curso-7160-aula-03-v1

Prévia do material em texto

Aula 03
Análise de Informações p/ TCU-2015 - Auditor
Professor: Victor Dalton
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 1 de 33 
AULA 03: Big Data 
 
SUMÁRIO PÁGINA 
1.Big Data 2 
 1.1 Definição 2 
 1.2 Dimensões do Big Data 3 
 1.3 Classificação de Big Data 7 
 1.4 Camadas lógicas de uma solução de Big Data 12 
 1.5 Padrões atômicos e compostos de uma solução de Big Data 18 
Considerações Finais 30 
Exercícios 31 
Gabarito 33 
 
 
 
Olá pessoal! Gostando dos assuntos de Análise de Informações? Ou é muito 
puxado? Eu sei que a matéria é meio “ame ou odeie”, rs. 
 
Hoje falaremos sobre Big Data. É um assunto relativamente novo, tanto no 
universo da Tecnologia da Informação quanto em concursos públicos. 
 
Aos estudos! 
 
 
 
 
 
 
 
 
 
 
 
 
Observação importante: este curso é protegido por direitos 
autorais (copyright), nos termos da Lei 9.610/98, que altera, 
atualiza e consolida a legislação sobre direitos autorais e dá 
outras providências. 
 
Grupos de rateio e pirataria são clandestinos, violam a lei e 
prejudicam os professores que elaboram os cursos. Valorize o 
trabalho de nossa equipe adquirindo os cursos honestamente 
através do site Estratégia Concursos ;-) 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 2 de 33 
BIG DATA 
 
1. BIG DATA 
 
 
1.1 Definição 
 
 
 
A humanidade, nos dias de hoje, produz uma quantidade diária de 
dados que é simplesmente improcessável pelos próprios seres humanos. 
 
Para se ter uma ideia disso, a IBM, em 2013, estimou que 2,5 
exabytes (2.500.000.000.000.000.000) de bytes de dados são criados 
por dia. Se cada um dos 7 bilhões de habitantes tivesse que se debruçar 
sobre essas informações, seriam aproximadamente 300MB de dados 
diários para cada cidadão, incluindo bebês e idosos, rs. 
 
São vídeos no youtube, postagens em redes sociais, blogs, portais de 
notícias, emails, dentre outros. E o que esses dados possuem em comum? 
São dados não-estruturados. Estima-se que 85% das informações com 
as quais as empresas lidam hoje não estão estruturadas. Desta forma, o 
tradicional SGBD e a modelagem relacional (datados da década de 60) 
não são mais suficientes para lidar com a realidade atual. É necessária 
uma nova abordagem. 
 
Big Data pode ser considerado como “captura, gerenciamento e 
análise de dados que vão além de dados estruturados típicos, que 
podem ser consultados por sistemas de gerenciamento de banco de dados 
relacional — frequentemente para arquivos não estruturados, vídeo 
digital, imagens, dados de sensor, arquivos de log e, na verdade, 
qualquer dado não contido nos registros com campos pesquisáveis 
distintos. Em um certo sentido, os dados não estruturados são dados 
interessantes, mas difíceis de sintetizar em BI ou tirar conclusões deles, a 
menos que possam ser correlacionados a dados estruturados”. 
 
Em um primeiro momento, o Big Data pode até ser confiundido com 
a Business Intelligence, mas difere na ordem de grandeza do volume de 
dados (que é muito maior), e na natureza dos dados. Enquanto as 
ferramentas de BI tradicionais extraem dados de fontes estruturadas, 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 3 de 33 
“abrindo exceções para a captura de dados não estruturados”, o Big Data 
entende que os dados não-estruturados são a “maioria”, por assim dizer. 
 
 
 
1.2 Dimensões do Big Data 
 
 
O Big Data não tem uma bibliografica consolidada, devido à natureza 
recente de sua existência. 
 
Para analisar a viabilidade de implementação do Big Data em uma 
organização, citava-se inicialmente o 3V (volume, velocidade e 
variedade); depois o 5V (incluindo veracidade e valor); atualmente, a 
IBM cita 7 dimensões a serem consideradas ao avaliar a viabilidade de 
uma solução de big data. 
 
 
7 dimensões do Big Data. 
 
 
 Ei-las: 
 
 
Volume – diz respeito à quantidade de dados a ser capturada, 
armazenada e manipulada. Estamos falando de petabytes ou terabytes de 
dados, tendendo a aumentar? 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 4 de 33 
 
Velocidade – estreitamente relacionado ao volume, diz respeito à 
velocidade de produção dos novos dados, a velocidade em que é preciso 
agir com relação a eles ou a taxa em que esses dados estão mudando. A 
depender da velocidade, pode ser necessário escolher dados para guardar 
e outros para descartar; 
 
Variedade – das fontes, tipos e formatos dos dados. São dados das 
bases de dados? Redes sociais? Áudios, vídeos? Já não é mais possível 
antecipar o conteúdo e a estrutura dos mesmos? 
 
Veracidade – lida com a incerteza e/ou fidelidade dos dados. É 
necessário que haja processos que garantam o máximo possível a 
consistência dos dados; 
 
Valor – a informação deve ser significativa e justificar o 
investimento no Big Data; 
 
Governança - Ao decidir implementar ou não uma plataforma de big 
data, uma organização pode estar olhando novas fontes e novos tipos de 
elementos de dados nos quais a propriedade não está definida de forma 
clara. Por exemplo, no caso de assistência médica, é legal acessar dados 
de paciente para obter insight? É correto mapear as despesas do cartão 
de crédito do cliente para sugerir novas compras? Regras semelhantes 
regem todos os segmentos de mercado. Além da questão da governança 
de TI, também pode ser necessário redefinir ou modificar os processos de 
negócios de uma organização para que ela possa adquirir, armazenar e 
acessar dados externos. 
 
