ARQUITETURA DE DADOS ESTRUTURADOS E NAO ESTRUTURADOS

Prévia do material em texto

25/03/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665462_1&PAREN… 1/18
Em um cenário hipercompetitivo, é necessário que os gestores sejam assertivos nas tomada de
decisões operacionais, táticas e estratégicas. Em contrapartida, a tecnologia da informação deve
estar preparada, para atender a organização por meio de métodos e ferramentas tecnológicas,
apoiando os gestores de forma a obterem informação inteligente. Nesse sentido, é necessário
compreender os conceitos de arquitetura de dados estruturados e não estruturados. Dentro da
arquitetura de dados estruturados, veremos os conceitos de sistemas de bancos de dados
transacionais e operacionais, especí�cos para a tomada de decisão operacional e tática. Na
arquitetura não estruturada, veremos os conceitos e ferramentas para manipulação de dados
multidimensionais, especí�cos para a tomada de decisão tática e estratégica.
Caro(a) estudante, ao ler este roteiro, você vai:
compreender os conceitos de arquitetura de dados estruturados e não estruturados;
estudar a arquitetura de dados estruturados: os banco de dados relacionais e os princípios
da linguagem SQL;
compreender a arquitetura de dados não estruturados: business intelligence e os princípios
da linguagem NoSQL;
compreender os conceitos das base multidimensionais: data warehouse e data marts;
re�etir sobre o uso da inteligência arti�cial e do data mining (mineração de dados).
Arquitetura de Dados Estruturados e Não Estruturados
Roteiro deRoteiro de 
EstudosEstudos
Autor: Me. Jackson Luis Schirigatti
Revisor: Douglas Melman
25/03/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665462_1&PAREN… 2/18
Introdução
Atualmente, os sistemas computacionais têm a �nalidade de assegurar que todas as informações
imputadas, em transações ou em concorrência, devem ser armazenadas com segurança, em
termos de con�abilidade, integridade e e�ciência.
Existem dois tipos de arquitetura de dados e cada qual tem a sua aplicabilidade. A arquitetura de
dados mais estruturada está relacionada às aplicações operacionais e transacionais de uma
organização. Já dentro de uma arquitetura de dados multidimensional semiestruturada e não
estruturada, as aplicações dizem respeito à descoberta de inteligência de diversas fontes para a
tomada de decisão gerencial e estratégica.
Contudo, é de responsabilidade do gestor de TI a escolha por sistemas de banco de dados
consistentes, seguros e e�cientes. Já a sua programação, para a manipulação coerente dos dados,
é de responsabilidade do analista ou administrador de sistemas e banco de dados. Portanto,
conhecer os conceitos, características e as diversas técnicas, para gerenciar dados estruturados,
semi e não estruturados, para as suas aplicações organizacionais, são de grande importância para
estes pro�ssionais.
Compreenderemos, além dos conceitos de arquiteturas de dados estruturados, por meio dos
princípios de gerenciamento de banco de dados relacionais e da linguagem SQL, os conceitos de
arquitetura de dados não-estruturados, pelas linguagens NoSQL. Veremos também os conceitos
das bases multidimensionais (data warehouse e data marts) e o uso da inteligência arti�cial,
especi�camente, relacionado à mineração de dados.
Conceitos de Dados Estruturados
e não Estruturados
Atualmente, com a criação das mais diversas tecnologias móveis e web, houve uma necessidade
do desenvolvimento de novas estruturas de dados, mais ágeis e diversi�cadas, como as
arquiteturas de dados semiestruturados e não estruturados. Os dados estruturados em sistemas
de bancos de dados relacionais e transacionais, a rigor, seguem padrões normalizados para
efetuarem os devidos relacionamentos. Já nos modelos semi e não estruturados, devido a suas
essências de aplicabilidade, não possuem uma normalização ou padrão.
