QCon SP Data Culture: Data Science e Machine Learning resolvendo problemas reais
|
|
- Rodrigo Sampaio
- 5 Há anos
- Visualizações:
Transcrição
1
2 QCon SP 2019 Data Culture: Data Science e Machine Learning resolvendo problemas reais
3 Quem somos Gabriel Lages Pollyanna Gonçalves Gerente de Data Science & Analytics na Hotmart Cientista de Dados na Hotmart Bacharel em Estatística, Ciências Econômicas e Especialista em Banco de Dados. Bacharel e Mestre em Ciência da Computação. Atua há mais de 10 anos com análise de dados, tendo como foco a tomada de decisão em empresas e disseminação da cultura de dados no Brasil. gabriel.lages@hotmart.com Atua há 4 anos com Data Science e Business Intelligence, e foi pesquisadora científica na área de Sentiment Analysis na Web. pollyannaogoncalves@gmail.com
4
5 Hotmart A Hotmart é a maior empresa especializada na venda e distribuição de produtos digitais da América Latina, líder de mercado desde sua fundação, em Em constante processo de internacionalização, a empresa possui escritórios em Belo Horizonte, Madri, Amsterdã, Bogotá e Cidade do México.
6 Hotmart +5 Milhões Milhões +150 Mil DE COMPRADORES DE USUÁRIOS PAÍSES DIFERENTES PRODUTOS
7 LE
8 TOP 3 MITOS LE EM DATA SCIENCE E MACHINE LEARNING
9 Mito 1 - Salários astronômicos
10 Mito 2 - Data Lake é o paraíso na terra
11 DATA LAKE OR DATA SWAMP?
12
13 Mito 3 - Você vai trabalhar só com modelos de Machine Learning e Deep Learning
14
15 Cultura de Dados: Por onde começar?
16 Como resolver esse problema?
17 Dados Auditáveis Dados Acionáveis Dados Acessíveis
18 Dados Auditáveis Dados Acionáveis Dados Acessíveis
19 Por que ter dados auditáveis é essencial para qualquer projeto de dados?
20 Por que ter dados auditáveis é essencial para qualquer projeto de dados?
21 Por que ter dados auditáveis é essencial para qualquer projeto de dados? Para evitar isto:
22 Por que ter dados auditáveis é essencial para qualquer projeto de dados? Para evitar isto: 1
23 Por que ter dados auditáveis é essencial para qualquer projeto de dados? Para evitar isto: 1 2
24 Por que ter dados auditáveis é essencial para qualquer projeto de dados? Para evitar isto: 2 1 3
25 1 Para a equipe da Plataforma: 2 3 Produto Ativo = Disponível no Mercado
26 1 Para o time de Vendas: 2 3 Produto Ativo = Fez pelo menos uma venda
27 1 Para o time de Backoffice: 2 3 Produto Ativo = Passou pelo processo de aprovação e foi ativado
28 Como resolver esse problema?
29 3 passos para se obter Dados Auditáveis 1 - Definir as regras de negócio 2 - Local para consultar estas regras 3 - As pessoas devem utilizar estas regras
30 1 - Quem define as regras? a) b) c) d) CEO da empresa Time de BI / Data As próprias equipes Outro
31 1 - Quem define as regras? e s a f a a r d t n e o d c n a) CEO da empresa n e e p e e s d a a b) Timeode BI/DATA t s s e r p p s m equipes c)a As e re próprias a e u q d)moutro e
32 STARTUP GROWING MATURE
33 STARTUP CEO
34 GROWING DATA TEAM
35 A área de dados não é o cérebro da empresa
36 A missão da área de dados é: Organizar e Otimizar a Inteligência Coletiva da empresa.
37 MATURE All teams
38 MATURE DE O M D O S O I T A R C Ã Ç ZA D A D S O All teams
39 O objetivo da Democratização de Dados é que qualquer um possa ter acesso aos dados a qualquer momento para tomada de decisão sem barreiras de acesso ou entendimento." Bernard Marr, Forbes
40 O caminho da Democratização de Dados 2 - Governança dos Dados 1 - Origem da Informação 4 - Visualização dos dados 3 - Métricas e Indicadores 5 - Compartilhamento de conhecimento
41 Na Hotmart, em % das pessoas da empresa já acessam as ferramentas de inteligência 508 consultas criadas apenas no primeiro trimestre do ano
42 2 - Onde armazenar as regras de negócio?
43
44 Na Hotmart: Repositório de Conhecimento Governança Integrações com databases Consultas a databases Visualização
45 Na Hotmart: Repositório de Conhecimento
46 Alternativa Open Source github.com/lyft/amundsendatabuilder ou escreva no Google: AMUNDSEN LYFT
47 2 - Governança dos Dados 1 - Origem da Informação 4 - Visualização dos dados 3 - Métricas e Indicadores 5 - Compartilhamento de conhecimento
48 +
49
50 Owner Feedbacks
51 3 - Garantir que as pessoas acessem e vejam valor nesse processo
52
53 Para uma cultura de dados forte Educar as pessoas Facilitar os processos Conquistar o apoio da empresa
54 MATURE DE O M D O S O I T A R C Ã Ç ZA D A D S O All teams
55 Dados Auditáveis Dados Acionáveis Dados Acessíveis
56 Soluções para dados acessíveis Ferramentas tradicionais para organização e análise de dados
57 Soluções para dados acessíveis Ferramentas de BI
58 Na Hotmart: Repositório de Conhecimento Governança Integrações com databases Consultas a databases Visualização
59 Arquitetura - Repositório de Conhecimento Web layer Datasources Datasource management Query management Rest controllers Client layer Storage layer
60 Arquitetura - Repositório de Conhecimento Web layer Datasources Datasource management Query management Rest controllers Client layer Storage layer
61 Arquitetura - Repositório de Conhecimento Web layer Datasources Datasource management Query management Rest controllers Client layer Storage layer
62 Arquitetura - Repositório de Conhecimento Web layer Datasources Datasource management Query management Rest controllers Client layer Storage layer
63 Arquitetura - Repositório de Conhecimento Web layer Datasources Datasource management Query management Rest controllers Client layer be... o T ued tin n co Storage layer
64 Solução 1 - Arquitetura de Eventos hotmart.dev/eng-dados
65 Solução 2 - BI Tradicional Soluções já consolidadas - Data Warehouses, Data Marts Pessoas Tempo
66 Solução 2 - BI Tradicional Soluções já consolidadas - Data Warehouses, Data Marts Pessoas Re s r cu s o s s a c s etempo os
