Big Data e Ciência de Dados - Unidade 1 - Intrudução ao Big Data

Prévia do material em texto

Unidade 1
Introdução ao Big Data
Big Data e 
Ciência de Dados
Diretor Executivo 
DAVID LIRA STEPHEN BARROS
Gerente Editorial 
CRISTIANE SILVEIRA CESAR DE OLIVEIRA
Projeto Gráfico 
TIAGO DA ROCHA
Autoria 
JÉSSICA LAISA DIAS DA SILVA
ALAN DE OLIVEIRA SANTANA
AUTORIA
Jéssica Laisa Dias da Silva 
Olá. Sou graduada em Sistemas da Informação pela Universidade de 
Ciências Sociais Aplicadas (Unifacisa) e mestre em Sistema e Computação 
pela Universidade Federal de Rio Grande do Norte (UFRN). Atualmente, 
sou doutoranda em Sistema e Computação pela UFRN e professora 
conteudista na elaboração de cadernos.
Alan de Oliveira Santana 
Olá. Sou graduado em Ciência da Computação pela Universidade 
do Estado do Rio Grande do Norte (UERN) e mestre em Sistemas da 
Computação pela Universidade Federal do Rio Grande do Norte (UFRN). 
Atualmente, sou professor conteudista, elaborador de cadernos de 
questões e doutorando em Ciências da Computação. Como cientista, 
atuo no desenvolvimento e avaliação de técnicas de desenvolvimento de 
sistemas com ênfase na educação.
Desse modo, fomos convidados pela Editora Telesapiens a integrar 
seu elenco de autores independentes. Estamos muito satisfeitos com o 
convite e a possibilidade de auxiliar em seu desenvolvimento intelectual 
e profissional. Bons estudos!
ICONOGRÁFICOS
Olá. Esses ícones irão aparecer em sua trilha de aprendizagem toda vez 
que:
OBJETIVO:
para o início do 
desenvolvimento 
de uma nova 
competência;
DEFINIÇÃO:
houver necessidade 
de se apresentar um 
novo conceito;
NOTA:
quando necessária 
observações ou 
complementações 
para o seu 
conhecimento;
IMPORTANTE:
as observações 
escritas tiveram que 
ser priorizadas para 
você;
EXPLICANDO 
MELHOR: 
algo precisa ser 
melhor explicado ou 
detalhado;
VOCÊ SABIA?
curiosidades e 
indagações lúdicas 
sobre o tema em 
estudo, se forem 
necessárias;
SAIBA MAIS: 
textos, referências 
bibliográficas 
e links para 
aprofundamento do 
seu conhecimento;
REFLITA:
se houver a 
necessidade de 
chamar a atenção 
sobre algo a ser 
refletido ou discutido 
sobre;
ACESSE: 
se for preciso acessar 
um ou mais sites 
para fazer download, 
assistir vídeos, ler 
textos, ouvir podcast;
RESUMINDO:
quando for preciso 
se fazer um resumo 
acumulativo das 
últimas abordagens;
ATIVIDADES: 
quando alguma 
atividade de 
autoaprendizagem 
for aplicada;
TESTANDO:
quando uma 
competência for 
concluída e questões 
forem explicadas;
SUMÁRIO
História e Evolução do Big Data ...........................................................10
Histórico: Big Data .......................................................................................................................... 13
Big Data ................................................................................................................................................. 14
Os 5Vs do Big Data .........................................................................................16
Aplicabilidade das Tecnologias de Big Data ............................... 20
A diferença entre Big Data e os sistemas tradicionais......................................... 20
Impacto do Big Data ..................................................................................................................... 21
O ambiente favorável à aplicação do Big Data: tecnologias ..........................26
Técnicas de Visualização de Dados ................................................... 30
Visualização de dados: conceito ........................................................................................ 30
Modelos do processo de visualização ............................................................................33
Técnicas de visualização ..........................................................................................................35
Onde aplicar Big Data ........................................................................ 40
A importância de utilizar Big Data ................................................................40
Big Data: onde é aplicado .......................................................................................................... 41
Big Data na Educação ............................................................................................... 41
Big Data aplicado a negócios .............................................................................43
Big Data aplicado na saúde ..................................................................................45
Big Data aplicado na área eleitoral .................................................................47
7
UNIDADE
01
Big Data e Ciência de Dados
8
INTRODUÇÃO
Percebemos que as tecnologias avançam se tornando cada vez 
mais acessíveis, não parando de produzir grandes massas de dados. 
Temos o avanço iniciado com a Internet e crescendo ao longo do tempo, 
com os sistemas de informação, aplicações pessoais e comerciais. Como 
também, temos as redes sociais, portais, e-mails, sensores e aplicações, 
gerando dados a cada instante.
Com isto, surge a necessidade de desenvolvimento de técnicas 
e recursos tecnológicos que ajuda a lidar com todos esses dados. Uma 
destas tecnologias que surgiram é a solução computacional Big Data, 
que será abordada ao longo da unidade. Dessa forma, iremos descrever 
desde da definição dos autores como os 5Vs que a caracteriza: volume, 
veracidade, valor e variedade. 
Veremos também, a diferença entre Big Data e os sistemas 
tradicionais, tendo em vista o objetivo, bem como o tipo de plataforma e 
infraestrutura usadas para trabalhar com Big Data.
Entenderemos, ainda, como a visualização de dados é importante 
na utilização de Big Data, tendo em vista que, a partir da análise dos dados, 
é necessário disponibilizar a informação para as organizações realizarem 
suas tomadas de decisão.
Por fim, na unidade estudaremos ambientes onde aplicar Big Data e 
as contribuições trazidas com essa solução computacional.
Big Data e Ciência de Dados
9
OBJETIVOS
Olá. Seja muito bem-vinda (o). Nosso propósito é auxiliar você no 
desenvolvimento das seguintes objetivos de aprendizagem até o término 
desta etapa de estudos:
1. Compreender o conceito de Big Data.
2. Conhecer o ambiente favorável à aplicação de tecnologias de Big 
Data.
3. Visualizar dados.
4. Identificar onde aplicar Big Data.
Então? Preparado para adquirir conhecimento sobre um assunto 
fascinante e inovador como esse? Vamos lá!
Big Data e Ciência de Dados
10
História e Evolução do Big Data 
OBJETIVO:
Neste capítulo, conceituaremos sobre a solução 
computacional Big Data, tratando da sua definição e 
seu surgimento, apresentando ainda sua importância na 
atualidade. 
Com o surgimento da Internet, uma nova era de compartilhamento 
de informações em um volume e velocidade nunca vistos antes também 
apareceu. Segundo Sodré (2016), aproximadamente 2,5 quintilhões de 
bytes de dados são criados diariamente por meio de postagens em redes 
sociais, upload de fotos e vídeos, registros de transações comerciais, 
sinais de GPS, rastros de navegação e sensores dos mais diversos tipos. E 
esse volume só tende a crescer. 
Além do que, as novas tecnologias têm surgido nos últimos anos para 
endereçar as limitações técnicas das ferramentas clássicas no tratamento 
das demandas de processamento mais sofisticados, tempos de resposta 
cada vez menores e crescentes volumes de dados (LETOUZÉ, 2012; 
GOLDMAN et al., 2012). Tecnologias como ferramentas de colaboração, 
sensores, diversidade de sistemas, aplicações desenvolvidas tanto para 
empresas como para uso pessoal contribuem para a grande produção 
dos dados diariamente.
Assim, um grande volume de dados é produzido diariamente 
pelas mais variadas aplicações existentes, surgindo, nesse contexto, a 
necessidade de tratamento desses dados e extração das informações.
Observemos primeiramente os conceitos primordiais envolvidos 
neste cenário, conformeo exposto na Figura 1.
Big Data e Ciência de Dados
11
Figura 1 – Conceitos primordiais do Big Data
DADOS: são fatos, instruções ou convenções coletadas e normalmente 
armazenadas, ou seja, são representações de informações. Exemplo: 
símbolos como as letras do alfabeto (COELHO, 2009).
INFORMAÇÃO: é o dado que passou por uma análise, ou seja, é um dado 
ajustado, trabalhado, processado e configurado de modo adequado 
(ORNA, 2008).
CONHECIMENTO: é a informação in¬terpretada, compreendida e aplicada 
para um determinado fim. De acordo com Sober (2008), a informação é 
transformada em saber por parte do usuário e, desta forma, proporciona 
um processo decisório eficiente.
Fonte: Adaptado de Coelho (2009), Sober (2008) e Orna (2008)
Dessa maneira, podemos entender que tendo os dados e usando 
técnicas de análise, obtêm-se informações, sendo possível gerar 
conhecimento. 
EXEMPLO: 
Para compreender melhor as definições, temos o dado como o 
ponto de inicial para a informação. A informação é determinada por 
um dado com significado para o indivíduo que tenha interesse, e 
esta informação pode ser transformada em conhecimento. 
Portanto, percebe-se que a todo momento temos que lidar com 
grande volume de dados que estão sendo produzidos por meio de 
inúmeras aplicações existentes. Em termos práticos, segundo o autor Petry 
(2013), em um ano, por volta de 2 zettabytes de dados são acumulados. 
Isto é, em escala, 3 exabytes era toda a capacidade de armazenamento 
anual que a humanidade podia sustentar em 1986. Em contrapartida, 
atualmente produzimos duas vezes esse valor por dia.
Big Data e Ciência de Dados
12
Grande parte do aumento no volume de dados, deve-se aos 
seguintes motivos (LOH, 2014):
 • Armazenamento de dados cada vez mais baratos e disponíveis. 
 • Maior utilização de aplicações e tecnologias por pessoas, devido à 
familiaridade com as tecnologias.
 • Maior disponibilidade de serviços e aplicações diversas que são 
utilizadas para propagar informações, como redes sociais, e-mail, 
redes globais, conexões sem fio, entre outros.