25/03/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665462_1&PAREN… 3/18
Os sistemas de bancos de dados relacionais seguem uma característica de relação entre tabelas
formadas por linhas (registros, objetos) e colunas (campos, atributos). Para Ramakrishnan e
Gehrke (2011, p. 50, grifado), “o principal construtor para representar dados no modelo relacional
é a relação. Uma relação consiste em um esquema de relação e em uma instância de relação”. A
instância da relação se refere a uma tabela (no paradigma relacional) ou classe (no paradigma
orientado a objeto) que contém todos os registros de dados ou uma coleção de objetos. Já o
esquema de relação descreve o cabeçalho da tabela, ou seja, os campos da tabela, ou atributos
de uma classe ou também denominados de “colunas de uma tabela”. Uma tabela, para Heuser
(2004), é um conjunto ordenado de linhas, também chamadas de tuplas. Cada tupla é um registro
de dados. Um exemplo é uma tabela de funcionários de uma empresa (tabela Funcionario) em
que cada linha ou registro é composta de uma série de campos (ou atributo).
Já em nos modelos não estruturados e semiestruturados, podem ser classi�cados em chave-valor
(key-value), orientados a documentos (document), coluna familiar (column family) e banco triplo
(triple). O tipo “chave-valor”, segundo Rockenbach, Anderle, Griebler e Souza (2018) são aqueles
bancos que possuem informações associadas à respectiva chave. Muito utilizados em sistemas
web e-commerce. No modelo orientado a documentos, as informações são armazenadas em
árvores tipo XML. Já em um modelo do tipo “colunas familiares”, a estrutura é equivalente à
tradicional, contudo, as informações são armazenadas em colunas em vez de linhas. E, por �m, no
modelo banco triple, as informações são armazenadas em registros triplos: sujeito, propriedade e
relacionamento.
LEITURA
Estudo comparativo de banco de dados NoSQL
Autores: Daniel Rockenbach, Nadine Anderle, Dalvan Griebler e Samuel Souza
Ano: 2018
O artigo apresenta uma comparação dos diversos bancos de dados semiestruturados e não
estruturados, suas funcionalidades, características, projetos e trabalhos relacionados com as
diversas tecnologias. 
A C E S S A R
https://revistas.setrem.com.br/index.php/reabtic/article/view/286
25/03/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665462_1&PAREN… 4/18
Arquitetura de Dados
Estruturados: Banco de Dados
Relacionais e os Princípios da
Linguagem SQL
Para obter uma melhor e�ciência nos projetos de banco de dados, tanto na questão de
otimização de consultas como no acesso aos dados, é necessário compreender a arquitetura
interna do gerenciador de banco de dados, indexação de tabelas, estruturas de armazenamento,
controle de concorrência e a recuperação de falhas. Silberschatz, Korth e Sudarshan (2006)
comentam que os sistemas de banco de dados são projetados para gerenciar grandes blocos de
informação e para gerenciar tal quantidade de informação, é necessário de�nir estruturas para
armazenamento de informação e fornecer mecanismo para manipulação de informações.
O Sistema de Gerenciamento de Dados (SGBD), segundo Date (2003, p. 37), é um software que
trata de todo o acesso ao banco de dados. Conceitualmente, o SGBD realiza uma intercepção de
alguma solicitação advinda dos usuários pelas aplicações. Esse procedimento é realizado por meio
de alguma linguagem de manipulação de dados, como o SQL. Após a intercepção, o SGBD
inspeciona um esquema externo para este usuário (esquema conceitual), o mapeamento
conceitual interno e a de�nição do banco de dados armazenado. Para Feitosa (2013, p. 73), o
SGBD é um software executado no nível de serviços, ou seja, um serviço é executado em segundo
plano (background), no qual aguarda requisições do programa/usuário. Para se comunicar com o
SGBD, é necessário construir uma aplicação que estabeleça conexões com uma porta lógica e o
SGBD. O fabricante dos SGBD devem forneceraplicações com interfaces, para realizar o
gerenciamento do banco de dados. O SGBD recebe comando SQL por esta porta lógica em uma
cadeia de caracteres tipo string. Na sequência, o SGBD realiza a análise de sintaxe desta cadeia de
caracteres e o executa. O esquema abaixo ilustra as principais funcionalidades de execução de um
SGBD.
25/03/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665462_1&PAREN… 5/18
Figura 1 - Funcionalidade de um SGBD 
Fonte: Elaborada pelo autor.
Na Figura 1, após a requisição do usuário por uma consulta de relatório de clientes por meio de
uma aplicação especí�ca, veja que o serviço irá utilizar o processador de DQL (linguagem de
consultas de dados), veri�cando a sintaxe, inspecionando os esquemas da base de dados,
executando a instrução SQL e retornando ao usuário as informações solicitadas.
