Maximizar Valor dos Dados

Prévia do material em texto

Maximizar o 
valor dos dados
Preparar os dados para a inovação da IA
Notes: 
• Title should be a maximum of 3 lines.
• Subtitle should be a maximum of 2 lines.
• Title should be title case.
• Subtitle should be sentence case.
• Refer to the Microsoft editorial style 
guide for any questions
Sumário
01 / 
Introdução
02 / 
Complexidades e desafios de dados
03 / 
Superar os desafios de dados para 
acelerar a inovação da IA
04 / 
Reunir os recursos necessários
05 / 
Modernizar a arquitetura de gerenciamento de dados
06 / 
Unificar os dados com o Microsoft Fabric 
ou o Azure Databricks
07 / 
Impulsionar melhores decisões de negócios 
com visualização
08 / 
Iniciar a unificação dos dados para a IA
Maximizar o valor dos dados 2
Note: chapter title goes here. 
Documents 7 pages or less 
use document title.
Note: designed for 
in-depth TOC. 
Can be used to highlight 
chapters, topics and 
sub-topics.
Introdução
A IA tem o potencial de revolucionar indústrias, automatizar processos e descobrir insights em 
um ritmo antes inimaginável. À medida que o entusiasmo em torno da IA continua aumentando, 
os líderes empresariais percebem a importância de dados amplos e diversificados, para que 
a IA possa identificar efetivamente padrões e tomar decisões informadas. Consequentemente, 
os profissionais de dados enfrentam um desafio urgente: garantir que seus dados estejam 
preparados para atender às demandas crescentes da IA. 
Os líderes de dados entendem que o sucesso das iniciativas de IA depende da qualidade, 
relevância, pontualidade e acessibilidade dos dados subjacentes. A má qualidade dos dados 
pode facilmente inviabilizar as iniciativas de IA, aumentando os prazos e os custos. Como 
resultado, muitos líderes de dados estão procurando maneiras simplificadas e impactantes 
de limpar, integrar e enriquecer seus ativos de dados para atender às rigorosas demandas 
dos algoritmos de IA.
Ao abordar proativamente seus desafios de dados, os profissionais de dados podem estabelecer 
as bases para a adoção bem-sucedida da IA e capacitar suas organizações a aproveitar todo 
o potencial dos investimentos em IA. Este e-book explora como você pode obter o máximo 
de benefícios com seus dados, preparando-os corretamente para a IA e as ferramentas 
analíticas preditivas.
3Maximizar o valor dos dados
Complexidades e 
desafios de dados
Há uma forte motivação para começar a inovar 
com a IA hoje. No entanto, é importante garantir 
a implementação adequada desde o início. Isso 
significa abordar os desafios dos dados, incluindo 
privacidade, segurança, conformidade regulatória e 
vieses potenciais, bem como a qualidade dos dados, 
um elemento essencial de uma base sólida de IA.
Sem acesso a dados limpos, seguros e em tempo 
real, o valor da saída da IA é naturalmente limitado. 
Mas a obtenção de integração e qualidade de 
dados é ainda mais complexa hoje porque muitos 
ambientes de TI herdados foram criados antes da 
chegada da IA. Como resultado, os profissionais 
de dados geralmente lidam com a complexidade 
à medida que criam e escalam seus modelos de IA.
Este capítulo aborda dois desafios que os 
profissionais de dados podem e devem enfrentar 
agora para preparar dados para a inovação da IA: 
movimentação e duplicação de dados.
Movimentação de dados
Para dar suporte a iniciativas de business intelligence, 
as organizações precisam de dados limpos, precisos 
e consolidados, que podem ser extraídos de diversas 
fontes, transformados para análise e carregados 
em ferramentas analíticas ou bancos de dados 
para relatórios. 
Mover dados cumpre várias funções essenciais. 
Consolida informações de fontes ou sistemas 
diferentes, facilitando a análise, os relatórios 
e a tomada de decisões. A movimentação de 
dados também dá suporte a iniciativas de 
compartilhamento de dados, permitindo que 
as equipes disseminem informações entre 
departamentos, equipes ou parceiros externos 
para que eles possam colaborar com seus dados. 