67 Solução 3 - Data as a Service Plataformas de integração de múltiplas tecnologias de fontes de dados...
68 Dremio Plataforma de unificação de bancos de dados
69 Arquitetura - Dremio Ferramentas de BI Databases Datalakes Files Data as a Service Reflections Data Science Análise de Dados e API s API s
70 Arquitetura - Dremio Ferramentas de BI Databases Datalakes Files Data as a Service Reflections Data Science Análise de Dados e API s API s
71 Arquitetura - Repositório de Conhecimento Web layer Datasources Datasource management Query management Rest controllers Client layer Storage layer
72 Na Hotmart: Repositório de Conhecimento Governança Integrações com databases Consultas a databases Visualização
73 Na Hotmart: Repositório de Conhecimento
74 Alternativa Open Source metabase.com
75 2 - Governança dos Dados 1 - Origem da Informação 4 - Visualização dos dados 3 - Métricas e Indicadores 5 - Compartilhamento de conhecimento
76 Metabase Questions
77 Metabase Collections
78 Metabase Dashboards
79
80 + 2 - Governança dos Dados 1 - Origem da Informação 4 - Visualização dos dados 3 - Métricas e Indicadores 5 - Compartilhamento de conhecimento
81 Metabase ainda não conecta ao Dremio
82
83 Dados acessíveis e auditáveis são suficientes?
84 Entregar todos os dados nas mãos dos analistas pode não resolver Gráfico pico chargebacks
85 Rural Willys
86
87 Quase 70 anos mais tarde... Jeep Renegade 2014
88
89 Menos é mais Gráfico pico chargebacks
90 Como a área de dados pode tornar as pessoas mais produtivas?
91 Como a área de dados pode tornar as pessoas mais produtivas? Data Science + Machine Learning
92 Dados Auditáveis Dados Acionáveis Dados Acessíveis
93 Cenário: Crescimento do índice de fraude O analista conseguirá estudar uma grande quantidade de transações? Em tempo hábil?
94 Case 1: Machine Learning + Prevenção de fraude Identificação do problema
95 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Quais características do fraudador?
96 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Business Understanding Quais características do fraudador?
97 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Business Understanding Quais características do fraudador? Etapa necessária para evitar que solução se torne blackbox
98 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Business Understanding Quais características do fraudador? Mapeamento de dados
99 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Business Understanding Quais características do fraudador? Mapeamento de dados Extração de datasets
100 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Business Understanding Quais características do fraudador? Mapeamento de dados Data Understanding Extração de datasets
101 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Business Understanding Quais características do fraudador? Mapeamento de dados Data Understanding Extração de datasets Merging de datasets
102 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Business Understanding Quais características do fraudador? Mapeamento de dados Limpeza dos dados Data Understanding Extração de datasets Merging de datasets
103 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Business Understanding Quais características do fraudador? Mapeamento de dados Preenchimento de dados faltantes Limpeza dos dados Data Understanding Extração de datasets Merging de datasets
104 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Business Understanding Quais características do fraudador? Mapeamento de dados Preenchimento de dados faltantes Limpeza dos dados Data Understanding Data Preparation Extração de datasets Merging de datasets
105 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Análise e exploração dos dados Business Understanding Quais características do fraudador? Mapeamento de dados Preenchimento de dados faltantes Limpeza dos dados Data Understanding Data Preparation Extração de datasets Merging de datasets
106 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Análise e exploração dos dados Data Exploration Business Understanding Quais características do fraudador? Mapeamento de dados Preenchimento de dados faltantes Limpeza dos dados Data Understanding Data Preparation Extração de datasets Merging de datasets
107 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Análise e exploração dos dados Data Exploration Seleção de features mais importantes Business Understanding Quais características do fraudador? Mapeamento de dados Preenchimento de dados faltantes Limpeza dos dados Data Understanding Data Preparation Extração de datasets Merging de datasets
108 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Análise e exploração dos dados Business Understanding Quais características do fraudador? Mapeamento de dados Preenchimento de dados faltantes Limpeza dos dados Treino do modelo Validação do modelo Data Exploration Seleção de features mais importantes Data Understanding Data Preparation Extração de datasets Merging de datasets
109 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Business Understanding Análise e exploração dos dados Quais características do fraudador? Mapeamento de dados Preenchimento de dados faltantes Limpeza dos dados Treino do modelo Validação do modelo Data Exploration Seleção de features mais importantes In-Depth Analysis Data Understanding Data Preparation Extração de datasets Merging de datasets
110 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Business Understanding Análise e exploração dos dados Quais características do fraudador? Mapeamento de dados Preenchimento de dados faltantes Limpeza dos dados Treino do modelo Validação do modelo Data Exploration Seleção de features mais importantes In-Depth Analysis Data Understanding Data Preparation Extração de datasets Merging de datasets Deployment do modelo
111 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Business Understanding Análise e exploração dos dados Quais características do fraudador? Mapeamento de dados Preenchimento de dados faltantes Limpeza dos dados Treino do modelo Validação do modelo Data Exploration Seleção de features mais importantes In-Depth Analysis Data Understanding Data Preparation Extração de datasets Merging de datasets Deployment do modelo Criação sistema de relatório de alerta
112 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Business Understanding Análise e exploração dos dados Quais características do fraudador? Mapeamento de dados Preenchimento de dados faltantes Limpeza dos dados Treino do modelo Validação do modelo Deployment do modelo Construção de dashboard para usuário final Criação sistema de relatório de alerta Data Exploration Seleção de features mais importantes In-Depth Analysis Data Understanding Data Preparation Extração de datasets Merging de datasets
113 Case 1: Machine Learning + Prevenção de fraude Identificação do problema Business Understanding Análise e exploração dos dados Quais características do fraudador? Mapeamento de dados Preenchimento de dados faltantes Limpeza dos dados Treino do modelo Validação do modelo Deployment do modelo Construção de dashboard para usuário final Criação sistema de relatório de alerta Data Exploration Seleção de features mais importantes In-Depth Analysis Data Understanding Data Preparation Data Viz Extração de datasets Merging de datasets
