Big Data Analytics

Prévia do material em texto

Texto 01:
O Big Data está se tornando mais popular entre as empresas em todos os setores, mas a realização de um projeto de Big Data não é fácil. De acordo com um estudo conduzido pela NewVantage Partners, 95% dos empreendedores da Fortune 1000 pesquisados realizaram um projeto de Big Data nos últimos cinco anos, mas apenas 48,4% conseguiram se beneficiar desses projetos.
Abaixo estão alguns dos grandes desafios que as empresas enfrentam:
1. Gerenciar o crescimento de dados: armazenar e analisar todas as informações coletadas considerando que a maioria destes dados não são estruturados.
2. Gerar insights rapidamente para atingir seus objetivos.
3. Recrutar talentos de Big Data porque com habilidades específicas.
4. Integrar fontes diversificadas de Big Data devido a variedade de dados, a questão da integração vem a ser um dos maiores desafios.
5. Validação de dados coletados eliminando dados contraditórios para unir dados semelhantes.
6. Proteger o Big Data em termos de segurança de dados.
7. Resistência organizacional, como todo novo projeto.
CIO. 7 desafios que organizações enfrentam para extrair valor do Big Data. Disponível em: https://cio.com.br/7-desafios-que-organizacoes-enfrentam-para-extrair-valor-do-big-data/. Acesso em 27 maio de 2019. Adaptado pelo autor.
 
Texto 02:
Sabemos claramente que o ambiente empresarial é um ambiente complexo quando se fala na implementação de novos projetos. Sabemos que o sucesso de um projeto, seja ele de qual natureza for, necessita contar com algumas ações chaves: envolvimento dos Stakeholders, envolvimento de grandes usuários das áreas de negócio, equipe de comunicação excessiva, planejamento árduo intenso nas primeiras etapas e muito bem organizado nas próximas, gestão de riscos, gestão de cronograma e custos, entre outros. Implementar Big Data não é diferente. Considerando o que foi estudado até este ponto, fica claro que não se trata apenas de escolhas de ferramentas e sim de governança dos negócios.
Muito antes de se adquirir qualquer ferramenta ou iniciar qualquer projeto de infraestrutura que comporte Big Data, a pergunta mais importante que se deve fazer para dar o primeiro passo é: “Quais respostas a empresa quer obter com Big Data?”.
Para se fazer esta pergunta, antes mesmo de fazê-la, a empresa precisa estar em um nível de madures suficiente que tenha em mãos ao mínimo um plano estratégico de onde está e para onde quer chegar. Ainda, quais pontos dos seus processos de negócio podem ser melhorados garantindo melhora contínua sobre eles para alcançar as metas de negócio arquitetadas. E melhor ainda, será que é possível aplicar Big Data em formato piloto? Questões como estas requerem uma expertise de negócio muito afinada e executivos com metas claras, objetivas e estratégicas. Com certeza usufruir dos dados é tudo que um executivo precisa porque suas decisões passam por dados. Encontrar a melhor forma de explorar toda esta tecnologia é que o grande desafio e é por isso que pessoas por trás de um projeto Big Data tem muito das características de empreendedores.
Considerando os textos apresentados, avalie as asserções a seguir e a relação proposta entre elas.
I. Implementar um projeto Big Data não é diferente da implementação de qualquer outro projeto. Pode-se dizer que caracteriza inclusive uma implementação de alta complexidade se considerarmos que envolve mudanças culturais, de hardware, de software e de pessoal.
PORQUE
II. Um erro gravíssimo cometido geralmente pelas empresas diante de um projeto de software está na escolha das tecnologias que irão compor a infraestrutura do projeto. Se não este, o esquecimento de envolver este mesmo pessoal na avaliação do ambiente atual, se este poderá suportar o novo software ou se é necessária qualquer atualização tecnologia neste sentido. Muitos projetos de sucesso, ainda tem a chance de falhar no momento de rollout devido a problemas de ambiente.
Autor.
A respeito dessas asserções, assinale a opção correta. C
· As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I.
· A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.
· Resposta correta
As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I.
· A asserção I é uma proposição falsa, e a II é uma proposição verdadeira.
· As asserções I e II são proposições falsas.
2- Análise prescritiva (de recomendação) é a utilização de ferramentas estatísticas (tanto de análise descritiva quanto preditiva) alinhadas à gestão de negócios para gerar recomendações de ações a serem tomadas de forma automáticas ou semiautomáticas, com o fim de otimizar as estratégias adotadas pelas empresas e alcançar melhores resultados no menor espaço de tempo. Enquanto a análise preditiva se limita a dizer como provavelmente será o futuro, a análise prescritiva fornece subsídios para tomar decisões que irão alterar o futuro. Em outras palavras, o que deve ser feito para que o futuro desejado se realize.