O cumprimento das leis de localização de dados 
ou dos regulamentos de residência também 
requer a movimentação de dados, por lei, 
pois alguns dados devem ser armazenados 
em locais geográficos específicos.
A capacidade de mover dados é 
fundamental para muitas operações. No 
entanto, devido a vários fatores, o tempo 
gasto com a movimentação de dados pode 
reduzir o valor obtido com seu uso:
Latência e atrasos
Mover volumes de dados substanciais 
introduz latência, atrasando aplicações 
em tempo real e as decisões que elas 
impulsionam. 
Restrições de largura de banda de rede 
A transferência de dados limita os recursos 
de rede em sistemas de Machine Learning 
diferentes, especialmente com mídia de alta 
resolução e dados de sensores. 
Consistência de dados
Manter a consistência em dados replicados 
ou distribuídos é algo complexo e vital 
para previsões precisas de máquina. 
Segurança e conformidade
O trânsito de dados expõe informações 
confidenciais, exigindo criptografia e 
protocolos seguros, e a conformidade pode 
restringir a movimentação de dados entre 
fronteiras. 
Custos e uso de recursos
A movimentação de dados ocupa recursos 
computacionais e aumenta os custos, 
dificultando a alocação eficiente desses 
recursos. 
Modelos de baixa performance
Silos de dados isolados dificultam os fluxos 
de trabalho de Machine Learning, diminuindo 
os insights e possivelmente levando a 
modelos tendenciosos. 
Aumento da sobrecarga de transformação
A transformação de dados antes do Machine 
Learning adiciona sobrecarga, especialmente 
ao mover dados brutos para pipelines de 
processamento.
4Maximizar o valor dos dados
Duplicação de dados
Vários fatores causam dados duplicados. 
A integração de dados de várias fontes ou 
sistemas pode resultar em entradas de dados 
duplicadas, com as mesmas informações 
armazenadas em diferentes bancos de dados.
Hoje, isso representa obstáculos significativos 
para as equipes de dados que procuram criar 
modelos de IA e Machine Learning:
Menor exatidão e confiabilidade 
Dados duplicados introduzem inconsistências 
e imprecisões em modelos de Machine Learning, 
distorcendo análises estatísticas e causando 
resultados tendenciosos. Os algoritmos de 
Machine Learning aprendem com padrões de 
dados. Entradas duplicadas podem confundir 
esses padrões, comprometendo a precisão 
preditiva.
Aumento da pressão sobre talentos e recursos 
Tentar entender os dados (descobrir o que é 
atualizado e de onde os dados se originaram, 
entre outras questões) pode causar uma pressão 
indevida sobre os profissionais de dados. Isso 
também desvia recursos valiosos de iniciativas 
de inovação. 
Maior complexidade e tempo de 
processamento 
A desduplicação de dados é trabalhosa e 
desvia recursos de tarefas essenciais. A IA 
pode automatizar isso, mas exige recursos 
computacionais e tempo que podem ser 
usados para tarefas que agregam valor.
Aumento dos custos de armazenamento 
e atrasos de recuperação 
Armazenar dados duplicados aumenta 
as despesas, especialmente em ambientes 
de nuvem. Devido a entradas redundantes, 
consultar, processar e recuperar dados 
de grandes conjuntos torna-se lento.
Maior risco de saída errônea
Dados duplicados podem levar a conclusões 
incorretas, colocando em risco as estratégias 
de negócios. Dados falhos prejudicam a 
confiabilidade dos modelos de IA e Machine 
Learning, produzindo resultados não 
confiáveis. 
Gerenciamento de dados complexos
Gerenciar dados duplicados em sistemas 
distribuídos é algo complexo, mesmo com 
a assistência da IA. As arquiteturas avançadas 
de Machine Learning podem melhorar a 
precisão da eliminação de dados duplicados.
5Maximizar o valor dos dados
Superar os 
desafios de dados 
para acelerar a 
inovação da IA
Ao minimizar o movimento desnecessário e 
eliminar registros duplicados, as organizações 
podem garantir que os modelos de IA tenham 
o que precisam para aproveitar todo o 
potencial dos seus dados.