114
115 Isso não deveria ser trabalho do modelo?
116 Risco de bloquear um falso positivo é alto e custoso para nosso negócio
117 Risco de bloquear um falso positivo é alto e custoso para nosso negócio Neste cenário, decidimos utilizar supervisão humana após predição do modelo
118 Resultados 81% de transações com fraude
119 Cenário: Crescimento de tickets do suporte Como atender a demanda crescente? Contratar mais agentes?
120 Case 2: Machine Learning + Atendimento tickets do suporte Identificação do problema Análise e exploração dos dados Business Understanding Brainstorm para levantamento de características Mapeamento de dados Preenchimento de dados faltantes Limpeza dos dados Treino do modelo Validação do modelo Data Exploration Seleção de features mais importantes Uma métrica boa pode ser ruim... Data Understanding Data Preparation Extração de datasets Merging de datasets
121 Modelo prediz 1 de N tipos comuns de problemas: Assunto 1 Assunto 2 Assunto 3 Assunto 4 Assunto... Se não prever a um nível de confiança aceitável: Outro
122 Nossa matriz de confusão Acc: 87% Acc: 97% Acc: 99%
123 Nossa real matriz de confusão
124 Nossa real matriz de confusão Baixa abrangência
125 Nossa real matriz de confusão 24 acertos a cada erro
126 Nossa real matriz de confusão 24 acertos a 5 acertos a cada erro cada erro
127 Nossa real matriz de confusão 24 acertos a 5 acertos a 2 acertos a cada erro cada erro cada erro
128 Não existe bala de prata na validação de modelos de Machine Learning Métricas precisam estar alinhadas com o negócio
129 Como melhoramos o modelo?
130 Case 2: Machine Learning + Atendimento tickets do suporte Identificação do problema Análise e exploração dos dados Data Exploration Business Understanding Brainstorm para levantamento de características Mapeamento de dados Preenchimento de dados faltantes Limpeza dos dados Data Understanding Data Preparation Vale a pena investir nesta etapa... Extração de datasets Merging de datasets
131 Limpeza de dados Remoção de stopwords Remoção de endereços de s e assinaturas Remoção de URLs no corpo da mensagem Remoção de saudações e despedidas Remoção de datas e números Remoção de códigos de barra
132 Antes Acurácia geral 29% Depois x Acurácia geral 76% +47p.p.
133 Case 2: Machine Learning + Atendimento tickets do suporte Aumento de 6% na taxa de satisfação média Queda de 55% tempo médio atendimento
134 E agora O trabalho acabou?
135 Dados Auditáveis Dados Acionáveis Dados Acessíveis
136 hotmart.dev/qcon
137 Dúvidas? Obrigado!
BIG DATA,DATA SCIENCE e ANALYTICS aplicados ao MARKETING MANUAL DO CURSO ESPM. Rua Joaquim Távora, 1240 Vila Mariana São Paulo/SP.
BIG DATA,DATA SCIENCE e ANALYTICS aplicados ao MARKETING MANUAL DO CURSO ESPM Rua Joaquim Távora, 1240 Vila Mariana São Paulo/SP Informações Central de Relacionamento: (11) 5081-8200 (opção 1) Segunda
Leia maisBIG DATA,DATA SCIENCE e ANALYTICS aplicados ao MARKETING MANUAL DO CURSO ESPM. Rua Joaquim Távora, 1240 Vila Mariana São Paulo/SP.
BIG DATA,DATA SCIENCE e ANALYTICS aplicados ao MARKETING MANUAL DO CURSO ESPM Rua Joaquim Távora, 1240 Vila Mariana São Paulo/SP Informações Central de Relacionamento: (11) 5081-8200 (opção 1) Segunda
Leia maisSAP Business One como centro da Transformação Digital da sua empresa
SAP Business One como centro da Transformação Digital da sua empresa SOBRE A RAMO 36 170 570 Anos de mercado Sólida experiência no mercado de ERP brasileiro. Maior parceiro SAP Business One do Brasils
Leia maisEstratégias de Integração com Cloud
Estratégias de Integração com Cloud Bruno Squassoni, Engenheiro de Sistemas 28 de maio, 2019 Copyright 2019 OSIsoft, LLC Copyright 2019 OSIsoft, LLC 1 Operações Conhecimento em engenharia Funcionamento
Leia maisUniversidade de São Paulo. Faculdade de Economia, Administração e Contabilidade Departamento de Contabilidade e Atuária EAC FEA - USP
Universidade de São Paulo Faculdade de Economia, Administração e Contabilidade Departamento de Contabilidade e Atuária EAC FEA - USP EAC 0548 Sistemas de Informações Contábeis AULA 09 Business Intelligence
Leia maisAgenda. Conceitos Iniciais. Modelos de aprendizado. Oportunidades e casos de uso. Ferramentas. Desafios
Machine Learning Agenda Conceitos Iniciais Modelos de aprendizado Oportunidades e casos de uso Ferramentas Desafios Ronald Bertele Bacharelado em Ciências da Computação - UCS MBA em Gestão de Negócios
Leia maisMineração de Dados - Contextualização. Fonte: Prof. Fabrício J. Barth -
Mineração de Dados - Contextualização Fonte: Prof. Fabrício J. Barth - http://fbarth.net.br/ Mineração de Dados - Contextualização Uso da informação Síntese do conhecimento; Manter, disseminar, organizar,
Leia maisPerguntas Sobre Max Cardoso
RPA +AI services Max Cardoso Head of RPA at CertSys Max.Almeida@certsys.com.br RPA + AI RPA And Automation RPA Congress 2019 RPA + AI Qual o objetivo do uso das tecnologias cognitivas na automação de tarefas?
