BIG DATA. SIRLON DINIZ DE CARVALHO DR
|
|
- Vanessa Peixoto di Castro
- 8 Há anos
- Visualizações:
Transcrição
1 BIG DATA SIRLON DINIZ DE CARVALHO DR 1
2 Sirlon Diniz de Carvalho, MSc. Tem experiência de mercado nas áreas de Sistemas de Informação, Engenharia da Computação, Administração por Processos e Gestão da Qualidade, com ênfase em Mapeamento de Processos, Inteligência nos Negócios (Business Intelligence - BI) e Teleinformática. Atuação como analista de sistemas e consultor independente para diversas empresas, principalmente nos temas: Análise e Desenvolvimento, Sistemas Tutores Inteligentes, Segurança da Informação, Infraestrutura e Redes de Computadores. Certificado Six Sigma - Lean Green Belt e Lean Black Belt - liderou e participou de vários projetos Six Sigma. Com os conhecimentos obtidos em Administração por Processos, já atuou em vários projetos na área de tecnologia, melhoria da qualidade em empresa do ramo educacional, entre outros. Atua na área acadêmica há mais de 14 anos como docente na graduação e pós-graduação, além de ter exercido atividades de gestão de cursos de graduação e pós-graduação. Atualmente é servidor público federal do Instituto Federal de Goiás. 2
3 BIBLIOGRAFIA Mayer-Schönberger, Viktor; Kenneth, Cukier. Big Data: como extrair volume, variedade, velocidade e valor da avalanche de informação cotidiana. Rio de Janeiro: Elsevier, Mahrt, M.; Scharkow, M. (2013) The Value of Big Data in Digital Media Research. Journal of Broadcasting & Electronic Media, 57(1), Manyika J, Chui M, Brown B, Bughin J, Dobbs R, Roxburgh C, Byers AH (2011) Big data: the next frontier for innovation, competition, and productivity. McKinsey Global Institute. Disponível em big_data_ the_next_frontier_for_innovation. Acesso em Inmon, W. H., Como Construir o Data Warehouse, Campus, Barbieri, Carlos. BI Business Intelligence Modelagem & Tecnologia. Rio de Janeiro: Editora Axel Books, Serra, L., A Essência do Business Intelligence, Berkeley Brasil, Kimball, Ross. "The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling (Second Edition)", Wiley,
4 Dos Sistemas Transacionais ao Big Data Sistemas Transacionais e sua estrutura de Dados; C o n c e i t o d e B a n c o s d e D a d o s Relacionais; Dos Dados Transacionais ao Data Warehouse (DW); Além dos Dados Transacionais e do DW: s, informações de tráfego de rede, redes sociais etc.; O Big Data e a Business Intelligence; O agora em Big Data: aplicações e estudos de Casos; A imprecisão dos dados (confusão): ênfase no todo e não no detalhe. Big Data: Volume, Variedade, Velocidade e Valor Os V s do Big Data Aceitando a Confusão: estudos de caso; A causalidade: sem saber o porquê, apenas o quê ; Conteúdo da apresentação A Dataficação: quantificação, tabulação e análise; Além dos dados estruturados: o valor dos dados não estruturados; Valor dos dados: análise de custo e benefício; Dados: reutilização, recombinação, expansão e depreciação; A cadeia de valor do Big Data: Informação, Especialista de Dados, Pessoas e Empresas com mente Big Data; Riscos do Big Data: Privacidade e Punições preditivas; Big Data e normas de regulação. Projetos de Big Data Ferramentas de Big Data; Dados não estruturados e o NOSQL; Projeto de Big Data: ganham os pequenos ou os grandes; 4
5 Tipos de Aplicações: Sistemas Transacionais/Operacionais USlizado para aplicações operacionais Aplicações crí6cas OLTP Execução do negócio Sistemas de controle de estoque Sistemas bancários Sistemas Financeiros Operações de manipulação de dados (insert, update, delete), normalmente on- line e em nível detalhado. Sistemas de controle de vendas de mercadorias etc. 5
6 Banco de Dados Transacionais Como armazenar dados Textos Sistemas de Gerenciamento de Arquivos Planilhas eletrônicas Sistemas de Gerenciamento de Bancos de Dados o SGBD Relacional o SGBD Orientado a Objetos etc. 6
7 Modelagem dos dados de aplicações transacionais Para armazenar é necessário modelar ou projetar o BD Normalização Porque normalizar 1ª, 2ª, 3ª e 4ª FN Exemplo de normalização Exercício modelagem 7
8 Modelagem dos dados de aplicações transacionais 8
9 Empresa informaszada: novas demandas Novas Demandas de T.I. Relatórios gerenciais: clientes por bairro, estado civil etc. Análise complexa questões impossíveis de se prever Mais demandas para o departamento de T.I. Case supermercado produtos por grupo Mas resumo não contradiz normalização? Ambiente de negócio em mudança constante Dados heterogêneos e inconsistentes 9
10 Problemas com a modelagem transacional Alto volume de dados e necessidade de resposta rápida Dados são voláteis: clientes mudam, casam, estudam etc. Enfim: Os modelos de dados tradicionais acabam sendo muito complexos e di3ceis de ser entendidos pelo usuário. Além disso, Joins de múl;plas tabelas, frequentemente grandes, são demorados e consomem muitos recursos do sistema. 10
11 Dúvidas e quessonamentos surgem Conhecemos o negócio? Entendemos o processo, mas somos incapazes de analisar situações mais complexas Valor da Tecnologia versus valor da Informação O que está sendo feito com a memória da organização Relatórios não atendem à Gerência Como resolver esse problema? 11
12 Com Aplicações de Tomada de Decisão USlizadas para análise do negócio Sistemas de Apoio à Decisão - SAD Exige conhecimento do negócio Vital para desenvolvimento de estratégias Extraem informações necessárias para a tomada de decisão, u6lizando consultas complexas sobre grandes volumes de dados (por exemplo, determinar a taxa de crescimento do faturamento nos úl6mos 5 anos) Podem usar sistemas transacionais como fontes de dados 12
13 BI Conceito Business Intelligence (BI) Refere- se à coleta, organização, análise, compar;lhamento e monitoramento de informações para suporte à gestão de negócios. Contempla: Data Warehouse (DW) Data Mining (DM) Customer Rela6onship Management(CRM) OLAP 13
14 Nascimento do Data Warehouse (DW) Data Warehouse é um conjunto de dados: orientados a um assunto integrados não- voláteis variáveis com o tempo usado no apoio a decisões gerenciais William H. Inmon Pai do Data Warehousing 14
15 Data Warehouse: texto para leitura CaracterísScas de um DW Orientado a assuntos: vendas de produtos a diferentes 6pos de clientes, atendimentos e diagnós6cos de pacientes, rendimento de estudantes. Integrado: diferentes nomenclaturas, formatos e estruturas das fontes de dados precisam ser acomodadas em um único esquema para prover uma visão unificada e consistente da informação. Não volásl: os dados de uma data warehouse não são modificados como em sistemas transacionais (exceto para correções), mas somente carregados e acessados para leituras, com atualizações apenas periódicas. 15
16 Comparação entre dados transacionais e DW Operacionais Orientados à aplicação Precisão Instantânea Atualizáveis Voláteis Dispersos em aplicações Acesso frequente Acesso a quantidade reduzida Data Warehouse Orientados a assuntos Snapshots Somente para leitura Históricos Integrados no DW Acesso esporádico Acesso a grande volume Transacional DW 16
17 O Data Warehouse Afinal, o que é o DW? Um novo modelo de Dados Uma nova estrutura de armazenamento Infraestrutura diferente Acesso diferenciado Grandes quan6dades de dados 17
18 E nos departamentos: Data Mart Data Mart Subconjunto dos dados corpora6vos Informações específicas para um grupo de usuários Esquemas não normalizados Data Warehouse Corporativo Data Mart de Marketing Data Mart de Finanças Data Mart de Vendas 18