 
Aquarela Inovação Tecnológica do Brasil S.A. Análise descritiva, preditiva, prescritiva e cenarização: Como gerar valor aos negócios. Disponível em: https://www.aquare.la/analise-descritiva-preditiva-prescritiva-e-cenarizacao/. Acesso 14 junho de 2018.
Considerando o texto apresentado, avalie as afirmações a seguir.
I. A pergunta “Qual a flutuação de vendas ao longo do ano?” é um exemplo do que o resultado de uma análise prescritiva na área de negócio Vendas pode ser capaz de responder de maneira quase imediata, pois aplica métricas e técnicas estatísticas simples à base de dados deste negócio.
II. Este histograma revela, de forma quase imediata, ao menos 2 conclusões, exemplo que retrata o conceito de análise prescritiva, de fácil entendimento:
I. 
· Os homens se preocupam muito menos em agendar consulta do que as mulheres.
· Mulheres também não vão muito ao médico pouco antes dos 20 anos, mas depois frequentam as consultas com uma frequência muito superior aos homens.
Fonte: Aquarela Inovação Tecnológica do Brasil S.A. Análise descritiva, preditiva, prescritiva e cenarização: Como gerar valor aos negócios. Disponível em: https://www.aquare.la/analise-descritiva-preditiva-prescritiva-e-cenarizacao/. Acesso 14 junho de 2018.
III. A análise prescritiva fornece ao executivo material confiável para que uma tomada de decisão possa mudar o futuro. Além de indicar a melhor escolha a ser feita dentre de um conjunto de parâmetros, tem a capacidade de evidenciar os resultados que podem ser obtidos com esta ou outra escolha.
 
É correto o que se afirma em: C
· I, apenas.
· I e II, apenas.
· Resposta correta
III, apenas.
· II e III, apenas.
· I, II e III.
3-Texto 01:
“Em linhas gerais, entendo que Big Data, além de ser mais uma buzzword (ou chavão de marketing), excede a capacidade atual que temos para usar os ambientes tecnológicos de hardware e as ferramentas de software para capturar, administrar e processar, incluindo-se correlacionar com alguma rapidez, as informações que estão a nossa volta, provenientes de diferentes fontes. Muitas podem ser as fontes: dados de web e mídias sociais, ainda mais volumosos quando utilizados através de dispositivos móveis em função dos expressivos níveis de crescimento mundial tanto no número de usuários como de aplicações; dados transacionais de diferentes naturezas (consumo, financeiro, gerenciamento de riscos, seguros, telecomunicações, saúde, entretenimento); dados de biometria para identificação e validação (reconhecimento de voz, íris, retina, face); dados gerados no dia-a-dia pelas pessoas através de e-mails, logs/blogs, relatórios, apresentações e documentos em geral; e, comunicação entre dispositivos (móveis e fixos) que monitoram processos, máquinas, localizam pessoas, liberam acessos, contabilizam estoques, etc.”
Taurion, Cezar. Big Data – Rio de Janeiro: Brasport, 2013.
Texto 02:
“Pesquisadores e profissionais da informação encontram-se diante de uma realidade em que os avanços tecnológicos estão produzindo enormes mudanças no seio da atividade científica;há uma necessidade crescente de comparar, preservar e gerenciar grandes quantidades de dados, pois o número de iniciativas internacionais dedicadas a gestão de longo prazo da informação científica cresceu exponencialmente.”
SILVA, Fabiano Couto Corrêa da. Gestão de dados científicos. 1ª ed. Rio de Janeiro: Interciência, 2019.
Considerando os textos apresentados, avalie as asserções a seguir e a relação proposta entre elas.
I. A necessidade de tecnologias específicas para tratamento de dados de todos os tipos despertou o campo científico tecnológico ligados à área da Ciência e da Tecnologia da Informação, quanto a necessidade de criar mecanismos efetivos que os processem, os tornem viáveis, disponíveis, seguros, compartilháveis e úteis gerando decisões de valor aos executivos de negócio.
PORQUE
II. Especificar, discriminar e entender a origem específica de cada tipo de dado é o primeiro passo para a construção de artifícios de coleta, processamento, transformação e disponibilização de informação útil ao mercado.
A respeito dessas asserções, assinale a opção correta. A
· Resposta correta
As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I.
· A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.
· As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I.
· A asserção I é uma proposição falsa, e a II é uma proposição verdadeira.