Leia maisGPDI Grupo de Profissionais de Dados e Inteligência. Como fazer carreira nas áreas de Dados, BI e BIG Data
GPDI Como fazer carreira nas áreas de Dados, BI e BIG Data Quem sou? Wagner Marques, Msc, PMP Gerente de Projetos Business Intelligence (BI). Formação Acadêmica Unice Tecnólogo em Processamento de Dados;
Leia maisGovernança e Big Data. Celso Poderoso
Governança e Big Data Celso Poderoso cpoderoso@microstrategy.com Celso Poderoso Formação Acadêmica: Economista Especialista em Sistemas de Informação Mestre em Tecnologia (Grid Computing/Cloud Computing)
Leia maisOrganize grande quantidade de dados de forma rápida e com precisão analítica, para melhor tomada de decisões.
Organize grande quantidade de dados de forma rápida e com precisão analítica, para melhor tomada de decisões. O Pentaho BI é uma solução para Inteligência de negócios do inglês Business Intelligente, é
Leia maisKroton em números: uma das maiores empresas de educação do mundo
Kroton em números: uma das maiores empresas de educação do mundo GRANDES NÚMEROS PRESENÇA GEOGRÁFICA 1.2M M Alunos 876K Graduação e Pós-graduação 220K Educação Básica 122K Línguas, não regulados 26,572
Leia maisARQUITETURA DE DADOS EM NUVEM COMO PLATAFORMA DE APOIO A TRANSFORMAÇÃO DIGITAL. João G. Gutheil TDC POA Dez/2018
ARQUITETURA DE DADOS EM NUVEM COMO PLATAFORMA DE APOIO A TRANSFORMAÇÃO DIGITAL João G. Gutheil TDC POA Dez/2018 Campo Bom, RS 46 anos 12,1 milhões de pares (1) 1,2 milhões bolsas (1) ~12% de market share
Leia maisSELEÇÃO DE PROFESSORES-AUTORES PARA ELABORAÇÃO DE MATERIAIS DIDÁTICOS PARA O CURSO DE PÓS-GRADUAÇÃO LATO SENSU (MODALIDADE EAD) EM CIÊNCIA DE DADOS
EDITAL Nº 05/2018 SELEÇÃO DE PROFESSORES-AUTORES PARA ELABORAÇÃO DE MATERIAIS DIDÁTICOS PARA O CURSO DE PÓS-GRADUAÇÃO LATO SENSU (MODALIDADE EAD) EM CIÊNCIA DE DADOS Abre inscrições para seleção de professores-autores
Leia maisACELERE SUA JORNADA DE DADOS RUMO A IA COM A NUVEM PRIVADA DA IBM
ACELERE SUA JORNADA DE DADOS RUMO A IA COM A NUVEM PRIVADA DA IBM Glaucio Cesar Costa Sales Leader for ICP for Data glaucioc@br.ibm.com Vagner Pontes Technical Leader for ICP for Data vapontes@br.ibm.com
Leia maisGPDI Grupo de Profissionais de Dados e Inteligência
GPDI Grupo de Profissionais de Dados e Inteligência Mercado de Trabalho BD, BI e BIG Data Uma visão geral do mercado, com foco em Profissionais de Dados Grupo de Profissionais de Dados e Inteligência Quem
Leia maisUNIVERSIDADE PRESBITERIANA MACKENZIE
1. Identificação do Curso a. Curso de Especialização em: Ciência de Dados (BIG DATA ANALYTICS) b. Área: Computação c. Área temática (tema): BIG DATA d. Linha de Pesquisa: Computação e Sistemas de Informação
Leia maisCaUMa - CATÁLOGO DE URLS MALICIOSAS
CaUMa - Paula Tavares e Rogerio Bastos Ponto de Presença da RNP na Bahia, Universidade Federal da Bahia RNP/CAIS Rede Nacional de Ensino e Pesquisa possui o CAIS como CSIRT de coordenação, responsável
Leia maisInteligência do Negócio
Inteligência do Negócio DENISE NEVES 2017 PROFA.DENISE@HOTMAIL.COM Inteligência do Negócio Objetivo Primeiro Bimestre Apresentar ao aluno as etapas de projeto de Business Intelligence. Introdução a Inteligência
Leia maisAplicativo de Análise, Correção e Acompanhamento de Ocorrências. Autores (Vinicius Lima Pacci)
Aplicativo de Análise, Correção e Acompanhamento de Ocorrências Autores (Vinicius Lima Pacci) 1 Aplicativo de Análise, Correção e Acompanhamento de Ocorrências Vinicius Lima Pacci vpacci@cpfl.com.br São
Leia maisQuem Somos? O que fazemos? Verificamos se o autor da compra online é realmente o dono do cartão de crédito utilizado
Quem Somos? Empresa de serviço de proteção às lojas contra fraudes em compras online com cartão de crédito O que fazemos? Verificamos se o autor da compra online é realmente o dono do cartão de crédito
Leia maisPentaho IoT Analytics Open Source Trilha IoT
Pentaho IoT Analytics Open Source Trilha IoT Marcio Junior Vieira CEO & Data Scientist, Ambiente Livre Marcio Junior Vieira Mini-cv 18 anos de experiência em informática, vivência em desenvolvimento e
Leia maisEvolução e desafios do ecossistema de. Insurtechs
Evolução e desafios do ecossistema de Insurtechs PANORAMA GLOBAL DE INSURTECHS Existem aproximadamente 1.500 insurtechs no mundo Investimento de U$ 19 bi Fonte: https://insurtechnews.com/ Venture Scanner
Leia maisENGENHARIA DE MARKETING
PÓS-GRADUAÇÃO LATO SENSU ENGENHARIA DE MARKETING INSCRIÇÕES ABERTAS: Dias e horários das aulas: Segunda-Feira - 18h30 às 22h30 - Semanal Quarta-Feira - 18h30 às 22h30 - Semanal Sexta-Feira - 18h30 às 22h30
Leia maisAuditoria & Inovação. Adoção de novas técnicas de análise provenientes dos adventos da Transformação Digital. Alessandro Gratão Marques
Auditoria & Inovação Adoção de novas técnicas de análise provenientes dos adventos da Transformação Digital Alessandro Gratão Marques Sócio líder de Auditoria Interna, Investigação Empresarial e Financial
Leia maisUso do BIG DATA & Analytics para melhorar a qualidade das operações
Uso do BIG DATA & Analytics para melhorar a qualidade das operações Gustavo Batoreu Valfre Diretor de Arquitetura e Transformação Digital TI gustavo.valfre@oi.net.br Julho/2017 SUMÁRIO EXECUTIVO 1. A Oi
Leia maisSeja um PO empoderado!