19 Data Mart - Aplicação Aplicações de Data Mart Uso departamental Locais remotos (filiais, lojas etc.) Acesso externo (fornecedores, clientes etc.) Estals6ca/Mineração (segmentação de mercado, previsão orçamentária, gerenciamento de campanhas etc.) 19
20 Problemas com Origens dos Dados Problemas com Sistemas Legados Modelagem inexistente Programadores não pertencem mais à equipe Sistemas proprietários não possibilitam acesso Domínio de tecnologia obsoleta: cobol, adabas etc. Dados dependentes da aplicação: dincil dissociar Equipe transacional não coesa com B.I. 20
21 Conceito de ETL: Extração Desafio da Extração Ø Ø Somente a extração dos dados leva cerca de 60% das horas de desenvolvimento de um DW (KIMBALL, 1998 apud ABREU, 2007). A maior parte do esforço exigido no desenvolvimento de um DW é consumido neste momento e não é incomum que oitenta por cento de todo esforço seja empregado no processo de ETL, (INMON, 1997 apud ABREU, 2007) Ø A extração é afetada pelo ambiente 21
22 Dados Externos Dados Externos referem- se a dados essenciais para a tomada de decisão, mas que não fazem parte dos dados originados dos sistemas transacionais. Exemplos de Dados Externos: cotação de moeda estrangeira, situações de catástrofe, cenário de mercado etc. Fonte de Dados Externos: revistas especializadas, jornais, índices governamentais etc. 22
23 Os Metadados: Conceito Essencialmente Metadados refere- se a um dicionário de dados, ou seja, dados que mantém informações sobre outros dados Para cada atributo no DW, há uma entrada no dicionário Dados são consultados e atualizados com base nos metadados Permite conhecer e entender a estrutura dos dados Em BD transacional a semân6ca está na aplicação 23
24 OLAP: Online analyscal processing Tipos de Ferramentas MOLAP: Mul6dimensional OLAP ROLAP: Rela6onal OLAP HOLAP: Hybrid OLAP DOLAP: Desktop OLAP 24
25 Ferramentas OLAP Dados Operaciona is Warehouse Data Mart Ferramentas OLAP Dados Externos Cuidados com soluções integradas DW e OLAP 25
26 Ferramentas Mineração de Dados Matemática Estatística Heurística Inteligência Artificial Diferenças entre - OLAP - Data Mining Machine Learning Business Application Data Mining 26
27 Nova Fonte de Recursos para a empresa Questões é6cas A Informação como a6vo da empresa: novo conceito Possibilidade de vendas de informação E as novas fontes de informação? Para onde vamos? Big Data? 27
28 O Big Data Agora Definição Existem várias, mas segundo Mayer- Schönberger, Big data se refere a trabalhos em grande escala que não podem ser feitos em escala menor, para extrair novas ideias e criar novas formas de valor de maneiras que alterem os mercados, as organizações, a relação entre os cidadãos e governos etc. Origem do nome Big Data Ciências como astronomia e genômica 28
29 O Big Data Agora Caso H1N1 CDCs (Centro de Controle de Prevenção de Doenças): ü Dependia de resultado de exames e informações do médicos ü Cenário defasado em 01 ou 02 semanas Google: ü usou dados de 50 milhões de termos de busca comuns (histórico de 2003 a 2008) ü 450 milhões de modelos matemá6cos ü Combinação de 45 termos, num modelo matermá6co ü Encontrou correlação entre previsão e números oficiais ü Em tempo real ü Sem teste de saliva, sem atraso 29
30 O Big Data Agora Caso Forecast (Oren Etzioni) Passagens antecipadas com preço maior? Como saber se comprar antecipadamente é melhor? Coletou preços em 41 dias Criou uma startup Passou para 200 bilhões de registros Vendeu para Microsow por US$ 110 milhões Qual a matéria- prima do negócio? Revolução nos dados, não nas máquinas! 30
31 O Big Data Agora Caso Sloan Digital Sky Survey Início no ano 2000 (Novo México) Em 2 semanas o telescópio coletou mais dados que em toda a história da astronomia Em 2010 eram 140 terabytes Uma sucessora, a Large Synop6c Survey Telescope (Chile), prevista para 2016: coletará isso em 5 dias 31
32 O Big Data Agora Projeto Genoma Humano Criado em 1990 nos EUA, com previsão para 15 anos 2003: cien6stas precisaram de uma década para sequenciar 3 bilhões de pares- base Hoje: faz- se em um único dia 32
33 O Big Data Agora Empresas de Internet Google: processa 24 petabyte/dia Facebook ü Recebe mais de 10 milhões de fotos/hora ü Cur6r e comentar: 3 bilhões/dia ü Trilha digital é construída Youtube ü 800 milhões de usuários ü > 1 hora de vídeo criada por segundo Twi}er (2012): 400 milhões/dia 33
34 O Big Data Agora Quanto há de informação? Existem vários estudos Mar6n Hilbert, da Annenberg School for Communica6on and Journalism, CA, EUA, apresentou um ü Considerando Livros, imagens, e- mails, fotografias, música, vídeo (analógico e digital), videogames, ligações telefônicas, cartas e sistemas de navegação para carros, além de televisão e rádio ü Resultado: em 2007 es6mou- se 300 hexabytes (um bilhão de GB) O suficiente para ü Se impresso, cobrir os EUA com 52 camadas ü Em CD- ROMs empilhados: 5 pilhas até a lua 34
35 O Big Data Agora Big Data Inteligência Ar6ficial? Aprendizado de máquina? Ensinar um computador a pensar? Na verdade está mais para aplicação de matemá;ca a enormes quan;dades de dados visando prever probabilidades! 35
36 A imprecisão dos Dados Usar todos os dados (N1=1Tudo) Amplia a visão, o que não era possível antes Fontes diversificadas Dados normalizados e não normalizados SQL já não é suficiente Não se pode abrir mão das conquistas Há ferramentas que resolvem o problema? Como fica o especialista? O conhecimento do negócio é relevante? E os sistemas legados? 36
37 Os 'Vs' do Big Data 3 ou 5 Vs Volume: grande, crescimento exponencial e às vezes subu6lizados Velocidade: tratamento dos dados (obtenção, gravação, atualização etc.) deve ser rápido - muitas vezes em tempo real Variedade: diversidade de informações (Estruturados - Bancos de Dados, DWs, Não Estruturados - documentos, imagens, áudios, vídeos etc.) 37
38 Os 'Vs' do Big Data 3 ou 5 Vs Veracidade: dados confiáveis, garan6r o máximo possível a consistência dos dados? Valor: os resultados devem trazer benencios significa6vos e que compensem o inves6mento? 38
39 A confusão (inexasdão) dos Dados N1=1Tudo è Usar todos os dados disponíveis Há custos Aumento da quan6dade leva à inexa6dão Soluções com menor volume permi6a tratar outliers Buscou- se tratá- los como problemas Em big data é necessário aprender a conviver com inexa6dão Pra6camente impossível tratá- los como em amostragens Historicamente o homem evoluiu ao medir (precisão) Em big data imprecisão (confusão) é visto de forma posi6va Como entender melhor tudo isso? 39
40 A confusão (inexasdão) dos Dados Case vinhedo Medir a temperatura com um único sensor o Tem que ser preciso o Não permite confusão Medir a temperatura com um sensor a cada 100 parreiras o Pode- se usar sensores mais baratos (não tendenciosos) o Alguns podem apresentar confusão o Mas a soma é mais abrangente o Mudar de uma medida por minuto para 10 ou 100/segundo o Volume versus perda 40
41 A confusão (inexasdão) dos Dados Então em big data Dados não totalmente incorretos = 3,9 pode? Pretere- se um pouco da precisão em favor de uma tendência Big data é mais probabilís6co que exato Case algoritmos de xadrez o Poucas modificações o Regras conhecidas o Como melhoraram o Jogadas finais: 6 peças mapeados o N1=todo para: mais de 1 TB 41
