistentes e mais precisas do que nunca, visto 
que o volume de dados (Big Data) não para de crescer e a necessidade de compreen-
dê-los, transformando-os em insights, tem se tornado cada vez mais urgente.
Em virtude disto, as grandes instituições buscam constantemente profi ssionais 
capacitados em Data Science para dirigirem seus projetos de visualizações de da-
dos. Eles serão os responsáveis por indicar, por meio dos dados, novos caminhos 
aos seus gestores.
VISUALIZAÇÃO DE DADOS 44
SER_DATSCI_VISUDADOS_UNID2.indd 44 20/02/2020 16:39:43
Machine Learning
O aprendizado de máquina, mais conhecido por seu termo em inglês Machi-
ne Learning, é uma vertente da ciência da computação ligada à Inteligência Ar-
tifi cial, que promove o treinamento de sistemas e máquinas a fi m de realizarem 
tarefas que, em regra, seriam executadas por seres humanos.
Neste sentido, por meio de algoritmos específi cos, o próprio computador 
passa a ter autonomia para tomar decisões, gerando respostas de acordo com o 
modelo de dados que lhe é apresentado.
Em Data Science, podemos dizer que o Machine Learning é aplicado como 
um modelo de predições (análise preditiva), isto é, com base nos dados que o 
algoritmo de aprendizagem de máquina tem acesso, é possível encontrar previ-
sões e tendências sobre determinada situação. Isto ocorre quando se tem uma 
informação já conhecida dentro do conjunto de dados, sendo possível prever o 
comportamento do resultado na ocorrência de determinados eventos. A expe-
riência com eventos anteriores pode prover orientações para situações futuras.
Inteligência Artificial
A tecnologia tem avançado com muita velocidade, de maneira exponencial 
nas últimas décadas e, certamente, um dos frutos deste grande crescimento 
é o surgimento da Inteligência Artifi cial. O propósito deste campo de estudo 
é viabilizar o desenvolvimento de ferramentas e/ou dispositivos que simulem 
com grande precisão o poder de pensamento e raciocínio humano.
Com isto, diversas empresas atuam ativamente no desenvolvimento e cons-
trução de robôs e sistemas computacionais com Inteligência Artifi cial, como é o 
caso da empresa Hanson Robotics, responsável pelo desenvolvimento do robô 
humanoide Sophia (Figura 1).
EXPLICANDO
A análise preditiva (predictive analytics) é uma série de técnicas do cam-
po de estudo da ciência de dados ligada ao Machine Learning, estatística, 
mineração de dados e Inteligência Artifi cial que, com base no compor-
tamento de diversos conjuntos de dados históricos e atuais, se propõe a 
realizar previsões sobre situações ou eventos futuros.
VISUALIZAÇÃO DE DADOS 45
SER_DATSCI_VISUDADOS_UNID2.indd 45 20/02/2020 16:39:43
O robô Sophia tem a capacidade de responder a inúmeros questionamen-
tos, formulando suas próprias respostas. Isto quer dizer que ela é capaz de 
“pensar” nas respostas, expressando-as verbalmente. O algoritmo de funcio-
namento do robô é tão complexo que produz as próprias respostas com base 
em um banco de dados que é alimentado constantemente. O robô, que se co-
munica apenas em inglês, consegue ainda simular muitos gestos característi-
cos dos humanos, como sorrisos, caretas e outras expressões faciais.
Métodos de visualização de dados
No mundo empresarial, obter e gerenciar dados é algo muito comum 
e importante, pois com eles é possível gerar insights para a melhoria dos 
negócios de uma instituição. Os dados promovem o surgimento de novas 
oportunidades, visando manter a competitividade das empresas no mer-
cado. Com os dados, é possível perceber qual é o nível de satisfação dos 
ASSISTA
Em virtude da expansão da Inteligência Artifi cial e seu impacto na humanidade, 
assista a uma entrevista que mostra o funcionamento da inteligência artifi cial do 
robô Sophia, contida no vídeo Sophia, a robô mais inteligente do mundo.
Figura 1. Robô Sophia. Fonte: Shutterstock. Acesso em: 13/11/2019. 
VISUALIZAÇÃO DE DADOS 46
SER_DATSCI_VISUDADOS_UNID2.indd 46 20/02/2020 16:39:50
clientes com determinado produto ou serviço. Além disso, os gestores po-
dem ter uma visão amplificada sobre o posicionamento de suas empresas 
no mercado perante seus concorrentes.