Seja um PO empoderado! Mostre o valor do seu produto usando métricas! Camilla Fant www.pulsoagil.com 1 Agenda 01 Camilla Fant 05 A persona, o épico e a ideia 02 O papel do PO 06 As metas 03 O produto 07
Leia maisESPECIALIZAÇÃO A DISTÂNCIA EM. Ciência de Dados e Big Data Aplicada à Administração Tributária. Área de conhecimento: Tecnologia da Informação
ESPECIALIZAÇÃO A DISTÂNCIA EM Ciência de Dados e Big Data Aplicada à Administração Tributária Área de conhecimento: Tecnologia da Informação PUC MINAS VIRTUAL CORPO DOCENTE Raphael Rodrigues Campos (Mestre)
Leia maisANÁLISE DE BIG DATA E DIGITAL ANALYTICS
CURTA DURAÇÃO ANÁLISE DE BIG DATA E DIGITAL ANALYTICS CARGA HORÁRIA: 80 horass COORDENAÇÃO: Prof.ª Dr.ª Alessandra de Ávila Montini OBJETIVOS O curso de Digital Analytics tem como objetivo preparar o aluno
Leia maisDESAFIOS DE PREVISÃO E PLANEJAMENTO DE
UNIVERSIDADE PRESBITERIANA MACKENZIE CENTRO DE CIÊNCIAS SOCIAIS E APLICADAS VIII CONGRESSO BIENAL DE LOGÍSTICA E CADEIAS DE VALOR E SUPRIMENTOS DESAFIOS DE PREVISÃO E PLANEJAMENTO DE RECURSOS NO SEGMENTO
Leia maisSetia WebReports. Gestão Inteligente da Informação. Apresentação. Agilidade na confecção de relatórios
Gestão Inteligente da Informação Apresentação Agilidade na confecção de relatórios Agora com recursos de gamification para promover e monitorar o engajamento de seus clientes e funcionários / Agenda 1.
Leia maisHistórias de Dados. Big Data 2018
Histórias de Dados Big Data 2018 O que é Big Data Big Data são assets de informação de alto-volume, alta-velocidade e/ou alta-variedade que demandam formas de processamento inovadoras e econômicas que
Leia maisINFORMAÇÃO SISTEMAS DE INFORMAÇÃO
CENTRO DE TECNOLOGIA DA INFORMAÇÃO SISTEMAS DE INFORMAÇÃO CENTRO DE TECNOLOGIA DA INFORMAÇÃO Os cursos do Centro de Tecnologia da Informação da Universidade Positivo preparam para as novas exigências do
Leia maisFACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS
FACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS PROJETO PEDAGÓGICO CAMPO LIMPO PAULISTA 2015 1. Público
Leia maisExplorando a nova REVOLUÇÃO DIGITAL
Integration Big Data Analytics IoT Explorando a nova Revolução Tecnológica. Explorando a nova REVOLUÇÃO DIGITAL A informação que você precisa ao alcance das suas mãos. GARTNER: nenhuma indústria passará
Leia maisBAM Business Activity Monitoring. Porque sua empresa deve começar a monitorar indicadores de negócio em tempo real a partir de agora?
BAM Business Activity Monitoring Porque sua empresa deve começar a monitorar indicadores de negócio em tempo real a partir de agora? SOBRE A OPSERVICES Fabricante de software focada no gerenciamento de
Leia maisGestão da Informação e Ciclo de Vida Big Data. Karina Moura
Gestão da Informação e Ciclo de Vida Big Data Karina Moura Roteiro - Gestão da Informação - Gerenciamento do ciclo de vida da informação - Governança - Tecnologias - Políticas de Gerenciamento
Leia maisO MUNDO E AS CIDADES ATRAVÉS DE GRÁFICOS E MAPAS
www.deepask.com O MUNDO E AS CIDADES ATRAVÉS DE GRÁFICOS E MAPAS A missão do deepask é centralizar os dados abertos 1 da internet e torná-los mundialmente acessíveis para pesquisa e análise Através de
Leia maisPORTFÓLIO DE SERVIÇOS
PORTFÓLIO DE SERVIÇOS Fundada em 2015, somos uma Startup que acredita que as experiências, o constante aprendizado, os frequentes ensinamentos, as importantes parcerias firmadas e os cases de sucesso colaboraram
Leia maisFerramentas para a Gestão Estratégica de Pessoas. Transformando dados em Informações para a tomada de Decisão
Ferramentas para a Gestão Estratégica de Pessoas Transformando dados em Informações para a tomada de Decisão Ferramentas para a Gestão Estratégica de Pessoas O Momento atual do RH O que temos disponível,
Leia maisInteligência artificial aplicada a Mamografia. Richard Martini
Inteligência artificial aplicada a Mamografia Richard Martini 1 % growth 35% 30% 25% MG scans Em 2010 eram necessários 3,5 anos para dobrar a quantidade de dados médicos. Em 2020 a previsão é de 73 dias.
Leia maisElaborando uma plataforma de Big Data & Analytics 100% Open Source com apoio do Pentaho.
Open Source Data Science Elaborando uma plataforma de Big Data & Analytics 100% Open Source com apoio do Pentaho. Palestrante: Marcio Junior Vieira CEO e Data Scientist na Ambiente Livre marcio@ambientelivre.com.br
Leia maisADMINISTRAÇÃO DE SISTEMAS DE INFORMAÇÃO. Lista de Exercícios 05. Luiz Leão
Luiz Leão luizleao@gmail.com http://www.luizleao.com Questão 01 Dentre as aplicações de E-Commerce, conceitue as modalidades E-Banking, E-Learning e E-Auctioning. Questão 01 - Resposta Dentre as aplicações
Leia maisUso de Técnicas de Mineração de Dados no Monitoramento dos Gastos Públicos e no Combate à Corrupção
Uso de Técnicas de Mineração de Dados no Monitoramento dos Gastos Públicos e no Combate à Corrupção Informações Estratégicas DIE Pesquisa, correlação e análise de dados ODP Investigações e operações de
Leia maisNÃO DEIXE SEU E-COMMERCE À DERIVA!