42 A confusão (inexasdão) dos Dados Case linguagem natural Análise grama6cal MS Word (2000): Michele Banko e Eric Brill buscavam melhorar o resultado Melhorar os algoritmos ou aumentar dados? 1 milhão de palavras é comum (corpus texto) 10 milhões, 100 milhões, 1 bilhão? O mais simples com 500 mil saiu de 75% para 95% acerto Google em 2006 usava 1 trilhão Em 2012: 60 idiomas, 14 por voz Algoritmo pouco inteligente: modelos simples Modelos simples com muitos dados são melhores que modelos mais elaborados com menos dados, disse Peter Norvig 42
43 A confusão (inexasdão) dos Dados Mais sobre confusão Existe porque a tecnologia não é perfeita Dep. Americano de Estals6cas Trabalhistas faz índice de preço ao consumidor (Federal Reserve usa para cálculo inflação) o Custo: US$ 250 milhões/ano o Dados organizados, mas defasados em função do tempo o Crise 2008 não foi prevista com tanta precisão Alberto Cavallo e Roberto Rigobon(MIT): alterna6va confusa o 500 mil preços da Internet + big data: previu deflação 2 meses antes que o governo (2008) o MIT originou a PriceStats: bancos e outros usam o The Economist usa: não confia completamente nos cálculos de alguns países (Argen6na, p.e.) The image cannot be displayed. Your computer may not have enough memory to open the image, or the image may have been corrupted. Restart your computer, and then open the file again. If the red x still appears, you may have to delete the image and then insert it again. 43
44 Aceitando a causalidade Mais sobre confusão Flickr: 6 bilhões de imagens e 75 milhões de usuários (2011) o usou big data para rotular imagens Maior escala: exato perde importância o Ícone do Twi}er ou Cur6r do Face o Gmail condensa minutos, horas, dias etc. o Flexibilidade para BDs tradicionais (campos diferentes) SQL não é suficiente: surge NOSQL Google criou MapReduce: modelo de programação (framework) Hadoop: rival Open Source Projeto Apache em Java (Distribuído) o Visa usou para segmentar 70 milhões transações o Reduziu de um mês para 13 minutos 44
45 A causalidade Sem saber o porquê apenas o quê Ser humano sente a necessidade de entender a causa Crí6cas a modelos caixas pretas Importância para modelos simbólicos e estals6cos Questões filosóficas sobre causalidade (é tudo causal?) Daniel Kahneman professor de psicologia de Princeton e ganhador do Nobel de Economia de 2002 Ser humano: 2 6pos de raciocínio (rápido ou reflexivo) Rápido para sobrevivência no passado Implica em ver causalidades inexistentes É cultural mas o paradigma é um problema em big data Correlação é fácil, causalidade é dincil 45
46 Dataficação QuanSficação, Tabulação e Análise Case Ma}hew Fontaine Maury o Oficial da Marinha americana (1839) o Big data à moda an6ga: carta náu6ca Case Shigeomi Koshimizu o Ins6tuto Avançado de Tecnologia (Japão) o Forma que a pessoa se senta é quan6ficada e tabulada o Resultado: código digital único com até 98% de acerto o Pode- se aplicar em segurança, cansaço etc. 46
47 Dataficação QuanSficação, Tabulação e Análise Dado: origem do grego e pode significar fato Dataficar: coleta de dados e disposição em formato quan6ficado de modo que possa ser tabulado e analisado Números Romanos versus arábicos Itália no século XIV: balanço e origem da contabilidade Dataficação de imagem de texto do Google Geoprocessamento: dataficação de um lugar (la6tude/longitude) GPS teve origem em 1978 e aberto para uso não militar em 1980 Dataficação dos smartphones: o Publicidade direcionada o Biometria Gráfico social 47
48 Além dos dados estruturados O valor dos dados não estruturados Digitalização versus dataficação Luis Von Ahn (2000) criou Captcha: problemas com spambots Yahoo implementou Captcha (Teste Completamente Automa6zado para Separar Computadores e Humanos) E o ReCaptcha, o que tem de diferente? Movimento e cliques de mouse Conteúdo do Twi}er: entender sen6mentos e manifestações Conteúdo do face: entender preferências de imagens, sons, vídeos etc. Quando as palavras se tornam dados: literatura e estals6ca Custo de armazenagem jus6fica manutenção dos dados 48
49 Além dos dados estruturados NOSQL Criado por Carlo Strozzi em 1998: BD relacional código aberto mas sem SQL Dis6nto do modelo relacional: o termo norel ficaria melhor Ressurgiu em 2009: Rackspace evento sobre BD Open Source e Distribuídos Termo se refere a diferentes sistemas de BDs não estruturados Buscam performance superior e de alta escalabilidade Facilidade para distribuição horizontal: mais dados mais servidores Todas informações agrupadas no mesmo registro Mais tolerantes a erros Ideal para BDs Transacionais? 49
50 Valor dos Dados Análise Custo e Benetcio Logís6ca abastecimento carro elétrico: problema para empresa e motoristas IBM e big data: previsão local abastecimento e construção postos Mas os carros já não possuem computador de bordo? Apenas parte dos dados coletados são usados Empresas inovadoras procuram valor oculto nos dados Na era big data custo e benencio pode estar na reu6lização básica, fusão de Bancos de Dados ou novas descobertas Muitos dados se perdem ou são subu6lizados O valor está no que é possível extrair Valor dos dados é a soma das possibilidades 50
51 Extraindo o máximo dos Dados ReuSlização e recombinação Reu6lização: dados de uso primário u6lizados para outros fins o Dados das buscas: corretor ortográfico o Amazon extraiu preferência de usuários da AOL o Reconhecimento de voz: Google versus Nuance o SWIFT: prever PIB a par6r de transferências internacionais o Operadora de Celular: dados de localização anônimos Recombinação: combinar fontes de dados diferentes Uso de Celular e Câncer (Dinamarca): 3,8 milhões de dados Zillow (Ramo imobiliário): informações de imóveis + preços + mapas para prever valores 51
52 Extraindo o máximo dos Dados Expansão e depreciação Expansão: dados adequados a vários usos o Câmeras: segurança e fluxo de clientes o Street View: fotos, dados de GPS (autopiloto), nomes de redes WiFi (especula- se que até dados) dois pelo preço de um Depreciação: perda de u6lidade com o tempo o Desafio de separar dados úteis ou manter todos o NSA mantem dados do maior número possível Uso exaus6vo dos dados Case corretor: Yahoo pensou, Google agiu (veio de graça) Treinamento de voz: aprendizado recursivo Gostamos de aprender com bancos de dados enormes e barulhentos funcionário Google 52
53 Cadeia de Valor do Big Data Informação Dados da empresa auxiliam na definição do seu valor contábil Bancos e a Terceirização de cartões: qual o custo? Mastercard analisa 65 bilhões de transações de 1,5 bilhão de clientes em 210 países e até vende informações É Capaz de descobrir: encher tanque 16h, gastar de US$ 35,00 a US$ 50,00 na próxima hora (em mercearia ou restaurante) Sensores sem fio em ônibus público para prever quebras o Diminuiu o custo em até 10% o Possibilitou a subs6tuição de uma peça com 450 mil Km (antes era com 320 ou 400 mil): economia de mais de US$ 1 mil/veículo Origem da informação é irrelevante: mídia e dados 53
54 Cadeia de Valor do Big Data Especialista de Dados Ganha bem, trabalha duro e entrega o diamante para o dono Ideias e habilidades são acessórios: o valor recai sobre os dados Valor migrou: conhecimento è ideia è dados Morte do especialista? Pioneiros tem origem externa ao seu domínio: especialista em análise de dados, IA, matemá6ca, estals6ca etc. Piada Microsow: a qualidade das traduções aumenta sempre que um linguista deixa a equipe Grupo Google é capaz de traduzir para idiomas que não dominam 54