Essa abordagem simplificada aumenta a 
eficiência dos algoritmos deIA e atenua o risco 
de erros, vieses e inconsistências que podem 
surgir de conjuntos de dados redundantes 
ou fragmentados. Além disso, otimizar 
as práticas de gerenciamento de dados 
promove a governança e a conformidade 
dos dados, promovendo a confiança nos 
insights orientados por IA gerados a partir dos 
dados preparados. Reduzir a movimentação 
e a duplicação de dados é essencial para 
estabelecer a base de iniciativas de IA bem-
sucedidas que gerem insights relevantes 
e impulsionem a inovação.
Por que preparar os dados é uma etapa 
fundamental para a adoção da IA?
Todos os artefatos usam o mesmo 
conjunto de dados sem duplicação 
ou movimentação.
A movimentação de dados mínima 
ajuda as iniciativas de Machine 
Learning a produzir resultados 
valiosos.
A descoberta e reutilização fácil de 
todos os ativos de dados por todos 
os usuários gera maior eficiência.
A eficácia das soluções de IA é 
aprimorada com dados precisos 
e confiáveis.
Em seguida, você explorará os 
requisitos essenciais para preparar 
seus dados. 
6Maximizar o valor dos dados
Requisito nº 1: 
Reunir os recursos 
necessários
Para superar os desafios de movimentação 
e duplicação de dados, as organizações exigem 
um conjunto abrangente de recursos de dados 
exclusivos que abrangem integração de dados, 
transformação, streaming, consultas, visualização 
e colaboração.
Pense nesse requisito como aquela cena de 
filmes de ação em que a equipe de heróis é 
reunida, e cada herói traz suas habilidades 
especiais para o grupo. Esses recursos de dados 
exclusivos abordam os desafios de movimentação 
e duplicação de dados, permitindo que as 
organizações obtenham insights acionáveis 
e impulsionem a inovação de seus ativos de dados.
Esses recursos de dados essenciais ajudam você 
a criar modelos de IA que agregam o valor mais 
possível:
1. Integração de dados
Os dados integrados de várias fontes em uma 
única plataforma coesa são mais fáceis de acessar 
e gerenciar. Combinar dados envolve extraí-los de 
diferentes sistemas, bancos de dados e aplicações, 
transformá-los em um formato consistente e, em 
seguida, carregá-los em um único local para criar 
um ambiente de dados unificado. 
Muitas organizações usam data lakes e lakehouses 
para integrar e unificar seus dados, porque os 
recursos de computação e armazenamento 
baseados em nuvem geralmente fornecem um 
método flexível e econômico para a integração 
de dados corporativos.
Benefícios da integração de dados: 
Visão unificada
Uma exibição unificada dos dados oferece 
suporte a análises precisas e oportunas, 
o que pode gerar insights significativos. 
A integração de dados combina informações 
de várias fontes em um conjunto de dados 
abrangente, para que os modelos de IA 
possam fazer previsões mais informadas 
e precisas que levem a uma melhor tomada 
de decisão em funções de negócios. 
Qualidade de dados
A integração de dados de alta qualidade 
a modelos de IA melhora significativamente 
a precisão e a confiabilidade da previsão. 
Ao garantir que os dados usados para análise 
sejam consistentes, limpos e confiáveis, as 
organizações podem melhorar a performance 
de seus algoritmos de IA e mitigar o risco de 
erros ou tendências em processos de tomada 
de decisão. 
Insights abrangentes
Os dados integrados fornecem uma visão 
holística das operações, interações com 
clientes e tendências de mercado de uma 
organização. Ao combinar dados de diversas 
fontes, as organizações podem obter insights 
abrangentes sobre diversos aspectos de seus 
negócios, permitindo identificar padrões, 
tendências e oportunidades de melhoria 
de maneira mais eficaz.
7Maximizar o valor dos dados
2. Transformação de dados
A transformação de dados desempenha 
um papel crucial na conversão de dados 
brutos para análise, modelagem e tomada 
de decisão, garantindo que eles sejam 
precisos, padronizados e adequados 
para uso em diferentes aplicações.