· As asserções I e II são proposições falsas.
4- BI, Data Mining e Big Data
Fonte: Aquarela. Disponível em: https://www.aquare.la/7-caracteristicas-importantes-para-diferenciar-bi-data-mining-e-big-data/. Acesso em 27 abril de 2015.
Considerando o texto apresentado, avalie as afirmações a seguir.
I. Da mesma forma que Big Data, Data Mining possibilita fazer predições futuras relevantes as metas estratégicas de negócio, no entanto somente através do Big Data é que a empresa tem a capacidade de indicar ações que possibilitem que estas previsões ocorram.
II. De todos os tipos de metodologias e técnicas de análise, a mineração de dados ou data mining, além de ser capaz de lidar com diferentes tipos de dados, realiza análises preditivas, descritivas e diagnósticas.
III. Dashboards são relatórios diários que refletem a performance de uma determinada área de negócio ou de indicadores de desempenho, gerando uma evolução de resultados ao longo do tempo.
É correto o que se afirma em: B
· I, apenas.
· Resposta correta
I e III, apenas.
· II, apenas.
· II e III, apenas.
· I, II e III.
5- Os dados estruturados são provenientes dos bancos de dados relacionais da empresa. Os dados semiestruturados e não estruturados podem vir de diversas fontes, como por exemplo: arquivos de texto, planilhas, e-mails, pesquisas de mercado e arquivos de mídia (imagem, vídeo e áudio). Outras fontes de dados importantes são as redes sociais e bases externas abertas. Os dados provenientes dessas fontes podem tanto ser requisitos básicos para o problema, quanto ser utilizados para enriquecer o conjunto de dados que será preparado.
Se não houver uma adequada preparação de dados, não será possível extrair conhecimento, pois os dados estarão em estado bruto. Cabe ao preparador de dados executar várias atividades para tornar os dados brutos em informações relevantes para o problema.
A preparação de dados pode ser definida da seguinte maneira:
a. Processo de coletar, limpar, normalizar e combinar dados para análise.
b. Ponto de partida comum para diversos projetos que visam a descoberta de conhecimento.
A preparação de dados tem uma importância fundamental em projetos de mineração de dados. A figura a seguir apresenta um relatório feito pela Figure Eight sobre o tempo gasto em projetos de mineração de dados. Em média, cerca de 53% do tempo gasto em projetos desse tipo está relacionado com a preparação de dados.
São esperadas duas grandes entregas como resultados da preparação de dados:
a. Entendimento do domínio do problema: o preparador de dados deve saber o que é o problema, como vai resolvê-lo, quais são as formas de testar a solução e se é possível resolver.
b. Conjunto de dados confiável, relevante e enriquecido: o preparador de dados deve entregar esse conjunto para o cientista de dados, que aplicará os algoritmos necessários para a extração do conhecimento; e para o analista de negócios, que o utilizará para a tomada de decisão ou gerenciar esse conjunto para análises futuras.
IGTI Blog. Por que estudar a preparação dos dados? Disponível em: https://www.igti.com.br/blog/por-que-estudar-preparacao-de-dados/. Acesso em 2 julho de 2018.
Considerando as informações apresentadas, é correto afirmar que:
· Resposta correta
É certo de que Big Data propicia hoje a utilização de um grande volume e variedade de dados. No entanto gerar insights que realmente tenham peso ao final do processo, é algo que depende diretamente da qualidade da preparação dos dados coletados. Podemos dizer que a preparação dos dados em Big Data é tão importante quanto a etapa de especificação de requisitos em um projeto de desenvolvimento de software.
· Com um conjunto de dados limpo e confiável, o cientista de dados tem em mãos subsídios poderosos para gerar insights de valor aos negócios. Diante destes resultados, o executivo consegue traçar planos estratégicos que de fato poderão levar a empresa a outro nível em termos de mercado.
· Linguagens de marcação como XML e HTML definem formatos, aparência e padrões em um documento. Marcadores ou tags, dão significados ao dado contido no documento que provém de diversas fontes. Estas linguagens possibilitam processar dados do tipo estruturado.
· Resposta correta
É certo de que Big Data propicia hoje a utilização de um grande volume e variedade de dados. No entanto gerar insights que realmente tenham peso ao final do processo, é algo que depende diretamente da qualidade da preparação dos dados coletados. Podemos dizer que a preparação dos dados em Big Data é tão importante quanto a etapa de especificação de requisitos em um projeto de desenvolvimento de software.