Tendo em vista este cenário, construir visualizações de dados coerentes 
e impactantes é tido como o objetivo de qualquer profissional que se propo-
nha a trabalhar como um cientista de dados. Isto não quer dizer, porém, que 
seja uma tarefa fácil. Há muitos obstáculos que precisam ser vencidos neste 
processo. O grande desafio para o cientista de dados é realizar o tratamento 
dos dados brutos, transformando-os em informações que possam ser rele-
vantes para que um gestor consiga analisar previsões para um determinado 
período, por exemplo. Sendo assim, para facilitar a completude deste desa-
fio, o cientista de dados deve fazer uso de recursos gráficos escolhidos com 
muita cautela, que possibilitam o estabelecimento de conexões assertivas 
em conformidade com o momento e realidade vividos pela empresa.
Possivelmente, em algum momento de sua vida, você pode ter se de-
parado com diversos tipos de recursos gráficos que são utilizados em vi-
sualizações de dados, tais como mapas de calor, dashboards interativos ou 
gráficos. Estas ferramentas auxiliam na transmissão da mensagem ao exibi-
remos dados de maneira combinada, dentro de um contexto, facilitando a 
compreensão por parte da audiência.
É comum, entretanto, no mundo corporativo, a insatisfação de muitos 
gestores com a forma com a qual os dados lhes são apresentados. Em mui-
tos casos, os dados são demonstrados de maneira isolada, não fazendo 
conexões com o contexto e momento vividos pela empresa. Isto dificulta 
muito a tomada de decisões, pois gera incertezas e muita insegurança. A 
projeção correta de uma visualização de dados, por sua vez, proporciona o 
entendimento pleno da mensagem e, a partir de então, a tomada de decisão 
pode ser realizada com convicção e de maneira precisa, minimizando pos-
síveis riscos.
Os recursos gráficos são muito importantes e é bastante recomendado 
que sejam utilizados em projetos Data Science; contudo, devem ser consi-
derados apenas como coadjuvantes no processo de comunicabilidade das 
informações compiladas. O objetivo da informação não pode ser ofuscado 
pelos recursos gráficos.
VISUALIZAÇÃO DE DADOS 47
SER_DATSCI_VISUDADOS_UNID2.indd 47 20/02/2020 16:39:50
Assim, o cientista de dados deve assumir a posição de protagonista na 
transmissão de uma mensagem convincente e transparente, deixando em 
total evidência a ideia proposta pelos dados. A escolha do melhor método 
para uso em um projeto de visualização de dados começa com algumas sim-
ples reflexões. São elas:
• Quem é o seu público-alvo e quais são seus interesses? 
Conhecer o perfil do público-alvo e seus interesses é essencial para que 
o cientista de dados consiga construir uma boa visualização de dados. Nesta 
sondagem, é possível perceber características que são exclusivas do público 
e que podem contribuir para a correta escolha do método de visualização. 
Saber a motivação do seu público também é uma boa estratégia.
• Quais dúvidas o público-alvo possui em relação aos dados? 
Se o público-alvo deseja ter acesso à visualização de dados para poder 
tomar decisões que impactem no negócio como um todo, o cientista de 
dados precisará estar preparado para esclarecer todas as suas perguntas. 
Uma boa prática é conhecer a regra de negócio da empresa e entender todo 
o seu fluxo de geração de dados.
• Que informações você deseja comunicar a ele? 
Com os dados em mãos e todos os insumos necessários para a constru-
ção de uma visualização, o cientista ainda precisa saber selecionar o que 
realmente é importante dentro do conjunto de dados. O filtro se faz neces-
sário para que o público não seja distraído com informações irrelevantes.
Com as respostas para estas perguntas em mente, o cientista de da-
dos conseguirá construir um projeto bem estruturado. Isto significa que ter 
um propósito bem definido facilitará o processo de desenvolvimento da vi-
sualização de dados e, indo além, permitirá que os stakeholders 
consigam absorver o maior número de informações possíveis, 
percebendo, por exemplo, mais de uma solução para um deter-
minado problema.
Como não existe um passo a passo ou recei-
ta de bolo que defina quais recursos gráficos 
devem ser utilizados em cada caso, a melhor 
saída é testar mais de um tipo de método de 
visualização para um mesmo conjunto de dados. 
VISUALIZAÇÃO DE DADOS 48
SER_DATSCI_VISUDADOS_UNID2.indd 48 20/02/2020 16:39:50
Perceber o comportamento de um mesmo conjunto de dados (dataset) em 
diferentes tipos de visualizações tornará o cientista de dados experiente no 
desenvolvimento deste tipo de projeto. Com isso, ele conseguirá observar 
quais recursos visuais demonstraram com maior assertividade e precisão o 
que os dados querem informar.
