Aula 1_Ciência de Dados

Prévia do material em texto

1
Ciência de Dados
2
3
Sumário
Conceitos e Escopos da Ciência de Dados 
 Fases do projeto em Ciência de Dados 
 Ciclo de vida do dado 
 Relação de ciência de dados com ciências de informações 
 Ciência de Dados: termos usados 
Princípios e Diferenças entre Ciência de Dados e Big Data 
 Princípios e diferenças: Big Data e Ciência de Dados 
 Big Data e Ciência de Dados no processo de tomada de decisão
 Ciência de Dados e Business Intelligence 
O Papel e a Importância do Cientista de Dados 
 Cientista de dados 
 Formação e atuação do cientista de dados 
 Perfil do profissional 
 Habilidades do cientista de dados 
 Competências relacionadas 
Aplicações da Ciência de Dados 
 Onde aplicar a Ciência de Dados 
 Ciência de Dados na Biologia 
 Ciência de Dados aplicada na Saúde 
 Ciência de Dados aplicada ao Projeto Social 
 Ciência de Dados aplicada aos negócios 
CLIQUE NO CAPÍTULO PARA SER REDIRECIONADO
6
11
12
14
15
19
20
22
26
30
31
32
34
35
38
41
42
43
44
44
44
4
Sumário
 Ferramentas que trabalham com Ciência de Dados 
 Linguagem de programação Python 
 Jupyter 
 Pandas 
 Anaconda 
Referências
CLIQUE NO CAPÍTULO PARA SER REDIRECIONADO
47
48
48
49
49
51
5
Objetivos Definição
Explicando Melhor Você Sabia?
Acesse Resumindo
Nota Importante
Saiba Mais Reflita
Atividades Testando
Para o início do 
desenvolvimento de uma 
nova competência;
Se houver necessidade 
de se apresentar um novo 
conceito;
Algo precisa ser melhor 
explicado ou detalhado;
Curiosidades indagações 
lúdicas sobre o tema em 
estudo, se forma necessárias;
Se for preciso acessar um 
ou mais sites para fazer 
download, assistir vídeos, ler 
textos, ouvir podcast;
Quando for preciso se fazer 
um resumo acumulativo 
das últimas abordagens;
Quando forem necessárias 
observações ou 
complementações para o 
seu conhecimento;
As observações escritas 
tiveram que ser priorizadas 
para você;
Textos, referências 
bibliográficas e links para 
aprofundamento do seu 
conhecimento;
Se houver a necessidade 
de chamar a atenção 
sobre algo a ser refletido ou 
discutido sobre;
Quando alguma atividade 
de autoaprendizagem for 
aplicada;
Quando o desenvolvimento de 
uma competência for concluído 
e questões forem explicadas. 
6
@faculdadelibano_
1
Conceitos 
e Escopos 
da Ciência 
de Dados
7
Ciência de Dados Capitulo 1
Conceitos e Escopos da 
Ciência de Dados
Por volta de 90% dos dados criados em diversas fontes, como empresas, redes sociais, 
entre outras, são resultantes da utilização intensa das Tecnologias de Informação e 
Comunicação nos últimos tempos (BUGNION, et al., 2017).
Por conseguinte, os dados são copiosamente e ligeiramente produzidos, servindo de 
matéria-prima para tomada de decisão em grandes organizações (ECONOMIST, 2017).
Nesta conjuntura de universo de dados, avançadas pesquisas e desenvolvimento de 
soluções computacional são aplicadas, como Ciência de Dados, a qual vamos conceituar 
e estudar detalhadamente nesta unidade.
A Ciência de Dados (“Data Science” termo em inglês) é uma área que estuda o ciclo de 
vida dos dados e aponta a geração de valor comercial por meio de insights, que são 
informações suscitadas por meio dos dados. 
Mesmo que a expressão “Data Science” decorra dos anos 1960, a Ciência de Dados é 
uma ciência considerada nova e, muitas vezes, mal interpretada. É sabido que uma 
ciência é referente a obter conhecimento e informação de modo sistemático, tal como 
regularizar e estruturar esse conhecimento (AMARAL, 2009).
Objetivos
Neste capítulo, conceituaremos sobre Ciência de Dados, entenderemos 
um pouco mais sobre esse conceito e as fases que compõem um projeto 
de ciências de dados, bem como o ciclo de vida dos dados. Além disso, 
abordaremos termos importantes quando se estuda ciência de dados. 
Vamos lá!
8
Ciência de Dados Conceitos e Escopos da Ciência de Dados Capitulo 1
Da mesma maneira, a Ciência de Dados versa de estudar os dados por completo, 
trabalhando com o seu ciclo de vida da produção ao ponto de ser descartado.
 
Geralmente, a Ciência de Dados é relacionada de modo errado, especificamente, quando 
ligada a procedimentos de análise dos dados em que é necessária a utilização de 
Estatística, aprendizado de máquina ou do simples uso de um filtro produzir informações 
e conhecimentos (AMARAL, 2009).
Provost e Fawcett (2013) afirmam que a Ciência de Dados como um conjunto de princípios 
básicos que lidam e guiam a extração de informações e conhecimento por meio de 
dados. 
Neste contexto, a ciência de dados envolve princípios, procedimentos e técnicas para 
entender fenômenos por meio da análise automática de dados.
FIGURA 1
Tecnologia da Informação
FONTE
Pixabay
9
Ciência de Dados Conceitos e Escopos da Ciência de Dados Capitulo 1
Finzer (2013) apresenta o diagrama de Venn, ilustrado na Figura 2, como uma estrutura 
que constitui a Ciência de Dados. 
Este diagrama está composto por três círculos, apresentados a seguir:
• O círculo de Matemática e Estatística: este ciclo é referente aos princípios básicos e 
experiências solicitadas nas áreas de Matemática e Estatística para compreensão 
das variáveis, bem como para interpretar e diferenciar os tipos de dados. Isto implica 
em afirmar que os profissionais da ciência de dados precisam compreender a função 
dos algoritmos de aprendizado de máquina, tal como, ter a habilidade de interpretar 
os resultados estatisticamente.
• O círculo de conhecimentos substantivos: este ciclo é referente a compreensão do 
sentido disciplinar para a escolha de um procedimento de análise apropriada para 
dados. Este conhecimento do problema ajuda no processo de tomada de decisão.
• O círculo de Computação e habilidades de dados: este ciclo é referente aos 
dados para resolver problemas, admitindo que se visualize a estrutura de dados, 
a qual exige capacidades para programar, extrair e estruturar dados. Assim, as 
habilidades da ciência de computação ajudam na geração da curadoria digital 
e no desenvolvimento de algoritmos de aprendizado de máquina e interfaces de 
visualização da informação.
Nota
Em suma, a Ciência de Dados visa transformar os dados brutos em 
informação que são importantes para as empresas, promovendo 
solução de problemas ou a obtenção de diferenciais competitivos. Neste 
sentido, podemos inferir que a ciência é um processo sistemático, em 
que as pessoas pesquisam e explicam acontecimentos de um escopo 
específico que ocorrem no mundo natural. Pode-se ainda entender 
a ciência de dados como um domínio científico que é cotado para 
descobrir conhecimento (knowledge discovery) por meio da análise de 
dados.
10
Ciência de Dados Conceitos e Escopos da Ciência de Dados Capitulo 1
Além disso, sobre o diagrama de Venn, Amaral (2016) assegura que a Ciência de Dados 
é combinada por diversas outras ciências, modelos, tecnologia, processo e métodos 
relacionados ao dado, designando relações interdisciplinares na área.
FIGURA 2
Diagrama de 
Vernn
FONTE
Adaptado de 
Amaral (2016)
Importante
É importante afirmar que a Ciência de Dados é determinada como o 
método para extração das informações úteis por meio de complexas e 
dinâmicas bases de dados (BUGNION et al., 2017).
11
Ciência de Dados Conceitos e Escopos da Ciência de Dados Capitulo 1
Conforme Smith (2006), a Ciência de Dados se ampliou desde então para conter o 
estudo da captura, análise, metadados, recuperação, arquivamento, troca e mineração 
de dados, com a finalidade de encontrar conhecimento inesperado e relações de dados.
Fases do projeto em Ciência de Dados
Conforme vimos, a Data Science é um conceito geral para uma diversidade de padrões 
e técnicas com objetivo de obter informações, o qual a cada dia se torna uma área 
muito promissora, permitindo processar os dados gerados por meio de várias fontes.
Assim, para iniciar um projeto aplicando o conceito da Ciência dos Dados, é importante 
definir o objetivo de sua aplicação por meio da criação de questõesque precisam ser 
respondidas por meio de um determinado problema a ser resolvido.
Após serem estabelecidas as questões, procura-se os dados que auxiliarão a respondê-
las, de modo que, sabendo-se os objetivos do que se quer analisar, torna-se necessário 
adquirir os dados corretos para realizar a limpeza, exploração, criação e avaliação de 
um modelo, repetindo o ciclo algumas vezes até que se esteja pronto para dar início a 
busca de como informar adequadamente os resultados obtidos.
Logo, temos resumidamente as seguintes fases de um projeto de Data Science (SOARES, 
2019):
• Identificação do problema da área de Negócios.