Pessoas – É necessário ter pessoas com aptidões específicas para 
entender, analisar os requisitos e manter uma solução de Big Data. 
Envolve conhecimento do segmento de mercado, domínio técnico sobre as 
ferramentas de Big Data e conhecimentos específicos de modelagem, 
estatística e outros. 
 
 
Veja no infográfico do Jornal O Globo algumas soluções corporativas 
que envolvem Big Data: 
 
 
 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 5 de 33 
 
Big Data pelo mundo. Fonte: Jornal O Globo. 
 
 
 
 
 
1) (FGV – TJ/SC – Analista de Sistemas – 2015) Os termos Business 
Intelligence (BI) e Big Data confundem-se em certos aspectos. Uma 
conhecida abordagem para identificação dos pontos críticos de cada 
paradigma é conhecida como 3V, e destaca: 
 
a) variedade, visualização, volume; 
b) velocidade, virtualização, volume; 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 6 de 33 
c) variedade, velocidade, volume; 
d) virtualização, visualização, volume; 
e) variedade, visualização, virtualização. 
 
Os sistemas de apoio à decisão servem para dar apoio aos tomadores de 
decisão, líderes de uma organização com dados de mais alto nível para 
decisões complexas e importantes (logo, decisões de negócio). Estas 
ferramentas podem trabalharcom descoberta de conhecimento e 
processamento online de transações, para permitir que tomador de 
decisão tenha a sua própria percepção. 
 
Alternativa c). 
 
 
2) (FGV – AL/BA – Técnico de Nível Superior - Economia – 2014) 
A expressão Big Data é utilizada para descrever o contexto da 
informação contemporânea, caracterizada pelo volume, 
velocidade e variedade de dados disponíveis, em escala inédita. 
 
 
Com relação às características do Big Data, analise as afirmativas a 
seguir. 
 
I. O volume da informação se refere ao fato de que certas 
coleções de dados atingem a faixa de gigabytes (bilhões de bytes), 
terabytes (trilhões), petabytes (milhares de trilhões) ou mesmo 
exabytes (milhões de trilhões). 
 
II. A velocidade está relacionada à rapidez com a qual os dados são 
produzidos e tratados para atender à demanda, o que significa que não é 
possível armazená-los todos, de modo que somos obrigados a escolher 
dados para guardar e outros para descartar. 
 
III. A variedade significa que os dados de hoje aparecem em todos os 
tipos de formatos, como, por exemplo, arquivos de texto, email, 
medidores e sensores de coleta de dados, vídeo, áudio, dados de ações 
do mercado ou transações financeiras. 
 
Assinale: 
 
a) se somente a afirmativa I estiver correta. 
b) se somente a afirmativa II estiver correta. 
c) se somente a afirmativa III estiver correta. 
d) se somente as afirmativas I e II estiverem corretas. 
e) se todas as afirmativas estiverem corretas. 
 
 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 7 de 33 
Os sistemas de apoio à decisão servem para dar apoio aos tomadores de 
decisão, líderes de uma organização com dados de mais alto nível para 
decisões complexas e importantes (logo, decisões de negócio). Estas 
ferramentas podem trabalhar com descoberta de conhecimento e 
processamento online de transações, para permitir que tomador de 
decisão tenha a sua própria percepção. 
 
Alternativa e). 
 
 
 
 
1.3 Classificação de Big Data 
 
 
 
É possível categorizar problemas de negócios em tipos de problemas 
de big data. Quando problemas de big data são categorizados por tipo, é 
mais fácil ver as características de cada tipo de dados. Essas 
características ajudam a entender como os dados são obtidos, como são 
processados para o formato apropriado e com que frequência novos 
dados estão disponíveis. Dados de diferentes fontes possuem 
características diferentes; por exemplo, dados de mídia social podem ter 
vídeos, imagens e texto não estruturado, como postagens de blog, 
entrando continuamente. 
 
 
 
Quer conferir alguns exemplos? A tabela a seguir contém problemas 
comuns de negócios e atribui um tipo de big data a cada um. 
 
 
 
Problemas de 
negócios 
Tipo de big data Descrição 
Serviços públicos: 
Prever o consumo 
de energia 
Dados gerados 
por máquina 
Concessionárias de serviços 
públicos implementaram 
medidores inteligentes para 
medir o consumo de água, gás 
e eletricidade a intervalos 
regulares de uma hora ou 
menos. Esses medidores 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 8 de 33 
inteligentes geram enormes 
volumes de dados de intervalo 
que precisam ser analisados. 
Para ter eficiência operacional, 
a empresa precisa monitorar 
os dados entregues pelo 
sensor. Uma solução de big 
data pode analisar dados de 
geração de energia 
(fornecimento) e de consumo 
de energia (demanda) usando 
medidores inteligentes. 
Telecomunicações: 
Analítica de perda 
de clientes 
Dados da web e 
sociais 
 
Dados de 
transação 
Operadores de 
telecomunicações precisam 
criar modelos detalhados de 
perda de clientes que incluam 
dados de mídias sociais e de 
transação, para estar à frente 
da concorrência. 
Provedores que implementam 
uma estratégia de analítica 
preditiva podem gerenciar e 
prever a perda analisando os 
padrões de chamada dos 
assinantes. 
Varejo: Sistema de 
mensagens 
personalizado com 
base em 
reconhecimento 
facial e mídia 
social 
Dados da web e 
sociais 
 
Biométrica 
Varejistas podem usar 
tecnologia de reconhecimento 
facial combinada a uma foto 
da mídia social para fazer 
ofertas personalizadas a 
clientes com base no 
comportamento de compra e 
na localização. 
Esse recurso pode ter um 
impacto tremendo nos 
programas de fidelização dos 
varejistas, mas há sérias 
considerações sobre a 
privacidade. Os varejistas 
precisariam ser transparentes 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 9 de 33 
com relação à privacidade 
para implementar esses 
aplicativos. 
Problemas de negócios de big data por tipo. Fonte: 
http://www.ibm.com/developerworks/br/library/bd-archpatterns1/ 
 