CITANDO
“Algo importante também em relação à visualização dos dados é que, 
além dos gráfi cos convencionais que estamos acostumados (como o de 
barras, de pizza e de linha), há uma variedade de opções para se transmitir 
uma mensagem, que, dependendo do cenário, pode ser a forma mais efi -
caz de representar visualmente seus dados” (MARQUESONE, 2016, p. 180).
Essencialmente, existem diversos tipos de métodos de visualizações de da-
dos, dentre os quais podemos citar alguns exemplos, como gráfi cos, mapas 
mentais, infográfi cos, word clouds etc. Vamos conhecê-los nos próximos tópicos.
Gráficos (charts)
Conhecidos por serem os métodos mais tradicionais de visualizações de 
dados, os gráfi cos (charts), ocupam o posto de ferramenta mais utilizada por 
cientistas de dados em seus projetos, pois, com ele, é possível perceber de 
forma natural a evolução e o comportamento de um determinado conjunto de 
dados, levando em consideração certa unidade de medida, como o tempo, por 
exemplo. Deste modo, é possível observar como diferentes elementos intera-
gem dentro de uma mesma escala, contribuindo para uma análise simultânea 
destes dados. 
Alguns questionamentos que podem vir a surgir em relação a este méto-
do são: por que os gráfi cos são os recursos mais utilizados pelos cientistas 
de dados? E quais são as vantagens em utilizá-los? Há uma série de motivos 
que podemos elencar para explicar este fenômeno, dentre os quais podemos 
destacar:
• Fácil leitura: ideias compiladas em gráfi cos são exibidas de maneira resu-
mida, tornando a leitura leve, rápida e sucinta, facilitando o entendimento da 
mensagem pelo interlocutor.
VISUALIZAÇÃO DE DADOS 49
SER_DATSCI_VISUDADOS_UNID2.indd 49 20/02/2020 16:39:50
• Exibe conexões: dentro de um gráfico, é muito mais fácil perceber as 
conexões que existem entre parâmetros diferentes. Desta forma, podemos 
observar que um elemento pode vir a sofrer uma alteração e que esta varia-
ção ocorre em decorrência de alteração de valor em outro processo. Ou seja, 
a mudança de um dado pode interferir em outro, demonstrando, assim, uma 
correlação entre eles.
• Desperta parcerias: por ser uma linguagem de simples compreensão, 
os gráficos possibilitam que muitos colaboradores de uma determinada em-
presa ou organização consigam atuar 
juntos na melhoria de processos in-
ternos, tendo por objetivo a obtenção 
de melhores resultados. 
• Avaliação de resultados: a ma-
neira como os gráficos são organiza-
dos facilita uma análise aprofundada 
dos dados, de modo que possam ser 
feitos comparativos entre períodos. 
Ou seja, é possível avaliar qualitativa 
e quantitativamente o desempenho 
de determinadas ocorrências, perce-
bendo se obtiveram resultados posi-
tivos ou negativos, por exemplo.
Os gráficos possuem tipos dife-
rentes que são aplicados também em contextos variados, dentre os quais 
podemos citar alguns exemplos: gráfico de barras, gráfico de colunas, gráfico 
de linhas, gráfico de rosca, gráfico de pizza.
Gráfico de barras: este tipo de recurso é perfeito para 
a representação de informações lineares. A ideia des-
te gráfico é focar na comparação de muitos dados. 
Como exemplo, ele pode ser utilizado para a exibição 
de quantidades vendidas de um produto em um 
período específico. Os dados são dispostos 
horizontalmente. Observe um exemplo no 
Gráfico 1: 
VISUALIZAÇÃO DE DADOS 50
SER_DATSCI_VISUDADOS_UNID2.indd 50 20/02/2020 16:39:58
Gráfico de colunas: este tipo de recurso é semelhante ao gráfico de barras e 
sua aplicabilidade pode ser a mesma. A única diferença é que, no gráfico de colu-
nas, os dados são dispostos verticalmente, conforme exemplificado no Gráfico 2.
GRÁFICO 2. EXEMPLO DE GRÁFICO DE COLUNAS: UNIDADES DE ELETRÔNICOS
GRÁFICO 1. EXEMPLO DE GRÁFICO DE BARRAS: UNIDADES DE ELETRÔNICOS
VISUALIZAÇÃO DE DADOS 51
SER_DATSCI_VISUDADOS_UNID2.indd 51 20/02/2020 16:40:00
Gráfico de linhas: este tipo de recurso é ideal para demonstrar a evolução de 
um elemento dentro de um período específico. A projeção é realiza-
da em formato de linha e a sua disposição é horizontal. 