A estrutura de gerenciamento de banco de dados é formada por uma série de objetos, como
compiladores, mecanismos de avaliação, gerenciadores, dicionários de dados, arquivos, registros,
campos e índices. A maioria dos bancos de dados da atualidade são modelos relacionais,
projetados com a sub linguagem DML (Linguagem de Manipulação de Dados) e DDL (Linguagem
de De�nição de Dados) nos seus SGDs (Sistemas Gerenciadores de Banco de Dados). Já uma
estrutura de Sistema de Banco de Dados é mais ampla e é composta de três camadas de acesso e
de processamento de dados, como: 1. Processador de consulta; 2. Gerenciador de
armazenamento; e 3. Armazenamento em disco, como ilustra a Figura 2, a seguir:
Figura 2 - Sistema de um banco de dados 
Fonte: Elaborada pelo autor.
25/03/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665462_1&PAREN… 6/18
A linguagem SQL (Structured Query Language) foi desenvolvida pela IBM, na década de 1970, para
implementações em modelos relacionais, tornando-se padrão, desde 1986, quando a ANSI
(American National Standards Institute) endossou a SQL como linguagem padrão para os bancos
de dados relacionais. Essa poderosa linguagem é utilizada, para consultar, criar tabelas, inserir,
excluir e alterar dados em um banco de dados. A SQL é uma linguagem declarativa, ou seja, ela
permite de�nir metadados (DDL - Linguagem de de�nição de dados), manipular dados (DML -
Linguagem de manipulação de dados) e de�nir comandos para a segurança e integridade dos
dados (DCL - Linguagem de controle de dados). O usuário, pelos comandos SQL, consegue montar
consultas complexas e poderosas sem criar um código de programação (CARDOSO; CARDOSO,
2012).
LEITURA
Sistemas de banco de dados
Autor: Ramez Elmasri e Shamkant B. Navathe
Editora: Pearson Education do Brasil
Ano: 2018
Um livro completo, para se aprofundar nas arquiteturas de dados estruturados e não
estruturadas. Uma visão ampla sobre as diversas tecnologias de arquiteturas cliente-servidor
centralizadas e os bancos de dados distribuídos. Você poderá compreender sobre as modelagens
relacionais e a linguagem SQL. No capítulo 2, você poderá explorar sobre os conceitos e
arquitetura de banco de dados. No capítulo 3, compreenderá sobre os modelos de dados
relacionais e as restrições em bancos de dados relacionais. No capítulo 4, poderá encontrar as
especi�cações da linguagem SQL. No capítulo 11, poderá explorar os bancos de dados de objetos
e objeto-relacional e, no capítulo 12, encontrará conceitos, princípios e modelos de dados
estruturados, semiestruturados e não estruturados, especi�camente, sobre a linguagem XML. Este
título está disponível na Biblioteca Virtual da Laureate. 
25/03/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665462_1&PAREN… 7/18
Arquitetura de Dados não
Estruturados: Business
Intelligence e os Princípios da
Linguagem NoSQL
Atualmente, os sistemas de banco de dados transacionais e operacionais armazenam uma
quantidade massiva de fontes de dados internas e externas das organizações, por exemplo, dos
sistemas de gestão empresariais e das mídias digitais, das redes sociais e dos diversos dispositivos
móveis. Para uma tomada de decisão e�ciente, estruturação de uma inteligência competitiva ou
uma contrainteligência, é necessária uma busca de informações e�ciente e inteligente. Para isto, é
necessário utilizar-se de ferramentas de mineração de dados (data mining) e de projetos de data
warehouse (busca inteligente de informações nos negócios). Apesar de a consolidação se referir às
informações sumarizadas, as técnicas de mineração de dados (data mining) e de busca de
informações nos armazéns de dados não deixam de ser uma consolidação de padrões e dados
selecionados. Estes dados selecionados de maneira inteligente por ferramentas especí�cas
servem para que os mesmos possam ser trabalhados pelos tomadores de decisão. Os algoritmos
de data mining e os projetos de data warehouse são de suma importância para tomada de decisão
rápida e de qualidade.