 
 
A figura a seguir mostrará as várias categorias para classificar Big 
Data, e as possíveis classificação em cada categoria. As categorias mais 
relevantes estão em azul turquesa. 
 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 10 de 33 
 
Categorias de classificação de big data. Fonte: http://www.ibm.com/developerworks/br/library/bd-archpatterns1/ 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 11 de 33 
 
Falando um pouco mais sobre as classificações: 
Tipo de análise — Se os dados são analisados em tempo real ou 
agrupados para análise posterior. Essa escolha afeta várias outras 
decisões sobre produtos, ferramentas, hardware, fontes de dados e a 
frequência estimada dos dados. Para alguns casos de uso é necessária 
uma mistura dos dois tipos. 
Metodologia de processamento — O tipo de técnica a ser aplicada 
para processar dados (por exemplo, preditiva, analítica, consulta ad hoc e 
relatórios). As necessidades de negócios determinam a metodologia de 
processamento apropriada. É possível usar uma combinação de técnicas. 
A escolha de metodologia de processamento ajuda a identificar as 
ferramentas e técnicas apropriadas para uso na solução de big data. 
Frequência e tamanho dos dados — O volume estimado de dados 
e a frequência com que chegam. Saber a frequência e o tamanho ajuda a 
determinar o mecanismo de armazenamento, formato de armazenamento 
e as ferramentas necessárias de pré-processamento. Frequência e 
tamanho de dados dependem das fontes. 
 Sob demanda, como dados de mídia social 
 Feed contínuo, em tempo real (dados de clima ou 
transacionais) 
 Série temporal (dados com base em tempo) 
 
Tipo de dados — Tipo dos dados a serem processados — 
transacionais, históricos, principais e outros. Saber o tipo de dados ajuda 
a segregar os dados no armazenamento. 
Formato de conteúdo — Formato dos dados recebidos — 
estruturados (RDMBS, por exemplo), não estruturados (áudio, vídeo e 
imagens, por exemplo) ou semiestruturados. O formato determina como 
os dados recebidos precisam ser processados e é essencial para escolher 
ferramentas e técnicas e definir uma solução de uma perspectiva de 
negócios. 
Fonte de dados— Fontes de dados (onde os dados são gerados) — 
web e mídiasocial, gerados por máquina, gerados por humanos, etc. 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 12 de 33 
Identificar todas as fontes de dados ajuda a determinar o escopo de uma 
perspectiva de negócios. 
Consumidores de dados — Uma lista de todos os possíveis 
consumidores dos dados processados: 
 Processos de negócios 
 Usuários corporativos 
 Aplicativos corporativos 
 Pessoas individuais em várias funções de negócios 
 Parte dos fluxos do processo 
 Outros repositórios de dados ou aplicativos corporativos 
Hardware — O tipo de hardware no qual a solução de big data será 
implementada — hardware barato ou de ponta. Entender as limitações do 
hardware ajuda na escolha da solução big data. 
 
 
1.4 Camadas lógicas de uma solução de Big Data 
 
 
 
As camadas lógicas de uma solução de big data ajudam a definir e 
categorizar os vários componentes necessários para uma solução de 
determinado caso de negócios. Esse conjunto de camadas estabelece os 
componentes críticos de uma solução de big data, incluindo o ponto de 
aquisição dos dados em várias fontes, a análise necessária para obter 
insight de negócios e os processos, dispositivos e pessoas que precisam 
do insight. 
Cabe destacar que as camadas ora apresentadas simplesmente 
proporcionam uma maneira de organizar componentes que realizam 
funções específicas. Elas são meramente lógicas, e não implicam que as 
funções que apoiam cada camada devem ser executadas em máquinas 
separadas ou em processos separados. 
Para o big data, veremos, simultaneamente, camadas horizontais e 
verticais. Confira na imagem a seguir: 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 13 de 33 
 
Camadas lógicas horizontais e verticais (à direita) do Big Data. Fonte: 
http://www.ibm.com/developerworks/br/library/bd-archpatterns3/ 
 
 
Vejamos, a seguir, as camadas horizontais, de “baixo” para “cima”. 
São elas: Fontes de Big Data, Camada de Tratamento e 
Armazenamento, Camada de Análise e Camada de Consumo. 
 
 
 
 
 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 14 de 33 
Fontes de Big Data 
 
Nesta camada residem todas as fontes de dados necessárias para 
proporcionar o insight com vistas a solucionar o problema do negócio. Os 
dados podem ser estruturados, semiestruturados e não estruturados e 
vêm de várias fontes: 
 Sistemas corpotativos legados 
 Sistemas de gerenciamento de dados 
 Armazéns de dados (ex: Data Warehouse) 
 Outros ilustrados na imagem (dados de sensores, mídias 
sociais, GPS) 
 
Camada de Tratamento e Armazenamento 
 
Diante da diversidade das características das fontes de dados, os 
componentes na camada de tratamento e armazenamento de dados 
devem ser capazes de ler os dados em várias frequências, formatos, 
tamanhos e canais de comunicação. Isto posto, esta camada será 
responsável por adquirir dados das fontes e, se necessário, 
convertê-los para um formato adequado à maneira como os dados 
devem ser analisados. Prováveis etapas nesta camada são: 
 Aquisição de dados — Adquire dados de várias fontes e os 
envia ao componente de digestão de dados ou armazena em 
locais específicos. Esse componente precisa ser inteligente o 
suficiente para decidir se deve armazenar os dados recebidos e 
onde armazená-los. Deve poder determinar se é necessário 
tratar os dados antes de armazená-los ou se é possível enviar 
os dados diretamente para a camada de análise de negócios. 
 Compilação de dados — Responsável por tratar dos dados no 
formato necessário para atingir o objetivo da análise. Esse 
componente pode ter lógica transformacional simples ou 
algoritmos estatísticos completos para converter os dados de 
origem. O maior desafio é acomodar formatos de dados não 
estruturados, como imagens, áudio, vídeo e outros formatos 
binários. 
 Armazenamento de dados distribuídos — Responsável por 
armazenar os dados das fontes. Frequentemente há várias 
opções de armazenamento de dados disponíveis nessa camada, 
como distributed file storage (DFS), nuvem, fontes de dados 
estruturados, NoSQL, etc. 
 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 15 de 33 
 