• Entendimento de problema.
• Coleta de conjuntos de dados (datasets).
• Realização da limpeza e transformação dos dados.
• Realização do entendimento do relacionamento entre os dados.
• Produção de modelos que representem os relacionamentos.
• Uso dos modelos para realizar predições.
• Entrega de valor e resultado.
12
Ciência de Dados Conceitos e Escopos da Ciência de Dados Capitulo 1
Ciclo de vida do dado
Uma das definições de ciência de dados é entendida como os métodos, modelos e 
tecnologias que analisam os dados durante todo o seu ciclo de vida, da criação ao 
descarte.
Amaral (2016, p. 46) ressalva que:
O ciclo de dados promove a boa gestão de dados quando disponibilizados em 
formatos como textos: MS Word; PDF; RTF, em formato numérico: Excel, em multimídia: 
JPEG, GIF, MPEG etc.; em software; e quando disponibilizados em variedade de 
suportes: fitas, CDs, slides, modelos, mapas e arquivos de dados, etc.
Dessa forma, entende-se o ciclo de vida dos dados a partir do início da criação até o seu 
descarte, podendo passar por uma série de outras etapas. 
Desse modo, quaisquer fontes de dados podem não sofrer algum tipo de transformação 
após sua produção ou mesmo serem rejeitadas prontamente após a produção ou serem 
produzidos para um armazenamento por tempo indefinido. Vale evidenciar que as fases 
dos dados dependerão de suas naturezas e das suas finalidades (AMARAL, 2016).
De acordo com Amaral (2016), pode-se formar um ciclo de vida mais geral, que apesar de 
não se aplicar a todo e qualquer dado, é ajustável à maioria, tendo um ciclo padrão que 
compreende seis etapas: produção, armazenamento, transformação, armazenamento 
analítico, análise e descarte, como pode ser visto na Figura 3.
13
Ciência de Dados Conceitos e Escopos da Ciência de Dados Capitulo 1
Sob o mesmo ponto de vista, outros autores tratam a importância de se idealizar 
um ciclo de vida dos dados, abarcando aspectos de planejamento, aquisição, 
organização, estruturação, conceitos de fluxos analíticos e ferramenta adequada para 
o armazenamento de dados.
Outrossim, necessita de atenção para as questões relativas à preservação, à 
organização, ao compartilhamento e à proteção (BERTIN et al., 2017). Todas essas etapas 
são necessárias por representar a estruturação e a organização, com intuito de gerar a 
utilização e reuso dos dados de maneira segura e apropriada.
Bertin et al. (2017, p. 29) trata o ciclo de dados e seu gerenciamento determinado por 
essas etapas:
Implementação, Definição de parâmetros, Exploração de dados: possibilidade de 
preservação de dados científicos, desenvolvimento de políticas de gerenciamentos 
de ciclo de dados para projetos e atividades relevantes; Ingestão de dados, 
Obtenção de dados: estratégias que preveem a preservação e o acesso a longo 
prazo e rentáveis à qualidade adequada, garantindo proteção de alta confiança 
FIGURA 3
Ciclo de vida do 
dado
FONTE
Adaptada de 
Amaral (2016).
14
Ciência de Dados Conceitos e Escopos da Ciência de Dados Capitulo 1
Relação de ciência de dados com ciências de informações
É importante entender a ciência de informação, pois está inteiramente ligada à Ciência 
de Dados. Existem diversos sentidos para a ciência da informação, passando por áreas 
multidisciplinares associadas com a análise, classificação, armazenamento, coleta, 
disseminação e a segurança da informação, com a interação entre indivíduos, empresas 
ou sistemas de informação existentes (MARCHIONINI, 2016).
Podemos relembrar que a Ciências da Informação é designada como conceito geral 
que realiza interdisciplinaridade com a informática, concentrando em distinções e 
semelhanças para a Ciência de Dados. 
Outro ponto de destaque é que o profissional de ciências de informações é licenciado 
nesta área e, geralmente, designado por profissional da informação ou gestor de 
informação.
Nota
Você pode notar com efeito, o ciclo de vida dos dados é um procedimento 
textual, que permite aprender os diversos passos que os dados seguiam 
até o seu gerenciamento. O compartilhamento dos dados inicia com um 
método do ciclo de vida dos dados e é solicitado desde do planejamento 
até sua análise divulgação.
e confidencialidade; Tomada de decisão: aplicações para os requisitos legais 
e regulamentados para toda a gama de tipo de dados e Utilização do modelo: 
recuperação dos dados de pesquisa, tendo em vista a sua implementação.
15
Ciência de Dados Conceitos e Escopos da Ciência de Dados Capitulo 1
Por outro lado, temos a Ciência de Dados relacionada à descoberta de conhecimento 
ou de informações disponíveis de dados e a ciência da informação envolve-se nesse 
significado com seus métodos para armazenamento e recuperação de informações. 
Apesar de serem áreas diferentes, elas se complementam na manutenção e ampliação 
do conhecimento. Gray (2007) relata que as ciências clássicas se conectam à Ciência 
de Dados por meio do método e prática para diversas áreas de conhecimento.
Ciência de Dados: termos usados
Quando trabalhamos com o universo da Ciência de Dados, alguns termos podem 
causar confusão, por isso, é importante esclarecê-los, pois muitos possuem atuações 
diferenciadas.
Assim, temos as seguintes expressões que mais geram dúvidas, sendo eles: Business 
Intelligence, Data Mining, e Data Analytics. A seguir, iremos expor cada uma:
• Business Intelligence
É responsável por realizar análise de acontecimentos que já tenha ocorrido em um certo 
período, com base em dados exatos que existam, não prezando em atingir predições 
em prazos afastados. Em BI, o trabalho é constituído referente ao que está acontecendo 
no momento, levando em consideração o médio e curto prazo, permitindo uma tomada 
de decisão mais precisa (CRUZ, 2018).
Nota
É importante ressaltar que a ciência da informação, com suas teorias, 
qualifica-se como excelentes opções para fundamentar a área de 
qualidade Ciência de Dados (WANG, 2018).
16
Ciência de Dados Conceitos e Escopos da Ciência de Dados Capitulo 1
Em suma, o Business Intelligence tem como objetivo disponibilizar os dados históricos a 
administradores e analistas de negócios, promovendo a manipulação desses dados e 
valiosos resultados para melhorar a tomada de decisões (TURBAN, et al., 2009).
• Data Analytics
Também conhecida como Análise de Dados, é o processo pelo qual procura-se examinar, 
limpar, transformar e modelar dados. Vista muitas vezes como um elemento da ciência 
de dados, é utilizada para compreender como são os dados de uma empresa e é 
empregada a Data Analytics para solucionar problemas (OLAVSRUD, 2018).
A Ciência de Dados se preocupa em analisar conjuntos de dados maciços para expor 
insights. A Análise de Dados funciona melhor quando é focada, tendo claras as perguntas 
que precisam de respostas com base nos dados existentes. Embora as diferenças 
existam, a Ciência e a Análise de Dados são partes importantes do futuro do trabalho e 
dos dados.
Exemplo:
Realizar estudos sobre o comportamento do consumidor e suas expectativas, além de 
observar as tendências de mercado.
Data Mining
A Mineração de Dados (Data Mining) pode ser conceituada como o processo com 
etapas determinadas de extração da informação por meio de conjuntos de dados e sua 
transformação em uma estrutura compreensível para uso futuro. Embora usualmente 
relacionada à KDD, tal processo pode ser utilizado isoladamentee também em conjunto 
com outros métodos ou técnicas (CRUZ, 2018).
Exemplo:
Na área de Finanças, podemos exemplificar com um projeto cujo objetivo seja gerar 
um modelo de classificação para caracterizar clientes que pagam em dia, clientes que 
17
Ciência de Dados Conceitos e Escopos da Ciência de Dados Capitulo 1
pagam em atraso e clientes que não pagam seus créditos. Para tanto, deve considerar 
o histórico de pagamento de clientes de uma financeira que haviam recebido crédito 
durante um período determinado. O modelo construído foi incorporado a um sistema 
de apoio à decisão, que passou a ser usado na análise de novas solicitações de crédito 
recebidas pela central de atendimento de uma financeira (COMPUTERWORLD, 2020).
A mineração de dados é estudada como parte do processo de Descoberta de 
Conhecimento em Banco de Dado (KDD – Knowledge Discovery in Databases), responsável 
pela seleção das técnicas a serem usadas para descobrir padrões nos dados, seguida 
da efetiva busca por padrões de interesse num modo particular de representação ao 
lado da busca pelo melhor ajuste de parâmetros do algoritmo para a atividade que 
desejar aplicar (TAN et al., 2009).
Por fim, percebemos como é importante estudar e entender cada um dos termos 
apresentados para assim facilitar a compreensão e a decisão de quando usar cada 
uma dessas soluções computacionais.
Importante
Podemos citar a seguinte ressalva que a Data Science, bem como Data 
Mining, é preditiva, entretanto, trabalha com os dados utilizando-os como 
informações e conhecimento de especialistas, tendo como diferença 
básica o fato de que esta tecnologia atua com a associação de técnicas 
científicas diversificadas, tais como: Estatística, Machine Learning, Data 
Analytics, Data Mining, entre outras (CRUZ, 2018).