Figura 2 – Volume de dados
Fonte: Pixabay
A partir do grande volume de dados existentes, motivou-se o 
surgimento da área de análise de dados, denominada por Big Data, 
utilizada para caracterizar os dados que extrapolam a capacidade de 
processamento em sistemas de banco de dados convencionais.
Schneider (2012) afirma que Big Data representa um grande volume 
de dados, movendo-se rapidamente, e que não se adapta às restrições 
do modelo arquitetural de banco de dados. 
Outros autores definem Big Data como um processo de extração da 
informação com qualidade por meio de um grande volume de informação 
(MAYER-SCHONBERG; CUKIER, 2013).
Big Data e Ciência de Dados
13
A seguir, vamos conhecer um breve histórico sobre Big Data, como 
também, trazer mais conceitos de autores sobre essa tecnologia e abordar 
sua composição.
Histórico: Big Data 
Antes de começarmos a explorar a história do Big Data (BD), 
é importante esclarecer que não se sabe ao certo o período de seu 
surgimento, uma vez que não há um consenso sobre a época exata de 
seu surgimento pela comunidade acadêmica.
A exemplo disto, os autores Phelan (2012) e Arrigoni (2013) afirmam 
que Big Data surgiu para determinar um grande volume de dados que 
foram gerados a partir dos anos 2000, porém não havia hardwares para 
armazená-los ou manipulá-los.
Todavia, conforme Arrigoni (2013), o surgimento deste termo se deu 
na década de 1990, na NASA, com o intuito de delinear grandes conjuntos 
de dados complexos que apresentavam um enorme desafio aos limites 
computacionais tradicionais de capturar, processar, analisar e armazenar 
informação.
Corroborando com a disparidade de datas apresentadas 
anteriormente, no ano de 2010, por meio de uma reportagem na revista 
The Economist, o termo Big Data foi usado para se dirigir à terceira era 
da informação, o qual está ligado à terceira Revolução Industrial que 
ocorreu em meados do século XX e obteve como principais impactos a 
globalização, a utilização da informática e o desenvolvimento de novas 
tecnologias (NESELLO; FACHINELLI, 2014).
No entanto, a consolidação do Big Data no âmbito acadêmico se 
deu em meados dos anos 2000, com o relatório de Laney (2001), em que 
foram apresentados os resultados de estudos sobre os desafios que o 
incremento do e-commerce trouxe para o mercado de gestão de dados.
Diante desta notoriedade, o mercado aderiu massivamente ao uso 
do Big Data e de seus modelos evolutivos de análise de dados, visto que 
tais modelos atenderam às novas demandas de análises rápidas dos dados 
oriundos de várias fontes e em maior quantidade (NOVO; NEVES, 2013). 
Big Data e Ciência de Dados
14
SAIBA MAIS:
Nesta entrevista, que traz uma linha do tempo da história de 
como os dados se tornaram importantes, com informações 
que precederam o surgimento do Big Data como área 
da Tecnologia da Informação (TI). O artigo está disponível 
clicando aqui. 
Na próxima seção, detalharemos o conceito que os autores trazem 
sobre Big Data.
Big Data 
Não há um consenso sobre o conceito do Big Data, alguns autores 
apresentam este termo como correspondendo ao alto volume de dados 
virtuais que são complexos, variados, heterogêneos e derivam de múltiplas 
e autônomas fontes, com controles distribuídos e não centralizados 
(MCAFEE; BRYNJOLFSSON, 2012).
Já Goldman et al. (2012), refere-se ao Big Data como um 
acontecimento do processamento de grandes volumes de dados, com as 
quais ferramentas tradicionais não possuem capacidades para trabalhar 
na velocidade necessária.
Figura 3 – Big Data
Fonte: Freepik
Big Data e Ciência de Dados
http://www.forbes.com/sites/gilpress/2013/05/09/a-very-shorthistory-of-big-data/
15
Segundo Schonberguer (2012), o Big Data representa trabalhos em 
ampla escala de dados para extrair novas ideias e criar novos modos de 
valor, a fim de alterar os mercados e as organizações.
Como já citamos, o Big Data tomou uma proporção maior na 
atualidade, devido ao grande volume de dados que é gerado a cada dia. 
Podemos destacar um ponto que contribui para isso, como o quesito das 
novas fontes de dados.
Neste sentido, temos as redes sociais como um exemplo de fonte 
de dados mais utilizado ao longo dos anos, fato motivado pela grande 
quantidade de dados gerados pelos usuários, como por exemplo por 
meio de: mensagens de texto, tweets, posts sensores, entre outros 
(SCHNEIDER, 2012). 
NOTA:
Podemos perceber o quanto as redes sociais produzem 
dados; basta você observar o quanto utilizamos esses 
recursos. Além das redes sociais, também temos os 
portais das principais redes de rádio e TV, jornais e 
revistas tradicionais permitindo a rápida disseminação de 
informações.
Outro autor que destacou o crescimento dos dados das redes 
sociais foi Gantz (2011), citando outras fontes responsáveis por produzir 
dados, como sites de entretenimento, aplicações de saúde e segurança 
(como os vídeos de vigilâncias).
Ainda conforme o aludido autor, o Big Data é como um corte 
horizontal do mundo digital, podendo conter dados transacionais, 
armazenados, metadados, entre outros, habitando em arquivos volumosos.
Existe diversas conceituações na literatura, porém, podemos inferir 
que todas elas têm concordância com a definição de Davenport (2014, p. 
152), que afirma:
“Big Data” é um termo genérico para dados que não podem 
ser contidos nos repositórios usuais; refere-se a dados 
volumosos demais para caber em um único servidor; 
Big Data e Ciência de Dados
16
não estruturados demais para se adequar a um banco de 
dados organizados em linhas e colunas; ou fluídos demais 
para serem armazenados em um data warehouse estático.
Segundo Schonberguer e Cukier (2013), o Big Data é responsável 
por modificar a natureza dos negócios, dos mercados e da sociedade, uma 
vez que sua aplicação altera e se expande em relação aos importantes 
dadoscorporativos, tornando-se um recurso econômico primordial para a 
macroeconomia, servindo como fundamento para o surgimento de novos 
modelos de negócios.
NOTA:
Moraes (2012) revela como a aplicação do Big Data pode ser 
importante para o direcionamento dos melhores modos de 
angariar fundos e distinguir quem poderia ser convencido 
para apoiar a reeleição do candidato Barack Obama para 
presidência dos Estados Unidos da América. 
Neste cenário, a aplicação do Big Data possibilitou prever com 15 
dias de antecedência que a atuação de Obama no primeiro debate não 
seria satisfatória, oportunizando que a equipe elaborasse uma ação on-
line que foi ao ar uma hora depois do programa de debates (MORAES, 
2012).
Outro meio aplicado, segundo a análise do The Guardian (2012), foi 
a campanha de Obama que utilizou a capacidade do Facebook para guiar 
os eleitores, ou seja, manipulando a rede social como meio de detectar o 
perfil de potenciais eleitores.
Os 5Vs do Big Data
Taurion (2013) determina cinco características que compõem o Big 
Data, sendo elas: volume, variedade, velocidade, veracidade e valor. 
A representação do Big Data feita por meio dos 5Vs relaciona as 
diversas alterações no universo da informação.
Big Data e Ciência de Dados
17
EXEMPLO: 
O aumento no volume de dados disponíveis e a necessidade 
de velocidade para que as informações sejam recuperadas e 
processadas, ligadas à característica de sua variedade, auxiliam 
para que os dados possam gerar valor e ter garantia de veracidade. 
A seguir, temos o detalhamento de cada um desses pontos:
 • Volume: constitui a grande capacidade de aquisição de dados 
disponíveis em registro, explicando o universo de informações 
disponíveis por meio das diversas aplicações existentes, 
redes sociais pesquisas no Google, upload, entre outros. Esse 
crescimento de dados pode ser originado por várias fontes, como 
celulares, computadores, sensores, equipamentos médicos, 
variados aplicativos existentes, entre outros, que agrupam grandes 
quantidades de informação (SCHNEIDER, 2012).
 • Velocidade: esta característica refere-se ao dinamismo de 
crescimento e o processamento dos dados. Vale ressaltar que o 
Big Data tem um andamento consecutivo de informações que não 
param de ser geradas, por isto, é de suma importância, que as 
análises sejam realizadas em tempo real e se atualizem de modo 
constante, ou seja, ocorram com velocidade. Diferentemente de 
análises de modo tradicional, o Big Data necessita satisfazer um 
fluxo contínuo de dados (DAVENPORT, 2014).
 • Variedade: refere-se às diversas origens, configurações e formatos 
dos dados, podendo apresentar os dados estruturados ou não, 
compreendendo os não estruturados como os oriundos de redes 
sociais, e-mails, pesquisas na Internet, entre outros meios. Esta 
variedade é de grande importância devido às fontes em geral não 
estarem relacionadas. Porém, quando combinados os dados de 
diversas fontes, podem resultar em informações marcantes para 
os gestores adotarem em suas decisões, bem como, realizarem 
predições mais hábeis (TAURION, 2013).
 • Veracidade: refere-se à autenticidade, à fonte originada e à 
confiabilidade dos dados. Segundo White (2012), se porventura os 
Big Data e Ciência de Dados
18
dados não constituírem uma qualidade satisfatória na ocasião em 
que forem integrados com outros dados, as informações podem 
acarretar em uma falsa correlação, podendo, assim, resultar em 
uma análise incorreta de alguma oportunidade de negócios de 
uma organização, ou seja, implicando de modo direto no resultado 
das análises. 
 • Valor: refere-se ao conjunto de resultados entre as ações de 
coletar, armazenar, processar e analisar o Big Data, ou seja, a 
junção de todos os outros Vs apresentados acima. Este ponto está 
intrinsecamente relacionado com quanto maior for a qualidade 
dos dados, maior valor ela tem para o negócio (KAISLER et al., 
2013). Vale ressaltar que o valor e a velocidade estão inversamente 
relacionados, de modo que, quanto menor for a velocidade para 
gerar informações consistentes, maior poderá ser o valor gerado 
para o negócio, os quais irão contribuir para as organizações, 
ajudando no processo de tomada de decisão deixando mais 
eficiente e rápida.
