Interações entre big data e cloud computing - 3

Prévia do material em texto

WBA0736_v2.0
Interações entre Big Data e 
Cloud Computing
Aplicações empresariais da Ciência de 
Dados
Fundamentos da Ciência de Dados em empresas
Bloco 1
Valéria Baptista
Vamos refletir?
Sabemos que a ciência de dados, quando aplicada 
de forma estratégica, transforma grandes volumes 
de dados em insights valiosos, ajudando empresas a 
tomarem decisões mais rápidas e assertivas. 
Na sua opinião, de que maneira sua empresa pode 
alinhar a ciência de dados com seus objetivos 
estratégicos para melhorar a tomada de decisões?
Implementação estratégica da Ciência de 
Dados
O uso da ciência de dados é uma constante no que se 
refere a tomada de decisões por meio das empresas.
A necessidade de analisar grandes volumes de dados e 
com base neles gerar insights valiosos para direcionar o 
planejamento e execução de estratégias acaba gerando 
maior competitividade no mercado.
Benefícios do uso da Ciência de Dados pelas 
empresas
Coleta e organização dos dados
Identificação de oportunidades e desafios
Utilização de modelos preditivos e prescritivos
Benefícios do uso da Ciência de Dados pelas 
empresas
Democratização da Ciência de Dados
Apoio à tomada de decisão baseada em dados
Conclusão
Quando implementamos a Ciência de Dados de forma 
estratégica dentro de uma organização, ela se torna um 
fator importante no contexto de inovação e crescimento.
Com base nas análises realizadas e nos objetivos 
corporativos, o fato de se investir em uma infraestrutura 
sólida e promover a cultura de tomada de decisão baseada 
em dados torna as empresas aptas a alcançar um 
diferencial ainda mais competitivo.
Aplicações empresariais da Ciência de 
Dados
Implementação de soluções de Ciência de Dados
Bloco 2
Valéria Baptista
O que é a EDA e por que ela é útil?
A análise exploratória de dados (EDA) inclui métodos para 
explorar conjuntos de dados para resumir suas 
características principais e identificar quaisquer problemas 
com os dados.
Usando métodos estatísticos e visualizações, você pode 
aprender sobre um conjunto de dados para determinar sua 
preparação para análise e informar quais técnicas aplicar 
para preparação de dados. 
A EDA também pode influenciar quais algoritmos você 
escolhe aplicar para treinar modelos de ML.
Ferramentas de análise de dados exploratória
Pyton
Python é amplamente utilizado para EDA devido à sua 
flexibilidade e um rico ecossistema de bibliotecas de 
análise de dados. 
Essa linguagem possui diversas bibliotecas que ajudam 
na manipulação, processamento e visualização dessas 
informações.
Ferramentas de análise de dados exploratória
R
R é outra linguagem muito utilizada para EDA, 
especialmente em projetos de Ciência de Dados com 
forte ênfase em estatística. 
Ela possui uma vasta gama de pacotes que ajudam com 
a manipulação e limpeza de dados.
Ferramentas de análise de dados exploratória
Power BI
Power BI, da Microsoft, é uma plataforma de BI muito 
similar ao Tableau, com funcionalidades voltadas para 
visualização interativa de dados, além de permitir a 
criação de dashboards dinâmicos. 
É integrada com o ecossistema da Microsoft, o que facilita 
a conexão com outras ferramentas como Azure e Excel.
E qual delas é a correta?
• Para grandes volumes de dados: Power BI.
• Para análise e visualização detalhada: Python e R. 
• Para usuários com menos experiência em codificação: 
Power BI.
• Para usuários que preferem programação: Python e R são 
as escolhas mais comuns.
Lembrando que a escolha da ferramenta vai depender do 
contexto do projeto, do volume de dados, da necessidade 
de visualizações e das habilidades técnicas disponíveis.
Aplicações empresariais da Ciência de 
Dados
Tomada de decisões estratégicas com base em 
dados
Bloco 3
Valéria Baptista
Tomada de decisão com base em 
informação!
Comunicar os resultados da Ciência de Dados de forma 
eficaz é crucial para garantir que os insights gerados sejam 
compreendidos e utilizados pelos tomadores de decisão.
Mesmo as análises mais robustas e detalhadas podem 
perder valor se não forem transmitidas de maneira clara e 
acessível. 
Vejamos quais são as principais formas de comunicar esses 
resultados.
Visualização de dados
A visualização é uma das ferramentas mais poderosas para 
transformar dados complexos em insights compreensíveis. 
Alguns exemplos incluem:
• Gráficos de barras e linhas: usados para mostrar 
tendências ao longo do tempo ou comparações entre 
categorias.