18
Ciência de Dados Conceitos e Escopos da Ciência de Dados Capitulo 1
Resumindo
Estudamos, neste capítulo, o termo ciência de dados, entendendo que 
esta área aborda o ciclo de vida dos dados e aponta a geração de valor 
comercial por meio de resultados que são informações originadas por meio 
dos dados. Explanamos ainda sobre os conceitos de Ciência de Dados, 
definindo como a área que está inserida com Matemática e estáticas, 
entre outras ciências. Entendemos também sobre os dados e como é 
constituído o ciclo de vida destes, trazendo algumas definições de autores 
e importantes etapas da sua produção ao descarte. Compreendemos 
a relação entre ciências dos dados e ciências da infração, bem como 
estas se relacionam. Entendemos um pouco mais a diferença entre 
termos como Business Intelligence, Data Mining e Data Analytics, que 
pertencem a estes universos de dados e, consequentemente, estão 
associados a Ciência dos Dados. Por fim, abordamos como a Ciência 
dos Dados trabalha para descoberta dos conhecimentos básicos que 
lidam e guiam a extração de informações, assim como, por meio de 
dados, envolvendo ainda, princípios, procedimentos e técnicas para 
entender fenômenos por meio da análise automática de dados.
19
@faculdadelibano_
2
Princípios e 
Diferenças 
entre Ciência 
de Dados e 
Big Data
20
Ciência de Dados Capitulo 2
Princípios e Diferenças entre 
Ciência de Dados e Big Data
Princípios e diferenças: Big Data e Ciência de Dados
Observamos com o desenvolvimento das tecnologias de informação e das possibilidades 
de descoberta por meio de recursos mais aperfeiçoados, o aparecimento de estudos 
que destacam a ciência de dados como a ciência que agrupa múltiplos aspectos da 
informação por meio de seus dados, tendo uma equipe multidisciplinar de profissionais, 
por exemplo, de Estatística, programadores, analistas de dados, matemáticos e 
bibliotecários.
Outra marca dos avanços tecnológicos é a grande massa de dados produzidos, a 
qual destacamos o surgimento do Big Data, que trata a ampla quantidade de dados e 
possibilita analisá-los.
Sabemos que a ciência de dados foi criada com intuito de suprir lacunas computacionais, 
trazendo soluções e ideias por meio das fontes de dados diferentes.
Sua versatilidade permite aplicá-la em diversas áreas dentro e fora da computação, 
tais como: reconhecimento de imagem, Análise de Dados, Inteligência Artificial, Big Data, 
Machine Learning, Data Mining, robótica, negócios, entre outras (CRUZ, 2018).
Objetivos
Neste capítulo, estudaremos um pouco mais acerca de como se dá 
o relacionamento entre o Big Data com a Ciência de Dados. Veremos 
princípios e diferenças destes termos e como esses são importantes no 
processo de tomada de decisão. Vamos lá!
21
Ciência de Dados Princípios e Diferenças entre Ciência de Dados e Big Data Capitulo 2
Com isso, temos a ciência de dados combinada com a utilização de Big Data pela 
necessidade de se trabalhar com um volume substancialmente grande de dados com 
a finalidade de otimização das informações a serem analisadas.
O Big Data, no conceito geral, trabalha com qualquer conjunto de dados grandes ou 
complexos que se fossem usados no gerenciamento tradicional de dados, teriam 
processamento complicado, ou seja, ele surgiu também como uma solução para 
ajudarem nas análises destas massas de dados grandes e variáveis (CIELEN et al., 2016).
Vale ressaltar que na ciência de dados a utilização de Big Data não é obrigatória, porém 
fornece resultados mais satisfatórios devido ao trabalho com grandes volumes de 
dados, oferecendo melhores performances.
Ainda podemos citar que o Big Data é um auxílio prático para a ciência de dados 
trabalhar, de forma que, o volume de dados que são coletados e armazenados pelo Big 
Data, que passaram por uma análise posterior, são utilizados para interpretação, análise 
detalhada e para a elaboração de estratégias de outros sistemas, como a Ciência de 
Dados, por exemplo.
Outra diferença que podemos frisar é entre os profissionais de cada uma das áreas, 
em que o analista de Big Data é o profissional que usa das informações existentes no 
banco de dados para descobrir conhecimento, não conseguindo produzir uma solução 
FIGURA 4
Solução Big Data e Ciência de Dados
FONTE
Freepik
22
Ciência de Dados Princípios e Diferenças entre Ciência de Dados e Big Data Capitulo 2
de análise propriamente dita, porém, é necessário a utilização de técnicas da ciência 
de dados (SANTANA, 2019).
Já o cientista de dados necessita de outros tipos de conhecimentos mais técnicos e 
analíticos frente a um analista de Big Data, como Programação, Matemática, Estatística, 
gestão, entre outras (SANTANA, 2019).
Deste modo, diante de tudo que foi exposto, percebemos que a utilização do Big Data 
contribui no aspecto de que muitos dados adquiridos retornam um resultado com um 
percentual mais alto em relação a precisão nas manipulações futuras.
Entretanto, mesmo com todas as suas vantagens, devemos enfatizar que a utilização 
do Big Data, neste caso, não se trata de regras obrigatórias, possibilitando assim que a 
análise dos dados não se encaixe nas definições de Big Data como estudamos, mesmo 
que a fonte de consulta não seja tão assertiva quanto (CRUZ, 2018).
Big Data e Ciência de Dados no processo de tomada de decisão
Cada dia mais as organizações dos diferentes setores buscam recursos para lidar com 
as grandes massas de dados produzidos, como também, cresce a procura de meios 
para explorar e analisar esses dados, tendo intuito de proporcionar conhecimento e 
vantagens competitivas para as empresas.
 
Saiba Mais
Assista ao vídeo Você sabe a diferença entre Data Science e Big Data? que 
traz um resumo da diferença de Big Data e Data Science. Nele, você verá 
abordagens de modo prático e objetivo sobre as principais diferenças 
entre Big Data e Ciência de Dados, bem como, a relação existente entre 
elas. Acesse clicando aqui. 
https://www.youtube.com/watch?v=r1AYxeep0QM
23
Ciência de Dados Princípios e Diferenças entre Ciência de Dados e Big Data Capitulo 2
Exemplo:
Um estudo realizado com 179 grandes empresas de capital aberto dos EUA, de modo que 
aquelas que tomam decisões com base em informações,obtém rendimentos e ganhos 
de produtividade 5 a 6% maiores. Essa relação também surge em outras medidas de 
desempenho: utilização de ativos, retorno sobre patrimônio líquido e valor de mercado 
(ESPINDOLA; ROTH, 2015).
Desde o surgimento do fenômeno da explosão informacional, a relevância da informação, 
relacionando-se com o contexto da tomada de decisão e do desenvolvimento científico, 
passa a ter maior destaque. Neste contexto de avanços, surgiram os fenômenos de Big 
Data e ciência de dados.
É sabido que o Big Data trabalha com grande massa de dados estruturados ou 
desestruturados, em que contribui para o processo decisório, possibilitando às empresas 
condições para conseguir analisar os dados.
Temos ainda a ciência de dados contribuindo como um suporte metodológico para o 
processo de tomada de decisão, facilitando a aquisição da informação contextualizada 
(PROVOST; FAWCETT, 2013).
A tomada de decisão, orientada a dados, trata do método de fundamentar as decisões 
na análise de dados e não somente na percepção. Decorrente disso, temos que essa 
contribui para que os gerentes e administradores em suas atividades cognitivas, possam 
tomar decisões com qualidade e precisas.
Neste sentido, as soluções computacionais de ciência de dados ajudam os gestores 
em suas atividades para adquirir conhecimento de suas informações (SCHREIBER et al., 
2000).
Vale ressaltar que a tomada de decisão com base em dados não elimina todas as 
habilidades cognitivas humanas, porém, ela complementa suas lacunas (CRUZ, 2007).
Entretanto, Mcafee e Brynjolfsson (2012) explicam que é comum indivíduos em 
cargos elevados, na classe organizacional, tomarem decisões com fundamento nas 
suas experiências, direcionados por meio de padrões de relacionamentos que os 
acompanham ao longo da carreira (VIANNA; DUTRA, 2016).
24
Ciência de Dados Princípios e Diferenças entre Ciência de Dados e Big Data Capitulo 2
Dessa forma, a ciência de dados abrange fundamentos, processos e métodos para 
compreender fatos por meio da análise de dados, de modo que se tornam embasamentos 
para a tomada de Decisão Baseada em Dados (DBD).
Isto implica na prática de fundamentar decisões na análise de dados que pode ser 
conseguida de modo manual ou automático, ao invés do gestor realizar o processo de 
tomada de decisão com base apenas na intuição (PROVOST; FAWCETT, 2013).
Por seguinte, a ciência de dados apoia o processo de tomada de decisão norteada por 
dados, porém, também se sobrepõe a ela, ao se sobressair pelas decisões dos mercados, 
o qual, estão sendo adotadas de modo automático por sistemas de computação 
(PROVOST; FAWCETT, 2013).