SAIBA MAIS:
Faça a leitura do artigo Big Data: os cinco Vs que todo mundo 
deveria saber. O artigo traz um resumo e explicação de cada 
um dos Vs que compõem o Big Data: volume, veracidade, 
velocidade, valor e variedade. Acesse clicando aqui.
Por fim, temos que o desempenho das organizações no mercado 
será compreendido por meio do modo que irão trabalhar com esse 
volume, veracidade e com a velocidade que elas surgem e se disseminam. 
Portanto, os líderes terão que determinar o que fazer com tantos dados, a 
fim de agregar valor ao negócio, esse é um dos principais objetivos do Big 
Data (COMPUTERWORLD, 2012).
Big Data e Ciência de Dados
https://canaltech.com.br/big-data/Big-Data-os-cinco-Vs-que-todo-mundo-deveria-saber/
19
RESUMINDO:
Estudamos neste capítulo a respeito do Big Data, 
abordando pontos importantes como histórico, 
conceituação e características ligadas aos dados. Durante 
o capítulo, percorremos sobre diversas aplicações como: 
redes sociais, Internet, sensores, entre outros, os quais 
são responsáveis por produzir grandes quantidades de 
dados. Vimos como, ao longo dos avanços tecnológicos, 
as diversas fonte dados marcaram o surgimento do termo 
Big Data, no qual entendemos sua ligação com grandes 
volumes de dados que necessitam ser analisados em 
tempo real para gerarem informações em um determinado 
escopo solicitado. Podemos observar ainda uma breve 
história do termo Big Data e os conceitos de dados por 
diferentes autores. Finalizamos estudando e descrevendo 
os 5Vs que compõem o Big Data: volume, veracidade, 
variedade, velocidade e valor.
Big Data e Ciência de Dados
20
Aplicabilidade das Tecnologias de Big Data
OBJETIVO:
Seguindo os estudos sobre Big Data, neste capítulo, 
abordaremos um pouco mais sobre este universo ao tratar 
das características do ambiente de trabalho com esta 
tecnologia. Trataremos ainda a diferença entre Big Data 
e os sistemas tradicionais, tendo em vista o seu objetivo, 
bem como discorreremos sobre o tipo de plataforma e 
infraestrutura usadas para trabalhar com Big Data. Prontos? 
Vamos lá!!
A diferença entre Big Data e os sistemas 
tradicionais
Precisamos compreender primeiramente que a gestão do 
conhecimento no assunto do Big Data, no geral, não é compatível com 
as clássicas linguagens de consulta em bancos de dados e sistemas 
de informação, devido aos sistemas tradicionais serem habitualmente 
projetados para lidarem com fluxos menores e mais previsíveis de dados 
estruturados, fator que pode acarretar em desempenho indesejado, caso 
haja um aumento na quantidade desses dados (SANTOS, 2016). 
Outra diferença que merece ser destacada é referente ao 
processamento de dados de modelos tradicionais (SQL) entre os modelos 
do Big Data, em que a escalabilidade vertical e horizontal utilizada nos 
sistemas SQL, para obter uma melhor capacidade de processamento, 
um investimento em hardware e tecnologias mais avançadas, devem ser 
aplicadas, gerando um alto custo para se obter o aperfeiçoamento do 
processamento dos dados (COELHO, 2004).
Por outro lado, a escalabilidade horizontal é utilizada nos modelos 
do Big Data à computação paralela, de modo que as máquinas de nível 
intermediário, commodities, trabalham em conjunto para processar 
Big Data e Ciência de Dados
21
volumes de dados que antes não possuíam essa capacidade, permitindo, 
assim, uma redução de custo e tempo (COELHO, 2004).
Figura 4 – Processamento de dados
Fonte: Freepik
Conforme uma analogia feita pelo autor Taurion (2013), as 
ferramentas do Big Data representam, para as organizações e sociedade, 
uma importância semelhante ao que o microscópio representou para a 
medicina, por serem ferramentasde análise, possibilitando recursos para 
extrair informações, predizer incidentes permitindo e evitando problemas 
futuros.
Impacto do Big Data 
Percebe-se que os recursos do Big Data, como visto anteriormente, 
possibilitam descobrir padrões e sentidos em um enorme e variado 
volume de dados gerados por sistemas transacionais, redes sociais, 
sensores, entre outros. 
Deste modo, o Big Data permite agregar valor para as empresas, 
pois possibilita buscar padrões e relação entre dados que antes estavam 
perdidos (TAURION, 2013).
Big Data e Ciência de Dados
22
Conforme a Mckinsey e Company (2012), existem cinco modos 
para se obter o valor transformacional por meio dos grandes dados: 
elaborar transparência; apresentar a variabilidade que possibilitam a 
experimentação; segmentar populações para personalizar ações; substituir 
e apoiar a tomada de decisão humana com algoritmos automáticos; e 
inovar novos modelos de negócios, produtos e serviços. 
Continuando, temos como impacto positivo obtido pela aplicação 
do Big Data nas empresas, o fato da possibilidade do grande potencial 
de proporcionar uma melhor tomada de decisão, visto que quando uma 
organização adota o desenvolvimento de tecnologias que trabalhem como 
Big Data, obtém-se um ganho por meio de análises eficientes e corretas 
dos dados extraídos, como ainda a capacidade de decisão, ganhando, 
assim, um importante diferencial frente a concorrência (MAZZEGA, 2016).
Outras implicações positivas no âmbito do Big Data são duas 
características importantes: um volume relacionado às grandes 
quantidades de dados dos bancos de dados e a velocidade referente 
à manipulação e ao tratamento analítico ligado à realização de modo 
rápido, em algumas situações em tempo real (TAURION, 2013).
Em contrapartida, temos um impacto crítico em relação a exigência 
de escolher mão de obra qualificada para se trabalhar com Big Data e 
realizar a sua implantação devido à exigência de conhecimento robusto 
e específico para trabalhar com essa tecnologia. Por outro lado, esta 
necessidade de profissionais qualificados permitiu surgir oportunidades 
de trabalho para aqueles que se qualificam.
NOTA:
Há alguns anos, Anderson e Raine (2012) realizaram um 
estudo com diversos pesquisadores e especialistas, 
apresentando os impactos positivos e negativos que o Big 
Data poderia causar às empresas, indivíduos e sociedade 
ao longo dos anos. Neste estudo, demonstrou-se que 53% 
dos indivíduos entrevistados tinham um posicionamento 
positivo ligado ao Big Data, enquanto 39% tinha um 
posicionamento negativo. 
Big Data e Ciência de Dados
23
Foi demonstrado nesta pesquisa citada acima, um contexto 
promissor de novas oportunidades de empregos e foi destacada a 
necessidade de um novo tipo de profissional chamado de Data Scientist 
ou cientista de dados, um profissional com formação em Ciências da 
Computação e Matemática.
Uma matéria no ano de 2017 reportada pelo jornal Extra com 
tema Profissionais do Big Data estão entre os cinco mais contratados 
no Brasil, comprava o que os pesquisadores já previam, ou seja, que 
as oportunidades na área em Big Data iriam oferecer oportunidades a 
profissionais qualificados. Nesta reportagem, também pode ser destacado 
um levantamento de uma empresa de recrutamento, Michael Page, 
demonstrando que o cargo estava entre os cinco mais solicitados pelo 
mercado brasileiro no ano 2017 (ZUAZZO, 2017).
De acordo com Isaca (2013), o Big Data pode afetar a empresa em 
diversos pontos, como também a governança e o gerenciamento do 
planejamento, utilização, garantia e privacidade apresentados abaixo:
 • Governança: é responsável por garantir que as requisições 
e necessidades dos envolvidos possam ser analisadas para 
estabelecer metas que devam ser atendidas pelas empresas. Este 
fato implica que o processo de governança apropriado aos projetos 
do Big Data pode levar a uma sequência de outros problemas, 
inclusive de dados errôneos e imprevistos nos custos. Dessa 
forma, temos um desafio expressivo no processo de governança 
do Big Data que é atenção em categorizar, modelar e mapear os 
dados ao modo que são capturados e armazenados.
 • Planejamento: refere-se ao processo de coleta e estruturação 
dos resultados gerados pela análise dos dados. 
 • Utilização: refere-se ao tipo de uso do Big Data que pode mudar 
conforme a necessidade de cada empresa. Exemplificando, 
dependendo da estrutura que compõem a empresa, pode ocorrer 
maior tempo para implementar o Big Data, principalmente se for 
uma empresa menor que necessite se adequar para oferecer 
suporte e caso seja necessário desenvolver infraestrutura para 
Big Data e Ciência de Dados
24
suportar os novos processos ligados ao BD. Também é percebido, 
ao longo do tempo, que empresas grandes como a IBM, HP, 
Amazon, Google e Netflix, realizaram aquisições precisas e 
implementações usando recursos oferecidos pelo Big Data para 
suas tomadas de decisões e planejamentos estratégicos nas suas 
organizações. 
 • Garantia: representa um ponto crítico e preocupante para empresa 
ligado à garantia da qualidade dos dados, pois uma informação 
só é eficaz quando satisfaz às necessidades do beneficiário 
das informações, bem como a melhoria da qualidade do dado, 
aprimora as decisões fundamentadas nele.
 • Privacidade: refere-se às leis que resguardam a privacidade dos 
sujeitos e todas as informações adquiridas sobre eles, mesmo que 
haja o compartilhamento de informações confidenciais de modo 
inadequado pelas pessoas. Até mesmo com toda as informações 
de fácil acesso nas redes sociais, deve-se garantir a autenticidade 
da informação coletada devido esta necessitar ser protegida de 
usuários perigosos e fraudulentos, até de governos controladores. 