• Gráficos de dispersão: úteis para demonstrar relações 
entre duas variáveis.
Visualização de dados
• Mapas de calor: mostram correlações e padrões de 
uma forma intuitiva.
• Infográficos: combinam imagens, gráficos e texto para 
contar uma história visualmente.
Ferramentas como Tableau, Power BI, Python 
(Matplotlib, Seaborn, Plotly) e Excel são amplamente 
utilizadas para criar visualizações interativas e intuitivas.
Relatórios e apresentações
Relatórios escritos detalhados são úteis quando é 
necessário fornecer uma visão abrangente da análise. Eles 
devem incluir:
• Resumo executivo: uma visão geral dos principais 
insights e recomendações.
• Contexto: explicação sobre o problema de negócio e os 
dados analisados.
• Métodos e abordagens: descrição das técnicas de 
análise e modelos utilizados.
Relatórios e apresentações
• Resultados: os principais achados da análise, 
apresentados de forma clara e concisa.
• Conclusões e recomendações: orientações práticas 
baseadas nos insights obtidos.
Os relatórios podem ser elaborados em documentos de 
texto (Word e PDF) ou apresentados em conjunto com 
visualizações gráficas para facilitar a interpretação.
Teoria em prática
Aplicações empresariais da Ciência de 
Dados
Bloco 4
Valéria Baptista
Reflita sobre a seguinte situação
Uma rede de varejo com lojas físicas e online deseja 
otimizar suas estratégias de vendas e identificar 
oportunidades de crescimento. No entanto, a equipe de 
marketing não tem um entendimento claro sobre quais 
produtos performam melhor em diferentes canais, quais 
períodos geram maior volume de vendas ou se existem 
outliers (pontos fora da curva) que possam estar 
distorcendo as análises.
A diretoria quer que você, como analista de dados, conduza 
uma análise exploratória de dados (EDA) no histórico de 
vendas da empresa.
Norte para a resolução
Por onde começar? 
Carregamento e limpeza dos dados:
O primeiro passo é carregar o conjunto de dados em uma ferramenta 
de análise (ex.: Python com pandas, Excel ou Power BI). Verifique a 
qualidade dos dados, procurando por valores ausentes, duplicados ou 
inconsistentes. Se necessário, execute a limpeza dos dados, como 
remoção de duplicatas ou tratamento de valores nulos.
Exploração inicial dos dados:
Inicie com uma análise descritiva para entender melhor as principais 
variáveis, como calcular as médias, medianas, contagens e 
distribuições de cada variável. Este passo é essencial para obter um 
panorama geral das informações disponíveis.
Norte para a resolução
Por onde começar? 
Visualizações gráficas:
Utilize gráficos e visualizações para começar a identificar padrões e 
tendências. Gráficos de linha para vendas ao longo do tempo, 
histogramas para distribuição de preços e quantidades vendidas e 
gráficos de dispersão para identificar a relação entre descontos e 
volume de vendas.
Norte para a resolução
Passos a serem realizados:
Carregue os dados na ferramenta escolhida, como o Pyton, por exemplo.
Calcule as estatísticas descritivas e use essas métricas para 
identificar comportamentos inesperados.
Utilize gráficos de linha para visualizar as vendas ao longo do 
tempo e histogramas para a distribuição de produtos mais 
vendidos. Identifique picos ou quedas significativas.
Identifique relações que podem ser exploradas, como se maiores 
descontos estão de fato gerando mais vendas ou se há outra variável 
com forte impacto.
Extrair valor dosdados e formular recomendações.
Consolidando o aprendizado
Aplicações empresariais da Ciência de 
Dados
Bloco 5
Valéria Baptista
Consolidando o aprendizado
• Você aprendeu como implementar soluções de Ciência 
de Dados em contextos empresariais. 
• Descobriu como utilizar dados para apoiar a tomada de 
decisões estratégicas. 
• Aprendeu como desenvolver habilidades para aplicar 
técnicas de Ciência de Dados em problemas reais nas 
empresas. 
Quiz
A B
C D
Qual é o principal objetivo da análise 
exploratória de dados (EDA)?
Aplicar algoritmos de Machine 
Learning para fazer previsões 
automáticas.
Coletar dados de diversas fontes 
para armazená-los em um banco de 
dados.
Explorar os dados para entender 
suas características, identificar 
padrões e detectar anomalias.
Implementar visualizações 
avançadas para publicação direta 
de relatórios finais.
Quiz
A B
C D
Qual é o principal objetivo da análise exploratória de 
dados (EDA)?
Aplicar algoritmos de Machine 
Learning para fazer previsões 
automáticas.
Coletar dados de diversas fontes 
para armazená-los em um banco de 
dados.