Uma observação importante é quanto ao cuidado com 
a quantidade de elementos a serem exibidos, pois o 
excesso de linhas pode impedir a leitura das legen-
das, dificultando o entendimento das informações 
nele contidas.
GRÁFICO3. EXEMPLO DE GRÁFICO DE LINHAS: UNIDADES VENDIDAS DE 
UM SMARTPHONE
Gráfico de pizza: este tipo de gráfico é muito prático e co-
mum em projetos de visualizações. Ele se caracteriza com a 
divisão dos dados em setores e a composição de todas as 
partes formam um todo. Desta forma, cada setor repre-
senta uma parte da informação a qual está relacionado.
É importante mencionar, entretanto, que o uso 
deste gráfico só é assertivo se a soma de todas 
as partes dos dados daquela informação for 
igual a 100%. 
VISUALIZAÇÃO DE DADOS 52
SER_DATSCI_VISUDADOS_UNID2.indd 52 20/02/2020 16:40:01
GRÁFICO 4. EXEMPLO DE GRÁFICO DE PIZZA: VENDAS DE UMA BARRACA DE FEIRA
GRÁFICO 5. EXEMPLO DE GRÁFICO DE ROSCA: VOTOS (CANDIDATO X, 
CANDIDATO Y, CANDIDATO Z)
Gráfico de rosca: este tipo de visualização é semelhante ao gráfico de piz-
za, exibindo a composição de um todo, mas ele pode conter mais de uma se-
quência de dados. O Gráfico 5 retrata o modelo deste tipo de visualização. No 
exemplo, é possível observar o resultado de uma eleição de candidatos X, Y e Z 
nos estados de São Paulo e Rio de Janeiro. No anel externo, são exibidas as por-
centagens de votos do RJ; já no anel interno, as porcentagens de votos de SP. 
O gráfico demonstra também os votos nulos e brancos de ambos os estados.
VISUALIZAÇÃO DE DADOS 53
SER_DATSCI_VISUDADOS_UNID2.indd 53 20/02/2020 16:40:02
Gráfi co de área: o gráfi co de área é muito similar ao gráfi co de linhas. A diferen-
ça é que, no gráfi co de área, o espaço entre a linha e o eixo é preenchido com uma 
cor. Além disso, a ideia deste gráfi co é exibir as alterações nos números de uma 
categoria ao longo de um período específi co. É possível utilizar este gráfi co para re-
presentar as vendas dos funcionários em um período específi co de tempo.
GRÁFICO 6. EXEMPLO DE GRÁFICO DE ÁREA: VENDAS FUNCIONÁRIOS
Infográficos
Dentre as principais ferramentas de visualizações de dados disponíveis no 
mercado, podemos citar os infográfi cos, que são variações dos gráfi cos. Eles 
podem ser classifi cados e defi nidos como outra estratégia de comunicação. 
Com o auxílio de textos explicativos, exibe imagens que informam sobre te-
mas e assuntos relacionados ao conjunto de dados. Com isso, podemos dizer 
que os infográfi cos são representações visuais dos dados (informações), com-
binando imagens e textos.
Este método de visualização é amplamente utilizado por empresas de di-
versos setores, como, por exemplo, organizações que atuam com mídias di-
gitais, como sites, jornais e/ou revistas eletrônicas. Além disso, é importante 
VISUALIZAÇÃO DE DADOS 54
SER_DATSCI_VISUDADOS_UNID2.indd 54 20/02/2020 16:40:04
mencionar que os infográfi cos são muito úteis e proporcionam excelentes 
resultados em projetos de visualização de dados, principalmente quando as 
informações precisam ser apresentadas de maneira interativa e com certo di-
namismo. Por este motivo, uma de suas vantagens principais é a de que ele 
pode ser personalizado de acordo com as características de cada público-alvo.
Os infográfi cos possuem uma série de aplicabilidades adaptadas para di-
versos contextos, como em reuniões de negócios ou conferências, podendo ser 
utilizados para demonstrar os resultados fi nanceiros de uma empresa dentro 
de um período específi co, por exemplo. 
Vejamos algumas das principais vantagens de se aplicar infográfi cos em 
projetos de visualização de dados:
• Podem ser memorizados com facilidade: as imagens, além de comple-
mentarem o entendimento da mensagem que está sendo passada por meio 
dos textos, são mais fáceis de serem gravadas, possibilitando que o interlocu-
tor crie uma memória visual.