IMPORTANTE:
É importante destacar que a  Lei  nº 13.709/2018, 
conhecida como  Lei  Geral de  Proteção  de Dados 
Pessoais (LGPD), foi sancionada por Michel Temer em 
agosto de 2018 e entra em vigor em agosto de 2020. O 
objetivo é regulamentar o tratamento de dados pessoais 
de clientes e usuários por parte de empresas públicas e 
privadas (PLANALTO, 2018). 
Big Data e Ciência de Dados
25
Figura 5 – Segurança e privacidade dos dados
Fonte: Pixabay
Com isto, todas as partes envolvidas no trabalho com Big Data 
precisam estar informadas das implicações de armazenamento e análises 
realizando cruzamentos de grandes volumes de dados confidenciais.
IMPORTANTE:
Vale ressaltar que os dados se tornaram um elemento 
de extremo valor nas empresas, gerando assim uma 
dependência, pois a partir do tratamento e das análises dos 
dados as organizações obtêm precisas tomadas decisões. 
Por isso, todo cuidado é necessário para que não sejam 
gerados dados imprecisos, incompletos ou manipulados 
de maneira fraudulenta, e assim não ser gerado prejuízos 
aos tomadores de decisões (FEIJÓ, 2013). 
Outro ponto de extrema importância é a segurança e privacidade 
que cumprem uma função destacada em Big Data, até porque não se 
pode trabalhar com dados e não promover a segurança e privacidade 
deles, tendo em vista que, após serem tratados, possuem valor para a 
organização.
Com isto, todas as partes envolvidas no trabalho com Big Data 
precisam estar informadas das implicações de armazenamento e análises 
realizadas, as quais ocorrem por meio do cruzamento de grandes volumes 
de dados confidenciais.
Big Data e Ciência de Dados
26
SAIBA MAIS:
Faça a leitura do artigo O fenômeno Big Data e seu 
impacto nos negócios para saber mais sobre o tema. 
Acesse clicando aqui. 
O ambiente favorável à aplicação do Big 
Data: tecnologias 
Podemos compreender que proporcionar o trabalho com Big 
Data é definido pelo desenvolvimento de tecnologias, que possibilitem 
aperfeiçoar a complexidade de se gerenciar grandes volume de 
dados. Com isso, surgiram ferramentas com intuito de proporcionaro 
tratamento dos dados e contribuir no desenvolvimento de soluções 
voltadas ao Big Data.
Figura 6 – Tecnologias Big Data
Fonte: Pixabay
Big Data e Ciência de Dados
https://canaltech.com.br/big-data/O-fenomeno-Big-Data-e-seu-impacto-nos-negocios/
27
Assim, as tecnologias do Big Data podem ser analisadas sob duas 
óticas (KERNOCHAN, 2011), sendo elas:
 • Relacionadas com analytics ou analítica, tendo Hadoop e 
MapReduce como destaques.
 • As tecnologias de infraestrutura, que são responsáveis por 
armazenar e processar os dados. Neste caso, destaca-se o NoSQL.
Abaixo temos o detalhe de cada uma dessas tecnologias:
Haddop 
O Hadoop Distributed File System (HDFS) é um software em 
Java desenvolvido para ser usado em dispositivos que são 
interconectados para disponibilizar um poder de processamento 
maior. HDFS tem características distintas, como: ter alta tolerância a 
falhas e é idealizado para ser implementado em hardware de baixo 
custo. Além do exposto, é dirigido para aplicações que possuam 
grande volume de dados (BORTHAKUR, 2007).
Esta ferramenta é um sistema de arquivos distribuídos com o 
componente de armazenamento de dados do projeto sendo código 
aberto, intitulado Apache Hadoop, aperfeiçoado para qualquer 
tipo de dados não estruturados, estruturados e semiestruturados, 
elaborado para trabalhar com hardware de baixo custo e escalável 
de modo rápido com milhares de máquinas (HADOOP, 2020).
MapReduce
Inicialmente, esta ferramenta foi idealizada pelo Google, sendo 
uma inovação na técnica para tirar proveito da grande quantidade 
de volume de dados produzidos em larga escala. Está ferramenta 
tem uma característica de subdividir problemas em atividades 
controláveis e logo após, realizar a distribuição das atividades para 
alguns servidores, trabalhando assim um conjunto de servidores 
em paralelo para alcançar o resultado. Exemplos de empresas que 
utilizam a MapReduce é o próprio Google e a Fundação Apache 
Software, utilizado para formar a base de implementação para tratar 
grandes dados (SCHNEIDER, 2012).
Big Data e Ciência de Dados
28
NoSQL
Esta foi outra tecnologia que surgiu para o ambiente de Banco de 
Dados, fazendo parte de uma nova categoria denominada NoSQL (Not Only 
SQL), em que foi idealizado para atender os requisitos de gerenciamento 
de grandes massas de dados que precisavam de alta disponibilidade e 
escalabilidade. Outro motivo para o surgimento desta tecnologia foi a falta 
de eficiência dos bancos de dados relacionais, ligado a grandes massas e 
diferentes tipos de dados (LÓSCIO, 2011).
NOTA:
O Big Data está nos mais diversos setores, como: saúde, 
educação, empresas e setores econômicos, motivando 
as empresas a investirem em inovação e em fornecer 
tecnologias que utilizem o Big Data, como a IBM (2012), 
LinkedIn, Amazon, entre outros que vêm desenvolvendo 
tecnologias e métodos de utilização do Big Data para as 
mais variadas áreas.
Após a infraestrutura, a decisão de tecnologia adotadas para usar o 
Big Data é de vital importância, sendo preciso atenção aos componentes 
de analytics, pois este transforma os dados em algo de valor para o 
negócio. O Big Data Analytics não significa eliminar os sistemas tradicionais 
que existem hoje, mas ambos devem coexistir (TAURION, 2013).
Big Data e Ciência de Dados
29
RESUMINDO:
Estudamos, neste capítulo, os conceitos mais detalhados 
sobre o Big Data e o ambiente favorável para trabalhar com 
esta tecnologia. Vimos ainda a diferença entre o Big Data e 
os sistemas tradicionais, como também, discorremos sobre 
os impactos positivos e negativos quando se trabalha como 
o Big Data. Também entendemos que o impacto positivo 
está relacionado às contribuições permitidas nos diversos 
setores econômicos, colaborando na tomada de decisão 
das organizações devido ao valor que os dados tem após 
ser analisados. Ainda podemos apresentar os impactos 
negativos ligados à questão de as empresas terem atenção 
na tecnologia adequada para implementar o Big Data, no 
quesito de segurança e privacidade dos dados, entre outros 
pontos. Por fim, conhecemos algumas tecnologias que 
oferecem infraestrutura para trabalhar com o Big Data. No 
próximo capítulo, detalharemos mais sobre as tecnologias 
associadas ao Big Data e suas contribuições.
Big Data e Ciência de Dados
30
Técnicas de Visualização de Dados
OBJETIVO:
Neste capítulo, estudaremos como a visualização de dados 
é importante na utilização do Big Data, uma vez que a 
partir das análises dos dados, é necessário disponibilizar a 
visualização das informações para as organizações. Nesse 
sentido, como estudamos, o Big Data possibilita o uso de 
todos os dados de um acontecimento, realizando um filtro 
das informações necessárias e visualizando dados que 
antes não eram possíveis por meio de outras tecnologias. 
Assim, estudaremos os conceitos de visualização de dados que 
apresentam as informações após terem sido realizados os tratamentos 
e as análises. Também veremos os modelos de representação de dados, 
e também como se dá o trabalho com esses dados no contexto da 
tecnologia do Big Data, sendo apresentado as técnicas adequadas de 
visualização de dados.
Vamos dar continuidade aos nossos estudos!!
Visualização de dados: conceito
Para iniciar, precisamos entender do que se trata a visualização 
de informação, segundo Chen (2010), esta visualização corresponde 
às representações gráficas interativas de informação, criadas por 
um computador, consistindo em uma área integrada com técnicas 
de computação gráfica que contribuem no processo de análise e 
interpretação de conjuntos de dados por meio de representações gráficas 
possíveis de se manipular (CARD; MACKINLAY, 1997). 
Neste sentido, entende-se a visualização de dados como a 
apresentação de informações em formato imagético ou gráfico. Por meio 
dela, é possível os organizadores realizarem as tomadas de decisões 
observando os resultados das análises visualmente, assim, com a 
Big Data e Ciência de Dados
31
visualização é possível obter ainda um entendimento dos conceitos 
difíceis por meio da identificação de novos padrões (SAS, 2020).
De acordo com Yau (2000), a visualização de dados é o modo de 
proporcionar e expor informações de maneira a estimular a compreensão, 
seleção e associação, possibilitando o reconhecimento de padrões.
Figura 7 – Visualização dos dados
Fonte: Freepik
Assim, entendemos a visualização dos dados como a representação 
gráfica dos dados, no qual se possibilita que estes possam ser analisados, 
por meio de alguma técnica computacional com a finalidade de obter 
informação. Todavia, não são apenas estruturas computacionais que são 
usadas para análise de dados, há também as habilidades humanas para 
interpretar essas representações (MATTHEW et al., 2010).
No contexto do uso da tecnologia, as representações visuais 
apresentam e combinam os elementos fortes de apresentação de dados, 
em que temos o indivíduo e o computador colaborando com as aptidões 
para obter os resultados mais eficazes para atender uma determinada 
necessidade. 
Big Data e Ciência de Dados
32
IMPORTANTE:
É importante entender que a visualização de dados não 
visa somente representar os dados, mas trata de trazer a 
compreensão e padrões existentes em grupos de dados. 
Com relação ao analista, este deve proporcionar, detectar, 
avaliar e comparar os processos por meio de técnicas que 
resultem em informação de diferentes formas e visões 
(PARSAYE; CHIGNELL, 1993). Por isso, é importante entender 
do que se trata a visualização, para assim compreender a 
importância desta em Big Data.
Conforme Matthew et al. (2010), a visualização na maioria das vezes, 
é um elemento de um processo maior que pode ser a análise exploratória 
de dados, descobrimento do conhecimento, exposição de resultados de 
técnicas ou análise visual.