FIGURA 5
Tomada de decisão
FONTE
Freepik
25
Ciência de Dados Princípios e Diferenças entre Ciência de Dados e Big Data Capitulo 2
Além disso, as soluções computacionais de ciência de dados ajudam os gestores em 
suas tarefas intensivas em conhecimento. Podemos citar algumas das tarefas, que 
estão listadas abaixo (SCHREIBER et al., 2000):
• Associação: esta tarefa trata o conhecimento como um mapea- mento entre dois 
conjuntos de objetos, exemplificando uma tarefa corriqueira de associação, podemos 
citar o ato de se dar a pro- posta de oferecer um vinho apropriado em uma refeição 
usando as características do prato principal, assim, o sommelier sugere o vinho mais 
adequado a ser consumido.
• Avaliação: esta tarefa trata de avaliar e caracterizar um fato conforme as seleções 
de decisão. Para exemplificar essa tarefa intensiva em conhecimento, leva-se em 
consideração um sistema de avaliação de crédito usando como base os históricos de 
empréstimos aplicando o uso de Big Data. Nesse contexto, um gestor pode escolher 
de forma mais acertada sobre a decisão ao compará-la com casos anteriores, 
podendo assim, conceder ou recusar o crédito.
• Diagnóstico: esta tarefa trata de grupos de atributos, de modo que, dado um grupo 
de atributos, abrevia-se na atividade de deduzir o estado de um objeto, encontrando 
o conhecimento que é dirigido a um escopo. Neste contexto, geralmente se dispõem 
de regras para analisar um fato relacionado ao comportamento esperado.
 
No ambiente de Big Data, as regras podem ser abstrações dos dados, mediante a 
utilização da ciência de dados.
• Monitoramento: esta tarefa trata de um processo de análise interativa, ou seja, 
observando o estado de um objeto sendo avaliado ao longo do tempo. Por exemplo, 
Saiba Mais
O artigo Big Data e tomada de decisão: há limites para a Ciência de 
Dados? trata de enfatizar disponibilidade de dados e de softwares que 
usam técnicas de analytics, como uma grande importância para a 
decisão, em que, juntando as técnicas e complementando com a sua 
intuição e experiência nos seus objetivos, possibilita construir modelos, 
estudar comportamentos, produzindo informações interessantes e 
inovadoras para a tomada de decisão. Acesse clicando aqui. 
https://itforum.com.br/coluna/big-data-e-tomada-de-decisao-ha-limites-para-a-ciencia-dos-dados/
26
Ciência de Dados Princípios e Diferenças entre Ciência de Dados e Big Data Capitulo 2
monitorar um paciente por meio de algum instrumento em que esse gere dados a 
cada instante sobre um paciente, de forma que, ao aplicar tarefas intensivas em 
conhecimentos de diagnósticos, podem adquirir conhecimento e regras por meio do 
uso de Big Data e da ciência de dados, pelo qual, pode-se por meio do histórico das 
informações de monitoramento, realizar diagnósticos de uma paciente.
• Predição: esta tarefa trata dos dados de históricos e periódicos na tarefa intensiva 
de conhecimento de predição, podendo predizer eventualidades que surjam em um 
determinado momento no futuro. Alguns exemplos são: a predição como estimativa 
de vendas, a previsão em campanhas eleitorais, entre outras.
Por fim, percebemos com as soluções computacionais em ciência de dados, Big Data e 
essas tarefas intensivas em conhecimento, contribuem para o processo de tomada de 
decisão.
Ciência de Dados e Business Intelligence
É importante detalhar um pouco mais sobre a ciência de dados e a Inteligência de 
Negócios (Business Intelligence), os quais têm características semelhantes, como 
transformar dados brutos em conhecimento a serem utilizados no processo de tomada 
de decisões nos negócios ou em determinado escopo aplicando no geral.
Neste sentido, o conceito Business Intelligence (BI) trata de explicar dados de eventos 
que já aconteceram, tornando-se mais conhecido nas organizações de negócios 
e tecnologia da informação por volta dos anos 90 (PAIXÃO, 2015). Posteriormente, foi 
adicionada a análise de negócios (Business Analytics) com a finalidade de representar 
o elemento analítico chave em BI (DAVENPORT et al., 2006).
27
Ciência de Dados Princípios e Diferenças entre Ciência de Dados e Big Data Capitulo 2
As técnicas analíticas de BI, usualmente, são direcionadas pelas organizações sobre 
os sistemas legados armazenados em bancos de dados relacionais, fundamentadas, 
principalmente, por métodos estatísticos, além de utilizarem outras técnicas, como 
mineração de dados.
No Business Intelligence, as soluções são elaboradas a partir de dados do tipo 
transacional, correspondente a dados que são fornecidos durante o movimento de um 
caso de transação, por exemplo, os dados gerados durante uma venda e transferências 
de dinheiro entre contas bancárias (MATOS, 2020).
Contudo, a Ciência de Dados, para se obter conhecimento de negócios, realiza por meio 
de grupos, a identificação de padrão de dados de negócios estruturados como em BI, 
FIGURA 6
Business Intelligence
FONTE
Freepik
Saiba Mais
Para saber mais sobre o assunto, faça a leitura do artigo Diferença Entre 
Business Intelligence, Data Warehouse, Data Science e Big Data. Acesse 
clicando aqui. 
https://www.cetax.com.br/blog/qual-a-diferenca-entre-data-warehouse-big-data-e-business-intelligence/
https://www.cetax.com.br/blog/qual-a-diferenca-entre-data-warehouse-big-data-e-business-intelligence/
28
Ciência de Dados Princípios e Diferenças entreCiência de Dados e Big Data Capitulo 2
ou por meio de conjuntos de dados estruturados, semiestruturados, não estruturados, 
bem como Big Data. 
Isso se dá por outra diferença existente, pela qual, a soluções de ciência de dados não 
se limitam apenas aos dados transacionais como em BI (MATOS, 2020).
Por outro lado, a Ciência de Dados realiza previsões com intuito de descobrir conhecimento 
para o futuro, a longo prazo, usando práticas Matemáticas, de programação ou 
Estatísticas avançadas, analisando e fazendo previsões por meio de grandes massas 
de dados do negócio (PAIXÃO, 2015).
Importante
É importante deixar claro o Business Intelligence trabalha realizando 
previsão para o futuro, levando em consideração inferências simples, 
feitas tendo como base dados atuais ou históricos, para proporcionar 
informações e conhecimentos importantes para os gestores tomarem 
decisões a médio e curto prazo.
29
Ciência de Dados Princípios e Diferenças entre Ciência de Dados e Big Data Capitulo 2
Resumindo
Neste capítulo, estudamos como a Ciência de Dados e o Big Data 
se relacionam e como eles podem, mesmo com diferenças, serem 
complementares na área de analisar os dados. Percebemos que 
Ciência de Dados é uma área mais geral que usa dos recursos do Big 
Data por meio de seus grandes volumes de dados. Por conseguinte, foi 
apresentando um pouco mais dos objetivos de cada uma e vimos como 
a produção de dados é determinante para contribuir na tomada de 
decisão. Abordamos como a tomada de decisão com base em dados 
pode ajudar aos gestores e apresentamos como as tarefas intensivas 
de conhecimento, adotando ciências de dados e Big Data, podem 
auxiliar neste processo. Por fim, foi apresentada diferenças e a relação 
entre Business Intelligence e Ciência de Dados, entendendo diferenças e 
como os tipos de dados, e cada uma de suas semelhanças, contribuem 
nos negócios. Citamos também diferenças, como no BI, que se baseia 
na expertise em tecnologia de negócios.
30
@faculdadelibano_
3
O Papel e a 
Importância 
do Cientista 
de Dados
31
Ciência de Dados Capitulo 3
O Papel e a Importância do 
Cientista de Dados
Cientista de dados
A Ciência de Dados acarretou alterações por meio de toda a complexidade existente 
na exploração e extração de dados, bem como na necessidade de profissionais 
capacitados no tratamento de dados, como o programador para análises, ferramentas 
eficientes para exploração e comportamentos dos dados, e também, o profissional da 
informação com especialidade em dados, para fornecerem eficiência na comunicação 
com os usuários e contribuírem as necessidades informacionais para as organizações 
(REIS, 2019).
Ainda é sabido que a Ciência de Dados apresenta disposições e determina as 
informações que as empresas podem utilizar para tomar decisões acertadas e produzir 
serviços mais inovadores. 
Por mais que os dados sejam a base da inovação, destaca-se que o seu valor surge 
dos dados de informações que os cientistas podem retirar, utilizar e aplicar em um 
determinado escopo.
Com a expansão e desenvolvimento da Ciência de Dados, surgiu a necessidade de 
profissionais qualificados para trabalhar com isto, sendo cunhado ao cientista de 
dados, que precisa ter um conjunto de aptidões integradas abarcando Matemática, 
aprendizagem de máquina, Inteligência Artificial, Estatística, bases de dados e otimização, 
Objetivos
Neste capítulo, veremos a importância dos profissionais que trabalham 
com Ciência de Dados, assim como, as competências destes. Vamos lá!
32
Ciência de Dados O Papel e a Importância do Cientista de Dados Capitulo 3
O cientista de dados foi destacado como uma das profissões mais proeminentes até 
2020 pelo Fórum Econômico Mundial e divulgada como a profissão mais atraente do 
século XXI pela Harvard Business Review. 