NÃO DEIXE SEU E-COMMERCE À DERIVA! NÃO DEIXE SEU E-COMMERCE À DERIVA! APRESENTADOR FABIO CAIEL ü ü Formado em Análise de Sistemas pela Universidade Paulista; ü 14 anos em Tecnologia da Informação; ü 4
Leia maisFormação de Analista de Processo de Negócios e Processos
Publicado em ECR Consultoria e Treinamento Empresarial (https://www.ecrconsultoria.com.br) Início > Formação de Analista de Processo de Negócios e Processos Formação de Analista de Processo de Negócios
Leia maisSPTrans CONFERÊNCIA: INOVAÇÕES TECNOLÓGICAS NO TRANSPORTE COLETIVO POR ÔNIBUS
SPTrans CONFERÊNCIA: INOVAÇÕES TECNOLÓGICAS NO TRANSPORTE COLETIVO POR ÔNIBUS Big Data, Smart Cities, Internet das Coisas e Privacidade: como atender a uma demanda de maneira eficiente e segura? /TIVIT
Leia maisPÓS-GRADUAÇÃO ANÁLISE DE BIG DATA
PÓS-GRADUAÇÃO ANÁLISE DE BIG DATA OBJETIVOS Este curso tem como objetivo principal apresentar de forma clara, objetiva e com aplicações reais como as metodologias de Big Data, Inteligência Artificial e
Leia maisA rede social do agronegócio
A rede social do agronegócio Compartilhar é preciso! - Fonte: O Sinal e o Ruído - Nate Silver Reforma Protestante; mapas: Descoberta America, Brasil, Guerras; novas línguas em detrimento ao latim; o conhecimento
Leia maisBig Data. Transformando a gestão de dados a favor do negócio. Estevão Lazanha
Big Data Transformando a gestão de dados a favor do negócio Estevão Lazanha Itaú alguns números 63 a maior empresa do mundo (fonte: Forbes) 4,062 agências e PABs 24,597 caixas eletrônicos no Brasil US$
Leia maisMONITORANDO A QUALIDADE DO SEU PROJETO
MONITORANDO A QUALIDADE DO SEU PROJETO Tiarê Balbi Bonamini 6ª Conferência da Qualidade de Software 23 de Setembro de 2013 Qualidade Como definir Qualidade de Software TIARÊ BALBI BONAMINI Gerente de Soluções
Leia maisMaterial Complementar - BI. Grinaldo Lopes de Oliveira Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas
Material Complementar - BI Grinaldo Lopes de Oliveira (grinaldo@gmail.com) Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas Business Intelligence - Conceito Coleta de dados a partir
Leia maisDescubra e monitore tendências em tempo real
Descubra e monitore tendências em tempo real Introdução ao Trendalyze Extraindo valor dos dados a nova Economia Smart fábricas cidades devices banking 1 2 Sensores/rastreadores Coletar Dados Granulares
Leia maisImpulsionando decisões de pagamento inteligentes com o uso de dados analíticos. James Coupel Chefe de Exploração de Dados, Worldpay
Impulsionando decisões de pagamento inteligentes com o uso de dados analíticos James Coupel Chefe de Exploração de Dados, Worldpay Do que se trata? A cada hora 3,4 milhões de compras on-line Compradores
Leia mais#pragma LeadBot. Um Bot* inteligente em sua homepage conectado ao Dynamics 365
#pragma LeadBot Um Bot* inteligente em sua homepage conectado ao Dynamics 365 Crie um processo de atendimento automatizado em seu site capturando Clientes Potenciais via chat autônomo. Ofereça suas ofertas
Leia maisMBA ANALYTICS EM BIG DATA
MBA ANALYTICS EM BIG DATA OBJETIVOS Este curso tem como objetivo principal apresentar de forma clara, objetiva e com aplicações reais como as metodologias de Big Data, Inteligência Artificial e Computação
Leia maisComo o Dynamics 365 Operations pode ajudar a gerir melhor o seu negócio. Novo produto da Microsoft surgiu para facilitar o dia a dia dos gestores
Como o Dynamics 365 Operations pode ajudar a gerir melhor o seu negócio Novo produto da Microsoft surgiu para facilitar o dia a dia dos gestores Índice INTRODUÇÃO...1 O QUE É O DYNAMICS 365...4 QUAIS OS
Leia maisMétricas em mídias sociais
Métricas em mídias sociais A DP6 - consultoria de inteligência e performance em marketing digital com 7 anos de experiência - engenharia de dados, digital analytics, social intelligence até ao trabalho
Leia maisRoniberto Morato do Amaral
Roniberto Morato do Amaral Comitê Gestor Gestor do NIC/ENTIDADE NIC/POLO UTIC Demandas Diversidade de usuários Produtos de informação Biblioteca digital Fórum Rumores Indicadores Produtos de Inteligência
Leia maisTECNOLOGIAS DE MARKETING DIGITAL PARA A INDÚSTRIA E DISTRIBUIÇÃO 19/07/ :00 DIOCÉLIO D. GOULART
TECNOLOGIAS DE MARKETING DIGITAL PARA A INDÚSTRIA E DISTRIBUIÇÃO 19/07/2017 15:00 DIOCÉLIO D. GOULART DIOCÉLIO D. GOULART DIOCELIO@BLUESTARS.COM.BR Diocélio D. Goulart é formado em ciência da computação
Leia maisData Science em uma instituição financeira moderna Sandor Tucakov
Data Science em uma instituição financeira moderna Sandor Tucakov Caetano @SandorCaetano sandor.caetano@gmail.com Índice O Nubank Ajustando limites de crédito Pessoas Dados Modelos Políticas Mantendo tudo
Leia maisCOMO BIG DATA E BUSINESS ANALYTICS PODEM MUDAR O RUMO DO SEU NEGÓCIO
COMO BIG DATA E BUSINESS ANALYTICS PODEM MUDAR O RUMO DO SEU NEGÓCIO Com o Big Data, o volume de dados produzidos e a diversidade de novas fontes de dados que apareceram nos últimos anos, organizações
Leia maisCATÁLOGO DE FRAUDES E CATÁLOGO DE URLS MALICIOSAS: Identificação e Combate a Fraudes Eletrônicas na Rede Acadêmica Brasileira