Benefícios da transformação de dados:
Engenharia de recursos 
A transformação de dados envolve a criação de 
recursos relevantes que melhoram a eficiência 
preditiva dos modelos de Machine Learning. As 
organizações podem descobrir insights e padrões 
valiosos que contribuem para previsões mais 
precisas e robustas extraindo, selecionando ou 
combinando atributos de dados. 
Normalização 
A padronização dos dados por meio da 
normalização garante que os recursos estejam em 
uma escala uniforme. Esse processo aprimora a 
capacidade do modelo de interpretar e generalizar 
padrões a partir dos dados, ajudando a evitar 
tendências em relação a determinadas variáveis 
e melhorando a estabilidade e a convergência 
de algoritmos de Machine Learning.
Redução da dimensionalidade 
A redução da dimensionalidade elimina 
características redundantes ou irrelevantes. Ela 
também aumenta a eficiência do modelo e reduz 
a complexidade computacional, melhorando os 
modelos de Machine Learning.
3. Streaming de dados
O streaming de dados processa e analisa 
continuamente os dados à medida que 
são gerados ou recebidos, em tempo real 
ou quase em tempo real. É uma parte 
importante da preparação dos dados para 
IA porque lida e analisa grandes volumes 
de dados rapidamente, acelerando o tempo 
para obter valor dos insights.
Benefícios do streaming de dados:
Pontualidade 
O streaming de dados permite que os 
modelos de IA processem e analisem dados 
em tempo real, assim, as organizações 
podem reagir rapidamente às mudanças 
nas condições e às tendências emergentes. 
A resposta rápida melhora a agilidade na 
tomada de decisões e ajuda as organizações 
a aproveitarem oportunidades urgentes. 
Decisões orientadas a eventos 
Insights em tempo real de dados de 
streaming facilitam as decisões orientadas 
a eventos, pois as organizações podem 
responder imediatamente a ocorrências 
ou gatilhos específicos. As aplicações, 
como detecção de fraudes, detecção de 
anomalias e negociação de estoque, podem 
detectar e responder prontamente a eventos 
críticos, minimizando riscos e maximizando 
oportunidades. 
Dados de IoT e sensores
O streaming de dados é crucial para 
gerenciar e processar dados gerados por 
dispositivos, sensores e redes de IoT em 
diversas aplicações e indústrias. Ao ingerir 
e analisar continuamente fluxos de dados de 
sensores, as organizações podem monitorar 
a performance do equipamento, detectar 
anomalias e otimizar as operações em tempo 
real, melhorando a eficiência, a confiabilidade 
e a segurança.
8Maximizar o valor dos dados
4. Consulta de dados
Usando consultas ou SQL para recuperar 
informações específicas de um banco de dados 
ou conjunto de dados, as organizações podem 
identificar e recuperar os recursos, variáveis 
ou registros mais relevantes necessários para 
criar e validar modelos de IA. Essa abordagem 
direcionada à recuperação de dados ajuda a 
garantir que os algoritmos de IA sejam treinados 
em dados relevantes e de alta qualidade, 
melhorando a precisão e a eficácia dos 
modelos resultantes.
Benefícios da consulta de dados:
Insights personalizados 
Ao elaborar consultas direcionadas, os usuários 
podem extrair as informações mais relevantes de 
grandes conjuntos de dados e descobrir insights 
e tendências valiosas que orientam relatórios 
e a tomada de decisões.
 
Análise ad hoc 
A consulta de dados facilita a análise ad hoc, 
permitindo que os usuários realizem de forma 
espontânea análises exploratórias e testes de 
hipóteses. Com a flexibilidade de consultar os 
conjuntos de dados conforme necessário, os 
usuários podem explorar relacionamentos de 
dados, identificar padrões e obter insights mais 
detalhados sobre tendências subjacentes com 
rapidez, sem as restrições de estruturas de análise 
predefinidas. 
Painéis interativos 
Os resultados da consulta são a base para 
visualizações e painéis interativos que fornecem 
insights intuitivos e acionáveis. Os usuários 
podem explorar e interagir com visualizações de 
dados de forma dinâmica, preenchendo-as com 
saídas de consulta, obtendo uma compreensãomais profunda e revelando insights significativos 
por meio da exploração e da análise interativas 
dos dados.