Explorar os dados para entender 
suas características, identificar 
padrões e detectar anomalias.
Implementar visualizações 
avançadas para publicação direta 
de relatórios finais.
Quiz – Resolução
C) Explorar os dados para entender suas características, 
identificar padrões e detectar anomalias.
Utilizando métodos estatísticos e visualizações, a EDA 
explora os dados, identifica padrões, detecta anomalias e 
é possível decidir quais técnicas de preparação aplicar. A 
EDA também pode orientar a escolha de algoritmos para 
treinar modelos de ML.
Leitura Fundamental
Prezado estudante, as indicações a seguir podem estar disponíveis 
em algum dos parceiros da nossa Biblioteca Virtual (faça o login por 
meio do seu AVA), e outras podem estar disponíveis em sites 
acadêmicos (como o SciELO), repositórios de instituições públicas, 
órgãos públicos, anais de eventos científicos ou periódicos 
científicos, todos acessíveis pela internet.
Isso não significa que o protagonismo da sua jornada de 
autodesenvolvimento deva mudar de foco. Reconhecemos que 
você é a autoridade máxima da sua própria vida e deve, portanto, 
assumir uma postura autônoma nos estudos e na construção da sua 
carreira profissional.
Por isso, nós o convidamos a explorar todas as possibilidades da 
nossa Biblioteca Virtual e além! Sucesso!
Indicação de leitura 1
Este livro aborda situações nas quais existe a necessidade 
de melhor organização das informações e como criar 
algoritmos que manipulem os dados de forma eficiente.
Referência:
SANTANA, Gisele Alves; SILVA, Nathalia dos Santos; MOZER, 
Merris. Linguagens de programação e estruturas de dados. 
Londrina: Educacional, 2018.
Indicação de leitura 2
Este livro livro enfatiza a importância de conhecermos os 
dados da nossa empresa e como organizar essas 
informações de forma eficiente.
Referência:
SILVA, Nathalia dos Santos; SANTANA, Gisele Alves. 
Fundamentos de banco de dados. Londrina: Educacional, 
2018.
Referências
CARVALHO, André C. P. L. F. de; MENEZES, Angelo Garangau; BONIDIA, Robson 
Parmezan. Ciência de dados: fundamentos e aplicações. 1. ed. Rio de Janeiro: 
LTC, 2024. 
DAVENPORT, Thomas H. Big data no trabalho: derrubando mitos e 
descobrindo oportunidades. Trad. Cristina Yamagami. 1. ed. Rio de Janeiro: 
Alta Books, 2017. 
GRUS, Joel. Data Science do Zero. 1. ed. São Paulo: Alta Books, 2019. 
SANTANA, Gisele Alves; SILVA, Nathalia dos Santos; MOZER, Merris. 
Linguagens de programação e estruturas de dados. Londrina: Educacional, 
2018.
SHARDA, Ramesh; DELEN, Dursun; TURBAN, Efraim. Business intelligence e 
análise de dados para gestão do negócio. Trad. Ronald Saraiva de Menezes. 4. 
ed. Porto Alegre: Bookman, 2019.
SILVA, Nathalia dos Santos; SANTANA, Gisele Alves. Fundamentos de banco de 
dados. Londrina: Educacional, 2018.
Bons estudos!
	Slide 1: Interações entre Big Data e Cloud Computing
	Slide 2: Aplicações empresariais da Ciência de Dados
	Slide 3
	Slide 4: Implementação estratégica da Ciência de Dados
	Slide 5: Benefícios do uso da Ciência de Dados pelas empresas
	Slide 6: Benefícios do uso da Ciência de Dados pelas empresas
	Slide 7: Conclusão
	Slide 8: Aplicações empresariais da Ciência de Dados
	Slide 9: O que é a EDA e por que ela é útil?
	Slide 10: Ferramentas de análise de dados exploratória
	Slide 11: Ferramentas de análise de dados exploratória
	Slide 12: Ferramentas de análise de dados exploratória
	Slide 13: E qual delas é a correta?
	Slide 14: Aplicações empresariais da Ciência de Dados
	Slide 15: Tomada de decisão com base em informação!
	Slide 16: Visualização de dados
	Slide 17: Visualização de dados
	Slide 18: Relatórios e apresentações
	Slide 19: Relatórios e apresentações
	Slide 20: Aplicações empresariais da Ciência de Dados
	Slide 21
	Slide 22
	Slide 23
	Slide 24
	Slide 25: Aplicações empresariais da Ciência de Dados
	Slide 26
	Slide 27
	Slide 28
	Slide 29
	Slide 30
	Slide 31: Indicação de leitura 1
	Slide 32: Indicação de leitura 2
	Slide 33
	Slide 34: Bons estudos!