CATÁLOGO DE FRAUDES E CATÁLOGO DE URLS MALICIOSAS: Identificação e Combate a Fraudes Eletrônicas na Rede Acadêmica Brasileira Paula Tavares Ponto de Presença da RNP na Bahia, Universidade Federal da Bahia
Leia maisSobre. Priscilla Jacovani
so br Priscilla Jacovani Sobre Especialista em Marketing e Tecnologia da Informação pela Fundação Getúlio Vargas, Priscilla Jacovani começou a empreender há cerca de dez anos, quando decidiu abrir mão
Leia maisResultados Gerais. 2 Estudo Latino-Americano de Tecnologia de Recursos Humanos
Resultados Gerais 2 Estudo Latino-Americano de Tecnologia de Recursos Humanos O uso da tecnologia de Recursos Humanos nunca foi tão alto na América Latina. Quase 40% das empresas da região contam com uma
Leia maisComo alinhar TI ao Negócio com Indicadores de Desempenho
Como alinhar TI ao Negócio com Indicadores de Desempenho Walfrido Brito Diretor da BI Gestão & TI 2017 Nosso Objetivo! Entender como uma Arquitetura de Indicadores de Desempenho bem estruturado e alinhado
Leia maisUniversidade de São Paulo. Faculdade de Economia, Administração e Contabilidade Departamento de Contabilidade e Atuária EAC FEA - USP
Universidade de São Paulo Faculdade de Economia, Administração e Contabilidade Departamento de Contabilidade e Atuária EAC FEA - USP EAC 0548 Sistemas de Informações Contábeis AULA 11 Business Intelligence
Leia maisPORTAL DO EGRESSO DO IFC CAMPUS CAMBORIÚ
PORTAL DO EGRESSO DO IFC CAMPUS CAMBORIÚ Autores: Renan Ramon Esser HILLESHEIM 1 ;; Dafny Ribas REICHERT 2 ;; Angelo Augusto FROZZA 3 ;; Reginaldo Rubens da SILVA 3 Identificação autores: 1 Bolsista de
Leia maisTópicos Especiais em Informática Fatec Indaiatuba
Inteligência de Negócios Fatec Indaiatuba Prof. Piva Compreender as definições e conceitos básicos do Data Warehouse (DW) Entender as arquiteturas do DW Descrever os processos utilizados no desenvolvimento
Leia maisDedicados em exclusivo à área analítica desde 1994, somos o parceiro ideal para a realização de projetos de análise de dados.
Dedicados em exclusivo à área analítica desde 1994, somos o parceiro ideal para a realização de projetos de análise de dados. Os serviços Data Mining Services têm como objetivo disponibilizar às organizações
Leia maisTransformação Digital
Transformação Digital O que fazem as organizações para se manterem referência aos seus concorrentes? Maio T O D O S O S D I R E I T O S R E S E R V A D O S 2018 Contexto e Evolução MACRO TENDÊNCIAS A ERA
Leia maisLISTA DE EXERCÍCIOS. Amplia a abrangência de controle da alta administração. Permite monitorar as atividades com mais eficiência
1. Análise para tomada de Decisão Analisa, compara e destaca tendências Maior clareza e percepção dos dados Acelera o processo de tomada de decisão Melhora o desempenho administrativo Amplia a abrangência
Leia maisOrquestração de Comunicações Multicanal. Direct.One > Apresentação > Q4-2017
Geração, Entrega e Análise de Comunicações Multicanal Orquestração de Comunicações Multicanal Direct.One > Apresentação > Q4-2017 direct.one A plataforma funciona como um orquestrador de comunicações multicanal,
Leia maisTransformação Digital no Setor Elétrico
Transformação Digital no Setor Elétrico 23 DE MAIO DE 2018 1 Big data ou little data, o que importa é a sua análise dos dados Felipe Rejes, Product Support Engineer 23-MAI-18 Existem grandes possibilidades
Leia maisO que é preciso para ser Cientista de Dados?
O que é preciso para ser Cientista de Dados? Cássio Socal Cervo Administração de Empresas - PUCRS Ciências Contábeis - PUCRS MBA Gerenciamento de Projetos - FGV/Decision MBA Big Data e Analytics - FGVSP
Leia maiscashcontrol! A ÚNICA SOLUÇÃO COMPLETA PARA CONCILIAÇÃO FINANCEIRA
cashcontrol! A ÚNICA SOLUÇÃO COMPLETA PARA CONCILIAÇÃO FINANCEIRA O problema principal A verdade o estabelecimento sabe exatamente o que vendeu, pedido por pedido quando receber a liquidação, D+30, não
Leia maisCase de Sucesso DISTRIMED
Case de Sucesso DISTRIMED Monitorando as atividades de negócio e implantando uma cultura de Gestão à Vista De acordo com o Gartner, o Business Activity Monitoring (BAM) descreve os processos e as tecnologias
Leia maisDATA STORYTELLING MASTERCLASS. 2 Dias DIGITAL ANALYTICS ACADEMY
EDUCATION DATA STORYTELLING MASTERCLASS 2 Dias Intra-Empresa Conteúdo Pedagógico Personalizado Curso vocacionado para dotar gestores e analistas de marketing com competências de comunicação para envolver
Leia maisBoticário aumenta capacidade de análise de dados e satisfação de franqueados com SAP HANA
Boticário aumenta capacidade de análise de dados e satisfação de franqueados com SAP HANA O Grupo Boticário possui mais de 4.400 franquias distribuídas em cerca de 1.750 municípios brasileiros. Para processar,
Leia maisSão Paulo. August,
São Paulo August, 28 2018 Inteligência Artificial & Data Analytics: Essenciais Para Seus Negócios Carlos Camara Client Solutions Director, DELL EMC @carlosedcamara MAS QUE É ESSA? 4 5 6 7 8 Q U A L D
Leia maisUS$ 62,5 bilhões Estimativa a partir de dezembro de Fonte: Forbes