5. Visualização de dados
A visualização de dados transforma 
dados brutos em representações gráficas, 
facilitando a compreensão e revelando 
padrões, tendências e relações que podem 
não ser evidentes apenas nos dados brutos. 
Elementos visuais, como gráficos, tabelas, 
mapas e painéis, oferecem uma forma 
atraente e intuitiva de explorar conjuntos de 
dados complexos, facilitando a interpretação 
e análise da informação pelos stakeholders. 
Benefícios da visualização de dados:
Comunicação de insights 
As visualizações de dados são fundamentais 
para transmitir padrões complexos, 
tendências e exceções, tanto de maneira 
visual quanto intuitiva. Ao representar 
dados por meio de gráficos e diagramas, as 
organizações podem efetivamente comunicar 
insights aos stakeholders, facilitando uma 
compreensão mais profunda das narrativas 
controladas por dados e permitindo tomadas 
de decisões informadas. 
Apoio à decisão 
Elementos visuais claros e informativos 
são ferramentas eficientes que destacam 
informações importantes e facilitam a 
tomada de decisões controlada por dados. 
As representações visuais dos dados ajudam 
os stakeholders a identificar rapidamente 
correlações, anomalias e tendências 
significativas para que possam tomar decisões 
oportunas e informadas a fim de melhorar os 
resultados de negócios. 
Análise exploratória
As visualizações de dados interativas ajudam 
os usuários a explorar dados de diferentes 
perspectivas e ângulos. Ao interagir com 
visualizações, os usuários podem manipular e 
fazer busca detalhada em conjuntos de dados 
de forma dinâmica, revelando relacionamentos, 
insights e padrões ocultos que podem não ser 
óbvios por meio de métodos tradicionais de 
análise de dados. Essa abordagem exploratória 
da análise de dados promove a descoberta e 
uma compreensão mais profunda de conjuntos 
de dados complexos.
9Maximizar o valor dos dados
6. Colaboração de dados
Colaborando entre conjuntos de dados, sistemas 
e plataformas, profissionais e equipes de ciência 
de dados podem aproveitar as pesquisas uns dos 
outros e acelerar a inovação sem redundâncias 
complexas. Essas equipes trabalham com 
facilidade em direção a objetivos estratégicos 
comuns com o apoio do compartilhamento 
de dados sem interrupções.
Benefícios da colaboração de dados:
Insights multifuncionais 
A colaboração de dados ajuda a disseminar 
diversas perspectivas, experiência e conhecimento 
de domínio. Ao reunir indivíduos de diferentes 
departamentos ou disciplinas, as organizações 
podem obter insights mais profundos sobre 
problemas complexos, promovendo tomadas 
de decisões mais informadas e resoluções 
colaborativas de problemas. 
Governança de dados 
Ao estabelecer funções, responsabilidades 
e processos claros para gerenciar e compartilhar 
dados, as organizações podem manter 
a integridade dos dados, proteger informações 
confidenciais e obedecer aos requisitos 
regulamentares, promovendo a confiança 
e a responsabilidade em iniciativas controladas 
por dados. 
Inovação
A colaboração de dados incentiva a inovação 
criando oportunidades para compartilhamento de 
conhecimento, geração de ideias e experimentação. 
Ao incentivar a colaboração e a comunicação aberta 
entre os stakeholders, as organizações podem 
criar uma cultura de engenhosidade com a IA, 
dando suporte à exploração de novos conceitos, 
soluções e abordagens para enfrentar os desafios 
de negócios.
10Maximizar o valor dos dados
Requisito nº 2: 
Modernizar a 
arquitetura de 
gerenciamento 
de dados
À medida que os volumes de dados crescem 
exponencialmente, uma arquitetura escalável ajuda 
a garantir que as organizações consigam lidar 
com quantidades cada vez maiores de dados de 
forma eficiente, sem comprometer a estabilidade 
ou a performance. Se você quiser que os modelos 
de IA agreguem valor contínuo, a escalabilidade 
e a flexibilidade são essenciais para acomodar os 
requisitos de dados em constante expansão da IA 
e do Machine Learning. Por exemplo, um varejista 
de comércio eletrônico tem um aplicativo de IA 
que fornece recomendações personalizadas de 
produtos para compradores online com base em 
sua navegação e histórico de compras. À medida 
que o engajamento do aplicativo aumenta, a 
empresa de varejo deve ser capaz de escalar seu 
mecanismo de recomendação para acomodar 
o volume crescente de dados e as diferentes 
preferências dos clientes, o que poderia ajudar 
a empresa a aumentar as vendas e a satisfação 
do cliente.