55 Cadeia de Valor do Big Data Pessoas e Empresas com mente Big Data Novo perfil: menos especialista, mais generalista Setor de videogames fatura mais/ano que Hollywood/mundo Usam big data para entender o jogador (vendas de itens) Intermediários que agrupam e vendem dados Big data pouco ú6l para empresas de porte médio: vantagens de escala para grandes e custo e inovação para pequenas Big data obriga médias a se tornarem grandes ou pequenas Veem oportunidades antes dos outros: mesmo sem dados Cria6vo e observador: não se limita ao que é exequível, mas ao que é possível Em expansão e com muitas oportunidades 55
56 Riscos do Big Data Privacidade e Punições PrediSvas Dados podem se tornar instrumento de opressão Como saber de obje6vos que sequer existem Case Street View: casa ofuscada Consen6mento individual, opção de exclusão e anonimização perderam eficiência Aplica6vos de smartphones: solicitam autorização à localização NSA em Fort Williams: inves6mento de US$ 1,2 bilhões Coleta dados o tempo todo, do maior número possível São capazes de inves6gar assim que iden6ficam o suspeito Comportamento de compra pode iden6ficar uma pessoa 56
57 Riscos do Big Data Privacidade e Punições PrediSvas Cases de Anonimato quebrado o Buscas AOL e pesquisa do New York Time o Prêmio Ne lix disponibilizou 100 milhões de registros de 500 mil usuários e US$ 1 milhão a quem melhorasse recomendações: resultado, iden6ficaram clientes o Ne lix e Pesquisadores da Universidade do Texas: classificação 6 filmes obscuros (de 500 mais vistos) - possível iden6ficar cliente com 84% precisão (de posse da data da classificação, sobe para 99%) Memphis, no Tennessee: big data aplicado na diminuição de crimes, prevendo ações (Blue CRUSH) Pode- se punir predi6vamente? 57
58 Big Data: Normas e Regulação Regulação Área nova, ainda não há regulação específica Como inves6gar? Quem é capaz? Algoritmistas, a nova profissão? o Algoritmistas externos e internos Governos também devem ser regulados? Big data altera autocontrole da sociedade? Para onde vamos? 58
59 Ferramentas Big Data Ferramentas de Big Data Há ferramenta ou solução específica para Big Data? Big Data: estruturas de indexação de dados e de visualização Estrutura de indexação de dados o Agrupa dados estruturados e não estruturados o É somente a composição dos dados (isso lembra algo?) Componente de visualização de dados: um ou vários o IBM Cognos, QlikView, SAP Business Objects, Datameer, splunk, Oragle Business Intelligence entre outros (lembra algo também?) 59
60 Ferramentas Big Data Ferramentas de Big Data Simplificando o NOSQL (Not Only SQL) Estruturados Não Estruturados 60
61 Ferramentas Big Data NOSQL versus BD Relacional NOSQL é não relacional (não estruturado) NOSQL possui sua linguagem de consulta Relembrando conceito dos BDs relacionais O que se ganha com o NOSQL É aplicável a todos os casos? Transacional tem propriedades ACID (Atomicity, Consistency, Isola6on, Durability) Relacional: indispensável onde há necessidade de precisão e consistência de referências Solução: u6lizar NOSQL conjuntamente com um relacional 61
62 Ferramentas Big Data Consultas SQL em uma tabela SELECT Lista_atributos FROM Tabela WHERE Condição Exemplos de consultas com funções de agregação SELECT COUNT(*) FROM CLIENTE SELECT COUNT(*) FROM CLIENTE WHERE sexo= feminino SELECT nome FROM CLIENTE WHERE codigo not in (SELECT codigo FROM FONE) SELECT nome, salario FROM CLIENTE WHERE salario > (SELECT avg(salario) FROM CLIENTE WHERE SEXO= MASCULINO ) 62
63 Ferramentas Big Data Tipos de armazenamento NOSQL Key/Value Store é o mais comum (uma chave, um valor), suporta mais carga, muita escalabilidade o Ferramentas: Berkeley DB, Tokyo Cabinet, Kyoto Cabinet, Project Voldermort, MemcacheDB, SimpleBD, Redis, Riak, entre outros Wide Columns Store tem inspiração no BigTable (Google), suporta várias linhas, colunas e até subcolunas o Ferramentas: Hbase (Apache), Cassandra entre outros Document Store baseados em documentos XML e JSON o Ferramentas: MongoDB, CouchDB (Apache) entre outros 63
64 Ferramentas Big Data Tipos de armazenamento NOSQL Graph Store é mais complexo pois guarda objetos o Ferramentas: Neo4J, InfoGrid e HyperGraphDB Column Oriented Store são bancos de dados relacionais com caracterís6cas NOSQL. Dados armazenados em colunas o Ferramentas: MonetDB, LucidDB, Infobright e Ingres/Vectorwise Cases: SimpleDB é u6lizado pela Amazon Hbase é ligado ao Hadoop MongoDB é u6lizado por: Disney, MTV Networks entre outros 64
65 Ferramentas Big Data Exemplos de NOSQL no MongoDB MongoDB: orientado a documentos, escalável, livre de esquema, de alto desempenho e código aberto escrito em C++ Dados dispostos em coleções - estrutura JSON (JavaScript Object Nota6on). Exemplo: pessoa{ name: Marcos Paulo, nick: Marquinhos, age: 30, phone: {mobile: , residencial: }} Registros flexíveis: quando for necessário, altere Ideal para leituras de grandes volumes não estruturados Exemplos de consultas: 65
66 Projeto de Big Data Por onde começar Planejamento estratégico da empresa Definição do escopo do projeto e demais artefatos No desenvolvimento: o Base de dados interna transacionais o Base de dados informacionais o Flat files imprescindíveis para o negócio o Dados externos acessíveis o Dados que precisam ser adquiridos o Dados de máquina relevantes para o negócio o Ferramentas de indexação de dados o Ferramentas de visualização de dados 66
67 BIG DATA SIRLON DINIZ DE CARVALHO DR 67
Big Data: Uma revolução a favor dos negócios
Big Data: Uma revolução a favor dos negócios QUEM SOMOS Empresa especializada em Big Data e Analytics. Profissionais com larga experiência na gestão de bureaus de crédito, analytics e uso inteligente da
Leia maisDATA WAREHOUSE NO APOIO À TOMADA DE DECISÕES
DATA WAREHOUSE NO APOIO À TOMADA DE DECISÕES Janaína Schwarzrock jana_100ideia@hotmail.com Prof. Leonardo W. Sommariva RESUMO: Este artigo trata da importância da informação na hora da tomada de decisão,
Leia maisData Warehousing. Leonardo da Silva Leandro. CIn.ufpe.br
Data Warehousing Leonardo da Silva Leandro Agenda Conceito Elementos básicos de um DW Arquitetura do DW Top-Down Bottom-Up Distribuído Modelo de Dados Estrela Snowflake Aplicação Conceito Em português:
Leia maisMBA Analytics em Big Data
MBA Analytics em Big Data Inscrições Abertas Início das Aulas: 04/06/2015 Dias e horários das aulas: Segunda-Feira 19h00 às 23h00 Semanal Sexta-Feira 19h00 às 23h00 Semanal Carga horária: 600 Horas Duração:
Leia maisDATA WAREHOUSE. Introdução
DATA WAREHOUSE Introdução O grande crescimento do ambiente de negócios, médias e grandes empresas armazenam também um alto volume de informações, onde que juntamente com a tecnologia da informação, a correta
Leia maisProf. Daniela Barreiro Claro
Prof. Daniela Barreiro Claro Volume de dados muito grande Principais problemas em relação aos SGBD Relacionais é conciliar o tipo de modelo com a demanda da escalabilidade. Exemplo -Facebook Um crescimento
Leia maisO que a Gestão da Informação pode fazer pela sua empresa na era da Informação Extrema
O que a Gestão da Informação pode fazer pela sua empresa na era da Informação Extrema Walter W. Koch Quadrantes de alinhamento da informação estratégica Quadrantes de alinhamento da informação estratégica
Leia maisUniversidade Federal de Goiás Ciências da Computação Sistemas Operacionais 2
Universidade Federal de Goiás Ciências da Computação Sistemas Operacionais 2 MongoDB Diego Fraga - 083746 Gabriel Henrique - 083771 Lauro Henrique - 074259 O que é MongoDB? - MongoDB é uma ferramenta de
Leia maisPlataformas de BI Qual é a mais adequada para o meu negócio?