· A preparação de dados do tipo não estruturado, comparado aos outros dois tipos (estruturado e semiestruturado), requer menos esforço e tempo devido, justamente, ao fato de que este tipo de dado não possui estrutura pré-definida e, portanto, se gasta menos tempo nas etapas de coleta e limpeza.
6- Cultura Omnichannel
Omnichannel é um termo utilizado para explicar uma tendência atual do comércio que se baseia na convergência de todos os canais utilizados por uma organização. Basicamente, trata-se de mesclar os universos offline e online do negócio para transformar tudo em uma grande base de dados de mercado — de modo similar ao trabalho com Big Data.
Essa cultura já é amplamente difundida entre as grandes empresas do comércio brasileiro. Um exemplo são as lojas eletrônicas que vendem produtos esportivos com a opção de retirada em um ponto físico ou recebimento em casa, integrando diferentes tipos de interação com esses consumidores.
Outra aplicação do conceito é encontrada quando as empresas que comercializam ingressos para eventos realizam a venda do serviço pela internet, mas oferecem a opção de retirada do bem em determinado ponto físico para aqueles que desejam tê-lo em mãos.
Integração entre Big Data e Omnichannel
A sincronização entre os canais do Ominchannel e as soluções de Big Data resultam, portanto, em uma ampla quantidade de informações úteis para a empresa. Isso favorece a agilidade no atendimento por meio de diferentes canais de interação com o cliente.
É interessante notar que ambas as ferramentas são complementares, já que se dedicam a centralizar informações e fornecer uma visão geral e diferenciada do negócio. Por meio do levantamento de dados do Big Data, é possível mapear tendências e fortalecer os canais de comunicação prediletos dos clientes com a ajuda da cultura Omnichannel.
Percebeu como essas tendências podem ser integradas para agregar valor ao seu negócio, independentemente do seu ramo de atuação? Na era da informação,é um grande erro desprezar o cruzamento de dados das aplicações do Big Data e a simultaneidade oferecida pelo Omnichannel para estabelecer padrões de consumo.
Know Solutions. Conheça aplicações do Big Data integrado à cultura Ominchannel. Disponível em: https://www.knowsolution.com.br/aplicacoes-big-data-integrado-omnichannel/. Acesso em 05 agosto 2019.
 
· Considerando as informações apresentadas, é correto afirmar que: 
Agregar valor ao negócio significa somar perspectivas diferentes na forma como fazer as coisas, que acaba gerando resultados positivos para a empresa. Não descartar ferramentas que integradas a Big Data criam estes resultados requer muita maturidade e um nível de prática em Big Data avançado.
· Desenvolver soluções personalizadas, como esta integração de negócios de ambas ferramentas, é uma situação inovadora aplicada em empresas que oferecem serviços através de uma conexão ativa com o cliente, especificamente de compra e venda, ou seja, própria do setor varejista.
· Resposta correta
Agregar valor ao negócio significa somar perspectivas diferentes na forma como fazer as coisas, que acaba gerando resultados positivos para a empresa. Não descartar ferramentas que integradas a Big Data criam estes resultados requer muita maturidade e um nível de prática em Big Data avançado.
· Sabemos que Big Data se trata de todo um ecossistema dentro da empresa, pois reúne infraestrutura de hardware e software. Por si só, armar este ecossistema já requer grande esforço. A interação entre ferramentas, como o case apresentado acima, pode não ser uma realidade para as empresas na prática.
· Integrar ferramentas pode ser algo extremamente interessante e útil para as empresas. Ferramentas open source são altamente integráveis. Por exemplo, uma empresa que tenha Hadoop, pode integrar-se facilmente à cultura Ominchannel.
· Muitas ferramentas prometem o aumento de produtividade da empresa e o alcance de seus objetivos estratégicos. Big Data de igual forma além disso, garante através da aplicação da ciência dos dados, agregar valor aos negócios, garantindo a extração de informações úteis que propiciam insights significativos em relação a concorrência.
 
7- “Big Data é um termo utilizado para descrever um grande volume de dados, em grande velocidade e grande variedade; que requer novas tecnologias e técnicas para capturar, armazenar e analisar seu conteúdo; e é utilizado para abrilhantar a tomada de decisão, fornecendo introspecção e descobertas, e suportando e otimizando processos.”
MCKINSEY GLOBAL. Big data: The next frontier for innovation, competition, and productivity. Disponível em http://www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_for_innovation. Acesso em junho de 2011.
Considerando o texto apresentado, avalie as afirmações a seguir.
I. Por grande volume de dados, entende-se os milhares de dados gerados diariamente seja na troca de e-mails, nas compras por internet, nas interações em redes sociais, nas conversas por WhatsApp, nos registros de chamadas telefônicas e no tráfego de dados, por exemplo.