A adaptabilidade oferecida por uma arquitetura 
moderna de gerenciamento de dados ajuda a 
garantir que as organizações se mantenham ágeis 
e responsivas no ambiente dinâmico dos negócios 
atuais, onde é essencial agir rapidamente para 
aproveitar oportunidades e enfrentar desafios. 
Quando se trata de estabelecer uma arquitetura 
de gerenciamento de dados escalável e flexível, 
muitas organizações buscam data lakehouses.
O que é um lakehouse?
Um data lakehouse é uma abordagem 
moderna do gerenciamento de dados 
que combina os melhores aspectos 
de data lakes e data warehouses. Ao 
unir a flexibilidade e o custo-benefício 
de um data lake com a robustez no 
gerenciamento de dados de um data 
warehouse, os data lakehouses oferecem 
uma solução abrangente para os desafios 
de lidar com diferentes tipos de dados.
Ao contrário dos data lakes tradicionais, 
que muitas vezes enfrentam desafios 
com a organização e a governança 
de dados e os data warehouses, que 
podem ser rígidos e caros para escalar, 
os lakehouses oferecem uma plataforma 
unificada que atende às necessidades em 
evolução da análise de dados moderna. 
Com uma arquitetura de lakehouse, as 
organizações podem ingerir, armazenar 
e analisar facilmente várias fontes de 
dados, mantendo a integridade e a 
governança dos dados.
11Maximizar o valor dos dados
Benefícios dos lakehouses
Um lakehouse apresenta muitos benefícios 
para as equipes que embarcam em 
empreendimentos de IA e Machine Learning: 
Armazenamento e processamento 
escaláveis 
Os lakehouses são adequados para gerenciar 
volumes de dados cada vez maiores. 
Fonte de verdade única 
Ao consolidar dados, um lakehouse pode 
ajudar a minimizar os silos de dados e a 
redundância, ajudando a garantir informações 
consistentes em toda a organização. 
Otimizado para Machine Learning
Os lakehouses são criados com protocolos 
de indexação otimizados para Machine 
Learning e ciência de dados, melhorando 
a performance da consulta e permitindo 
a exploração eficiente de dados para o 
desenvolvimento de modelos. 
Baixa latência de consulta 
As equipes podem recuperar insights 
rapidamente para executar algoritmos 
complexos de Machine Learning ou 
gerar relatórios. 
Atualização de dados 
Os lakehouses mantêm os dados atualizados 
por meio da ingestão e da integração de 
dados em tempo real com as fontes de 
streaming, permitindo que as equipes 
trabalhem com as informações mais recentes. 
Segurança e governança de dados
Os lakehouses ajudam as organizações 
a controlar o acesso aos dados e a garantir 
a conformidade ao gerenciar a segurança 
e a governança dos dados dentro da 
plataforma, protegendo-se contra vazamentos 
de dados e mantendo a privacidade.
OneLake
O OneLake é um data lake único, unificado 
e lógico que pode oferecer suporte 
aos requisitos de dados de toda a sua 
organização, mesmo em todas as regiões. 
Os benefícios incluem: 
Armazenamento de dados
Usando o Microsoft Fabric, armazene 
lakehouses, depósitos e outros itens 
no OneLake. 
Escalabilidade
Processe grandes volumes de dados de 
diversas fontes para dar suporte a toda 
a organização em grande escala. 
Consistência de dados
Reduza a latência e melhore a consistência 
de dados e análises usando uma cópia dos 
dados com vários mecanismos analíticos. 
Governança 
Gerencie a governança e a conformidade de 
dados dentro dos limites do administrador 
do locatário. 
ColaboraçãoCrie quantos espaços de trabalho forem 
necessários, com políticas de propriedade 
e acesso distribuídas.