Outro grande armazém de dados não estruturados é o big data. Segundo Alexandre e Cavique
(2013, p. 38), “o NoSQL vem trazer solução para o grande volume de informação que é gerada e
tem que ser analisada e com a necessidade das organizações manterem a informação durante um
longo período de tempo, o Big Data”.  
Ainda sobre o NoSQL, Elmasri e Navathe (2018, p. 795):
[...] o termo NoSQL é geralmente interpretado como Not Only SQL [...] e tem como
�nalidade transmitir a ideia de que muitas aplicações precisam de sistemas
diferentes dos sistemas SQL relacionais tradicionais para ampliar suas
necessidade de gerenciamento de dados. A maioria dos sistema NoSQL são
bancos de dados distribuídos ou sistemas de armazenamento distribuído com
foco no armazenamento de dados semiestruturados, alto desempenho,
disponibilidade e replicação de dados, e escalabilidade, ao contrário da ênfase
25/03/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665462_1&PAREN… 8/18
em consistência imediata de dados, linguagens de consultas poderosas [Caso da
SQL] e armazenamento de dados estruturados.
Os sistemas big date utilizam NoSQL e possuem características denominadas 3V, volume,
velocidade e variedade de dados. O que difere um sistema de dados data warehouse, data mining e
big data é a sua organização, arquitetura e volume de seus dados.
Em um sistema de banco de dados do tipo big data, o armazenamento é realizado a partir de um
grande volume de dados não estruturados ou semiestruturados. Já no data mining e no data
warehouse, o armazenamento, em volume menor, é feito a partir de bases estruturadas,
semiestruturadas e não estruturadas.
 
 
LEITURA
NoSQL no suporte à análise de grande volume de dados
Autores: Joel Alexandre e Cavique Luís
Ano: 2013
O artigo apresenta uma visão da utilização de ferramentas de descoberta de inteligência nos
negócios de forma mais �exíveis e com menor custo para o utilizador �nal. São as ferramentas
NoSQL. 
A C E S S A R
https://core.ac.uk/download/pdf/61423439.pdf
25/03/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665462_1&PAREN… 9/18
LEITURA
Projeto de banco de dados com XML
Autor: Mark Graves
Editora: Pearson Education do Brasil
Ano: 2003
Você poderá explorar mais o assunto especi�camente sobre armazenamento de dados não
relacional, orientado a objetos e relacional, no capítulo 4 (armazenamento de dados). Neste
capítulo, você poderá compreender como explorar dados em arquivos XML, alternativas úteis
para aplicações web em relação aos SGBDs tradicionais. Esse título está disponível na Biblioteca
Virtual da Laureate. 
Conceitos das Bases
Multidimensionais: Data
Warehouse e Data Marts
O data warehouse (DW), o termo signi�ca armazém de dados ou depósito de dados, é um acervo
lógico que concentra vários tiposdiferentes de bancos de dados e que possui a função de
consolidar as informações para a análise de negócio e tomada de decisão. Os data warehouses
consolidam as informações orientadas a assuntos das atividades organizacionais a partir de um
grande volume de dados, favorecendo relatórios e análise de informações estratégicas. Para Alves
(2018, p. 132), o data warehouse (DW) pode ser entendido como:
[...] um banco de dados especializado, capaz de trabalhar com um número maior
de dados, e não apenas com dados internos da empresa. [...] Estes softwares são
25/03/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665462_1&PARE… 10/18
capazes de processar informações e não apenas dados, e podem fazer parte dos
sistemas de apoio à decisão.
As fontes de bases de dados do data warehouse são bases transacionais e operacionais internas e
externas (OLTP – Online Transaction Processing ou processamento de transações em tempo real,
que incluem inserções, atualizações e exclusões, além de requisitos de consultas), que
correspondem às   informações das diversas áreas organizacionais internas, como marketing,
vendas, estoque, faturamento. E as bases externas são as que contêm informações sobre a
concorrência, do negócio e setor, análise do mercado de ações etc. Para Alves (2018, p. 132), “o
DW armazena e combina estes dados, gerando algumas informações e ferramentas, por exemplo,
para consultas de informações e relatórios de diversos tipos, oferecendo uma visão
multidimensional da empresa”. As informações destas bases de dados passam por um processo
de extração, transformação e carregamento (ETL – Extraction, Transformation, and Loading) e são
armazenadas para dentro de um armazém de dados, como ilustra a Figura 3, abaixo,
representando um data warehouse. O data warehouse surgiu, na década de 1980, por meio de um
conceito acadêmico, para suprir a de�ciência dos sistemas transacionais e operacionais OLTP, ao
realizar as tarefas de análise com tarefas de relatórios consolidados. Hoje, o data warehouse faz
parte de uma das principais soluções de business intelligence do mercado.