Plataformas de BI Qual é a mais adequada para o meu negócio? Comparativo prático para escolher a ferramenta perfeita para a sua empresa Faça nosso Quiz e veja as opções que combinam com o seu perfil ÍNDICE
Leia maisInteratividade aliada a Análise de Negócios
Interatividade aliada a Análise de Negócios Na era digital, a quase totalidade das organizações necessita da análise de seus negócios de forma ágil e segura - relatórios interativos, análise de gráficos,
Leia maisMódulo 4. Construindo uma solução OLAP
Módulo 4. Construindo uma solução OLAP Objetivos Diferenciar as diversas formas de armazenamento Compreender o que é e como definir a porcentagem de agregação Conhecer a possibilidade da utilização de
Leia maisDado: Fatos conhecidos que podem ser registrados e têm um significado implícito. Banco de Dados:
MC536 Introdução Sumário Conceitos preliminares Funcionalidades Características principais Usuários Vantagens do uso de BDs Tendências mais recentes em SGBDs Algumas desvantagens Modelos de dados Classificação
Leia maisO que é a ciência de dados (data science). Discussão do conceito. Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.
O que é a ciência de dados (data science). Discussão do conceito Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.3, Outubro, 2015 Nota prévia Esta apresentação tem por objetivo, proporcionar
Leia maisBanco de Dados - Senado
Banco de Dados - Senado Exercícios OLAP - CESPE Material preparado: Prof. Marcio Vitorino OLAP Material preparado: Prof. Marcio Vitorino Soluções MOLAP promovem maior independência de fornecedores de SGBDs
Leia maisChapter 3. Análise de Negócios e Visualização de Dados
Chapter 3 Análise de Negócios e Visualização de Dados Objetivos de Aprendizado Descrever a análise de negócios (BA) e sua importância par as organizações Listar e descrever brevemente os principais métodos
Leia maisBanco de Dados I. Introdução. Fabricio Breve
Banco de Dados I Introdução Fabricio Breve Introdução SGBD (Sistema Gerenciador de Banco de Dados): coleção de dados interrelacionados e um conjunto de programas para acessar esses dados Coleção de dados
Leia maisGerenciamento de Dados e Gestão do Conhecimento
ELC1075 Introdução a Sistemas de Informação Gerenciamento de Dados e Gestão do Conhecimento Raul Ceretta Nunes CSI/UFSM Introdução Gerenciando dados A abordagem de banco de dados Sistemas de gerenciamento
Leia maisDesenvolvimento Profissional e Pessoal!
Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz ESALQ Departamento de Zootecnia Desenvolvimento Profissional e Pessoal! Paulo Fernando Machado pmachado@usp.br Objetivo da vida
Leia maisHoje é inegável que a sobrevivência das organizações depende de dados precisos e atualizados.
BANCO DE DADOS Universidade do Estado de Santa Catarina Centro de Ciências Tecnológicas Departamento de Ciência da Computação Prof. Alexandre Veloso de Matos alexandre.matos@udesc.br INTRODUÇÃO Hoje é
Leia maisInstituto de Educação Tecnológica Pós-graduação Gestão e Tecnologia da Informação - Turma 25 20/03/2015. Big Data Analytics:
Instituto de Educação Tecnológica Pós-graduação Gestão e Tecnologia da Informação - Turma 25 20/03/2015 Big Data Analytics: Como melhorar a experiência do seu cliente Anderson Adriano de Freitas RESUMO
Leia maisFATEC Cruzeiro José da Silva. Ferramenta CRM como estratégia de negócios
FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Cruzeiro SP 2008 FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Projeto de trabalho de formatura como requisito
Leia maisSeguros em um mundo conectado. As novas gerações e as novas formas de negócio
Seguros em um mundo conectado As novas gerações e as novas formas de negócio A IBM realiza investimentos significativos em pesquisa e desenvolvimento para trazer pensamento inovador IBM Industry Models
Leia maisCurso Data warehouse e Business Intelligence
Curso Data warehouse e Business Intelligence Fundamentos, Metodologia e Arquitetura Apresentação Os projetos de Data Warehouse e Business Intelligence são dos mais interessantes e complexos de desenvolver
Leia maisLaudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1
Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1 SISTEMA DE APOIO À DECISÃO Grupo: Denilson Neves Diego Antônio Nelson Santiago Sabrina Dantas CONCEITO É UM SISTEMA QUE AUXILIA O PROCESSO DE DECISÃO
Leia maisAdriano Maranhão BUSINESS INTELLIGENCE (BI),
Adriano Maranhão BUSINESS INTELLIGENCE (BI), BUSINESS INTELLIGENCE (BI) O termo Business Intelligence (BI), popularizado por Howard Dresner do Gartner Group, é utilizado para definir sistemas orientados
Leia maisInteligência Empresarial. BI Business Intelligence. Business Intelligence 22/2/2011. Prof. Luiz A. Nascimento
Inteligência Empresarial Prof. Luiz A. Nascimento BI Pode-se traduzir informalmente Business Intelligence como o uso de sistemas inteligentes em negócios. É uma forma de agregar a inteligência humana à
Leia maisFases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse
Definição escopo do projeto (departamental, empresarial) Grau de redundância dos dados(ods, data staging) Tipo de usuário alvo (executivos, unidades) Definição do ambiente (relatórios e consultas préestruturadas
Leia maisBanco de Dados, Integração e Qualidade de Dados. Ceça Moraes cecafac@gmail.com
Banco de Dados, Integração e Qualidade de Dados Ceça Moraes cecafac@gmail.com Sobre a professora CeçaMoraes Doutora em Computação (UFPE) Áreas de atuação Desenvolvimento de Software e Banco de Dados Experiência
Leia maisData Warehouse. Diogo Matos da Silva 1. Universidade Federal de Ouro Preto, Ouro Preto, MG, Brasil. Banco de Dados II
Data Warehouse Diogo Matos da Silva 1 1 Departamento de Computação Universidade Federal de Ouro Preto, Ouro Preto, MG, Brasil Banco de Dados II Diogo Matos (DECOM - UFOP) Banco de Dados II Jun 2013 1 /
Leia maisResumo dos principais conceitos. Resumo dos principais conceitos. Business Intelligence. Business Intelligence
É um conjunto de conceitos e metodologias que, fazem uso de acontecimentos e sistemas e apoiam a tomada de decisões. Utilização de várias fontes de informação para se definir estratégias de competividade
Leia maisPequenas e Médias Empresas no Canadá. Pequenos Negócios Conceito e Principais instituições de Apoio aos Pequenos Negócios
Pequenas e Médias Empresas no Canadá Pequenos Negócios Conceito e Principais instituições de Apoio aos Pequenos Negócios De acordo com a nomenclatura usada pelo Ministério da Indústria do Canadá, o porte
Leia mais3 0 ENCONTRO DE USUÁRIOS DE BI
3 0 ENCONTRO DE USUÁRIOS DE BI Contextualizando Durante o segundo encontro de usuários de BI, o tema Big Data surgiu várias vezes durante as discussões e prometemos que seria assunto de um próximo evento.