• São altamente persuasivos: os infográfi cos causam impacto e proporcio-
nam a sensação de pertencimento. Além disso, direcionam a atenção do inter-
locutor para o que realmente é importante dentro da visualização de dados.
• Simplifi cam o entendimento: por serem muito bem objetivos e diretos 
na transmissão da mensagem, os infográfi cos proporcionam uma melhor com-
preensão dos dados, quase que de maneira intuitiva.
Mapas mentais
Os mapas mentais são ferramentas de organização de informações que au-
xiliam na representação visual de diferentes conexões entre elementos distin-
tos. Em adição, pode-se dizer que este método de visualização é responsável 
por unir dados diferentes, ramifi cando as ideias, como em um diagrama.
A ideia de um mapa mental, também chamado de mind map, é sintetizar 
os dados, selecionando apenas as informações-chave que são mais relevantes 
para serem representadas visualmente.
Decerto, o seu funcionamento se dá com a inserção de um tema central, 
gerando ramifi cações de ideias e conceitos atrelados a ele, conforme observável 
no exemplo do Diagrama 1, sendo que o tema central é projeto e, a partir des-
VISUALIZAÇÃO DE DADOS 55
SER_DATSCI_VISUDADOS_UNID2.indd 55 20/02/2020 16:40:04
ta palavra-chave, são gerados diversos pontos de ligação, como tempo, ideia, 
recursos, criatividade, comunicação, estudo e metas, que formam a linha de 
pensamento relacionado ao assunto de onde se originou o mapa mental.
Outro exemplo de uso para os mapas mentais nas empresas, além da ex-
posição de ideias, é a verifi cação de tendências para um determinado produto 
ou serviço.
DIAGRAMA 1. EXEMPLO DE MAPA MENTAL
Recursos
Criatividade
Comunicação
Metas
Estudo
Tempo
Ideia
Mapa Mental 
do Projeto
Fonte: Shutterstock. Acesso em: 13/11/2019. (Adaptado).
Word clouds
Além das ferramentas mencionadas anteriormente, temos outro méto-
do de visualização de dados bastante popular, especialmente em websites, 
blogs ou em sistemas web utilizados pelas empresas. Este tipo de visuali-
zação é chamado de word cloud (nuvem de palavras).
VISUALIZAÇÃO DE DADOS 56
SER_DATSCI_VISUDADOS_UNID2.indd 56 20/02/2020 16:40:05
Diferentemente da maneira como são representados os recursos baseados em 
imagens, as word clouds são exclusivamente formadas e estruturadas apenas por 
palavras. Este recurso tem como propósito fundamental demonstrar a frequência 
de ocorrência de palavras que existe em um conjunto de dados textual. A ideia é que 
quanto mais vezes uma determinada palavra for encontrada no conjunto de dados, 
ela será representada em maior tamanho na nuvem de palavras.
Apesar de não demonstrar quantas vezes uma palavra foi encontrada no con-
junto de dados, uma word cloud auxilia muito no entendimento de que determina-
do termo pode ser mais relevante que outro, visto que ele está em maior evidência.
Em um sistema web empresarial, por exemplo, uma word cloud poderia ser ge-
rada com os principais termos pesquisados pelos usuários. Além disso, neste mes-
mo exemplo, as palavras que formam a word cloud poderiam ser transformadas em 
hiperlinks para direcionar os usuários por determinadas áreas do sistema. 
As cores utilizadas em nuvens de palavras não seguem nenhum padrão ou 
regra específica. Isto quer dizer que elas são adicionadas apenas para fins estéti-
cos deste tipo de visualização de dados.
Um ponto de atenção em relação às nuvens de palavras é que elas não po-
dem ser consideradas para análises estatísticas precisas, visto que não exibem a 
quantidade de vezes que uma palavra é encontrada no conjunto de dados.
Figura 2. Exemplo de word cloud. Fonte: Shutterstock. Acesso em: 17/11/2019.
VISUALIZAÇÃO DE DADOS 57
SER_DATSCI_VISUDADOS_UNID2.indd 57 20/02/2020 16:40:13
Estruturas visuais dos dados
Representar os dados grafi camente, sem sombra de dúvidas, exige gran-
de responsabilidade e esforço por parte do cientista de dados, que, além de 
pensar em como as informações devem ser organizadas para facilitar o enten-
dimento do público, deve pensar também em como serão construídas estas 
estruturas visuais. Neste sentido, nos próximos tópicos vamos compreender 
quais são as partes conceituais que defi nem os tipos de dados, bem como en-
tender como os gráfi cos são estruturadosvisualmente.