Figura 3 - Business intelligence por meio de um projeto de data warehouse 
Fonte: Elaborada pelo autor.
Descrição: os dados do data warehouse são coletados de bases transacionais pela ETL (extração,
transformação e leitura), após armazenados de forma catalogada no armazém de dados. O data
warehouse também podem gerar pequenos cubos de dados, os data marts.
Observe, na Figura 3, que todas as bases transacionais internas e externas passam por uma
extração de dados sendo consolidadas em um enorme cubo de dados (warehouse) e depois em
25/03/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665462_1&PARE… 11/18
cubos menores (data marts). Estes cubos de dados possuem dimensões diferentes das bases
transacionais e operacionais. São bancos de dados multidimensionais. A dimensão de um banco
de dados é uma característica da informação. Cada camada de um data warehouse ou data mart
representa um tipo de informação. E o cubo é a representação da multidimensionalidade dessas
informações.
Observe também, na �gura, que os cubos data marts são criados de forma personalizada, para
facilitar as extensivas pesquisas por assuntos especí�cos, como um data mart especí�co de
vendas com informações do mercado e da concorrência, ou um data mart de produção x estoque
x pedidos ou ainda um data mart de informações do mercado econômico-�nanceiro x mercado de
ações.
Para Alves (2018, p. 136), a “orientação por assunto é uma característica marcante de um DW, pois
toda modelagem é desenhada em torno dos principais assuntos da empresa. Já os sistemas
transacionais estão voltados para processos e aplicações especí�cas”.
A estrutura multidimensional facilita a pesquisa para a geração de relatórios e grá�cos
sumarizados e de forma analítica, dependendo dos recursos da ferramenta de leitura do cubo.
Após a criação do cubo data mart, os usuários, por aplicativos especí�cos de leitura, podem
destrinchar e detalhar as informações por meio da adição de dimensões, cruzando-as para
visualização. Esse procedimento é denominado de análise multidimensional. O diagrama da
Figura 4, abaixo, ilustra um cubo representando as três dimensões de informações (produto x
cliente x região). Mas a representação na prática da multidimensionalidade é in�nita.
Figura 4 - Diagrama representando as três dimensões de um cubo de informação de vendas 
Fonte: Elaborada pelo  autor.
Descrição: o cubo data mart possui multidimensões.
25/03/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665462_1&PARE… 12/18
Com o cubo de vendas com várias dimensões inter-relacionadas, é possível veri�car quais foram
os produtos vendidos, em determinada região, por clientes especí�cos. Uma possível tomada de
decisão seria a atuação de uma maior força de vendas para as regiões de menor venda ou efetuar
ainda um marketing mais agressivo para estes determinados clientes ou regiões. Se
acrescentarmos uma nova dimensão ao cubo, por exemplo, “contas a receber” da base �nanceira,
rodando o extrator de dados, migra-se, assim, dados do data warehouse e gera-se um novo data
mart (produtos x clientes x região x contas a receber). Por meio da adição dessa nova dimensão
ao data mart, é possível detalhar qual a razão de possíveis inadimplências de clientes, mesmo que
tenham uma alta quantidade de pedidos fechados (alta quantidade de vendas). A análise pelo
cruzamento das informações com um data mart se torna mais rica e rápida para a tomada de
decisão. Em um DW ou DM (data mart), “as informações fornecem padrões consistentes, gerando,
assim, relacionamentos informacionais correlacionados e transformando a informação em nova
informação” (ALVES, 2018, p. 136). Com estas ferramentas de business intelligence, dos modelos de
data warehouse e de data mart são reduzidas as customizações de programas especí�cos para a
criação de relatórios a partir das bases transacionais e operacionais. Reduzem também o tempo
de extração de dados das bases, evitando a elaboração de planos de otimização de índices e
estudo de recuperação de dados.