Leia maisEngenharia de software 2011A. Trabalho sobre
Engenharia de software 2011A Trabalho sobre NOSQL Not only SQL NoSQL Not only SQL GRUPO - 9 Cléverton Heming Jardel Palagi Jonatam Gebing Marcos Wassem NOSQL O Termo NoSQL, foi utilizado pela primeira
Leia mais4o ENCONTRO DE USUÁRIOS DE BI
4o ENCONTRO DE USUÁRIOS DE BI Contextualizando Para o quarto Encontro de Usuários de Bi o tema escolhido foi sobre os mo8vos que levam projetos de BI a serem tão longos e o que poderia ser feito para torná-
Leia maisProgramação com acesso a BD. Prof.: Clayton Maciel Costa clayton.maciel@ifrn.edu.br
Programação com acesso a BD Prof.: Clayton Maciel Costa clayton.maciel@ifrn.edu.br 1 Introdução BD desempenha papel crítico em todas as áreas em que computadores são utilizados: Banco: Depositar ou retirar
Leia maissrbo@ufpa.br www.ufpa.br/srbo
CBSI Curso de Bacharelado em Sistemas de Informação BI Prof. Dr. Sandro Ronaldo Bezerra Oliveira srbo@ufpa.br www.ufpa.br/srbo Tópicos Especiais em Sistemas de Informação Faculdade de Computação Instituto
Leia maisMódulo 4: Gerenciamento de Dados
Módulo 4: Gerenciamento de Dados 1 1. CONCEITOS Os dados são um recurso organizacional decisivo que precisa ser administrado como outros importantes ativos das empresas. A maioria das organizações não
Leia maisASSUNTO DO MATERIAL DIDÁTICO: SISTEMAS DE INFORMAÇÃO E AS DECISÕES GERENCIAIS NA ERA DA INTERNET
AULA 05 ASSUNTO DO MATERIAL DIDÁTICO: SISTEMAS DE INFORMAÇÃO E AS DECISÕES GERENCIAIS NA ERA DA INTERNET JAMES A. O BRIEN MÓDULO 01 Páginas 26 à 30 1 AULA 05 DESAFIOS GERENCIAIS DA TECNOLOGIA DA INFORMAÇÃO
Leia maisFormação: o Bacharel em Sistemas de Informações (SI); o MBA em Tecnologia da Informação e Comunicação (TIC).
DOCENTE PROFESSOR CELSO CANDIDO Formação: o Bacharel em Sistemas de Informações (SI); o MBA em Tecnologia da Informação e Comunicação (TIC). Conhecimentos: o Web Designer; o Arquitetura de Máquina; o Implementação
Leia maisData Mining. Origem do Data Mining 24/05/2012. Data Mining. Prof Luiz Antonio do Nascimento
Data Mining Prof Luiz Antonio do Nascimento Data Mining Ferramenta utilizada para análise de dados para gerar, automaticamente, uma hipótese sobre padrões e anomalias identificadas para poder prever um
Leia maisBanco de Dados I. Quantidade de informação gerada em um dia. Aula 1. 59 milhões de clientes ativos; Mais de 42 terabytes de dados; Salários na área
Banco de Dados I Aula 1 Quantidade de informação gerada em um dia E-mails Compras Bate-papo Notícias Blogs Transações bancárias Etc... 59 milhões de clientes ativos; Mais de 42 terabytes de dados; 100
Leia maisMBA Inteligência Competitiva Com ênfase em BI/CPM. Metadados
MBA Inteligência Competitiva BI/CPM 1 Data Warehousing PÓS-GRADUAÇÃO MBA Inteligência Competitiva Com ênfase em BI/CPM Metadados Andréa Cristina Montefusco (36927) Hermes Abreu Mattos (36768) Robson Pereira
Leia maisProf. Daniela Barreiro Claro
Prof. Daniela Barreiro Claro Volume de dados muito grande Principais problemas em relacao aos SGBD Relacionais é conciliar o tipo de modelo com a demanda da escalabilidade. Exemplo -Facebook Um crescimento
Leia maisASSUNTO DA APOSTILA: SISTEMAS DE INFORMAÇÃO E AS DECISÕES GERENCIAIS NA ERA DA INTERNET
AULA 02 ASSUNTO DA APOSTILA: SISTEMAS DE INFORMAÇÃO E AS DECISÕES GERENCIAIS NA ERA DA INTERNET JAMES A. O BRIEN CAPÍTULO 01 continuação Páginas 03 à 25 1 COMPONENTES DE UM SISTEMA DE INFORMAÇÃO Especialistas
Leia maisTecnologia da Informação. Prof. Odilon Zappe Jr
Tecnologia da Informação Prof. Odilon Zappe Jr Vantagens e Desvantagens do Comércio Eletrônico Vantagens Aumento do número de contatos da empresa com fornecedores e com outras empresas do mesmo ramo, e
Leia maisFornecendo Inteligência, para todo o mundo, a mais de 20 anos.
Fornecendo Inteligência, para todo o mundo, a mais de 20 anos. Fundada em 1989, a MicroStrategy é fornecedora líder Mundial de plataformas de software empresarial. A missão é fornecer as plataformas mais
Leia maisCENTRO UNIVERSITÁRIO ESTÁCIO RADIAL DE SÃO PAULO SÍNTESE DO PROJETO PEDAGÓGICO DE CURSO 1
SÍNTESE DO PROJETO PEDAGÓGICO DE CURSO 1 CURSO: SISTEMAS DA INFORMAÇÃO MISSÃO DO CURSO Os avanços da ciência, a melhoria dos processos produtivos e a abertura de mercado, são exemplos de fatores que contribuíram
Leia maisDisciplina de Banco de Dados Introdução
Disciplina de Banco de Dados Introdução Prof. Elisa Maria Pivetta CAFW - UFSM Banco de Dados: Conceitos A empresa JJ. Gomes tem uma lista com mais ou menos 4.000 nomes de clientes bem como seus dados pessoais.
Leia mais05/06/2012. Banco de Dados. Gerenciamento de Arquivos. Gerenciamento de Arquivos Sistema Gerenciador de Banco de Dados Modelos de Dados
Banco de Dados Gerenciamento de Arquivos Sistema Gerenciador de Banco de Dados Modelos de Dados Gerenciamento de Arquivos Gerenciamento de Arquivos 1 Gerenciamento de Arquivos Em uma indústria são executadas
Leia maisBanco de Dados I. Apresentação (mini-currículo) Conceitos. Disciplina Banco de Dados. Cont... Cont... Edson Thizon (edson@esucri.com.
Sistemas da Informação Banco de Dados I Edson Thizon (edson@esucri.com.br) 2008 Apresentação (mini-currículo) Formação Acadêmica Mestrando em Ciência da Computação (UFSC/ ) Créditos Concluídos. Bacharel
Leia maisBancos de dados NOSQL (Not Only SQL)
Bancos de dados NOSQL (Not Only SQL) Qual banco de dados utilizado pelo Facebook e Twitter???? E pelo Google? Quando você digita pindamonhangaba no Google, e ele traz: "Aproximadamente 7.220.000 resultados
Leia maisComputação em Nuvem. Alunos: Allan e Clayton
Computação em Nuvem Alunos: Allan e Clayton 1 - Introdução 2 - Como Funciona? 3 - Sistemas Operacionais na Nuvem 4 - Empresas e a Computação em Nuvem 5 - Segurança da Informação na Nuvem 6 - Dicas de Segurança
Leia maisProf. Daniel Gondim. Sistemas de Informações
Prof. Daniel Gondim Sistemas de Informações Dados Vs. Informação Dados Informação Dado Processo de Transformação: Aplicando conhecimento pela seleção, organização e manipulação de dados. Informação Dado
Leia maisFundamentos de Sistemas de Informação Sistemas de Informação
Objetivo da Aula Tecnologia e as Organizações, importância dos sistemas de informação e níveis de atuação dos sistemas de informação Organizações & Tecnologia TECNOLOGIA A razão e a capacidade do homem
Leia maisSoluções de Output LRS
Soluções de Output LRS Enormes economias de custo estão aguardando L O G O A B A I X O D A S U P E R F Í C I E Organizações de todos os tamanhos enfrentam um desafio singular: reduzir dramaticamente os
Leia maisADMINISTRAÇÃO DOS RECURSOS DE DADOS
Capítulo 7 ADMINISTRAÇÃO DOS RECURSOS DE DADOS 7.1 2003 by Prentice Hall OBJETIVOS Por que as empresas sentem dificuldades para descobrir que tipo de informação precisam ter em seus sistemas de informação?