Camada de Análise 
 
É a camada na qual se extrai o “insight” de negócios dos dados. 
 Identificação de entidade de camada de análise — 
Responsável por identificar e preencher as entidades 
contextuais (o contexto). É uma tarefa complexa, que exige 
processos eficientes de alto desempenho. 
 Mecanismo de análise — Usa outros componentes 
(especificamente identificação de entidade, gerenciamento de 
modelo e algoritmos analíticos) para processar e realizar a 
análise. O mecanismo de análise pode ter vários fluxos de 
trabalho, algoritmos e ferramentas que apoiam o 
processamento paralelo. 
 Gerenciamento de modelo — Responsável por manter vários 
modelos estatísticos para verificar e validar esses modelos por 
meio de treinamento contínuo para aumentar sua precisão. Em 
seguida, o componente de gerenciamento de modelo promove 
esses modelos, que podem ser usados pelos componentes de 
identificação de entidade ou mecanismo de análise. 
 
 
Camada de Consumo 
 
O resultado da análise, então, será consumido por vários usuários 
dentro da organização e por entidades externas, como clientes, 
fornecedores e parceiros. Por exemplo, com o insight de negócios obtido 
na análise, uma empresa pode usar dados de preferência do cliente e 
reconhecimento de localização para fazer ofertas personalizadas aos 
clientes enquanto eles caminham pelas prateleiras ou passam pela loja. 
Também é possível, para detectar fraudes, usar o insight para 
interceptar transações em tempo real e correlacioná-las com a 
visualização criada usando os dados já armazenados na empresa. É 
possível notificar a um cliente sobre uma possível fraude durante a 
transação fraudulenta, para que as medidas cabíveis sejam tomadas 
imediatamente. 
 
 
 
 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 16 de 33 
Por fim, vejamos as camadas verticais, que lidam com aspectos 
que afetam todos os componentes das camadas lógicas, e sem hierarquia 
entre si: Integração de Informações, Governança de Big Data, 
Gerenciamento de Sistemas e Qualidade de Serviço. 
 
Integração de Informações 
 
Aplicativos de big data adquirem dados de várias origens, 
fornecedores e fontes, que são armazenados em sistemas como HDFS, 
NoSQL e MongoDB. Essa camada vertical é usada por vários componentes 
(aquisição de dados, compilação de dado, gerenciamento de modelo e 
interceptor de transação, por exemplo) e é responsável por conectar 
várias fontes de dados. Para integrar informações de fontes de dados 
com características diferentes (protocolos e conectividade, por exemplo), 
é necessário conectores e adaptadores de qualidade. Isso inclui, por 
exemplo, adaptadores de mídias sociais e de dados climáticos. 
 
Governança de Big Data 
 
Governança de dados é a definição de diretrizes que ajudam as 
empresas a tomar as decisõescertas sobre os dados. A governança 
de big data ajuda a lidar com as complexidades, o volume e a variedade 
de dados dentro da empresa ou oriundos de fontes externas. São 
necessárias diretrizes e processos sólidos para monitorar, estruturar, 
armazenar e proteger os dados desde o momento em que entram na 
empresa, são processados, armazenados, analisados e removidos ou 
arquivados. 
As diretrizes de governança podem estar relacionadas a: 
 
 Definir política e regulamentos de conformidade para retenção 
e uso de dados externos; 
 Definir as políticas de arquivamento e remoção de dados; 
 Definir políticas de criptografia de dados; 
 Dentre outros. 
 
 
 
 
 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 17 de 33 
Gerenciamento de Sistemas 
 
Gerenciamento de sistema é essencial para big data porque envolve 
muitos sistemas. O monitoramento do funcionamento geral do 
ecossistema inclui: 
 Gerenciar os logs de sistemas, máquinas virtuais, aplicativos e 
outros dispositivos; 
 Correlacionar os vários logs e ajudar a investigar e monitorar a 
situação; 
 Monitorar alertas e notificações em tempo real; 
 Dentre outros. 
 
 
Qualidade de Serviço 
 
Esta camada é responsável por definir qualidade de dados, 
políticas relacionadas à privacidade e segurança, frequência de 
dados, tamanho de busca e filtros de dados: 
 Qualidade de dados 
o Identificação integral de todos os elementos de dados 
necessários 
o Fornecimento dos dados dentro de um período de tempo 
aceitável 
o Aderência a uma linguagem comum (elementos de dados 
atendem aos requisitos expressos em linguagem de negócios 
simples) 
o Verificação consistente de que os dados de vários sistemas 
respeitam as regras de consistência 
o Conformidade técnica para cumprir a especificação de dados e 
as diretrizes de arquitetura de informações 
 
 Políticas sobre privacidade e segurança 
Políticas são necessárias para proteger dados sensíveis. Dados 
adquiridos de agências e provedores externos podem incluir 
informações sensíveis (como o contato de um usuário do Facebook 
ou informações de precificação de produto). Dados podem vir de 
diferentes regiões e países e devem ser tratados de acordo com sua 
origem. É necessário tomar decisões sobre mascaramento de dados 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 18 de 33 
e seu armazenamento. Considere as políticas de acesso de dados a 
seguir: 
o Disponibilidade de dados 
o Grau de gravidade de dados 
o Autenticidade de dados 
o Compartilhamento e publicação de dados 
o Armazenamento e retenção de dados, incluindo perguntas 
como: é possível armazenar os dados externos? Se sim, por 
quanto tempo? Que tipo de dados pode ser armazenado? 
o Restrições de fornecedores de dados (políticas, técnicas, 
regionais) 
o Termos de uso de mídias sociais (consulte Recursos) 
 Frequência de dados 
Com que frequência estão disponíveis os dados novos? É sob 
demanda, contínuo ou offline? 
 Tamanho da busca 
Ajuda a definir o tamanho dos dados que é possível buscar e 
consumir por busca. 
 