A posição de cientista de dados teve sua terminologia determinada por Patil e 
Hammerbacher, em 2008, e em seguida, este termo passou a ser tomado pelo LinkedIn e 
pelo Facebook em anúncios de vagas com interesses em profissionais para dar suporte 
com a grande massa de volume e tráfego de dados nas mídias sociais (DAVENPORTE; 
PATIL, 2012).
Conforme Chitturi (2016), os profissionais da ciência de dados precisam saber trabalhar 
com os diferentes tipos dos dados, sejam eles estruturados, semiestruturados e não 
estruturados.
Formação e atuação do cientista de dados
Segundo Finzer (2013), a nomenclatura “Ciência de Dados”, foi referida pela primeira vez 
em 2001, em um texto de autoria de William S. Cleveland, intitulado em tradução livre, 
“Ciência de Dados: um plano estratégico para a expansão das áreas técnicas no campo 
da Estatística”, em que tratava o objetivo de combinar a Estatística, programação e a 
computação em ferramentas para analisar e extrair informações dos dados.
Saiba Mais
Assista ao vídeo Cientista de Dados, por onde começar? Nele, você 
poderá ter uma abordagem clara e objetiva sobre cientista de dados. 
Acesse clicando aqui. 
ao lado de uma intensa abrangência dos requisitos de elaboração, e dos problemas 
para projetar resultados eficazes (PAIXÃO, 2015).
https://www.youtube.com/watch?v=NmCuEgkVLWo
33
Ciência de Dados O Papel e a Importância do Cientista de Dados Capitulo 3
No contexto sobre a formação do cientista de dado, um relatório britânico solicitado 
pela Joint Information Systems Committe (JISC) acerca das habilidades, as funções e 
carreira dos cientistas de dados, atesta a dificuldade de uma conformidade quanto 
à definição deste profissional, entretanto, determina no contexto geral a formação do 
cientista de dado como aquele que trabalha onde as pesquisas são efetivadas, de modo 
colaborativo com os pesquisadores ou grupos de cientistas em centros de dados e que 
está associado na investigação criativa e de análise de dados, fornecendo soluções 
tecnológicas para a manipulação e utilização de dados digitais (SWAN; BROWN, 2008).
Conforme afirma Provost (2016), um dos importantes fundamentos do cientista de dados 
são os dados e a aptidão de extrair conhecimento favorável por meio deles, sendo esta 
análise um princípio ativo estratégico. 
Assim, o autor afirma que a melhor equipe que trabalha com ciências de dados, pode 
obter pouco valor, sem os dados apropriados. Isso porque, algumas vezes, apenas os 
dados corretos, não podem melhorar as decisões sem a capacidade adequada dos 
profissionais de ciências dos dados.
FIGURA 7
Cientista de dados
FONTE
Freepik
34
Ciência de Dados O Papel e a Importância do Cientista de Dados Capitulo 3
É importante destacar a afirmação do autor Finzer (2003), que descreveu o profissional 
do século sendo aquele com a formação em Ciência de Dados, tendo como atributos 
a ampliação das áreas técnicas como Estatística, programação e computação, o qual 
pode ser chamado como um Data Analyst ou Analista de Dados. 
Entretanto, o autor delineia poucas características desse novo profissional.
Perfil do profissional
O autor Amaral (2016) apresentou o perfil do cientista de dados, um profissional com 
aptidões multidisciplinares, com experiência e conhecimento em gerência de projetos. 
No Quadro 1, as características que o autor citado utiliza para diferir o cientista de dados 
de mercado, do idealizado pela mídia especializada.
Nota
Vale ressaltar que o cientista de dados possui uma grande demanda 
na linha das ciências, indústria e governo. Esse profissional tem uma 
expectativa de formação tipicamente sólida em ciência da computação 
e aplicações, modelagem, Estatística, analítica e Matemática, além do 
conhecimento mínimo do domínio de aplicação (DAVENPORT; PATIL, 2012).
35
Ciência de Dados O Papel e a Importância do Cientista de Dados Capitulo 3
Neste quadro, vimos a descrição do perfil do cientista de dados, com a descrição do 
profissional do mercado e o profissional idealizado e na próxima será apresentado as 
habilidades do cientista de dados.
Habilidades do cientista de dados
A empresa LinkedIn procurou algumas habilidades que compõem o perfilque eles 
acreditam ser preciso para os cientistas de dados, listando as 10 habilidades mais 
encontradas nos profissionais que trabalham como cientista de dados: comunicação, 
gestão de dados estruturados, Matemática, gestão de projetos, Data Mining e 
visualização, design de experimentos, gestão de dados, design e desenvolvimento de 
produtos, modelagem Estatística e desenvolvimento de negócios (MATOS, 2020).
Amaral (2016) ressalta que, quando “Big Data” se tornou um termo em evidência, emergiu 
junto a profissão do cientista de dados. O autor descreve, que a maioria dos especialistas 
QUADRO 1
Perfil profissional
FONTE
Adaptado de Amaral (2016).
36
Ciência de Dados O Papel e a Importância do Cientista de Dados Capitulo 3
apresentam o profissional como o indivíduo com conhecimento técnico em Estatística, 
NoSQL, computação em nuvem, mineração de dados, álgebra relacional, modelagem 
multidimensional, MapReduce, virtualização, entre outros.
O artigo de Davenporte e Patil (2012) publicado na Harvard Business Review, apresenta 
que as habilidades do Cientista de Dados estão sujeitas a funções que mais técnicas ou 
mais direcionadas para a elaboração de produtos ou aplicativos de análise de dados.
Já Davenport e Patil (2012) afirmam que as habilidades necessárias para se tornar um 
cientista de dados são: habilidades em linguagens de programação de análise de dados, 
comunicação, visualização de dados, mineração de dados, Estatística, habilidades em 
infraestrutura que trabalham com Big Data, aprendizado de máquina, engenharia de 
software, álgebra linear e habilidade de resolução de problemas.
Davenport (2014) destaca outros elementos que ele julga como fundamentais para um 
cientista de dado, os quais estão citados a seguir:
• Capacidade de programar.
• Aptidão de arquiteturas tecnológicas de Big Data.
• Processo de tomada de decisão.
• Improvisação.
• Impaciência e inclinação à ação.
• Habilidades de comunicação e relacionamento.
• Aptidão de decisões e entender os processos decisórios.
• Análise Estatística.
• Técnicas de visualização.
• Aprendizado de máquina.
• Análise de dados diferentes tipos.
• Análise de como negócios funciona.
• Aplicação de Analytics e o Big Data.
Outra fonte que listou habilidades para a profissão do cientista de dados, foi Violino (2018), 
publicado no site CIO/EUA, destaca algumas habilidades representadas no Quadro 2.
37
Ciência de Dados O Papel e a Importância do Cientista de Dados Capitulo 3
QUADRO 2
Lista habilidades e funcionalidades
FONTE
Adaptado de Violino (2018).
38
Ciência de Dados O Papel e a Importância do Cientista de Dados Capitulo 3
Além dessas, podemos destacar outras habilidades, como: comunicação, arquitetura, 
resolução de problema e análise de riscos (VIOLINO, 2018).
Ainda podemos citar o que descreve Granville (2014), o cientista de dados é o profissional 
generalista que tem a capacidade de negócios, Estatística, ciência da computação, 
além de se relacionar com algumas noções específicas, entre os quais arquitetura de 
dados e comunicação no escopo empresarial.
Podemos perceber tanto na literatura, quanto pelas empresas, dificuldades no momento 
de caracterizar um padrão para a profissão cientista de dado, porém, podemos inferir 
que mesmo sem um consenso, existem características comuns nas descrições, como 
a aptidão em Estatística e computacionais para a programação e uso de sistemas 
capazes de processar grandes volumes de dados (CHATIFELD et al., 2014; GRANVILLE, 2014) 
como capacidade de explorar e extrair os dados.
Competências relacionadas
Como estudamos, a Ciência de Dados e o Big Data são executados por meio de equipes 
multidisciplinares, cada um especializado em uma determinada área e liderada pelo 
cientista de dados. 
Com isto, o autor Amaral (2016) elencou essas especialidades necessárias conforme 
apresentada abaixo:
• Equipes de extração: esta equipe corresponde a uma importante função no 
projeto e são responsáveis por tomar uma grande parcela de tempo do projeto. 
Usualmente, estes métodos são implementados por usuários que podem atuar como 
administradores de Banco de dados (DBAs) e programadores. Algumas funções desta 
equipe são: extrair os dados correspondentes a necessidade, se estão completos, 
alinhados e atualizados. Além do exposto, esta equipe é responsável por saber as 
regras e a legislação envolvidas nos projetos.
• Coordenador de infraestrutura: este é responsável por se encarregar pela estrutura 
do projeto, determinar o ambiente de análise, instalação de sistemas, criação de 
usuários, permissões de acesso, entre outras.
• Estatístico e/ou minerador de dados: sabemos que os projetos de dados podem 
necessitar de testes de hipóteses ou dos seguintes pontos: criação de modelos de 
39
Ciência de Dados O Papel e a Importância do Cientista de Dados Capitulo 3
predição e técnicas de visualização.