US$ 62,5 bilhões Estimativa a partir de dezembro de 2015 Fonte: Forbes Novas demandas Mais coisas Ameaças especializadas Colaboração global Acesso em qualquer lugar Consumerização de TI (BYOD) 30% Mensagens
Leia maisReduzindo o time-to-market com uma infraestrutura gerenciada e automatizada: Caso ELO
Reduzindo o time-to-market com uma infraestrutura gerenciada e automatizada: Caso ELO Anderson Agapito Gerente de Infraestrutura ELO Allan Roque Arquiteto de Soluções Red Hat BRASIL Mais de R$ 1 tri em
Leia maisUM POUCO DO NOSSO TRABALHO. Desenvolvimento de produtos digitais
UM POUCO DO NOSSO TRABALHO Desenvolvimento de produtos digitais Desenvolvemos produtos digitais com inteligência e tecnologia. Somos especialistas em comportamento digital e criamos experiências que impulsionam
Leia maisSOMOS TOTVS QUEM SOMOS: DESENVOLVEMOS TECNOLOGIA SOLUÇÕES DE NEGÓCIOS. Muito além da tecnologia
Convecon TOTVS: SOMOS TOTVS SOLUÇÕES DE NEGÓCIOS Muito além da tecnologia QUEM SOMOS: DESENVOLVEMOS TECNOLOGIA Para tornar as empresas ainda mais completas e competitivas por meio de soluções inteligentes,
Leia maisFerramenta para suporte à tomada de decisões Ayrton Silva
Ferramenta para suporte à tomada de decisões Ayrton Silva AMM Paraná 1 Ferramenta para suporte à tomada de decisões Ayrton Silva, PMP AMM Paraná 2 A população mundial está crescendo e a produção de alimentos
Leia maisIBM MKT Cloud O Futuro do MKT é pessoal
IBM MKT Cloud O Futuro do MKT é pessoal 19 de Agosto 2015 Quem somos... Georgia Beatriz Marketing Manager Bianca Mello Makerting Assistant Éber Gustavo Client Solution Specialist Objetivo Entender como
Leia maisASUG DAY São Paulo 19/05/2015
by ASUG DAY São Paulo 19/05/2015 Há 6 anos 100% dedicada ao desenvolvimento de Soluções de Negócio e Tecnologias SAP para Gestão de Pessoas! +70 clientes atendidos +250 projetos na América Latina +50 consultores
Leia mais#pragma FinanceBot. Tome decisões assistidas por um Bot* que se comunica com o Dynamics 365 (AX).
#pragma FinanceBot Tome decisões assistidas por um Bot* que se comunica com o Dynamics 365 (AX). Monitore o desempenho de vendas e lucratividade através do chat Obtenha métricas de vendas de receita, lucro
Leia maisReinvenção Digital com Cloud e Dados: você é líder ou retardatário nesta transformação?
Reinvenção Digital com Cloud e Dados: você é líder ou retardatário nesta transformação? Wagner Arnaut IBM Distinguished Engineer CTO IBM Cloud Brasil warnaut@br.ibm.com 2018 IBM Corporation Mas o que é
Leia maisAtuação do Sebrae no ambiente tecnológico de Casa & Construção. São Paulo
Atuação do Sebrae no ambiente tecnológico de Casa & Construção São Paulo 17.11.2017 Quem somos Serviço Brasileiro de Apoio às Micro e Pequenas Empresas Entidade privada, de interesse público e sem fins
Leia maisSAP Education Learning HUB
SAP Education Learning HUB Tudo que você precisa saber sobre o SAP Learning Hub Agenda O que é o SAP Learning Hub SAP Learning Room SAP Live Access Edições Solution Editions Benefícios O que há de novo
Leia maisCQCS Insurtech Seguro de vida digital : O que vem por aí?
CQCS Insurtech 2018 Seguro de vida digital : O que vem por aí? Conheça a nossa história Assistindo nosso vídeo institucional Soluções Médicas Integradas Tele entrevista com parecer médico BI- Análise
Leia maisProjeto de revista científica em meio eletrônico: Big Data
UNIVERSIDADE FEDERAL DE SANTA CATARINA CURSO DE GRADUAÇÃO EM BIBLIOTECONOMIA ALEXANDRE COMPAN GRANAIOLA BARCELLOS Projeto de revista científica em meio eletrônico: Big Data Florianópolis, 2017 ALEXANDRE
Leia maisDiagrama Funcional das Informações
Arquitetura Processo Diagrama Funcional das Informações Produção das Informações Coleta das Informações Gestores Algoritmo de Processamento / Data Loader Decriptografia e descompactação Armazenamento Consumo
Leia maisTRANSFORMAÇÃO DIGITAL
TRANSFORMAÇÃO DIGITAL EVOLUÇÃO DAS TRANSAÇÕES POR CANAL QUANTIDADE DE TRANSAÇÕES Janeiro a Outubro PARTICIPAÇÃO DAS TRANSAÇÕES POR CANAL DE ATENDIMENTO 4,3 Bi 4,0 Bi TOTAL 4,0 B TOTAL 10,7 B 40% 2016 1,5
Leia maisequipment identity register
equipment identity register Existem duas tendências que fazem necessário controlar telefones ou dispositivos que podem se conectar a uma rede móvel. Por um lado, a maioria dos países tem penetração de
Leia maisEstamos prontos para entregar software inteligente?
Estamos prontos para entregar software inteligente? Tiago Moura thvmoura CTO da Hop Mestre em Ciência da Computação IBM Lifetime Champion Fã de futebol e MMORPG Quem somos? Engenharia de software até agora...
Leia maisGerência de Projetos de TI
Gerência de Projetos de TI Grade Curricular Unidade de aprendizagem Ementas Carga horária Semestre 1 Business Intelligence Gerência de Qualidade de Software Métodos e Práticas na Engenharia de Requisitos
Leia maisDo Mainframe para o futuro
Do Mainframe para o futuro Mainframe Futuro? Spotify Engineering Culture Spotify Engineering Culture Sobre mim Anderson Borges Apaixonado por Viagens Trilhas Caminhadas Desenvolvimento de Software Sobre
Leia mais