Tipos de dados
Ao se trabalhar com Data Science, antes de iniciar qualquer projeto de Data 
Visualization, o cientista de dados precisa conhecer com riqueza de detalhes 
quais são os tipos de dados que ele possui em mãos. Basicamente, existem qua-
tro tipos de dados, que estão divididos em duas categorias principais: qualitati-
vas e quantitativas.
Dados qualitativos: são dados de caráter mais subjetivo, que podem represen-
tar uma característica ou propriedade de um elemento do conjunto. Por exemplo: 
um produto poderia ser classifi cado como ótimo, bom ou ruim. Esta classifi cação 
seria o dado qualitativo. Além disso, estes dados podem possuir narrativas faladas 
ou escritas e estão organizados em dados nominais e dados ordinais.
• Dado qualitativo nominal: como o próprio nome diz, são dados que po-
dem ser nomeados ou rotulados e não necessitam de ordenação. Por exemplo: cor 
do cabelo, sexo, país etc.
• Dado qualitativo ordinal: são variáveis que possuem uma ordem ou se-
quência natural. Por exemplo: índices, escolaridade, meses do ano. 
Dados quantitativos: são dados baseados em análises estatísticas e matemáti-
cas, portanto, podem ser contabilizados. Estes dados podem ser defi nidos em dis-
cretos e contínuos.
• Dados quantitativos discretos: são dados que podem ser contados e orga-
nizados numericamente. Podemos citar como exemplo o número de acessos únicos 
em um website ou vídeos de uma plataforma de streaming, unidades vendidas de 
um determinado produto, número de e-mails enviados em um período específi co.
VISUALIZAÇÃO DE DADOS 58
SER_DATSCI_VISUDADOS_UNID2.indd 58 20/02/2020 16:40:14
• Dados quantitativos contínuos: são variáveis que podem assumir valo-
res que, por ventura, sejam analisados dentro de um intervalo, como, por exem-
plo, o peso e a altura de uma pessoa, o tempo, o salário de um funcionário de uma 
determinada empresa ou taxas de juros. Estes valores podem ser alterados dentro 
desta escala.
Visual encodings
Uma vez que o cientista conhece os dados e já possui entendimento sufi -
ciente sobre o que eles representam para o seu público, inicia-se o momento 
de codifi cá-los visualmente. Este processo é chamado de visual encoding 
(codifi cação visual, em português).
Independentemente do método de visualização escolhido pelo cientista 
de dados, a informação precisa ser distribuída (mapeada) em estruturas vi-
suais, ou seja, precisa ser codifi cada visualmente por meio de variáveis. Em 
outras palavras, dizemos que codifi cação visual é a forma pela qual as infor-
mações (dados) são organizadas em tela. São duas as categorias de variáveis 
para visual encoding: planar e retinal. 
A categoria de variáveis visual encoding planar é muito conhecida pelas 
pessoas, especialmente se você estudou matemática em algum momento. 
Ou seja, se você conhece os eixos X e 
Y de um plano cartesiano, certamente 
já trabalhou com este tipo de técnica, 
pois elas representam os pontos em 
um sistema de coordenadas. Desta 
forma, utilizamos coordenadas X e Y 
para a construção da estrutura visual 
de um gráfi co. Quando há a necessi-
dade de utilizar uma terceira dimen-
são, utilizamos o eixo Z, muito comum 
em gráfi cos tridimensionais (3D). A 
codifi cação visual planar é muito mais 
assertiva na representação visual de 
dados quantitativos.
VISUALIZAÇÃO DE DADOS 59
SER_DATSCI_VISUDADOS_UNID2.indd 59 20/02/2020 16:40:19
Entretanto, é importante mencionar que o uso destas propriedades de 
retina depende de algumas condições, como o tipo de dado (se é qualita-
tivo ou quantitativo) e o tipo de mídia que será utilizada na visualização 
(digital ou impressa). Vejamos o detalhamento de cada uma delas:
• Tamanho: ao codificar visualmente os dados, devemos levar em 
consideração o tamanho que eles serão exibidos, visto que, se uma de-
terminada informação for colocada em tamanho pequeno dentro de um 
gráfico, poderá ser considerada com pouca relevância, e se for inserida 
com um tamanho grande, terá maior significância e importância ou, de-
pendendo do indicador, pode demonstrar um sinal de atenção. Este tipo 
de visual encoding é ideal para representação de dados quantitativos. 
A categoria visual encoding retinal pode ser definida como as proprieda-
des que utilizamos para expressar os dados. Existem seis variáveis principais 
nesta categoria (exemplificados no Quadro 1). São elas: cor, tamanho, satu-
ração da cor, forma, textura e orientação. A necessidade de adição destas 
propriedades se dá pela urgência de apresentar mais de uma variável em 
uma única visualização.