• Especialistas em ferramentas específicas: usualmente, em diferentes projetos e em 
suas etapas, é preciso de profissionais específicos. Assim, sua função é atender os 
requisitos diversos do projeto, como especialista em ferramentas características. 
Por exemplo, para extração ou para técnicas de visualização, por isso, deve fornecer 
técnicos com essas aptidões ou oferecer a habilitação necessária a estes profissionais.
• Database Administrator (DBA): este tem a função característica em dados relacionais 
e multidimensionais, os administradores de banco de dados (DBAs) têm as funções 
expandidas para bancos de dados como NoSQL e sistemas de arquivos distribuídos. 
Como eles podem ainda servir de auxílio na coleta de metadados, compreensão de 
estruturas, rotinas de replicação, integração, como outras.
• Programador: deve ter aptidões em linguagens de programação especializadas em 
análise de dados, como também pode ser preciso ter a habilidade de implementar 
a análise, programando stored procedures diretamente em gerenciadores de banco 
de dados.
• Arquiteto: o arquiteto de solução é primordial para o projeto, pois é responsável pela 
indicação da arquitetura adequada para o projeto, desde processadores, a licenças 
de software, entre outras definições.
• Analistas de negócios: este tem o papel primordial para selecionar os requisitos e 
determinar o escopo do projeto. Usualmente, pode operar junto ao Gerente do Projeto.
• Designer: é importante ter um especialista em visualização de dados ou designer, 
solicitado para criar artefatos com qualidade visual otimizada.
40
Ciência de Dados O Papel e a Importância do Cientista de Dados Capitulo 3
Resumindo
Abordamos, neste capítulo, um pouco mais sobre o profissional que 
trabalha com ciências de dados, foi apresentado como surgiu este 
profissional. Ainda estudamos a importância da formação do cientista de 
dado, demonstrando pesquisas e abordagens que citam seus princípios 
e habilidades. Vimos o perfil e a listagem de habilidades necessárias para 
o profissional que trabalhe com ciência de dados. Podemos perceber 
como os profissionais da ciência de dados precisam ter habilidades para 
trabalhar com os diferentes tipos dos dados, sejam eles estruturados, 
semiestruturados e não estruturados. Ainda foi visto como a maioria 
das pesquisas de literaturas e de fontes de empresas não possuem 
um consenso sobre um padrão de habilidades, tendo algumas que são 
sempre destacadas, como as capacidades Matemáticas, estáticas, 
codificação, análise dados e negócios, como domínio de aprendizado de 
máquina e Inteligência Artificial. Por fim, encerramos a unidade trazendo 
competências relacionadas com as áreas de ciência de dados.
41
@faculdadelibano_
4
Aplicações da 
Ciência de Dados
42
Ciência de Dados Capitulo 4
Aplicações da Ciência de 
Dados
Onde aplicar a Ciência de Dados
Tendo em vista que a Ciência de Dados atenta-se em aperfeiçoar técnicas, modelos e 
procedimentos computacionais, matemáticos e estatísticos, que possam interagir com 
as ferramentas para a descoberta de conhecimento nas áreas que se pretende ser 
aplicada,a fim de adquirir resultados satisfatórios por meio desta interação com as 
áreas de aplicação, partimos do princípio que é necessário identificar de modo conciso, 
qual o problema que se deseja resolver (PAIXÃO, et al., 2015).
Outra grande importância, de aplicar Ciência de Dados, é o fato de estarmos na era da 
informação cercados de enormes massas de dados e nos mais diversos setores. Em 
paralelo, a necessidade de cada dia, as empresas, bancos, pesquisadores e cientistas 
estarem sempre em busca de resolver problemas e trazer soluções inovadoras para 
seus respectivos setores.
Com a multidisciplinaridade da ciência de dados e as equipes que trabalham com ela, 
foi possibilitado grandes avanços e ganhos nesses setores, pois permite analisar os 
dados, descobrir conhecimento, fazer estáticas, previsões, entre outros recursos que só 
a ciência de dados pode possibilitar.
Objetivos
Neste capítulo, veremos onde podemos aplicar a ciências de dados, 
citando sua importância no contexto geral. Logo após, estudaremos 
onde está sendo aplicada a ciência de dados, apresentando as diversas 
áreas em que está sendo explorada, bem como apresentaremos as 
ferramentas que ajudam a aplicá-la. Vamos lá!
43
Ciência de Dados Aplicações da Ciência de Dados Capitulo 4
Neste sentido, a Ciência de Dados proporciona apoio a várias áreas, tais como: finanças, 
medicina, astronomia, jogos, marketing, Biologia, entre inúmeras outras para responder a 
problemas científicos ou problemas associados a detectar padrões de comportamento, 
como aqueles direcionados para a área de negócios (PAIXÃO, et al., 2015).
Ciência de Dados na Biologia
Assim, temos na área da Biologia, a Ciência dos Dados ajudando por meio dos métodos 
estatísticos, que possibilita a análise de grandes massas de dados biológicos, sendo 
elaborados e implementados há anos, na tentativa de detectar e predizer as funções 
dos genes e proteínas por eles codificados (WANG, 2003).
Outro exemplo foram os resultados obtidos por meio de análise in silico e aprovadas 
posteriormente em laboratório, recomendando que é possível a identificação de uma 
família completa de genes, por meio de processos de ciência de dados mediante a 
informações genéticas armazenadas em banco de dados abertos (SILVA, 2010).
FIGURA 8
Ciência de dados 
aplicada na Biologia
FONTE
Pixabay
44
Ciência de Dados Aplicações da Ciência de Dados Capitulo 4
Ciência de Dados aplicada na Saúde
A Ciência de Dados em Saúde, também conhecida em inglês como Health Data 
Science, trata da ciência para proporcionar soluções fundamentadas em dados por 
meio do entendimento em problemas reais da área de Saúde, aplicando o conceito de 
pensamento crítico e a análise do dados para adquirir conhecimento. 
A sua aplicação na Saúde cresce de um domínio do conhecimento emergente, 
aparecendo da interseção da Bioestatística e ciência da computação e Saúde (NETTO, 
2019).
No Brasil, temos um dos exemplos de aplicação de ciência de dados na Saúde na Fiocruz, 
no qual desenvolvem pesquisas nessa área e até promovem cursos para atrair mais 
pessoas para área.
Ciência de Dados aplicada ao Projeto Social
A Ciência de Dados aplicada ao Projeto Social ganha espaço no mundo e no Brasil, 
pois com o crescente surgimento de organizações institucionais disponibilizando bases 
de dados que podem serem analisados, e bases políticas como Bolsa Família, que 
contém aproximadamente o cadastro de 100 milhões de brasileiros no CADSUS, vem 
ganhando força e possibilitando promover políticas públicas adequadas de acordo 
com as análises (BARRETO, 2019).
Ciência de Dados aplicada aos negócios
Podemos entender que os melhores resultados de um negócio não dependem 
exclusivamente do volume dos dados que uma empresa tem, mas sim sobre o modo 
como serão utilizadas essas informações.
O cientista de dados, para aplicar ciências de dados para negócios, é preciso uma 
inclusão tanto no campo mais técnico quanto nos campos de negócios. 
45
Ciência de Dados Aplicações da Ciência de Dados Capitulo 4
Desta forma, temos o cientista de dado que é direcionado que se relacionam com setores 
como: Business Intelligence (BI), inteligência de mercado; Tecnologia de Informação (TI) 
e Administração de Banco de Dados (DBA) (PRATES; HOPPEN, 2018).
 
Vale ressaltar que a ciência de dados contribui, quando aplicada aos negócios, nos 
pontos de identificação de fenômenos reais analisando por meio da grande massa de 
dados. Assim, muitas organizações investem em ciência de dados para melhorar os 
seus processos de tomada de decisão, inovar e obterem vantagem competitiva.
Com a aplicação da ciência de dados aos negócios, é possível gerar outras contribuições 
para empresas, como: aumentar os lucros, diminuição de riscos financeiros, utilização 
de métodos de detecção de anomalia ou de fraude em tempo real.
Por exemplo, possibilitando aumentar a eficiência de sistemas e processos, aumentar 
as taxas de vendas, em que o cientista de dados pode analisar os dados estudando 
estratégias de fidelização do cliente ou de captação de clientes, entre outras vantagens 
(MATOS, 2019).
FIGURA 9
Ciência de dados 
aplicada aos Negócios
FONTE
Pixabay
Para aplicar a ciência de dados na área de negócios, é importante seguir etapas. Em um 
artigo, Prates e Hoppen (2018) citaram algumas etapas a serem seguidas para ciências 
de dados aplicada a negócio, sendo elas expostas abaixo:
• Definição de problema e métrica de sucesso: é importante dar início, na aplicação de 
46
Ciência de Dados Aplicações da Ciência de Dados Capitulo 4
Ciência de Dados nas empresas, primeiro na identificação de quais são os objetivos 
e quais as lacunas a serem sanadas no negócio.