 Filtros 
Filtros padrão removem dados indesejados e ruído e deixam apenas 
os dados necessários para análise. 
 
 
 
 
1.5 Padrões atômicos e compostos de uma solução de Big 
Data 
 
 
 
Os padrões auxiliam a definir os parâmetros, quando da adoção de 
uma solução de big data. Veremos dois tipos principais: os padrões 
atômicos descrevem as abordagens típicas para o consumo, 
processamento, acesso e armazenamento de big data; os padrões 
compostos, que são formados por padrões atômicos, são classificados de 
acordo com o escopo da solução de big data. 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 19 de 33 
Por apresentarem as ideias mais relevantes acerca do Big Data, 
exploraremos os padrões atômicos. 
PADRÕES ATÔMICOS 
 
Os padrões atômicos ajudam a identificar a forma que os dados 
são consumidos, processados, armazenados e acessados por problemas 
de big data. Eles também podem ajudar a identificar os componentes 
necessários. 
Cada padrão lida com requisitos específicos — visualização, análise 
de dados históricos, dados de mídia social e armazenamento de dados 
não estruturados, por exemplo. Os padrões atômicos podem trabalhar em 
conjunto para criar um padrão composto. Não há camadas ou sequência 
para esses padrões atômicos. Por exemplo, os padrões de visualização 
podem interagir com os padrões de acesso a dados para mídia social 
diretamente e os padrões de visualização podem interagir com o padrão 
de processamento de análise avançada. 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 20 de 33 
 
Padrões atômicos de Big Data. Fonte: http://www.ibm.com/developerworks/br/library/bd-
archpatterns4/ 
Vejamos um pouco de cada padrão atômico: 
 
 
PADRÕES DE CONSUMO 
 
Lidam com as várias formas em que o resultado da análise de dados 
é consumido. Inclui padrões de consumo de dados para atender a 
diversos requisitos. Vejamos os principais padrões de consumo a seguir: 
 
 
 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 21 de 33 
Visualização 
 
A forma tradicional de visualizar dados se baseia em gráficos, painéis 
e relatórios de resumo. Essas abordagens tradicionais não são sempre a 
melhor maneira de visualizar os dados. 
Os requisitos típicos para visualização de big data, incluindo os 
requisitos emergentes, são listados abaixo: 
 Realizar análise em tempo real e exibição de dados de fluxo 
 Extrair dados de forma interativa, com base no contexto 
 Executar procuras avançadas e obter recomendações 
 Visualizar informações paralelamente 
 Ter acesso a hardware avançado para necessidades de visualização 
futuristas 
A pesquisa para determinar como os insights de big data podem ser 
consumidos por humanos e máquinas está em andamento. Os desafios 
incluem o volume de dados envolvido e a necessidade de associar 
contexto a eles. O insight dever apresentado no contexto adequado. 
 
 
Descoberta ad hoc 
 
Criar de relatórios padrão que sejam adequados para todas as 
necessidades de negócios, via de regra, não é viável, pois as empresas 
têm requisitos de consultas de dados de negócios diversas. Os usuários 
precisam da capacidade de enviar consultas ad hoc, ou seja, consultas 
criadas “na hora”, ao procurar por informações especificas, dependendo 
do problema. 
 
Aumentar os armazenamentos de dados tradicionais 
 
Aumentar os armazenamentos de dados existentes ajuda a ampliar o 
escopo de dados disponível para a analítica atual para incluir dados que 
residem dentro e fora dos limites organizacionais, como dados de mídia 
social, que podem melhorar os dados principais. Ao ampliar o escopo para 
incluir novas tabelas de fatos, dimensões e dados principais nos 
armazenamentos existentes e adquirir dados de clientes a partir de mídia 
social, uma organização pode obter um insight mais profundo do cliente. 
 
Notificação 
06549400880
06549400880- Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 22 de 33 
 
Os insights de big data permitem que as pessoas, negócios e 
máquinas ajam instantaneamente usando notificações para indicar 
eventos. A plataforma de notificação deve ser capaz de lidar com o 
volume antecipado de notificações a serem enviadas de maneira 
oportuna. Essas notificações são diferentes das malas diretas ou do envio 
em massa de mensagens SMS, pois o conteúdo geralmente é específico 
para o consumidor. Por exemplo, os mecanismos de recomendação 
podem fornecer insights sobre a enorme base de clientes em todo o 
mundo, e as notificações podem ser envidas para tais clientes. 
 
 
Iniciar uma resposta automatizada 
 
Os insights de negócios derivados do big data podem ser usados para 
acionar ou iniciar outros processos de negócios ou transações. 
 