Cada locatário do Microsoft Fabric recebe 
uma instância do OneLake, provisionada 
automaticamente, sem recursos extras 
para configurar ou gerenciar.
12Maximizar o valor dos dados
Requisito nº 3: Unificar 
os dados com o 
Microsoft Fabric ou 
o Azure Databricks
Análises bem-sucedidas com tecnologia 
de IA exigem um ambiente unificado para 
suas ferramentas analíticas e soluções de 
análise. O campo de dados e a IA cresceram 
enormemente, com as equipes adicionando 
novos produtos e recursos aos seus conjuntos 
de tecnologia ao longo dos anos. Ao 
combinar diferentes recursos de análise, como 
processamento de dados, análise em tempo real 
e business intelligence sob o mesmo teto digital, 
o Microsoft Fabric e o Azure Databricks ajudam 
os usuários a obter insights mais detalhados, 
impulsionar a inovação e extrair o máximo 
de valor de seus recursos de dados.
O Microsoft Fabric é uma solução analítica 
unificada de ponta a ponta que combina 
ferramentas analíticas e de dados essenciais, 
como engenharia de dados, ciência de dados, 
análise em tempo real e business intelligence. 
O Azure Databricks oferece um data lakehouse 
aberto no Azure, que pode processar todos os 
tipos de dados, para que os usuários possam 
implantar, compartilhar e manter dados de nível 
empresarial e soluções de IA em grande escala. 
"Ajudamos os usuários a desbloquear 
o valor de seus dados, fazendo perguntas 
específicas à sua empresa para tomar 
melhores decisões orientadas por dados."
— Srihari Kumar, 
Diretor de Produtos, 
Insights e Dados, JLL
Leia como a JLL está 
transformando o setor imobiliário 
com os Serviços de IA do Azure
"O Microsoft Fabric rapidamente surgiu 
como um componente-chave, integrando 
perfeitamente vários elementos para criar 
uma solução de análise abrangente para 
nós e para nossos clientes."
— Rajiv Phougat, 
Sócio e Diretor de tecnologia de dados 
e análises da KPMG EUA
Leia como a KPMG está 
transformando sua análise de dados 
global com o Microsoft Fabric
13Maximizar o valor dos dados
https://www.microsoft.com/en/customers/story/23210-jones-lang-lasalle-azure-databricks
https://www.microsoft.com/en/customers/story/1772711772972978046-kpmg-llp-azure-service-fabric-professional-services-en-united-states
Impulsionar melhores 
decisões de negócios 
com visualização
Dados empresariais democratizados
As ferramentas low-code de business intelligence 
atuais eliminam obstáculos históricos para obter valor 
comercial de seus dados. Você não precisa mais de um 
desenvolvedor qualificado, um cientista de dados ou 
um analista para obter valor dos volumes de dados 
ao seu alcance. Soluções de ferramentas analíticas 
self-service e IA generativa oferecem acesso rápido e 
baseado em permissões à análise de dados e insights 
de IA que ajudam seus usuários a gerar mais valor. 
Insights mais rápidos
Com insights no aplicativo e no contexto, fornecidos 
em tempo real ou quase real, todos em sua 
organização podem estar equipados para tomar 
decisões rápidas em resposta à mudança, responder 
a problemas à medida que eles ocorrem, resolver 
pequenos problemas antes que eles se tornem grandes 
e identificar oportunidades inovadoras à medida que 
surgem. Aplicações com gatilhos internos também 
podem ser mais responsivos, reagindo a eventos 
positivos ou negativos com ação imediata e decisiva. 
Visualização de dados
Comunicar tendências e insights visualmente é 
fundamental para a compreensão dos dados. Não é 
mais necessário ter experiência em design gráfico ou 
design de banco de dados. Usando ferramentas como 
o Power BI e o Microsoft Fabric, é possível transformar 
tendências de dados e insights em apresentações 
visuais que fazem sentido para o público-alvo, 
incentivando maior engajamento e uma compreensão 
mais profunda que pode gerar valor para a empresa. 