II. A veracidade dos milhares de dados gerados é uma das principais preocupações dos executivos de negócio para a tomada de decisão, o que faz desta característica uma das mais importantes dentre os 5V´s do Big Data.
III. A questão da veracidade tem relação direta com a confiança dos dados coletados uma vez que não importa se o dado é real, ou “fresco”, o que está em jogo, é se se trata de um dado verídico.
· É correto o que se afirma em: 
I e II, apenas.
· I, apenas.
· Resposta correta
I e II, apenas.
· III, apenas.
· II e III, apenas.
· I, II e III.
8- BI, Data Mining e Big Data
Fonte: Aquarela. Disponível em: https://www.aquare.la/7-caracteristicas-importantes-para-diferenciar-bi-data-mining-e-big-data/. Acesso em 27 abril de 2015.
Considerando o texto apresentado, avalie as afirmações a seguir.
I. Todas as técnicas de análise de dados fornecem ao executivo de negócios uma visão sobre sua performance, insights que o ajudarão a trabalhar em suas metas estratégicas e recomendações futuras de negócio.
II. Big Data diferentemente de data mining ou mineração de dados, tem a capacidade de trabalhar com diferentes tipos de dados, sejam eles estruturados ou não e com um volume de dados exponencialmente maior.
III. Data mining, assim como Big Data, realiza previsões futuras, mas não têm a capacidade de gerar insights para que estas previsões se concretizem.
É correto o que se afirma em:
· Resposta correta
II e III, apenas.
· I, apenas.
· I e II, apenas.
· III, apenas.
· Resposta correta
II e III, apenas.
· I, II e III.
9- Como o modo atual de trabalho está mudando drasticamente, é provável que os desenvolvedores de aplicativos web temam perder seus empregos nos próximos anos. No entanto, não se trata de uma demanda menor por desenvolvedores, mas mais uma necessidade de um conjunto de habilidades diferente. Desenvolvedores e Engenheiros de Software terão uma demanda maior do que nunca, mas provavelmente terão que atualizar seus conhecimentos com ciência e análise de dados.
O Desenvolvimento Web não se limita apenas a escrever código, mas a estruturar dados, limpá-los, curá-los e garantir que estejam prontos para ensinar algoritmos. Essas habilidades são incrivelmente diferentes em comparação com o que a programação web ou orientada a objetos significava há uma década, mas neste setor, o progresso é contínuo. A tendência agora é o uso cada vez maior de scripts Python e análise de dados em R ou Scala.
À medida que o código se torna mais abundante, pode significar o fim de uma era para os desenvolvedores como os conhecemos agora. As máquinas terão o trecho de código necessário em mãos e também saberão como agrupar esses trechos em uma nova funcionalidade de um aplicativo.
Talvez, em um futuro não muito distante, tenhamos: Desenvolvedor de Dados (Desenvolvedor Web + Cientista de Dados).
Profissionais TI. Como a ciência de dados está transformando o desenvolvimento web. Disponível em: https://www.profissionaisti.com.br/como-a-ciencia-de-dados-esta-transformando-o-desenvolvimento-web/. Acesso em 29 junho de 2020.
Com base nas informações e nos fragmentos de texto apresentados, avalie as afirmações a seguir.
I. A explosão do Big Data trouxe à tona uma demanda que não para: a necessidade de profissionais capazes de extrair, analisar e gerar insights a partir de um grande volume de dados coletados. Isso porque o ambiente Big Data, conta com dados dos mais variados tipos (estruturados, não-estruturados e semiestruturados) em repositórios estratosféricos, ou seja, duas de suas características mais relevantes: veracidade e velocidade.
II. Considerando a grande variedade de dados, em um ambiente Big Data, tratar dados estruturados, presentes em grandes bases de dados, ou semiestruturados, os quais não possuem uma estruturada pré-definida, ou ainda processar imagens, áudios e qualquer tipo de documento online, não estruturado, faz parte do processo.
III. Profissionais da ciência de dados necessitam desenvolver habilidades adicionais a sua formação de carreia. Habilidades em matemática, estatística e programação por exemplo, para serem efetivamente aptos a limpar, tratar e organizar uma variedade imensa de diferentes tipos de dados, além de serem capazes de criar algoritmos para tais tarefas. São estas características que os difere dos engenheiros e antigos analistas de dados.
 
É correto o que se afirma em:
· Resposta correta
II e III, apenas
· 
I, apenas.
· I e II, apenas.
· III, apenas.
· Resposta correta
II e III, apenas.
· I, II e III.