• Definição do conjunto de dados (dataset) analítico a ser utilizado: é importante 
selecionar o conjunto de dados a ser usado pelos cientistas de dados, mas não 
somente uma simples extração de um grande volume de dados diretamente do 
banco transacional. Este conjunto de dados analítico é criado por meio da definição 
do problema e é necessário ter todas as variáveis que ajudem a responder o problema 
em questão. Ainda deve ser feita a combinação entre variadas bases de dados, tanto 
internas, quanto externas. Por exemplo, as fontes de dados externas correspondem às 
compradas de fornecedores específicos ou até mesmo, bases públicas com intuito 
de melhorar a corretude dos modelos que serão aplicados.
• Transformação e higienização de dados: esta é umas das fases mais exigidas a 
se atentar aos detalhes e que demora um pouco mais, pois corresponde a fazer 
a limpeza dos dados, incluído a utilização de técnicas Estatísticas para realizar 
o tratamentos, como dados faltosos, padrões e tratamento de outliers. Ainda são 
realizados outros métodos compreendidos a esta etapa, como: concatenação de 
colunas, enriquecimento de dados com bases externas e várias outras reestruturações 
precisas.
• Mineração de dados e modelagem com Inteligência Artificial: esta é umas das fases 
principais no processo, pois permite gerar valor a partir das suas técnicas no processo 
de modelagem. É nesta etapa que vários modelos são treinados com a utilização 
das técnicas de Inteligência Artificial ou de aprendizado de máquina, como predição, 
associação e regressão.
• Comunicação dos resultados obtidos em linguagem de negócio: esta é a fase que 
trabalha a comunicação dos resultados dos projetos de ciência de dados por meio 
da linguagem de negócios, com foco no objetivo e na rapidez, apresentando, por 
exemplo, quais os impactos do projeto e qual será o retorno financeiro obtido. Além 
do mais, sugere oferecer a visão de futuro dos sistemas integrados e uma lista com 
as oportunidades adjacentes descobertas durante o processo.
Saiba Mais
Para saber mais sobre o assunto, faça a leitura do artigo Saiba por que 
o Data Science é essencial dentro dos negócios. Acesse clicando aqui.
https://www.totvs.com/blog/inovacoes/data-science-como-a-ciencia-de-dados-e-essencial-nos-negocios/
47
Ciência de DadosAplicações da Ciência de Dados Capitulo 4
Assim, podemos entender, ao final desta seção, as grandes contribuições que ciência 
de dados e os inúmeros benefícios que ela pode gerar aos negócios.
Ferramentas que trabalham com Ciência de Dados
É importante antes de aplicar a ciência de dados, adotar as ferramentas necessárias, 
por isso, é essencial conhecermos as ferramentas disponíveis no mercado, que podem 
ser utilizadas para realizar os métodos e procedimento de obtenção de conhecimento 
e extração de informações. 
Seguem alguns exemplos de ferramentas, conforme Wayner (2019) descreve:
• Alteryx
Esta é uma ferramenta de designer com um ambiente de programação visual que 
possibilita ao desenvolvedor arrastar e soltar ícones em vez de escrever código. O 
Alteryx proporciona diversos modelos preditivos pré-estabelecidos para analisar dados 
e deduções de desenhos. 
Tem como característica parecer como ícones para processamento de dados, porém, 
por trás, são programas em R ou Python e o Alteryx permite esconder a complexidade e 
a codificação fundamentado em texto.
• Talend
Esta disponibiliza um conjunto de aplicativos que trabalham em desktops ou data centers 
locais ou na nuvem. São ferramentas multicamadas que possibilitam a coleta de dados 
de diversos bancos de dados antes de transformá-los para análise. Um exemplo de 
uma das ferramentas que faz parte da coleção é o Pipeline Designer, o qual oferece um 
design visual para realizar extração de dados de diversas fontes, analisados por meio de 
ferramentas padrão ou extensões do Python.
• Knime
Esta é uma plataforma de análise de dados de código aberto que contém uma interface 
visual para atrelar diversas rotinas de análise e processamento de dados. Deste modo, 
o software principal é disponibilizado gratuitamente, porém, as versões comerciais 
têm alguns plugins e extensões. Essa ferramenta tem uma base do software que está 
48
Ciência de Dados Aplicações da Ciência de Dados Capitulo 4
codificada em Java e muitas das integrações da Knime dependem do ecossistema Java. 
A interface do Knime é estruturada sobre o Eclipse. A plataforma possibilita trabalhar com 
dados em todos com bancos de dados como MySQL e PostgreSQL, integrando serviços 
de nuvem. Ele também integra a próxima geração de ferramentas de dados distribuídos 
como o Apache Spark.
Linguagem de programação Python
Python é uma das mais utilizadas linguagem, pois “pode ser utilizada tanto para 
desenvolvimento de programas comerciais quanto de programas científicos” 
(MANZANO, 2011, p. 19). A aplicação dessa linguagem é diversa, sendo utilizada desde um 
desenvolvimento web até implementações com ciência de dados.
Devido sua sintaxe objetiva e sucinta, que contribui para deixar código- fonte legível, 
Python é uma linguagem bem-sucedida, de modo geral, é uma das linguagens mais 
usada no meio científico, principalmente quando se refere aos cientistas de dados ou 
de outras áreas (BORGES, 2014).
Entretanto, para trabalhar com ciência de dados não basta apenas a implementação 
com Python, é preciso a utilização de técnicas específicas disponíveis em pacotes que 
devem ser acrescentados ao projeto. Vale frisar que estes pacotes têm o objetivo de 
aperfeiçoar a aplicação em aspectos como velocidade de processamento, codificação 
e o uso de técnicas para análise de dados ou aprendizagem de máquina. As seções a 
seguir apresentam alguns destes pacotes:
Jupyter
Notebook Jupyter ou caderno Jupyter é um ambiente desenvolvido para se trabalhar 
com programação literária. Neste paradigma de programação, há uma intersecção 
entre a codificação e a documentação em forma de narrativa, ao invés de manipulá-
los como elementos independentes. 
Também permite criar e compartilhar documentos que contenham código vivo, 
equações, visualizações e texto narrativo. A sua utilização possibilita a limpeza e 
49
Ciência de Dados Aplicações da Ciência de Dados Capitulo 4
transformação de dados, simulação numérica, modelagem Estatística, visualização de 
dados, aprendizado de máquina, entre outras funções (JUPYTER, 2020).
Pandas
É uma ferramenta prática, flexível e fácil de utilizar para análise e manipulação de dados 
de código aberto, construída em cima da linguagem de programação Python. Esta 
provê uma estrutura de dados e funções robustas para trabalhar com grandes massas 
de dados de modo mais rápida (PANDAS, 2020).
Ademais, o Pandas possibilita uma elaborada estrutura de dados e funções desenvolvidas 
para tornar mais prático e rápido o trabalho com um grande conjunto de dados 
(MCKINNEY, 2012).
Anaconda
É uma distribuição que disponibiliza vários pacotes que podem ser instalados todos de 
uma vez, sendo um importante recurso para trabalhar com ciência de dados. Além de 
permitir instalar os pacotes, otimizando o trabalho do desenvolvedor em configurar o 
ambiente de trabalho, o Anaconda também disponibiliza o Conda, que é responsável 
por controle de versões dos pacotes instalados. 
Assim, o desenvolvedor passa a poder trabalhar em vários projetos em diferentes versões 
de Python sem se preocupar com a versão dos pacotes instalados (CRUZ, 2018).
50
Ciência de Dados Aplicações da Ciência de Dados Capitulo 4
Resumindo
Estudamos neste capítulo sobre a importância de utilizar ciência de 
dados. Entendemos como ela pode contribuir nos mais variados setores 
na descoberta de conhecimento, de modo que, a cada dia possibilita 
responder a problemas científicos ou até problemas associados a 
detectar padrões de comportamento, como aqueles direcionados 
para a área de negócios. Apresentamos ainda aplicação da ciência 
de dados no campo da Biologia, da Saúde e em projeto social, como 
também, as contribuições nos setores de negócios mostrando o ganho 
em estratégias, financeiro, vendas e até fidelização de cliente, os quais, 
é possível obter por meio da aplicação em data science. Por fim, não 
poderíamos deixar de citar ferramentas que são usadas para aplicar as 
técnicas e métodos de Ciência de Dados.
51
Ciência de Dados
Referências
AMARAL, F. Introdução à Ciência de Dados: mineração de dados e Big Data. Rio de Janeiro: 
ALTA Books, 2016.
BARRETO, V. Ciência de Dados e a importância de sua humanização. Medium, 2019. 
Disponível em: https://medium.com/torustimelab/ci%C3%AAncia-de-dados-e-a-
import%C3%A2ncia-de-sua- humaniza%C3%A7%C3%A3o-6b3bd3ab30ba. Acesso em: 
24 maio 2020.
BELL, G.; Hey, T.; Szalay, A. Beyond the Data Deluge. Tradução Google translate. Science, v. 
323, p. 1297-1298. 2009.
BERTIN, B.; VISOLI, C.; DRUCKER, P. A gestão de dados de pesquisa no contexto da e-science: 
benefícios, desafios e oportunidades para organizações de p&d. Ponto de Acesso, v. 11, n. 
2, p. 34-48, 2017.
BORGES, L. Python para desenvolvedores. São Paulo: Novatec, 2014.
BUGNION, P. et al. Scala: Guide for Data Science Professionals. Birmingham: Packt Publishing, 
2017.