Leia maisGestão do Conhecimento A Chave para o Sucesso Empresarial. José Renato Sátiro Santiago Jr.
A Chave para o Sucesso Empresarial José Renato Sátiro Santiago Jr. Capítulo 1 O Novo Cenário Corporativo O cenário organizacional, sem dúvida alguma, sofreu muitas alterações nos últimos anos. Estas mudanças
Leia maisCOMUNICAÇÃO NA ERA DO BIG DATA
COMUNICAÇÃO NA ERA DO BIG DATA Sorria, você está sendo monitorado Numa sociedade em que praticamente tudo é digital, nossos passos podem e são rastreados, monitorados, compilados e analisados para fins,
Leia maisCurso Data warehouse e Business Intelligence Fundamentos, Metodologia e Arquitetura
Curso Data warehouse e Business Intelligence Fundamentos, Metodologia e Arquitetura Apresentação Os projetos de Data Warehouse e Business Intelligence são dos mais interessantes e complexos de desenvolver
Leia maisPollyanna Gonçalves. Seminário da disciplina Banco de Dados II
Pollyanna Gonçalves Seminário da disciplina Banco de Dados II Web 2.0 vem gerando grande volume de dados Conteúdo gerado por redes sociais, sensores inteligentes, tecnologias de colaboração, etc. Novas
Leia maisData Warehouse. Debora Marrach Renata Miwa Tsuruda
Debora Marrach Renata Miwa Tsuruda Agenda Introdução Contexto corporativo Agenda Introdução Contexto corporativo Introdução O conceito de Data Warehouse surgiu da necessidade de integrar dados corporativos
Leia maisDATA WAREHOUSE. Rafael Ervin Hass Raphael Laércio Zago
DATA WAREHOUSE Rafael Ervin Hass Raphael Laércio Zago Roteiro Introdução Aplicações Arquitetura Características Desenvolvimento Estudo de Caso Conclusão Introdução O conceito de "data warehousing" data
Leia maisCIDADE PARTICIPATIVA O GOVERNO FORA DA CAIXA
CIDADE PARTICIPATIVA O GOVERNO FORA DA CAIXA A forma tradicional de governar, em geral, tem se distanciado da população. Há poucos canais de diálogo e participação popular. Parte disso se deve à burocracia
Leia maisPARANÁ GOVERNO DO ESTADO
A COMUNICAÇÃO NA INTERNET PROTOCOLO TCP/IP Para tentar facilitar o entendimento de como se dá a comunicação na Internet, vamos começar contando uma história para fazer uma analogia. Era uma vez, um estrangeiro
Leia maisPlanejamento Estratégico de TI. Prof.: Fernando Ascani
Planejamento Estratégico de TI Prof.: Fernando Ascani BI Business Intelligence A inteligência Empresarial, ou Business Intelligence, é um termo do Gartner Group. O conceito surgiu na década de 80 e descreve
Leia maisO Big Data em microfinanças: Como os bancos de dados ajudam na tomada de decisão e uma melhor compreensão do comportamento dos clientes
1 O Big Data em microfinanças: Como os bancos de dados ajudam na tomada de decisão e uma melhor compreensão do comportamento dos clientes Elias Sfeir, Presidente Equifax Brasil e Vice-Presidente Sénior
Leia maisADMINISTRAÇÃO DOS RECURSOS DE DADOS
7 ADMINISTRAÇÃO DOS RECURSOS DE DADOS OBJETIVOS Por que as empresas sentem dificuldades para descobrir que tipo de informação precisam ter em seus sistemas de informação ão? Como um sistema de gerenciamento
Leia maisINTERNET HOST CONNECTOR
INTERNET HOST CONNECTOR INTERNET HOST CONNECTOR IHC: INTEGRAÇÃO TOTAL COM PRESERVAÇÃO DE INVESTIMENTOS Ao longo das últimas décadas, as organizações investiram milhões de reais em sistemas e aplicativos
Leia maisBusiness Intelligence. Business Intelligence. Business Intelligence. Business Intelligence. Business Intelligence
Juntamente com o desenvolvimento desses aplicativos surgiram os problemas: & Data Warehouse July Any Rizzo Oswaldo Filho Década de 70: alguns produtos de BI Intensa e exaustiva programação Informação em
Leia maisGRADUAÇÃO E PÓS-GRADUAÇÃO APRESENTAÇÃO E GRADE CURRICULAR DOS CURSOS
GRADUAÇÃO E PÓS-GRADUAÇÃO APRESENTAÇÃO E GRADE CURRICULAR DOS CURSOS Graduação PROCESSOS GERENCIAIS 1.675 HORAS Prepara os estudantes para o empreendedorismo e para a gestão empresarial. Com foco nas tendências
Leia maisProf. Daniela Barreiro Claro
Prof. Daniela Barreiro Claro São dados que não podem ser processados ou analisados usando as ferramentas tradicionais Empresas acessando muitas informações mas não sabem como tirar proveito Normalmente
Leia maisBases de Dados Relacional/Objeto e NoSQL. Cristina C. Vieira Departamento de Engenharia Eletrónica e Informática
Bases de Dados Relacional/Objeto e NoSQL Cristina C. Vieira Departamento de Engenharia Eletrónica e Informática SGBDs Principais tarefas Gerir grandes volumes de dados Suportar acessos eficientes Garantir
Leia maisTópicos Avançados Business Intelligence. Banco de Dados Prof. Otacílio José Pereira. Unidade 10 Tópicos Avançados Business Inteligence.
Tópicos Avançados Business Intelligence Banco de Dados Prof. Otacílio José Pereira Unidade 10 Tópicos Avançados Business Inteligence Roteiro Introdução Níveis organizacionais na empresa Visão Geral das
Leia maisPalavras-chave: On-line Analytical Processing, Data Warehouse, Web mining.
BUSINESS INTELLIGENCE COM DADOS EXTRAÍDOS DO FACEBOOK UTILIZANDO A SUÍTE PENTAHO Francy H. Silva de Almeida 1 ; Maycon Henrique Trindade 2 ; Everton Castelão Tetila 3 UFGD/FACET Caixa Postal 364, 79.804-970
Leia maisDepartamento de Engenharia. ENG 1090 Introdução à Engenharia de Produção
Pontifícia Universidade Católica de Goiás Departamento de Engenharia Curso de Graduação em Engenharia de Produção ENG 1090 Introdução à Engenharia de Produção Prof. Gustavo Suriani de Campos Meireles Faz
Leia maisBIG DATA Armazenamento e Gerenciamento de grandes volumes de dados
BIG DATA Armazenamento e Gerenciamento de grandes volumes de dados Carlos Marques Business Development Manager, Data Connectivity and Integration Latin America & Caribbean Market (CALA) O que veremos hoje?