Explore mais o assunto sobre análise multidimensional nas recomendações a seguir.
25/03/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665462_1&PARE… 13/18
LEITURA
Sistemas de informações gerenciais
Autor: Kenneth C. Laudon e Jane Price Laudon
Editora: Price Hall
Ano: 2007
No capítulo 5, “Fundamentos de inteligência nos negócios: gerenciamento da informação de
banco de dados”, páginas 136 a 157, infraestrutura de inteligência empresarial, os autores
comentam sobre os data warehouse e data marts e as diversas ferramentas analíticas de dados
multidimensionais, não estruturados e semiestruturados, como o OLAP, text mining, web mining e
outras. No mesmo capítulo, é tratada a administração de recursos de dados, especi�camente, no
item 5.2, sobre sistemas gerenciadores de banco de dados. Já no item 5.3, “Como usar banco de
dados para melhorar o desempenho e a tomada de decisão na empresa”, é possível explorar mais
sobre a análise multidimensional de dados, data warehouse e data mining. Esse título está
disponível na Biblioteca Virtual da Laureate. 
Inteligência Arti�cial e Data
Mining (mineração de dados)
Nas organizações, as bases transacionais são utilizadas, para rastrear padrões e tendências às
complexas tomadas de decisões em qualquer nível organizacional. Uma área da inteligência
arti�cial que está ajudando a encontrar conhecimento em grandes bases de dados, para resolver
problemas à tomada de decisão é a mineração de dados. Segundo Yanaze (2011, p. 281)
[...] a mineração de dados ou Data Mining são ferramentas que possibilitam a
extração de informaçõesúteis de bancos de dados volumosos e complexos, da
descoberta de padrões, associações, mudanças e anomalias nos dados existentes
[...]”.
25/03/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665462_1&PARE… 14/18
A mineração de dados pode levar a uma capacidade preditiva e analítica poderosa de dados. As
funcionalidades da mineração de dados são usadas, para especi�car os tipos de informações nas
tarefas descritivas e preditivas. As tarefas descritivas caracterizam as propriedades gerais dos
dados, já as preditivas fazem inferência a partir dos dados, objetivando predições. Para encontrar
informações necessárias em uma base de dados, é necessário se chegar a uma análise descritiva
ou agrupamento. Já para uma descoberta de conhecimento, é necessário fazer com que o
algoritmo aprenda de acordo com o seu desempenho (classi�cando, estimando ou associando
dados).
É possível dividir uma mineração de dados em uma sequência de etapas para a descoberta do
conhecimento:
1. Pré-processamento de dados: etapa que diz respeito ao processo de
preparação da base de dados, limpeza, integração, redução, transformação e
discretização dos dados;{ 
2. Análise descritiva dos dados: etapa que se refere ao processo de visualização
dos dados; 
3. Análise de grupos: etapa que diz respeito ao processo de agrupamento de
dados (similaridades e formas de representação dos agrupamentos); 
4. Aprendizagem: é a etapa de aprendizagem através de algoritmos de
aprendizagem que podem ser por classi�cação, estimação ou por regras de
associação;
As ferramentas de inteligência nos negócios (BI - business intelligence), como o data mining, é um
dos principais subsídios da inteligência competitiva organizacional.
Segundo Sferra e Corrêa (2003, p. 136) citados por Alves (2018, p. 136), o data mining, também
conhecido como mineração de dados,
[...] é uma tecnologia que emergiu da intersecção de três áreas: estatística
clássica, inteligência arti�cial e aprendizado máquina, sendo a primeira mais
antiga delas. Observa-se que o Data Mining é parte de um processo conhecido
como KDD (Knowledge Discovery in DataBase) - em português: Descoberta do
conhecimento em base de dados.
O BI está relacionado a um processo de captura, processamento e análise de dados para a
elaboração de estratégias e tomada de decisão corporativa, podendo alcançar resultados
surpreendentes na busca de inteligência nos negócios.