CETAX. Diferença Entre Business Intelligence, Data Warehouse, Data Science E Big Data. 
Cetax, [s. d.]. Disponível em: https://www.cetax. com.br/blog/diferenca-bi-dw-data-
science-big-data/. Acesso em: 22 maio 2020.
CIELEN, D.; MEYSMAN, B.; ALI, M. Introducing Data Science: Big Data, Machine Learning, and 
more using Python Tools, Shelter Island: Editor Manning Publication, 2016.
CLEVELAND, S. Data Science: anactionplan for Expanding the technical áreas ofth efieldof 
statistics. International Statistical Review, Malden, v. 69, p. 21-26. 2001.
CRUZ, L. Data Science: desenvolvimento de aplicação para análise de dados. 2018. 
Monografia (Graduação em Ciência da Computação) – Instituto Municipal de Ensino 
52
Ciência de Dados Referências
Superior de Assis. Assis. 2018.
 
CRUZ, P.; COVA, G. Teoria das Decisões: um Estudo do Método Lexicográfico. RPCA, Rio de 
Janeiro, v. 1, n. 1, p. 26-35, set./dez. 2007.
DAVENPORT, H.; COHEN, D.; JACOBSON, A. Competing on Analytics. Harvard Business Review, 
p. 98-107, 2016.
ECONOMIST, The. The world’s most valuable resource is no longer oil, but data. Economist, 
2017. Disponívelem: https://www.economist. com/leaders/2017/05/06/the-worldsmost-
valuable-resource-is-no- longer-oil-but-data. Acesso em: 20 maio 2020.
ESPINDOLA, S; ROTH, L. Big Data e Inteligência Estratégica: Um Estudo de Caso Sobre a 
Mineração de Dados como Alternativa de Análise. Revista Espacios, v. 37, n. 4, p. 16, out. 
2015.
ESTRIN, D. Small Data, where n = me. Communications of the ACM, v. 57, n. 4, p. 32-34. 2014.
EVERETT, M.; BORGATTI, S. P. Ego network betweenness. Social networks, v. 27, n. 1, p. 31-28. 
2005.
FÁVERO, L. Big Data e tomada de decisão: há limites para a Ciência de Dados? It Fórum, [s. 
d.]. Disponível em: https://itforum365.com.br/ colunas/big-data-e-tomada-de-decisao-
ha-limites-para-a-ciencia-dos- dados/. Acesso em: 19 maio 2020.
FAYYAD, M. et al. Advances in Knowledge Discovery and Data Mining. Cambridge: Mit Press, 
1996.
FINZER, W. The Data Science Education Dilemma. Technology Innovations In Statistics 
Education, v. 7, n. 2. 2013.
GADELHA, R. et al. Scalable and provenance—enabled scientific workflows for predicting 
distribution of species. In: INTERNATIONAL CONFERENCE ON ECOLOGICAL INFORMATICS, 8., 
2012, Brasília. Anais […] Brasília: ISEI, 2012.
GOLDSCHMIDT, R.; BEZERRA, E. Exemplos de aplicações de data mining no mercado brasileiro. 
53
Ciência de Dados Referências
Computer World, 2016. Disponível em: https://computerworld.com.br/2016/06/27/
exemplos-de-aplicacoes- de-data-mining-no-mercado-brasileiro/. Acesso em: 24 jul. 
2020.
 
MANZANO, J. Programação de Computadores com C++. São Paulo: Érica, 2011.
MARCHIONINI, G. Information Science Roles in the Emerging Field of Data Science. Journal 
of Data and Information Science, v. 1, n. 2, p. 1-6. 2016.
MCKINNEY, W. Python for Data Analysis. Sebastopol: O’Reilly, 2012.
NETTO, A. Quando a área de Saúde encontra a Ciência dos Dados. Linkedin, 2019. Disponível 
em: https://www.linkedin.com/pulse/quando- %C3%A1rea-de-sa%C3%BAde-encontra-
ci%C3%AAncia-dos-dados- antonio-valerio-netto. Acesso em: 23 maio 2020.
OLAVSRUD, T. Afinal o que é Ciência de Dados e o que isso tem a ver com a profissão do 
futuro. Id Gshow, 2018. Disponível em: http://idgnow. com.br/carreira/2018/07/05/afinal-
oque-e-ciencia-de-dados-e-o-que- isso-tem-a-ver-com-as-profissoes-do-futuro/. 
Acesso em: 18 maio 2020.
PAIXÃO A.; SILVA V.; TANAKA, A. De Business Intelligence a Data Science: um estudo 
comparativo entre áreas de conhecimento relacionadas. Semantic Scholar, 2015. Disponível 
em: https://pdfs. semanticscholar.org/a335/91f5334b50aa8230754e85ae2c37d9a946a0. 
pdf. Acesso em: 20 maio 2020.
PATIL, H.; DAVENPORT, J. Data Scientist: thes exiest job of the 21st century. HBR, 2012. Disponível 
em: https://hbr.org/2012/10/data-scientist- the-sexiest-job-of-the-21st-century. Acesso 
em: 20 maio 2020.
PRATES, R.; HOPPEN, J. O que Ciências de Dados e como aplicá- los nos negócios. Aquare, 
2018. Disponível em: https://www.aquare.la/o- que-e-ciencia-de-dados-data-science-
para-negocios/. Acesso em: 23 maio 2020.
PROVOST, F.; FAWCETT, T. . Data Science para negócios: o que você precisa saber sobre 
mineração de dados e pensamento analítico de dados. Rio de Janeiro: Alta Books, 2016.
54
Ciência de Dados Referências
REIS, M. Ciência de Dados E Ciência Da Informação: Guia De Alfabetização De Dados para 
bibliotecários. São Cristóvão: Universidade Federal de Sergipe, 2019.
 
SAIBA por que o Data Science é essencial dentro dos negócios. Totvs, 2019. Disponível em: 
https://www.totvs.com/blog/inovacoes/ data-science-como-a-ciencia-de-dados-e-
essencial-nos-negocios/. Acesso em: 10 jul. 2020.
SANTANA F. Big Data X Data Science: qual a diferença entre os dois conceitos? Minerando 
Dados, [s. d.]. Disponível em: https:// minerandodados.com.br/big-data-x-data-science-
qual-a-diferenca- entre-os-dois-conceitos/. Acesso em: 20 maio 2020.
SCHREIBER, G. et al. Knowledge Engineering and Management: the Com-monKADS 
Methodology. Cambridge: MIT Press, 2000.
SMITH, F. Jack Data Science as an academic discipline. Data Science Journal, v. 5, p. 163-
164, 2006.
SOARES, R. Análise de dados em processos de auditoria. Universidade Estadual de 
Campinas, 2019. Disponível em: https://www. ime.unicamp.br/~mac/db/2019-2S-166526.
pdf. Acesso em: 14 fev. 2022.
TAN, P.; STEINBACH, M.; KUMAR, V. Introdução ao Data Mining: mineração de dado. São 
Paulo: Ciências modernas, 2009.
TURBAN, E.; SHARDA, R.; ARONSON, J.; KING, D. Business Intelligence: um enfoque gerencial 
para a inteligência do negócio. Porto Alegre: Bookman, 2009.
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.
VIOLINO B. 8 habilidades essenciais para cientistas de dados de alto desempenho. CIO, 
2018. Disponível em: https://cio.com.br/8-habilidades- essenciais-para-cientistas-de-
dados-de-alto-desempenho/. Acesso em: 22 maio 2020.
55
Ciência de Dados Referências
WANG, D., JEFFREY, F.; GRIBSKOV, M. Systematic Trans-Genomic Comparison of Protein 
Kinases between Arabidopsis and Saccharomyces cerevisiae. Plant Physiology, v. 132. 
2003.
 
WANG, L. Twinning data science with information science in schools of library and 
information science. Journal of Documentation, v. 74, n. 6, p. 1243-1257. 2018.
WAYNE, P. 6 ferramentas que facilitam a adoção da Ciência de Dados. CIO, 2019. 
Disponível em: https://cio.com.br/6-ferramentas-que- facilitam-a-adocao-da-ciencia-
de-dados/. Acesso em: 23 maio 2020.
 
56
	Conceitos e Escopos da Ciência de Dados
	Fases do projeto em Ciência de Dados
	Ciclo de vida do dado
	Relação de ciência de dados com ciências de informações
	Ciência de Dados: termos usados
	Princípios e Diferenças entre Ciência de Dados e Big Data
	Princípios e diferenças: Big Data e Ciência de Dados
	Big Data e Ciência de Dados no processo de tomada de decisão
	Ciência de Dados e Business Intelligence
	O Papel e a Importância do Cientista de Dados
	Cientista de dados
	Formação e atuação do cientista de dados
	Perfil do profissional
	Habilidades do cientista de dados
	Competências relacionadas
	Aplicações da Ciência de Dados
	Onde aplicar a Ciência de Dados
	Ciência de Dados na Biologia
	Ciência de Dados aplicada na Saúde
	Ciência de Dados aplicada ao Projeto Social
	Ciência de Dados aplicada aos negócios
	Ferramentas que trabalham com Ciência de Dados
	Linguagem de programação Python
	Jupyter
	Pandas
	Anaconda
	Referências