 
 
PADRÕES DE PROCESSAMENTO 
 
O big data pode ser processado quando os dados estão em repouso 
ou em movimento. Dependendo da complexidade da análise, os dados 
podem não ser processados em tempo real. Esse padrão lida com como o 
big data é processado em tempo real, quase em tempo real ou em lote 
(rotinas batch, processadas em horários pré-determinados). 
Vejamos um pouco mais sobre esses padrões a seguir: 
 
 
 
Análise de dados históricos 
 
A análise de dados históricos tradicional é limitada a um período 
predefinido de dados, que normalmente depende das políticas de 
retenção de dados. Após desse período, geralmente os dados são 
arquivados ou limpos em virtude de limitações de armazenamento e 
processamento. 
A análise histórica envolve analisar as tendências históricas para um 
determinado período, conjunto de períodos e produtos e compará-las aos 
dados atuais disponíveis. 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 23 de 33 
 
 
Analítica Avançada 
 
O big data fornece enormes oportunidades de obter insights criativos. 
É possível correlacionar diferentes conjuntos de dados em muitos 
contextos. A descoberta desses relacionamentos requer técnicas e 
algoritmos complexos inovadores. 
A análise avançada inclui previsões, decisões, processos inferenciais, 
simulações, identificações de informações contextuais e resoluções da 
entidade. Os aplicativos de analítica avançada incluem análise de dados 
biométricos, por exemplo, análise de DNA, análise espacial, analítica 
baseada em localização, análise científica, pesquisa e muitas outras. A 
analítica avançada requer a computação exigente para gerenciar a 
enorme quantidade de dados. 
 
 
Pré-processar dados brutos 
 
A extração de dados a partir de dados não estruturados, como 
imagens, áudio, vídeo, feeds binários ou até mesmo texto, é uma tarefa 
complexa e precisa de técnicas como aprendizado de máquina e 
processamento de idioma natural, etc. O outro grande desafio é como 
verificar a precisão e a exatidão do resultado de tais técnicas e 
algoritmos. 
Para executar a análise em quaisquer dados, eles devem estar 
em algum tipo de formato estruturado. Os dados não estruturados 
acessados de várias fontes podem ser armazenados como estão e, em 
seguida, transformados em dados estruturados e novamente 
armazenados nos sistemas de armazenamento de big data. O texto não 
estruturado pode ser convertido em dados estruturados ou 
semiestruturados. Da mesma forma, os dados de imagem, áudio e vídeo 
precisam ser convertidos nos formatos que podem ser usados para 
análise. Além disso, a precisão e exatidão da analítica avançada que usa 
algoritmos preditivos e estatísticos dependem da quantidade de dados e 
algoritmos usados para treinar os modelos. 
 
 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 24 de 33 
 
3) (CESPE – TJ/SE – Analista Judiciário – Banco de Dados – 2014) 
Em soluções Big Data, a análise dos dados comumente precisa ser 
precedida de uma transformação de dados não estruturados em dados 
estruturados. 
 
 
 
Correto. Para que um dado possa ser analisado, é preciso que ele esteja 
em algum tipo de formato estruturado, envolvendo metadados, 
relacionado a algum outro dado ou informação. 
 
 
 
 
Análise ad hoc 
 
O processamento de consultas ad hoc no big data traz desafios 
diferentes daqueles incorridos ao realizar consultas ad hoc em dados 
estruturados pelo fato de as fontes e formatos dos dados não serem fixos 
e exigirem mecanismos diferentes para recuperá-los e processá-los. 
Embora as consultas ad hoc simples possam ser resolvidas pelos 
provedores de big data, na maioria dos casos, elas são complexas porque 
os dados, algoritmos, formatos e resoluções da entidade devem ser 
descobertos dinamicamente. O conhecimento dos cientistas de dados e 
dos usuários corporativos é necessário para definir a análise exigida para 
as seguintes tarefas: 
 Identificar e descobrir os cálculos e algoritmos 
 Identificar e descobrir as fontes de dados 
 Definir os formatos necessários que podem ser consumidos pelos 
cálculos 
 Executar os cálculos nos dados paralelamente 
 
 
 
 
 
 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 25 de 33 
 
4) (CESPE – TJ/SE – Analista Judiciário – Banco de Dados – 2014) 
O processamento de consultas ad hoc em Big Data, devido às 
características de armazenamento dos dados, utiliza técnicas semelhantes 
àquelas empregadas em consultas do mesmo tipo em bancos de dados 
tradicionais. 
 
 
Errado! O processamento de consultas ad hoc no big data traz desafios 
diferentes daqueles incorridos ao realizar consultas ad hoc em 
dados estruturados pelo fato de as fontes e formatos dos dados não 
serem fixos e exigirem mecanismos diferentes para recuperá-los e 
processá-los. Em Big Data, tais consultas serão bem mais complexas e 
dinâmicas. 
 
 
 
 
 
PADRÕES DE ACESSO 
 
Existem muitas fontes de dados e formas em que os dados podem 
ser acessados em uma solução de big data, Vejamos as mais comuns: 
 
 
Web e mídias sociais 
 
A Internet é a fonte de dados que fornece muitos dos insights 
produzidos atualmente. A web e a mídia social são úteis em praticamente 
todas as análises, mas são necessários mecanismos de acesso diferentes 
para obter esses dados. 
A web e a mídia social são a fonte de dados mais complexa de todas 
em virtude de sua enorme variedade, velocidade e volume. Há 
aproximadamente de 40 a 50 categorias de websites e cada uma exigirá 
um tratamento diferente para acessar esses dados. 
 
(gerados por) Dispositivos 
 
O conteúdo gerado por dispositivos inclui dados de sensores. Os 
dados são detectados a partir das origens de dados, como informações 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 26 de 33 
sobre o clima, medições elétricas e dados sobre poluição, e capturados 
pelos sensores. Os dados podem ser fotos, vídeos, texto e outros 
formatos binários. 
 
 
Dados transacionais, operacionais e de Warehouse 
 
 
É possível armazenar os dados de warehouse, operacionais e 
transacionais existentes para evitar a limpeza ou o arquivamento deles 
(em virtude de limitaçõesde armazenamento e processamento) ou para 
reduzir a carga no armazenamento tradicional quando os dados são 
acessados por outros consumidores. 
Os dados transacionais e de warehouse podem ser inseridos no 
armazenamento usando conectores padrão disponibilizados por diversos 
fornecedores de banco de dados. O pré-processamento de dados 
transacionais é muito mais fácil, pois a maior parte deles é estruturada. 
Os processos de extração, transformação e carregamento simples podem 
ser usados para mover os dados transacionais para o armazenamento. 
 