25/03/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665462_1&PARE… 15/18
LEITURA
Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações
Autor: Leandro Nunes de Castro e Daniel Gomes Ferrari
Editora: Saraiva
Ano: 2016
Uma obra completa e detalhada sobre a mineração de dados e suas aplicações. Os autores
exploram a mineração de dados como ferramentas algorítmicas (pseudocódigos) para a busca de
aprendizado máquina e aquisição de conhecimento para as organizações. No capítulo 1, são
apresentados os conceitos e princípios da mineração de dados. No capítulo 2, você poderá
explorar sobre a tarefa de pré-processamento de dados, que de�ne a preparação para a
descoberta de conhecimento nas bases de dados. Já nos demais capítulos 3 a 8, são apresentadas
as análises descritivas, de grupos, classi�cação, estimação e regras de associação, que de�nem as
etapas 2 (análise descritiva), 3 (análise de grupos) e 4 (aprendizagem) de nosso tópico. Esse título
está disponível na Biblioteca Virtual da Laureate. 
Conclusão
A compreensão da arquitetura de dados estruturados, não estruturados e suas particularidades
híbridas fazem dos analistas, preparadores de dados e gestores, importantes articuladores
coadjuvantes da estratégia organizacional. Por isso, os pro�ssionais de tecnologia devem
entender que os sistemas da atualidade necessitam de um armazenamento adaptável, advindo de
diversas fontes de dados, de forma segura, con�ável, íntegra e e�ciente.
Vimos que este armazenamento adaptável dentro das organizações pode ser constituído de um
conjunto de ferramentas de recuperação e armazenamento de informações operacionais, táticas
e estratégicas. As informações operacionais são atendidas pelas arquiteturas de dados mais
estruturados como as bases transacionais e relacionais. Já as informações táticas e estratégicas
são atendidas pelas arquiteturas de dados semi e não estruturados, como as bases
multidimensionais e as NoSQL.
25/03/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665462_1&PARE… 16/18
Referências Bibliográ�cas
ALEXANDRE, J.; CAVIQUE, L. NoSQL no suporte à análise de grande volume de dados. Revista de
Ciências da Computação, n. 8, 2013. Disponível em:
https://core.ac.uk/download/pdf/61423439.pdf. Acesso em: 21 mar. 2019.
ALVES, E. B. Sistemas de informações em marketing: uma visão 360º das informações
mercadológicas. Curitiba: Intersaberes, 2018.
CARDOSO, V.; CARDOSO, G. Sistema de banco de dados. São Paulo: Saraiva, 2012.
CASTRO, L. N.; FERRARI, D. G. Introdução à mineração de dados: conceitos básicos, algoritmos e
aplicações. São Paulo: Saraiva, 2016.
DATE, C. J. Introdução a sistema de banco de dados. 8. ed. Rio de Janeiro: Elsevier, 2003.
ELMASRI, R.; NAVATHE, S. B. Sistemas de banco de dados. 7. ed. São Paulo: Pearson Education do
Brasil, 2018.
FEITOSA, M. P. Fundamento de banco de dados: uma abordagem prático-didática. São Paulo:
Edição do autor, 2013.
GRAVES, M. Projeto de banco de dados com XML. São Paulo: Pearson Education do Brasil, 2003.
HEUSER, A. Projeto de banco de dados. Porto Alegre: Sagra Luzzato, 2004.
LAUDON, K. C.; LAUDON, J. P. Sistemas de informações gerenciais. 7. ed. São Paulo: Prentice
Hall, 2007.
RAMAKRISHN, R.; GEHRKE, J. Sistema de gerenciamento de banco de dados. 3. ed. Porto Alegre:
AMGH, 2011.
ROCKENBACH, D. A. et al. Estudo comparativo de bancos de dados NoSQL. Revista Eletrônica
Argentina-Brasil de Tecnologias da Informação e da Comunicação, [S.l.], v. 1, n. 8, abr. 2018.
Disponível em: https://revistas.setrem.com.br/index.php/reabtic/article/view/286. Acesso em: 18
fev. 2020.
SILBERSCHATZ, A.; KORTH, H. F.; SURDARSHAN, S. Sistemas de banco de dados. Rio de Janeiro:
Elsevier, 2006.
YANAZE, M. H. Gestão de marketing e comunicação: avanços e aplicações. 2. ed. São Paulo:
Saraiva, 2011.
https://core.ac.uk/download/pdf/61423439.pdf
https://revistas.setrem.com.br/index.php/reabtic/article/view/286
25/03/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665462_1&PARE… 17/18
25/03/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665462_1&PARE… 18/18