QUADRO 1. EXEMPLOS DE VARIÁVEIS DE RETINA
Fonte: CIANCI, 2018.
Tamanho
Orientação
Saturação da cor Textura
Forma
Matiz de cor
Variáveis de retina
VISUALIZAÇÃO DE DADOS 60
SER_DATSCI_VISUDADOS_UNID2.indd 60 20/02/2020 16:40:20
GRÁFICO 7. EXEMPLO DE VISUAL ENCODING RETINAL (TAMANHO)
• Orientação: esta codificação visual é responsável por direcionar o interlo-
cutor na leitura dos elementos contidos em um gráfico. Desta forma, organizar 
bem os dados facilitará a leitura e interpretação fluida da informação ali repre-
sentada. Por exemplo: se o usuário a quem se destina a visualização de dados 
for de uma cultura em que a leitura é realizada da direita para a esquerda, os 
elementos devem ser dispostos nesta orientação para que a compreensão so-
bre o conteúdo seja facilitada.
• Cor: em um projeto de visualização, a escolha da cor dos elementos de um 
gráfico é de suma importância e deve ser feita com muita responsabilidade, 
pois o uso equivocado pode induzir o interlocutor a ter uma percepção errada 
sobre aquela informação. Por exemplo, estamos acostumados com a ideia de 
que sinais de alerta são exibidos em amarelo, enquanto os sinais de perigo são 
demonstrados em vermelho. Trocar as cores em situações como estas pode 
gerar erros na compreensão da informação.
• Saturação da cor: uma vez escolhida a cor, é possível também selecionar 
a sua escala, ou seja, a tonalidade desta cor, visando diferenciar os dados de 
maneira adequada. Observe um exemplo de saturação na Figura 3:
Fonte: TAUCHARTS, 2020. Acesso em: 16/02/2020. 
VISUALIZAÇÃO DE DADOS 61
SER_DATSCI_VISUDADOS_UNID2.indd 61 20/02/2020 16:40:21
• Forma: neste tipo de visual encoding, a ideia principal é criar diferentes 
formatos para diferenciar os elementos de um gráfico, conforme podemos vi-
sualizar no Gráfico 8.
GRÁFICO 8. EXEMPLO DE VISUAL ENCODING RETINAL (FORMA)
Fonte: HEER, 2019.
Figura 3. Exemplo de visual encoding retinal (saturação da cor). Fonte: AdobeStock. Acesso em: 20/11/2019. 
VISUALIZAÇÃO DE DADOS 62
SER_DATSCI_VISUDADOS_UNID2.indd 62 20/02/2020 16:40:29
Processo de criação de charts e plots
Ao elaborar ou projetar quaisquer charts (gráfi cos) e plots, o cientista de 
dados precisa ter em mente que há três camadas (layers) comuns a qualquer 
gráfi co e elas não podem ser ignoradas no processo de desenvolvimento. 
São elas: camada dados, camada mapeamento e camada gráfi ca. As vi-
sual encodings aqui estudadas estão localizados na camada gráfi ca.
• Textura: este visual encoding é menos usual, porém pode ser utilizado 
para realçar suavemente os elementos de um gráfi co, dando a sensação de 
relevo ou destaque.
Você verá a seguir as principais etapas que cada uma destas camadas possui:
Camada dados 
Os dados representam a essência de um gráfi co. Toda a formação do gráfi co 
depende do conjunto de informações. É nesta etapa que o cientista seleciona e 
organiza quais serão os dados a serem utilizados para a construção de um gráfi -
co adequado ao seu público. Para isto, algumas tarefas precisam ser executadas 
por este profi ssional:
• Localização e seleção dos dados oriundos das diversas fontes de informa-
ções disponíveis;
• Importação dos dados em um formato adequado para a construção do 
gráfi co;
• Verifi cação de ocorrência de relacionamento entre os dados;
• Análise dos dados brutos.
Camadamapeamento
Nesta camada, os dados são compilados, fi ltrados e comparados. Com isso, 
são verifi cadas as possíveis inconsistências entre os conjuntos de informações 
disponíveis. Este processo requer a realização das seguintes tarefas:
EXPLICANDO
Plot é uma técnica para a representação de um conjunto de dados em formato 
gráfi co. Na prática, este mecanismo exibe grafi camente o relacionamento 
entre diferentes variáveis de um ou mais conjuntos de dados.