Sabe-se que o Big Data trabalha com grande volume de dados que 
passam pelo processo de coleta, armazenamentoe análises. Tendo em 
vista essa grande quantidade de dados disponibilizados que não param 
de crescer nas empresas, a visualização torna-se ainda mais importante, 
pois possibilita que as empresas vejam e tenham entendimento dos seus 
dados, criando estratégias e tomando decisões (ACCENTURE, 2014).
SAIBA MAIS:
Assita a dois vídeos do TED que abordam a visualização 
de dados de modo inovador, trazendo uma visão ampla: A 
Beleza da visualização de dados. Acesse clicando aqui.
Já na próxima seção será apresentado os modelos de processo de 
Visualização.
Big Data e Ciência de Dados
https://www.ted.com/talks/david_mccandless_the_beauty_of_data_visualization
33
Modelos do processo de visualização
Temos que os modelos do processo de visualização correspondem 
à apresentação de um conjunto de atividades que ajudam na elaboração 
de uma representação visual.
Desse modo, inicialmente os dados grosseiros são coletados 
dos sistemas operacionais, banco de dados ou alguma aplicação e 
são transformados em tabelas de dados por meio de processos de 
transformação de dados e em seguida, as tabelas de dados devem ser 
alteradas para formatos visuais por meio de processos de mapeamento 
visual com o intuito de alcançar a visualização concreta.
Conforme os autores Card e Mackinlay (1999), o modelo de 
visualização de dados foi idealizado para selecionar os componentes 
primordiais no processo de transformação dos dados em uma 
representação visual diante o uso de uma técnica.
Dessa forma, no processo de visualização identifica-se três etapas 
básicas (CARD; MACKINLAY, 1999):
 • Pré-processamento: esta etapa trata da transformação dos dados 
realizando as alterações dos dados brutos em relações lógicas, 
mas estruturadas para a compreensão humana. 
 • Mapeamento visual: esta etapa trata de relação entre os dados 
e as representações gráficas, ou seja, os formatos visuais são 
formados por: substrato espacial, marcas e propriedades gráficas. 
 • Representação: esta etapa trata de disponibilizar a imagem ou 
gráfico.
Dado o exposto, este modelo de processo pode ser alterado, 
incluso outras etapas, de acordo com o intuito de utilizá-lo, por exemplo, 
na utilização da tecnologia Big Data, podemos incluir filtragem e interação, 
implicando que a filtragem corresponde a selecionar o conjunto de dados 
que se almeja visualizar e esta pode ser empregada em qualquer parte do 
andamento do processo de visualização de dados (PEREIRA, 2015).
Big Data e Ciência de Dados
34
Já a interação é referente a um mecanismo que pode ser usado ao 
longo do processo de visualização, em que se pode adicionar um novo 
conjunto de dados para um novo pré-processamento, caso o conjunto de 
dados processados não seja absoluto (PEREIRA, 2015).
Por outro lado, segundo Ware (2013), o processo de visualização 
é formado por quatro etapas: coleta e armazenamento de dados; pré-
processamento para manipular os dados, deixando apenas as informações 
que são pertinentes; a transformação dos dados após a coleta e 
manipulação, realizando apresentação visual por meio, geralmente, 
da computação gráfica. E, por fim, a parte referente à percepção da 
informação pelo usuário por meio do seu sistema cognitivo.
Podemos exemplificar os tipos comuns de visualização de dados 
que são: gráficos, tabelas, diagramas, mapas, infográficos, painéis e, 
outros exemplos mais característicos de processos de visualização de 
dados: gráfico de área, gráfico de barras, gráfico de caixa, nuvem de 
bolhas, gráfico de marcador, cartogramas, exibição de círculos, mapa 
de distribuição de pontos, mapa de variações, histograma, matriz, árvore 
radial, gráfico de dispersão (2D ou 3D), gráfico de fluxo, tabelas de texto, 
linha do tempo, mapa de árvore, gráfico de segmentos e nuvem de 
palavras (TABLEAU, 2020). 
Figura 8 – Tipos de Visualização de Dados
Fonte: Freepik
Big Data e Ciência de Dados
35
Referente ainda à grande quantidade de dados trabalhada no 
Big Data, temos outras dificuldades como em relação a visualização. 
Primeiro, a questão de deixar todos esses dados escaláveis para serem 
visualizados, como também a dificuldade de processamento. Segundo 
Agrawal et al. (2015), mesmo com a redução dos dados, ocorre um custo 
com relação ao tempo para serem geradas as visualizações dos dados, 
ocasionando travamentos.
IMPORTANTE:
É importante ressaltar alguns problemas atribuídos pela 
visualização de dados referente a utilização do Big Data. 
Um desses se trata do quesito escalabilidade. Por causa 
da dificuldade de percepção, as informações em tempo 
real e a necessidade de ocorrer interação. Além do 
exposto, a questão de coletar informações referentes a 
grandes massas de dados torna difícil deixar escaláveis as 
visualizações de dados.
Outra limitação que temos é a da tela para demonstrar todos 
os dados visualmente, diante disso, tem-se a necessidade de buscar 
técnicas com a abstração para apresentar os dados visualmente. Ainda 
merece destaque o cuidado na visualização, devido o fator dos dados 
serem gerados em tempo real, dificultarem a criação da visualização para 
esse tipo de informação (AGRAWAL et al, 2015).
Podemos constatar que a visualização facilita o processo de tomada 
decisão, pois acaba por trazer as informações geradas de modo mais 
compreensivo e interpretável para os gestores trabalharem.
Técnicas de visualização 
A visualização das informações contribui para apresentar as 
informações para que os envolvidos possam consumi-las e extrair valor 
delas, sendo fundamental para o Big Data. Como já vimos, por meio 
das visualizações e análises, é possível realizar a tomada de decisões e 
estratégias.
Big Data e Ciência de Dados
36
Ao longo do tempo, as técnicas de visualização vêm avançando muito 
conforme se aumenta as demandas de análises de dados (TAURION, 2013).
NOTA:
No mercado, existem diferentes ferramentas de visualização 
de dados que trabalham com a plataforma Hadoop, o 
qual contém módulos que analisam muito bem a grande 
quantidade de dados, mas são ineficientes na criação da 
visualização dos dados (WANG et al., 2015).
Vimos que a abordagem da visualização de dados se relaciona com 
as técnicas usadas para criar representações gráficas, seja elas tabelas, 
imagens, diagramas, entre outros modos de exibição intuitivos para 
promover a interpretação dos dados e gerar o conhecimento por eles 
apresentados (CHEN; ZHANG, 2014). 
Diante das dificuldades de visualização de dados quando se 
trabalha com Big Data, surgiram pesquisas para desenvolver tecnologias 
para enfrentar os desafios existentes. A seguir, seguem dois exemplos 
que surgiram como alternativa: Data Cube e Nanocube; e imMens.
 • Data Cube e Nanocube: o data cubes corresponde a estruturas 
que conseguem agregar-se em todas as possibilidades nas 
dimensões de uma tabela em um banco de dados, permitindo 
uma abordagem de modo rápido aos dados (LINS; KLOSOVSKI, 
2013). Pesquisadores tiveram iniciativas, ao longo dos últimos 
anos, desenvolvendo algoritmos fundamentados a esta tecnologia 
com o intuito de transmitir a visualização de dados para Big Data, 
principalmente com relação à escalabilidade do tempo real que 
esse tipo de iniciativa disponibiliza para explorar visualizações 
multidimensionais e espaço-temporais, de modo muito veloz. Um 
desses exemplos é o Nanocube. 
 • imMens: o imMens é referente a uma plataforma online que oferece 
interações em tempo real, com sínteses visuais escaláveis do Big 
Data (LIU et al., 2013). Com isso, para viabilizar que as visualizações 
se tornem escaláveis e interativas, o sistema deve usar táticas para 
Big Data e Ciência de Dados
37
reduzir os dados denominado data binning, resultando em pontos 
mapeados unidos por variáveis, como: numérico, ordinal, temporal 
e variáveis geográficas.
Dentro do universo do Big Data, uma prática muito adotada para 
possibilitar análise dos dados é realizar o trabalho de limpeza, transformaçãoe modelagem dos dados. Neste sentido, a data mining (mineração de 
dados) possibilita a extração de informações importantes por meio de 
dados desorganizados por meio de algoritmos (KEIM, et al., 2008).
A data mining realiza processos de encontrar padrões e 
relacionamentos em grandes massas de dados. Esse tipo de técnica 
usa da análise para fazer a combinação de ferramentas de estatística 
e inteligência artificial que, por meio do gerenciamento de banco de 
dados, realizam análises de grandes volumes de dados (ENCYCLOPÆDIA 
BRITANNICA, 2018).
A ferramenta Oracle Data Mining é uma ferramenta que aplica 
técnicas da Data Mining. Esta ferramenta permite o uso de robustos 
algoritmos de mineração de dados que possibilitam aos analistas 
alcançar insights, fazer previsões e tomar decisão de investimentos. Com 
o ODM, é possível também realizar criações e aplicações de modelos 
preditivos, além de fornecer projeções sobre o comportamento do 
cliente, desenvolver perfis, identificar oportunidades de vendas e detectar 
possíveis anomalias e fraudes.
IMPORTANTE:
É importante ressaltar que a visualização faz parte de 
um processo maior, podendo ser a análise dos dados, 
descoberta de conhecimento, a exposição de resultados 
de técnicas ou análise visual. Tanto a visualização quanto a 
análise têm seus andamentos conjuntos, com o intuito de 
promover a construção de um modelo que representa os 
dados. Isso se deve à visualização promover a exploração 
dos dados e ser utilizada para disponibilizar as informações, 
descobertas de novos conhecimentos a identificação de 
estruturas, padrões, entre outros (MATTHEW et al., 2010).