Governança perfeita
Com todos os dados gerenciados a partir de uma 
única plataforma, a segurança e o controle de dados 
são simplificados. Embora haja apenas um data lake, 
a propriedade, a certificação de dados, o acesso 
e a conformidade podem ser distribuídos. Dados 
confiáveis, governança confiável. 
14Maximizar o valor dos dados
Uma base de dados para 
gerar valor empresarial
Para gerar valor empresarial de forma 
ampla e com facilidade em toda 
a organização, é necessário ter uma 
base de dados sólida, incluindo: 
• Uma propriedade de dados unificada 
baseada no lake, intuitivamente 
organizada, que minimiza erros 
e inconsistências e simplifica as 
ferramentas analíticas. 
• Soluções de IA generativas, prontas 
para desbloquear insights dos dados 
usando modelos otimizados para 
performance. 
• Ferramentas robustas para ferramentas 
analíticas self-service que facilitam 
insights em tempo real, acelerando 
novas oportunidades e inovação. 
• Segurança e governança em camadas 
para ajudar você a fornecer acesso 
aos dados onde e quando for 
necessário, gerando valor imediato 
sem comprometer a proteção de dados. 
Com o Microsoft Fabric e o Azure 
Databricks, você conta com soluções 
analíticas e de dados completas para ajudar 
você a unificar dados, transformá-los e 
descobrir insights que podem melhorar 
seus resultados empresariais.
Estudos de caso
A Chanel combina criação excepcional 
com tecnologias de ponta impulsionadas 
pela IA da Microsoft e o Fabric para 
elevar continuamente a experiência do 
cliente
 
Leia a história
A migração da AT&T para o Azure 
Databricks catalisa a equipe técnica e 
avança as metas empresariais
 
Leia a história
15Maximizar o valor dos dados
https://www.microsoft.com/en/customers/story/1771914030592960432-chanel-azure-data-factory-retailers-en-france
https://www.microsoft.com/en/customers/story/20384-att-azure-databricks
Iniciar a unificação 
dos dados para a IA
Não há momento melhor do que agora 
para começar a aproveitar os benefícios 
empresariais com insights em tempo real, 
baseados nos volumes de dados que 
a organização já coleta. 
Com uma solução analítica e de dados 
completa, você começa unificando seus 
dados isolados — na infraestrutura local 
e na nuvem — em uma única fonte de 
verdade. Transforme-a para criar uma fonte 
de dados limpa e consistente, pronta para 
soluções de IA personalizadas e gerativas 
com modelos otimizados para performance 
e análise self-service. Adicione segurança 
e conformidade, abrindo dados em toda 
a sua organização com base em permissões 
e governança. 
Em pouco tempo, usuários de todos os 
departamentos, da ciência de dados aos 
recursos humanos e ao marketing, usarão 
ferramentas self-service e modelos escaláveis 
para descobrir e comunicar insights que 
poderiam transformar sua empresa.
Dar os próximos 
passos
Para conhecer as soluções de dados 
da Microsoft, faça o download destes 
e-books:
Introdução ao Azure Databricks
Microsoft Fabric: Análise unificada para 
inovação orientada por dados
Para explorar as ferramentas, práticas 
e políticas que a Microsoft criou para 
manter os princípios de IA responsável, 
consulte:
Capacitar práticas de IA responsável | IA 
da Microsoft
©2025 Microsoft Corporation. Todos os direitos reservados. Este documento 
é fornecido "no estado em que se encontra". As informações e as opiniões 
expressas nele, incluindo URLs e outras referências a sites da Internet, podem 
ser alteradas sem aviso prévio. Você assume o risco de utilização. Este documento 
não concede a você direitos legais sobre a propriedade intelectual de nenhum 
produto da Microsoft. Você pode copiar e usar este documento para seus fins 
internos e de referência.
16Maximizar o valor dos dados
Note: Hyperlink arrow to 
match CTA url below
https://marketingassets.microsoft.com/gdc/gdcj2axn7/original
https://marketingassets.microsoft.com/gdc/gdclU2NRk/original
https://marketingassets.microsoft.com/gdc/gdclU2NRk/original
https://www.microsoft.com/ai/responsible-ai
https://www.microsoft.com/ai/responsible-ai