Leia maisAPRESENTAÇÃO. Sua melhor opção em desenvolvimento de sites! Mais de 200 clientes em todo o Brasil. Totalmente compatível com Mobile
APRESENTAÇÃO Totalmente compatível com Mobile Sua melhor opção em desenvolvimento de sites! Mais de 200 clientes em todo o Brasil APRESENTAÇÃO Muito prazer! Somos uma empresa que presta serviços em soluções
Leia maisSolução Integrada para Gestão e Operação Empresarial - ERP
Solução Integrada para Gestão e Operação Empresarial - ERP Mastermaq Softwares Há quase 20 anos no mercado, a Mastermaq está entre as maiores software houses do país e é especialista em soluções para Gestão
Leia maisCURSO DE GRADUAÇÃO PRESENCIAL SISTEMAS DE INFORMAÇÃO
FUNDAÇÃO UNIVERSIDADE DO TOCANTINS CURSO DE GRADUAÇÃO PRESENCIAL SISTEMAS DE INFORMAÇÃO Identificação do Curso Nome do Curso: Sistemas de Informação Titulação: Bacharelado Modalidade de ensino: Presencial
Leia maisBIG DATA INTRODUÇÃO. Humberto Sandmann humberto.sandmann@gmail.com
BIG DATA INTRODUÇÃO Humberto Sandmann humberto.sandmann@gmail.com Apresentação Humberto Sandmann humberto.sandmann@gmail.com Possui graduação em Ciências da Computação pelo Centro Universitário da Faculdade
Leia maisQuanto. custa. não. fazer?
Quanto custa não fazer? Recrie o ambiente de trabalho através de ferramentas de colaboração Você conhece todas as possibilidades que a tecnologia pode trazer para o ambiente de trabalho na sua empresa?
Leia maishttp://www.microsoft.com/pt-br/case/details.aspx...
Casos de Sucesso A Cyrela está completamente focada no pós-venda e a utilização do Microsoft Dynamics 2011 só reflete mais um passo importante na busca pela qualidade do atendimento ao cliente Roberto
Leia maisEngª de Produção Prof.: Jesiel Brito. Sistemas Integrados de Produção ERP. Enterprise Resources Planning
ERP Enterprise Resources Planning A Era da Informação - TI GRI Information Resource Management -Informação Modo organizado do conhecimento para ser usado na gestão das empresas. - Sistemas de informação
Leia maisPreparando sua empresa para o forecasting:
Preparando sua empresa para o forecasting: Critérios para escolha de indicadores. Planejamento Performance Dashboard Plano de ação Relatórios Indicadores Embora o forecasting seja uma realidade, muitas
Leia maisPLANEJAMENTO OPERACIONAL - MARKETING E PRODUÇÃO MÓDULO 3 O QUE É PLANEJAMENTO DE VENDAS E OPERAÇÕES?
PLANEJAMENTO OPERACIONAL - MARKETING E PRODUÇÃO MÓDULO 3 O QUE É PLANEJAMENTO DE VENDAS E OPERAÇÕES? Índice 1. O que é planejamento de...3 1.1. Resultados do planejamento de vendas e operações (PVO)...
Leia maisAula 03 Teoria Geral dos Sistemas: Dados x Informação x Conhecimento
Curso de Sistemas de Informação Aula 03 Teoria Geral dos Sistemas: Dados x Informação x Conhecimento Professora: Germana Rolim Semestre 2010.2 Agenda 1. Sistemas de Informação 2. Conceitos de Dados, Informação
Leia mais04/08/2012 MODELAGEM DE DADOS. PROF. RAFAEL DIAS RIBEIRO, M.Sc. @ribeirord MODELAGEM DE DADOS. Aula 1. Prof. Rafael Dias Ribeiro. M.Sc.
MODELAGEM DE DADOS PROF. RAFAEL DIAS RIBEIRO, M.Sc. @ribeirord MODELAGEM DE DADOS Aula 1 Prof. Rafael Dias Ribeiro. M.Sc. @ribeirord 1 Objetivos: Apresenta a diferença entre dado e informação e a importância
Leia maisObservatório da Web: Uma Plataforma para Monitoramento de Eventos em Tempo Real. Gisele L. Pappa glpappa@dcc.ufmg.br Outubro/2013
Observatório da Web: Uma Plataforma para Monitoramento de Eventos em Tempo Real Gisele L. Pappa glpappa@dcc.ufmg.br Outubro/2013 Observatório da Web Transforma, em tempo real, grandes volumes de dados
Leia maisPlanejamento Estratégico de TI. Prof.: Fernando Ascani
Planejamento Estratégico de TI Prof.: Fernando Ascani Data Mining Os métodos tradicionais de Data Mining são: Classificação Associa ou classifica um item a uma ou várias classes categóricas pré-definidas.
Leia maisTI em Números Como identificar e mostrar o real valor da TI
TI em Números Como identificar e mostrar o real valor da TI João Maldonado / Victor Costa 15, Outubro de 2013 Agenda Sobre os Palestrantes Sobre a SOLVIX Contextualização Drivers de Custo Modelo de Invenstimento
Leia maisThalita Moraes PPGI Novembro 2007
Thalita Moraes PPGI Novembro 2007 A capacidade dos portais corporativos em capturar, organizar e compartilhar informação e conhecimento explícito é interessante especialmente para empresas intensivas
Leia maisBanco do Brasil S.A. Consulta ao Mercado - RFP - Request for Proposa Aquisição de Ferramenta de Gestão de Limites Dúvida de Fornecedor
1. Em relação ao módulo para Atribuição de Limites, entendemos que Banco do Brasil busca uma solução para o processo de originação/concessão de crédito. Frente a essa necessidade, o Banco do Brasil busca
Leia maisFábrica de Software 29/04/2015
Fábrica de Software 29/04/2015 Crise do Software Fábrica de Software Analogias costumam ser usadas para tentar entender melhor algo ou alguma coisa. A idéia é simples: compara-se o conceito que não se
Leia maisMicrosoft Innovation Center
Microsoft Innovation Center Mineração de Dados (Data Mining) André Montevecchi andre@montevecchi.com.br Introdução Objetivo BI e Mineração de Dados Aplicações Exemplos e Cases Algoritmos para Mineração
Leia maisBRAlarmExpert. Software para Gerenciamento de Alarmes. BENEFÍCIOS obtidos com a utilização do BRAlarmExpert:
BRAlarmExpert Software para Gerenciamento de Alarmes A TriSolutions conta com um produto diferenciado para gerenciamento de alarmes que é totalmente flexível e amigável. O software BRAlarmExpert é uma
Leia maisRoteiro. BCC321 - Banco de Dados I. Conceitos Básicos. Conceitos Básicos. O que é um banco de dados (BD)?
Roteiro BCC321 - Banco de Dados I Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br www.decom.ufop.br/luiz Conceitos Básicos Banco
Leia maisSISTEMA DE GESTÃO DE PESSOAS SEBRAE/TO UNIDADE: GESTÃO ESTRATÉGICA PROCESSO: TECNOLOGIA DA INFORMAÇÃO
SISTEMA DE GESTÃO DE PESSOAS SEBRAE/TO UNIDADE: GESTÃO ESTRATÉGICA PROCESSO: TECNOLOGIA DA INFORMAÇÃO Competências Analista 1. Administração de recursos de infra-estrutura de tecnologia da informação 2.
Leia maisNúmero de pessoas com acesso à internet passa de 120 milhões
MÍDIA KIT INTERNET Número de pessoas com acesso à internet passa de 120 milhões Segundo pesquisa da Nielsen IBOPE, até o 1º trimestre/2014 número 18% maior que o mesmo período de 2013. É a demonstração
Leia maisDistribuidor de Mobilidade GUIA OUTSOURCING
Distribuidor de Mobilidade GUIA OUTSOURCING 1 ÍNDICE 03 04 06 07 09 Introdução Menos custos e mais controle Operação customizada à necessidade da empresa Atendimento: o grande diferencial Conclusão Quando
Leia mais