Big Data e Ciência de Dados
38
Podemos citar que, no contexto de promover a visualização de 
dados em Big Data, existem outras ferramentas disponíveis no mercado, 
como as citadas abaixo:
 • Tableau: esta ferramenta possibilita visualizar as informações com 
nitidez, visto que, essa função é básica para quem deseja investir 
em análises do Big Data. Abordagem deste software possibilita a 
criação de mapas, gráficos diversos, tabelas e outros elementos 
gráficos para contribuir ao entendimento das informações. Vale 
ressaltar que esta ferramenta trabalha criando tudo de modo 
rápido e atualizado em tempo real. O Tableau está disponível em 
versões gratuitas e pagas (TABLEAU, 2020).
 • Pentaho: trata-se de uma ferramenta que possibilita realizar a 
integração das informações de diferentes plataformas e softwares 
usados enquanto ocorre a análise do Big Data. O Pentaho permite 
se conectar com o Tableau e também com as redes sociais da 
empresa envolvida, permitindo, assim, que por meio desta 
conexão, o trabalho possa ser mais eficiente no uso dessas 
informações (PENTAHO, 2020).
 • Chartio: trata-se de uma ferramenta que possibilita juntar os 
distintos dados coletados e criar relatórios de modo direto pelo 
navegador web, proporcionando que os arquivos possam ser 
convertidos em formato PDF (CHARTIO, 2020).
SAIBA MAIS:
Faça a leitura do artigo Guia prático da visualização de 
dados: definição, exemplos e recursos de aprendizado para 
saber mais sobre o assunto. Acesse clicando aqui. 
Conforme destaca Taurion (2013), outras tecnologias que merecem 
destaque em Big Data é o conceito de stream processing, que é 
responsável por analisar os dados em movimento e permite análises 
por meio de técnicas paralelas no momento em que estes são gerados, 
passando por regras de negócio de forma que contribuem nas análises, 
Big Data e Ciência de Dados
https://www.tableau.com/pt-br/learn/articles/data-visualization
39
definindo assim, ações imediatas em resposta. Além do exposto, o 
paradigma stream computing realiza o tratamento dos dados estáticos 
em tempo real.
RESUMINDO:
Estudamos neste capítulo a importância da visualização 
de dados no contexto do Big Data. Estudamos como ela 
promove a representação dos dados, e também promove 
a compreensão de padrões, tendências, análises dos 
dados e as relações existentes entre o conjunto dos 
dados. Vimos que o processo de visualização contribui 
para selecionar os componentes primordiais no processo 
de transformação dos dados em uma representação visual 
diante do uso de uma técnica. Também foram destacados 
problemas que podem ocorrer na visualização dos 
dados em Big Data, devido ao grande volume de dados 
trabalhados por essa tecnologia, permitindo, assim, o 
tratamento e interatividade para produzir a informação 
em tempo real. Por fim, foram apresentadas técnicas de 
visualização e como estão relacionadas com análises de 
dados, mostrando algumas tecnologias desenvolvidas 
para promover uma visualização de qualidade, tentando 
sanar os pontos críticos para uma boa visualização dos 
dados em aplicações que utilizam Big Data.
Big Data e Ciência de Dados
40
Onde aplicar Big Data
OBJETIVO:
Neste capítulo, você saberá onde podemos aplicar Big Data, 
citando sua importância no contexto geral do mercado. 
Logo após, apresentaremos as diversas áreas que ele está 
sendo explorado. Vamos lá!
A importância de utilizar Big Data
Para iniciar, entenderemos que a grande importância do Big Data 
não é voltada apenas em torno do volume de dados disponíveis, mas sim 
por conta do que se pode fazer com todos esses dados. Desse modo, os 
dados oriundos de qualquer que seja a fonte, podem ser analisados para 
descobrir conhecimento e buscar respostas. 
Por meio da utilização do Big Data é possível reduzir custos, 
antecipar ações, elaborar estratégias, criar novos produtos e realizar 
ofertas melhoradas.
Vale ressaltar que as empresas utilizam cada vez mais a tecnologia 
como meio e não como fim, usando os recursos do Big Data para ser 
um diferencial e uma vantagem no mercado, deixando-as à frente dos 
concorrentes. 
SAIBA MAIS:
Faça a leitura do artigo A importância do Big Data e como 
gerar valor por meio da tecnologia para saber mais sobre o 
assunto. Acesse clicando aqui. 
Ao longo das seções seguintes, será exposto áreas onde se pode 
aplicar Big Data e suas contribuições.
Big Data e Ciência de Dados
41
Big Data: onde é aplicado
Podemos ver que as empresas hoje buscam não só satisfazer 
seus clientes, como também seus colaboradores e visam a sempre 
ter recursos para vencer seus concorrentes. Observamos ainda que os 
políticos, de forma geral, buscam entender quem são os leitores, bem 
como, a satisfação ou insatisfação deles. 
Na educação, vemos que se busca respostas para promover 
aprendizado aos alunos e entender suas reais necessidades, como 
também atender aos professores.
Na saúde, hoje percebemos uma mudança em que os médicos 
eram antes a principal fonte de informação, hoje a saúde é sobre entender 
o paciente e não mais sobre a doença (GAFFIELD, 2013).
IMPORTANTE:
Diante de todo esse contexto das necessidades, de cada 
um desses setores e o advindo da era da informação, as 
aplicações do Big Data têm se tornado grandes aliadas 
para trabalhar com estes grandes volumes de dados e 
são adotadas para analisar os dados e fazer previsões, 
provendo auxílio em tomadas de decisões ou para 
compreender um problema. 
Ademais, existem diversas áreas como empresarial, eleitoral, 
educação e saúde, que acabam adotando o Big Data para produzir e 
prever problemas para suas áreas de atuação. 
Big Data na Educação
Uma boa área para se aplicar o Big Data é a educação e um bom 
exemplo é o Programa Internacional de Avaliação de Alunos (Pisa – 
Programm for International Student Assessment), que é organizado pela 
Organização para a Cooperação e Desenvolvimento Econômico, o qual 
tem buscado realizar análises das habilidades dos estudantes no campo 
de Matemática, Ciências e Leitura/interpretação, de modo que se possa 
Big Data e Ciência de Dados
42
permitir fazer comparação entre as capacidades que os jovens estão 
aprendendo em diversos países (SCHLEICHER, 2013).
O Pisa possibilitou a criação de grandes massas de dados, a qual 
se pode utilizaro Big Data sobre a propriedade dos resultados da escola. 
Este uso também contribui ao direcionar as políticas públicas na área da 
educação mais claras e mais eficientes, disponibilizando às escolas, por 
meio desses dados, tomarem decisão para o seu país, observando os 
dados dos outros. Assim, permitindo que os governos possam analisar 
melhorias na oferta de conteúdos de diversas áreas da educação em seus 
respectivos países (SCHLEICHER, 2013).
Outra contribuição que a utilização do Big Data pode fornecer é 
a fundamentação para o desenvolvimento de algoritmos e aplicações 
que permitam criar deduções sobre o conhecimento que os estudantes 
possuem, prevendo problemas, interesses, como também a idealização 
de modelos apropriados de previsão de comportamentos e interesses 
futuros (MANYIKA et al., 2011).
Figura 9 – Big Data na educação
Fonte: Freepik
Arnold e Pistilli (2012) descreveram que, nos anos de 2007 a 2010, 
a Universidade de Purdue dirigiu um trabalho denominado Course Signal, 
que usava o Big Data para agrupar conhecimento sobre seus estudantes 
por meio de várias fontes, com o objetivo de gerar influências pedagógicas 
e fazer a identificação de alunos em circunstâncias de riscos.
Big Data e Ciência de Dados
43
Conforme está descrito no site (SANTO DIGITAL, 2018), há algumas 
vantagens em adotar o Big Data na educação, que são apresentadas abaixo:
 • Identificação dos padrões para melhorar notas: querendo 
entender o problema de desempenho de alunos em diferentes 
contextos, por exemplo, tentar entender “por que o Brasil é tão mal 
avaliado no Programa Internacional de Avaliação de Estudantes, o 
Pisa?”, o Big Data pode ajudar sendo uma ótima alternativa para 
encontrar essas respostas, entre outras.
 • Criação de plataformas de aprendizado personalizadas: o 
Big Data pode contribuir no desenvolvimento de programas 
personalizados para os alunos de acordo com o perfil de cada um. 
 • Integração ao contexto dos alunos: promover a integração 
no desenvolvimento de  plataformas de aprendizagens mais 
interessantes são direcionados para cada aluno por meio da 
utilização do Big Data. 
 • Possibilidade de avaliação inteligente: por meio da utilização do 
Big Data, promover atividades personalizadas para cada aluno. 
 • Diminuição da evasão: como atualmente o problema de evasão 
é forte na área de educação, principalmente nos cursos de 
exatas, as aplicações de Big Data são um grande recurso para 
realizar previsões, identificar padrões no desempenho do aluno 
e indicar a probabilidade de evasão, contribuindo com soluções 
para evitar evasão.
Big Data aplicado a negócios 
A aplicação do Big Data, para os negócios de empresas de diversos 
segmentos, é cada vez mais utilizado. Neste sentido, a IDC – International 
Data Corporation (2013) teve uma iniciativa de listar algumas oportunidades 
interessantes de negócios, a qual estão descritas abaixo:
 • Serviços financeiros: este setor trata de promover por meio da 
utilização do Big Data, recursos para prever e detectar fraudes 
bancárias e de seguros. Por meio de análise preditiva, impedir 
Big Data e Ciência de Dados
44
estragos nas indústrias de seguros, análises no segmento de 
reclamações em seguros, observar padrões, prever riscos de 
transações e integrar dados a fim de entender aspectos de 
consumo.
 • Telecomunicações: no segmento de telecomunicações, o Big 
Data pode contribuir otimizando as redes, prevendo fraudes 
e evasões de clientes, melhorar o processo de vendas e a 
identificação de padrões como a alocação de largura de banda.
 • Meios de comunicação: a utilização do Big Data no segmento de 
comunicação contribui classificando os clientes, e viabilizando o 
crescimento de audiência.