VISUALIZAÇÃO DE DADOS 63
SER_DATSCI_VISUDADOS_UNID2.indd 63 20/02/2020 16:40:29
• Análise aprofundada dos dados;
• Verificação da integridade dos dados;
• Associação de forma adequada dos diferentes canais de dados;
• Geometria e correspondência.
Camada gráfica 
Esta camada se refere ao resultado das tarefas realizadas nas camadas 
anteriores, ou seja, ela é a finalização de todo o processo, demonstrando, ao 
final, o gráfico efetivamente construído. Nesta etapa, as seguintes tarefas 
devem ser realizadas pelo cientista de dados:
• Gerenciamento das interações;
• Conversão da geometria dos dados em imagens;
• Formatação do gráfico;
• Aplicação das visual encodings.
VISUALIZAÇÃO DE DADOS 64
SER_DATSCI_VISUDADOS_UNID2.indd 64 20/02/2020 16:40:29
Sintetizando
Prezado aluno, chegamos ao fim de mais uma unidade. Esperamos que os 
conteúdos aqui abordados tenham sido de grande valia e proveito para o seu 
aprendizado.
Com base no que estudamos, você pôde perceber que, na Revolução In-
dustrial 4.0, a influência dos dados é bem presente, principalmente em áreas 
como Machine Learning e Inteligência Artificial. 
Por conseguinte, conhecemos em detalhes alguns tipos de recursos grá-
ficos utilizados em projetos de visualização de dados, tais como: gráfico de 
colunas, gráfico de barras, gráfico de linhas, gráfico de pizza, gráfico de ros-
ca, gráfico de área, infográficos, mapas mentais e word clouds. Além disso, 
entendemos os tipos de dados qualitativos e quantitativos, bem como suas 
variações. Mais adiante, conhecemos os principais conceitos que norteiam a 
construção das estruturas visuais dos dados: as visual encodings.
Tendo em vista todos os mecanismos de construção de visualização de 
dados estudados neste capítulo, é possível compreender que a maior dificul-
dade do cientista de dados não está na escolha das ferramentas, mas, sim, 
na decisão de como irá realizar a comunicação dos dados aos stakeholders.
Portanto, muito mais importante que o método de visualização escolhido 
é a definição da linguagem que será empregada nesta comunicação. Ela pre-
cisa ser nítida. O cientista de dados deve ser a peça-chave deste processo, 
mantendo sempre o foco na mensagem dos dados. Bons estudos!
VISUALIZAÇÃO DE DADOS 65
SER_DATSCI_VISUDADOS_UNID2.indd 65 20/02/2020 16:40:29
Referências bibliográficas
CIANCI, E. M. Data visualization fundamentals. Disponível em: <https://erik-
cianci.com/blog/data-visualization-fundamentals#visual-encodings>. Acesso 
em: 16 fev. 2020.
DUBAKOV, M. Visual encoding. Disponível em: <https://www.targetprocess.
com/articles/visual-encoding>. Acesso em: 16 fev. 2020.
HEER, F. Data types, graphical marks, and visual encoding channels. Dispo-
nível em: <https://observablehq.com/@uwdata/data-types-graphical-marks-an-
d-visual-encoding-channels>. Acesso em: 16 fev. 2020.
MARQUESONE, R. Big data: técnicas e tecnologias para extração de valor dos 
dados. São Paulo: Casa do Código, 2016.
MINISTÉRIO DA INDÚSTRIA, COMÉRCIO E SERVIÇOS. Agenda brasileira para a 
indústria 4.0. Disponível em: <http://www.industria40.gov.br/>. Acesso em: 16 
fev. 2020.
MOREIRA, L. P. O que é gráfico? Disponível em: <https://brasilescola.uol.com.
br/o-que-e/matematica/o-que-e-grafico.htm>. Acesso em: 16 fev. 2019.
NEOMAN STUDIOS. Why your brain craves infographics. Disponível em: <ht-
tps://neomam.com/interactive/13reasons/>. Acesso em: 16 fev. 2020.
SOPHIA, a robô mais inteligente do mundo | Indústria 4.0. Postado por Baú 
do Conhecimento. (5 min. 49 s.). son. color. port. Disponível em: <https://www.
youtube.com/watch?v=XB6BGu5bQjI>. Acesso em: 16 fev. 2020.
TAUCHARTS. Visual encoding/size. Disponível em: <https://api.taucharts.com/
advanced/visual_encoding__size.html>. Acesso em: 16 fev. 2020.
VISUALIZAÇÃO DE DADOS 66
SER_DATSCI_VISUDADOS_UNID2.indd 66 20/02/2020 16:40:29