 
PADRÕES DE ARMAZENAMENTO 
 
Os padrões de armazenamento auxiliam a determinar o 
armazenamento adequado para diversos formatos e tipos de dados. Os 
dados podem ser armazenados como estão, com relação a pares de 
valores de chave ou em formatos predefinidos. Vejamos os principais 
padrões: 
 
Dados não estruturados e distribuídos 
 
A maior parte do big data não é estruturada, já sabemos, e pode 
conter informações que podem ser extraídas de diferentes formas para 
diferentes contextos. Na maioria das vezes, os dados não estruturados 
devem ser armazenados como estão, em seu formato original. 
Tais dados podem ser armazenados em sistemas de arquivos 
distribuídos, como HDFS (Hadoop Distributed File System), e em 
armazenamento de documentos NoSQL (Not Only SQL), como o 
MongoDB. Esses sistemas fornecem uma maneira eficiente de recuperar 
dados não estruturados. 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 27 de 33 
 
 
Dados estruturados e distribuídos 
 
Os dados estruturados incluem aqueles que chegam da fonte de 
dados e já estão em um formato estruturado e os dados não estruturados 
que foram pré-processados. Esses dados convertidos devem ser 
armazenados para evitar a frequente conversão de dados brutos para 
dados estruturados. 
Tecnologias como BigTable do Google são usadas para armazenar 
dados estruturados. O BigTable é um sistema de autogerenciamento 
tolerante a falhas de grande escala que inclui terabytes de memória e 
petabytes de armazenamento. 
 
Armazenamento de dados tradicionais 
 
O armazenamento de dados tradicional não é a melhor opção para 
armazenar big data, mas nos casos em que as empresas estão realizando 
a exploração de dados inicial, elas podem optar por usar o data 
warehouse, o sistema RDBMS (sistemas relacionais) e outros 
armazenamentos de conteúdo existentes. Esses sistemas de 
armazenamento existentes podem ser usados para armazenar os dados 
que são compilados e filtrados usando a plataforma de big data. Os 
sistemas de armazenamento de dados tradicionais não são 
adequados para o big data. 
 
 
 
 
Armazenamento na nuvem 
 
Muitos provedores de infraestrutura da nuvem possuem recursos de 
armazenamento estruturado e não estruturado distribuídos. As 
tecnologias de big data são um pouco diferentes das perspectivas de 
configurações, manutenção, gerenciamento de sistemas e programação e 
modelagem tradicionais. Além disso, as qualificações necessárias para 
implementar as soluções de big data são raras e caras. As empresas 
explorando as tecnologias de big data podem usar soluções de nuvem que 
fornecem o gerenciamento de sistemas, manutenção e armazenamento 
de big data. 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 28 de 33 
Contudo, não-raro, os dados a serem armazenados são confidenciais, 
incluindo dados biométricos e registros médicos. A segurança de dados, 
o compartilhamento de dados, a governança de dados e outras 
políticas relacionadas aos dados, são aspectos a serem 
considerados ao ponderar a nuvem como um repositório de 
armazenamento para big data. A capacidade de transferir enormes 
quantidades de dados também é outra consideração fundamental para o 
armazenamento em nuvem. 
 
 
5) (CESPE – TJ/SE – Analista Judiciário – Banco de Dados – 2014) 
Ao utilizar armazenamento dos dados em nuvem, a localização do 
processamento de aplicações Big Data não influenciará os custos e o 
tempo de resposta, uma vez que os dados são acessíveis a partir de 
qualquer lugar. 
 
 
Errado! Naturalmente, por envolver transferência de volumes muito 
grandes de dados, o tempo de resposta das aplicações pode ser afetado. 
Além disso, ao adotar armazenamento em nuvem, espera-se uma 
diminuição dos custos de armazenamento, que será feito por um terceiro. 
 
 
6) (CESPE – TRE/GO – Técnico Judiciário – Área Administrativa - 
2013) A Big Data pode ser utilizada na EAD para se entender as 
preferências e necessidades de aprendizagem dos alunos e, assim, 
contribuir para soluções mais eficientes de educação mediada por 
tecnologia. 
 
Correto. O Big Data poder ser utilizado para melhor conhecer o perfil e o 
comportamento dos alunos, para que cursos à distância sejam mais 
eficazes. Este tipo de sentença CESPE (Tal coisa PODE ser utilizada...) só 
estará errado se estiver escrito algo muito absurdo a seguir. De qualquer 
forma, sugiro a leitura complementar: 
 
http://convergenciadigital.uol.com.br/cgi/cgilua.exe/sys/start.htm?infoid
=37729#.VaLtKvlVhBc 
 
7) (QUADRIX – CREF/11ª Região – Agente de Orientação e 
Fiscalização – 2014) Trata-se de uma infinidade de informações não 
estruturadas que, quando usadas com inteligência, se tornam uma arma 
poderosa para empresas tomarem decisões cada vez melhores. 
As soluções tecnológicas que trabalham com esse conceito permitem 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 29 de 33 
analisar um enorme volume de dados de forma rápida e ainda oferecem 
total controle ao gestor das informações. E as fontes de dados são as 
mais diversas possíveis: de textos e fotos em rede sociais, passando por 
imagens e vídeos, até jogadas específicas no esporte e até tratamentos 
na medicina. 
 
(http://olhardigital.uol.com.br/pro/video/39376/39376) 
 
 
O conceito definido no texto é: 
 
a) Governança de TI 
b) QoS. 
c) Big Data 
d) Data Center. 
e) ITIL. 
 
 
Preciso explicar? Rs. 
 