 • Transporte: no segmento de transporte, o Big Data pode 
promover aperfeiçoamento de logística, como análises geográficas 
referentes a localização usadas por meio dos dados de GPS. Outro 
exemplo, é o uso de sensores espalhados em dispositivos móveis, 
que possibilitam veículos fornecerem informações em tempo 
real, permitindo que seja analisado o tráfego. Por meio destas 
informações, alinhando com alguns elementos independentes em 
alguns veículos, é possível que os condutores dirijam de forma 
mais segura e com menos engarrafamentos (TECHAMERICA, 
2012).
 • Serviços profissionais: neste segmento o Big Data pode 
promover aos profissionais maior facilidade no gerenciamento 
e direcionamento de campanhas e programas, a fim de atrair e 
manter clientes. Além do exposto, é possível buscar por clientes 
que se identifique com produtos específicos. Ainda na área de 
segurança, o Big Data pode ser utilizado para prevenir crimes e 
detectar serviços de segurança.
 • Varejo e atacado: neste segmento o Big Data pode promover 
aperfeiçoamento das redes de fornecedores, análise de 
comportamento observando as preferências dos consumidores, 
fomentando o cruzamento de venda e a inferência de vendas em 
locais, viabilizar descontos com base nos padrões de consumo 
Big Data e Ciência de Dados
45
dos clientes, análise de cesta fundamentada na demografia, 
otimização de merchandising, prevenção e detecção de fraudes e 
detecção de fraudes no comércio eletrônico.
IMPORTANTE:
Podemos perceber que o Big Data pode ser aplicado em 
diversos setores e geram importantes recursos, como 
também pode ser uma tecnologia que contribui e atua na 
prevenção de problemas do dia a dia.
Assim, o Big Data pode ser usado em aplicações para entender 
problemas e identificar padrões. O BD cresce muito e pode ser aplicado 
trazendo importantes mudanças. Nisto percebemos que a mudança que 
lidamos é, de certa forma, superior às geradas por inovações importantes 
de modo drástico, expandindo o escopo e a escala das informações na 
sociedade (MAYER et al., 2013).
Big Data aplicado na saúde
Neste segmento, a utilização do Big Data cresce bastante, pois 
atualmente existem diversos recursos que disponibilizam os dados a 
serem tratados por meio de meios eletrônicos, como dispositivos móveis 
que registram e monitoram algumas ações dos pacientes, dados em 
tempo real, armazenamento de dados do paciente e exames, entre outros.
Por meio das análises de dados, o Big Data possibilita 
contribuições, ligadas ao uso de sistema de análise para poder gerar 
alertas personalizados a cada pessoa e o como o médico corresponderá 
ao paciente. Com esses sistemas, os recursos de sensores nos hospitais 
ou em residências, podem monitorar frequentemente com marcadores 
bioquímicos, permitindo que sejam realizadas análises em tempo real dos 
dados, bem como, prever eventos que poderão acontecer ao paciente 
(TECHAMERICA, 2012).
Continuando, podemos citar outras melhorias que podem ser 
destacadas na utilização de aplicações do Big Data. Voltando para saúde, 
Big Data e Ciência de Dados
46
com o aperfeiçoamento na qualidade do serviço de cuidados, tem-se 
aperfeiçoado o processo de diagnóstico de doenças ainda no período 
inicial, permitindo tratamentos personalizados. 
Assim, o Big Data é de vital importância para a saúde, uma vez que 
permite aplicações de tomada de decisão mais fundamentadas, bem 
como, realizações de previsões (CALDEIRA, 2016).
Figura 10 – Big Data aplicado na saúde
Fonte: Freepik
Outro exemplo foi a pesquisa idealizada com análise de mais de 60 
mil usuários nos Estados Unidos em um período de quatro anos, a partir 
disso houve observações ligadas a como os usuários descreviam, nas 
redes sociais, seu peso inicial e sustentavam uma influência mútua com 
outros, durante todo o período de regime, o qual falavam ainda sobre suas 
queixas, desafios e vitórias, conseguindo atingir a meta final (CALDEIRA, 
2016).
Alguns exemplos interessantes podem ser citados, como a pesquisa 
do Big Data realizada na UFMG em colaboração com pesquisadores do 
Catar e da Alemanha, finalizada no ano 2016, a qual conseguiu-se analisar 
padrões de  comportamentode indivíduos em grupos que buscavam 
perda de peso em redes sociais. 
Big Data e Ciência de Dados
47
SAIBA MAIS:
Faça a leitura do artigo Big Data na Medicina: veja como 
essa tecnologia está transformando a área da saúde e veja 
alguns exemplos de pesquisas que utilizaram o Big Data na 
saúde. Acesse clicando aqui. 
Big Data aplicado na área eleitoral 
Uma aplicação que merece destaque é uso do Big Data na política, 
ajudando em processos de eleição para os candidatos entenderem 
melhor seus cidadãos e como realizar estudos que possam permitir 
entender melhor os problemas de determinadas regiões, pavimentando a 
construção de planos de governo.
Assim, utilizando dos recursos de cruzamento de dados geográficos 
ou demográficos por meio de captura de dados de redes sociais e de 
pesquisas por formulário on-line, as campanhas podem agregar valor às 
suas estratégias de campanha, obtendo assim, informações sólidas para 
tomadas decisões.
Figura 11 – Big Data aplicado na área eleitoral
Fonte: Freepik
Um grande exemplo do Big Data, utilizado em áreas eleitorais, ocorreu 
em campanhas presidenciais americanas de 2008 e 2012, em que foram 
feitas análises por meio de um sistema de coleta de notícias automatizados. 
Big Data e Ciência de Dados
https://blog.iclinic.com.br/big-data-na-medicina/
48
Conforme relata Prati (2014, p. 47):
O estudo descreve ampla pesquisa com 2,5 milhões de 
notícias coletadas a partir de 498 diferentes provedores 
de 98 países e que publicaram textos na língua inglesa 
por um período de 10 meses. Com isto, as notícias 
foram classificadas automaticamente e foram aplicados 
sobre elas, técnicas de aprendizado de máquina em 
15 categorias variadas. O intuito era descobrir padrões 
e semelhanças, como por exemplo, estilos de escrita 
entre diferentes provedores, distinção de gênero no 
tema abordado nas notícias e no relacionamento com a 
popularidade dos artigos. 
SAIBA MAIS:
Faça a leitura do artigo Big Data na política: entenda como 
ela interfere nas eleições para saber mais sobre o assunto. 
Acesse clicando aqui. 
Assim, percebemos que o campo eleitoral pode obter um bom 
aproveito das técnicas de Big Data que proporcionam análises em tempo 
real, de padrão como de predição entre outras.
RESUMINDO:
Estudamos ao longo deste capítulo onde podemos 
aplicar o Big Data, abordando diversas áreas que podem 
ser aplicadas suas técnicas, bem como, contribuir como 
importante recurso de tomada de decisão. Assim, podemos 
ver nas explanações, as contribuições oferecidas por esta 
tecnologia, entendendo melhor como ela pode ser aplicada 
nos diversos segmentos, desde a saúde ao mercado 
financeiro, passando também pela educação e tantos 
outros ramos do conhecimento e comércio. Podemos 
ainda avaliar a importância desta tecnologia e como ela 
tem um grande potencial de viabilizar um diferencial aos 
setores que adotar.
Big Data e Ciência de Dados
https://www.knowsolution.com.br/big-data-politica-eleicoes/
49
REFERÊNCIAS
ACCENTURE. Entendendo de dados. Disponível em: https://www.
accenture.com/_acnmedia/pdf-45/accenture-entendedo-de-dados.pdf. 
Acesso em: 02 maio 2020.
AGRAWAL, R. et al. Challenges and Opportunities with Big Data 
Visualization. In: INTERNATIONAL CONFERENCE ON MANAGEMENT 
OF COMPUTATIONAL AND COLLECTIVE INTELLIGENCE IN DIGITAL 
ECOSYSTEMS, 7., 2015, [s. l.]. Anais […] [S.l.: s.n.], 2015. p. 169-173.
ARRIGONI, R. Uma entrevista didática sobre o Big Data. Exame, 2013. 
Disponível em: https://exame.abril.com.br/tecnologia/uma-entrevista-
didatica-sobre-big-data. Acesso em: 28 abr. 2020.
ARTHUR, C. What’s a zettabyte? By 2015, the internet will know, 
says Cisco. The Guardian, 2011. Disponível em: https://www.theguardian.
com/technology/blog/2011/jun/29/zettabyte-data- internet-
cisco#:~:text=For%20example%2C%20from%20the%20Cisco,catalog%20
more%20than%203%2C000%20times. Acesso em: 02 maio 2020.
BIESDORF, S.; COURT, D.; WILLMOTT, P. Big data: What`s your Plan? 
Mckinsey Quarterly, p. 40-41, 2013.
BIG Data – Impactos e Benefícios. Isaca, 2013. Disponível em: http://
www.isaca.org/Knowledge-Center/Research/Documents/BigData_
whp_Por_0413.pdf. Acesso em: 20 maio 2017.
BIG data na Educação: conheça 5 vantagens. Santo Digital, 2018. 
Disponível em: https://www.santodigital.com.br/big-data-na-educacao-
conheca-5-vantagens. Acesso em: 05 maio 2020.
BIG Data: os cinco vs que todo mundo deveria saber. Canal Tech, 
[s. d.]. Disponível em: http://corporate.canaltech.com.br/dica/big-data/
big-data-os-cinco-vs-que-todo-mundo-deveria-saber/. Acesso em: 28 
abr. 2020.
CARD, K.; Mackinlay, J. The Structure of the Information Visualization 
Design Space. Xerox PARC, p. 92-99, 1997.
Big Data e Ciência de Dados
50
CALDEIRA H. O Big Data e o seu uso na saúde. CM Tecnologia, 
[s. d.]. Disponível em: https://cmtecnologia.com.br/blog/big-data-saúde. 
Acesso em: 09 maio 2020.
CHEN, C. Information visualization. John Wi Ley & Sons, v. 2, p. 387-
403, jul./ago. 2010. Disponível em: http://doi.org/10.1002/wics.89. Acesso 
em: 11 fev. 2022.
CHEN, M.; MAO, S.; LIU, Y. Big Data: A survey. Mobile networks and 
applications, v. 19, n. 2, p. 171-209. 2014.
COELHO, W. Dados, informação, conhecimento e competência. 
Web Artigos, 2009. Disponível em: http://www.webartigos.com/
art ic les/26653/1/DADOS-INFORMACAO-CONHECIMENTO-E-
COMPETENCIA/pagina1.html. Acesso em: 02 maio 2020.
COELHO, P. Arquitetura: princípios para alcançar desempenho e 
escalabilidade em aplicações. Microsoft, 2008. Disponível em: https://
msdn.microsoft.com/pt-br/library/cc518051.aspx. Acesso em: 28 abr. 
2020.
COMPUTERWORLD. Big Data: volume de dados crescerá 60 em 12 
anos. Computer World, 2012. Disponível em: https://computerworld.com.
br/2012/05/25/big-data-volume-de-dados-no-mundo-crescera-60-
em-2012. Acesso em: 02 maio 2020.
DATA Mining. Britannica Academic, 2018. Disponível em: https://
academic.eb.com/?target=%2Flevels%2Fcollegiate%2Farticle%2F437561. 
Acesso em: 05 maio 2020.
DAVENPORT, T. Big Data no trabalho: derrubando mitos e 
descobrindo oportunidades. Rio de Janeiro: Elsevier, 2014.
FEIJÓ, B. A Revolução dos Dados. Exame, 2013. Disponível em: 
https://exame.com/pme/a-revolucao-dos-dados/. Acesso em: 11 fev. 
2022.
GANTZ, J.; REINSEL, D. The digital universe in 2020: Big Data. EMC, 
2020. Disponível em: https://www.emc.com/collateral/analyst-reports/
idc-the-digital-universe-in-2020.pdf. Acesso em: 09 maio 2020.
Big Data e Ciência de Dados
51
GLIKAS, A. A importância do Big Data e como gerar valor por meio da 
tecnologia. Computer World, 2018. Disponível em: https://computerworld.
com.br/2018/02/09/importancia-do-big-data-e-como-gerar-valor-por-
meio-da-tecnologia/. Acesso em: 08 maio 2020.
GOLDMAN, A. et al. Apache hadoop: conceitos teóricos e práticos, 
evolução e novas possibilidades. In: JORNADAS DE ATUALIZAÇÕES EM 
INFORMÁTICA, 31., 2012, [s. l.]. Anais [...] [s. l. s. n.], 2012.
GUIMARÃES, L. Big Data na política: entenda como ela interfere nas 
eleições. Know Solution, [s. d.]. Disponível em: https://www.knowsolution.
com.br/big-data-politica-eleicoes/#close. Acesso em: 09 maio 2020.
KAISLER, S. et al. Big Data: Issues and Challenges Moving Forward. 
In: HAWAII INTERNATIONAL CONFERENCE ON SYSTEM SCIENCES, 46., 
2013, Maui. Anais […] Maui: [s. n.], 2013.
LANEY, D. 3D Data Management: Controlling data volume, velocity, 
and variety, meta group. Gartner, 2012. Disponível em: https://blogs.
gartner.com/douglaney/files/2012/01/ad949-3D-Data-Management-
Controlling-Data-Volume-Velocityand-Variety.pdf. Acesso em: 04 maio 
2020.
LETOUZÉ, E. Big Data for development: challenges & opportunities. 
[s. n.]: UN Global Pulse, 2012.
LINS, L.; KLOSOWSKI, T.; SCHEIDEGGER, C. Nanocubes for Real-
Time Exploration of Spatiotemporal Datasets. Visualization and Computer 
Graphics, IEEE Transactions on 19, n. 12, p. 2456-2465, 2013.
LOH, S. BI na era do Big Data para cientistas de dados: indo alémde cubos e dashboards na busca pelos porquês, explicações e padrões. 
Porto Alegre: [s. n.], 2014.
MANYIKA, J. et al. Big Data. [s. l.]: McKinsey Global Institute, 2011.
MATTHEW W.; GRINSTEIN, G.; KEIM, D. Interactive Data 
Visualization Foundations Techniques and Applications. 2. ed. Boca 
Raton: CRC Press, 2010.
Big Data e Ciência de Dados
52
MAYER, V.; CUKIER, K. Big Data: Como extrair volume, variedade, 
velocidade e valor da avalanche de informação quotidiana. Rio de Janeiro: 
Campus, 2013.
MAYUMI, Y. Big Data na Medicina: veja como essa tecnologia está 
transformando a área da saúde. Iclinic, 2017. Disponível em: https://blog.
iclinic.com.br/big-data-na-medicina/. Acesso em: 09 maio 2020.
MAZZEGA, L. Big Data: oportunidades e desafios para os negócios. 
Campinas: Unicamp, 2016.
MCAFEE, A.; BRYNJOLFSSON, E. Big Data: The management 
revolution. Harvard Business Review, v. 90, n. 10, p. 60. 2012.
MCCANDLESS, D. A Beleza da visualização de dados. TED, 2010. 
Disponível em: http://www.ted.com/talks/david_mccandless_the_
beauty_of_data_visualization.html. Acesso em: 03 maio 2020.
NESELLO, P.; FACHINELLI, A. Big Data: o novo desafio para gestão. 
Revista Inteligência Competitiva, São Paulo, v. 4, n. 1, p. 18-38, jan. 2014. 
NOVO, R.; NEVES, J. Inovação na inteligência analítica por meio 
do Big Data: características de diferenciação da abordagem tradicional. 
Workshop de Pós-Graduação e Pesquisa do Centro Paula Souza, v. 8. 
p. 32-44. 2013.
ORNA, E. Information policies: Yesterday, today, tomorrow. Journal 
of information Science, Otawa, v. 34, n. 4, p. 547-565, jun. 2008.
PARSAYE, K.; CHIGNELL, M. Intelligent Database Tools & Applications: 
Hyperinformation access, data quality, visualization, automatic Discovery. 
John Wiley & Sons Inc, p. 541. 1993.
PEREIRA, A. Big Data e Data Analysis:Visualização de Informação. 
Braga: Universidade do Minho, 2015.
SAIBA o que é o Big Data e os desafios que as empresas enfrentam. 
IBM, 2012. Disponível em: http://www.ibm.com/midmarket/br/pt/
infografico_bigdata.html. Acesso em: 04 maio 2020.
Big Data e Ciência de Dados
53
SANTOS, I. A. B. Condicionantes do uso efetivo do Big Data e 
Business Analytics em organizações privadas: atitudes, aptidão e 
resultados. Recife: UFPE, 2016.
SCHLEICHER, A. Big Data and PISA. Huff Post, 2013. Disponível 
em:http://www.huffingtonpost.com/andreas-schleicher/big-data-
andpisa_b_3633558.html. Acesso em: 05 maio 2020.
SCHNEIDER, D. Hadoop for dummies. Mississauga: John Wiley & 
Sons Canada, 2012.
SCHONBERGER-MAYER, V.; CUKIER JR., K. Big Data: como extrair 
volume, variedade, velocidade e valor da avalanche de informação 
cotidiana. Rio de Janeiro: Elsevier, 2013.
SOBER, E. O que é o conhecimento? Crítica na Rede, 2008. 
Disponível em: http://criticanarede.com/fil_conhecimento.html. Acesso 
em: 04 maio 2020.
SODRÉ, L. Big Data estratégico: um framework para gestão 
sistêmica do ecossistema big data. 125 f. Dissertação (Mestrado em 
Engenharia de Produção) – Programa de Pós-graduação em Engenharia 
de Produção. UFRJ. Rio de Janeiro. 2016.
TAURION, C. Big Data. Rio de Janeiro: Brasport, 2013.
VIANNA, B.; DUTRA, L. Big Data e gestão da informação: Modelagem 
do Contexto Decisional Apoiado pela Sistemografia. Revista Informação 
e Informação, Londrina, v. 21, n. 1, p. 185- 212, jan./abr. 2016
WARE, C. Information visualization: Perception for design. 3. ed, 
New York: Morgan Kaufmann Publishers, 2013.
YAU, N. Visualize this: The FlowingData Guide to Design, 
Visualization, and Statistics. New Jersey: Willey, 2011.
Big Data e Ciência de Dados
	oi
	_Hlk39799078
	_Hlk39515698
	_Hlk39603802
	_Hlk39603575
	_Hlk39602591
	_Hlk39604627
	_Hlk39602296
	_Hlk39602145
	_Hlk39601976
	_Hlk39602483
	_Hlk39604983
	_Hlk39604396
	_Hlk39799489
	_Hlk39799884
	_Hlk39799629
	_Hlk39799785
	_Hlk39800799
	_Hlk39800717
	_Hlk39800522
	_Hlk39802502
	_Hlk39801957
	_Hlk39802176
	_Hlk39803944
	_Hlk39803612
	_Hlk39804443
	_Hlk39804412
	_Hlk39804381
	_Hlk39804199
	_Hlk39804041
	_Hlk40108420
	_Hlk40108477
	_Hlk45057271
	_Hlk45057738
	História e Evolução do Big Data 
	Histórico: Big Data 
	Big Data 
	Os 5Vs do Big Data
	Aplicabilidade das Tecnologias de Big Data
	A diferença entre Big Data e os sistemas tradicionais
	Impacto do Big Data 
	O ambiente favorável à aplicação do Big Data: tecnologias 
	Técnicas de Visualização de Dados
	Visualização de dados: conceito
	Modelos do processo de visualização
	Técnicas de visualização 
	Onde aplicar Big Data
	A importância de utilizar Big Data
	Big Data: onde é aplicado
	Big Data na Educação
	Big Data aplicado a negócios 
	Big Data aplicado na saúde
	Big Data aplicado na área eleitoral