Alternativa c). 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 30 de 33 
CONSIDERAÇÕES FINAIS 
 
E este foi o Big Data. 
Acho uma matéria interessante, e, para nós, com um viés bem mais 
teórico do que prático. 
O edital fala em “Noções de Big Data”. Estou confiante de termos ido 
além do necessário para acertar as eventuais questões de prova sobre o 
assunto. 
De qualquer forma, deixo abaixo a bibliografia que inspirou esta aula. 
Tendo tempo, visitem os links e reforcem seu conhecimento! 
http://www.ibm.com/developerworks/br/library/bd-bigdatacloud/ 
http://www.ibm.com/developerworks/br/library/bd-archpatterns1/ 
http://www.ibm.com/developerworks/br/library/bd-archpatterns2/ 
http://www.ibm.com/developerworks/br/library/bd-archpatterns3/ 
http://www.ibm.com/developerworks/br/library/bd-archpatterns4/ 
http://blog.aiec.br/voce-sabe-o-que-e-big-data/ 
http://www.infowester.com/big-data.php 
http://cienciahoje.uol.com.br/revista-ch/2013/306/desafios-do-big-
data 
 
 
Até a próxima aula, sobre Dados Abertos e Lei de Acesso à 
Informação. 
 
 
 
Victor Dalton 
 
 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 31 de 33 
LISTA DOS EXERCÍCIOS APRESENTADOS NA AULA 
 
 
1) (FGV – TJ/SC – Analista de Sistemas – 2015) Os termos Business 
Intelligence (BI) e Big Data confundem-se em certos aspectos. Uma 
conhecida abordagem para identificação dos pontos críticos de cada 
paradigma é conhecida como 3V, e destaca: 
 
a) variedade, visualização, volume; 
b) velocidade, virtualização, volume; 
c) variedade, velocidade, volume; 
d) virtualização, visualização, volume; 
e) variedade, visualização, virtualização. 
 
 
 
2) (FGV – AL/BA – Técnico de Nível Superior - Economia – 2014) 
A expressão Big Data é utilizada para descrever o contexto da 
informação contemporânea, caracterizada pelo volume, 
velocidade e variedade de dados disponíveis, em escala inédita. 
 
 
Com relação às características do Big Data, analise as afirmativas a 
seguir. 
 
I. O volume da informação se refere ao fato de que certas 
coleções de dados atingem a faixa de gigabytes (bilhões de bytes), 
terabytes (trilhões), petabytes (milhares de trilhões) ou mesmo 
exabytes (milhões de trilhões). 
 
II. A velocidade está relacionada à rapidez com a qual os dados são 
produzidos e tratados para atender à demanda, o que significa que não é 
possível armazená-los todos, de modo que somos obrigados a escolher 
dados para guardar e outros para descartar. 
 
III. A variedade significa que os dados de hoje aparecem em todos os 
tipos de formatos, como, por exemplo, arquivos de texto, email, 
medidores e sensores de coleta de dados, vídeo, áudio, dados de ações 
do mercado ou transações financeiras. 
 
Assinale: 
 
a) se somente a afirmativa I estiver correta. 
b) se somente a afirmativa II estiver correta. 
c) se somente a afirmativa III estiver correta. 
d) se somente as afirmativas I e II estiverem corretas. 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 32 de 33 
e) se todas as afirmativas estiverem corretas. 
 
 
 
 
3) (CESPE – TJ/SE – Analista Judiciário – Banco de Dados – 2014) 
Em soluções Big Data, a análise dos dados comumente precisa ser 
precedida de uma transformação de dados não estruturados em dados 
estruturados. 
 
 
 
4) (CESPE – TJ/SE – Analista Judiciário – Banco de Dados – 2014) 
O processamento de consultas ad hoc em Big Data, devido às 
características de armazenamento dos dados, utiliza técnicas semelhantes 
àquelas empregadas em consultas do mesmo tipo em bancos de dados 
tradicionais. 
 
 
 
5) (CESPE – TJ/SE – Analista Judiciário – Banco de Dados – 2014) 
Ao utilizar armazenamento dos dados em nuvem, a localização do 
processamento de aplicações Big Data não influenciará os custos e o 
tempo de resposta, uma vez que os dados são acessíveis a partir de 
qualquer lugar. 
 
 
6) (CESPE – TRE/GO – Técnico Judiciário – Área Administrativa - 
2013) A Big Data pode ser utilizada na EAD para se entender as 
preferências e necessidades de aprendizagem dos alunos e, assim, 
contribuir para soluções mais eficientes de educação mediada por 
tecnologia. 
 
 
7) (QUADRIX – CREF/11ª Região – Agente de Orientação e 
Fiscalização – 2014) Trata-se de uma infinidade de informações não 
estruturadas que, quando usadas com inteligência, se tornam uma arma 
poderosa para empresas tomarem decisões cada vez melhores. 
As soluções tecnológicas que trabalham com esse conceito permitem 
analisar um enorme volume de dados de forma rápida e ainda oferecem 
total controle ao gestor das informações. E as fontes de dados são as 
mais diversas possíveis: de textos e fotos em rede sociais, passando por 
imagens e vídeos, até jogadas específicas no esporte e até tratamentos 
na medicina. 
 
(http://olhardigital.uol.com.br/pro/video/39376/39376) 
 
06549400880
06549400880 - Mauro de Almeida Loureiro
Análise de Informações para TCU 2015 
Auditor Federal de Controle Externo 
Prof Victor Dalton ʹ Aula 03 
 
 
Prof. Victor Dalton 
 www.estrategiaconcursos.com.br 33 de 33 
 
O conceito definido no texto é: 
 
a) Governança de TI 
b) QoS. 
c) Big Data 
d) Data Center. 
e) ITIL. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
GABARITO 
 
1.c 2.e 3.c 4.e 5.e 6.c 7.c 
 
 
 
 
06549400880
06549400880 - Mauro de Almeida Loureiro