1
00:00:07,850 --> 00:00:13,012
DW, duas letrinhas poderosas cuja combinação

2
00:00:13,012 --> 00:00:16,282
faz muita diferença no mundo dos dados.

3
00:00:16,282 --> 00:00:19,252
Aliás, é justamente esse armazém de dados

4
00:00:19,252 --> 00:00:23,857
que empoderam as organizações
no seu processo de tomada de decisão.

5
00:00:23,857 --> 00:00:27,227
Muitas empresas primeiro 
tomam as suas decisões

6
00:00:27,227 --> 00:00:30,697
para depois olhar para os dados
buscando ratificá-las.

7
00:00:30,697 --> 00:00:34,734
Mas para ser data-driven de fato,
primeiro você olha para os dados

8
00:00:34,734 --> 00:00:39,572
e então depois você faz uma tomada
de decisão muito mais assertiva.

9
00:00:39,572 --> 00:00:42,497
Eu sou a Tassiana, sou gestora 
na área de dados e analytics

10
00:00:42,497 --> 00:00:46,212
em uma startup de Inteligência 
Artificial, a Tribo IA,

11
00:00:46,212 --> 00:00:50,049
sou também professora
e coordenadora de MBA aqui na FIAP.

12
00:00:50,049 --> 00:00:53,920
E é justamente para falar sobre 
tomada de decisão que eu estou aqui

13
00:00:53,920 --> 00:00:56,102
com o meu querido Bruno Passos,

14
00:00:56,102 --> 00:01:00,732
que já tem uma vasta 
experiência nesse mercado.

15
00:01:00,732 --> 00:01:04,382
E eu queria que você se apresentasse
para o nosso aluno

16
00:01:04,382 --> 00:01:09,948
e contasse quando que a tomada de decisão 
analítica entrou aí na sua carreira.

17
00:01:10,852 --> 00:01:14,316
Eu trabalho com dados há mais de dez anos,

18
00:01:14,316 --> 00:01:17,210
e é um grande prazer estar aqui 
com a professora Tassiana.

19
00:01:17,210 --> 00:01:19,582
Já foi minha professora.

20
00:01:19,582 --> 00:01:23,227
Eu acho que eu entrei como
a maioria das pessoas

21
00:01:23,227 --> 00:01:24,817
acabaram entrando no mundo de dados,

22
00:01:24,817 --> 00:01:28,821
que é como um projeto de DW na empresa.

23
00:01:28,821 --> 00:01:30,965
Grudei ali com os especialistas.

24
00:01:32,091 --> 00:01:34,794
Fazia parte de um time de negócio
fazendo o upstream.

25
00:01:34,794 --> 00:01:39,766
o entendimento, uma parte também muito 
interessante de levantamento de requisitos,

26
00:01:39,766 --> 00:01:42,568
e fui entrando numa parte mais técnica.

27
00:01:42,568 --> 00:01:46,740
Hoje eu trabalho como squad líder
no Bradesco em inovação e Dados,

28
00:01:46,740 --> 00:01:52,020
e estamos rompendo a barreira dos dados,
e vamos falar um pouco de DW.

29
00:01:52,020 --> 00:01:53,720
Bacana, Bruno.

30
00:01:53,720 --> 00:01:56,984
Essa combinação inovação e dados
é muito poderosa, né?

31
00:01:56,984 --> 00:01:59,804
Como nós podemos...

32
00:01:59,804 --> 00:02:03,190
Pensando aqui em criar um trilho

33
00:02:03,190 --> 00:02:04,774
de entendimento para o nosso aluno,

34
00:02:04,774 --> 00:02:09,139
como podemos definir 
esses dados analíticos?

35
00:02:09,139 --> 00:02:12,532
Dados analíticos são dados 
que estão disponíveis

36
00:02:12,532 --> 00:02:15,701
para serem explorados, analisados.

37
00:02:15,701 --> 00:02:20,940
Eles vão responder questões de negócio,
questões estratégicas da empresa,

38
00:02:20,940 --> 00:02:22,894
se bem explorados.

39
00:02:22,894 --> 00:02:27,046
Tem toda uma arquitetura 
e um contexto por trás disso tudo.

40
00:02:27,046 --> 00:02:31,320
Mas o final dele é responder
questões da organização.

41
00:02:31,320 --> 00:02:32,852
Bacana, bacana.

42
00:02:32,852 --> 00:02:35,939
Em termos práticos, Bruno,
para o nosso aluno entender

43
00:02:35,939 --> 00:02:39,573
que isso vai fazer a diferença
lá no contexto corporativo mesmo,

44
00:02:39,573 --> 00:02:44,163
hoje, você ali na sua liderança, 
gestão, na sua atuação com dados,

45
00:02:44,163 --> 00:02:48,467
em que momento você precisa ir lá
e acionar a sua ferramenta,

46
00:02:48,467 --> 00:02:51,737
a sua plataforma de análise de dados?

47
00:02:51,737 --> 00:02:54,240
Hoje nós utilizamos o dado

48
00:02:54,240 --> 00:02:57,810
para facilitar a vida do nosso time
comercial.

49
00:02:57,810 --> 00:03:01,216
Então nós utilizamos esse dado analítico

50
00:03:01,216 --> 00:03:05,117
de uma maneira bem granular 
para fazer predições

51
00:03:05,117 --> 00:03:08,386
e realmente melhorar a vida do comercial,

52
00:03:08,386 --> 00:03:11,589
fazendo com que ele 
visite uma loja correta,

53
00:03:11,589 --> 00:03:15,861
que ele tenha um índice
de assertividade no dia a dia dele.

54
00:03:15,861 --> 00:03:19,599
Então nós fazemos predições,
modelos estatísticos,

55
00:03:19,599 --> 00:03:21,741
para poder melhorar a vida do comercial.

56
00:03:23,066 --> 00:03:29,090
Bruno, nós temos hoje uma série 
de tecnologias, ferramentas, enfim,

57
00:03:29,090 --> 00:03:33,756
mas me parece que o DW
é o coração de tudo isso, né?

58
00:03:33,756 --> 00:03:36,415
Como ele funciona?

59
00:03:36,415 --> 00:03:40,152
Vamos começar a mostrar ali 
para o nosso aluno

60
00:03:40,152 --> 00:03:41,520
quais seriam os caminhos.

61
00:03:41,520 --> 00:03:43,522
Vou construir um Data Warehousing,

62
00:03:43,522 --> 00:03:46,676
preciso ter uma equipe 
técnica por trás disso?

63
00:03:47,593 --> 00:03:51,197
Como eu me organizo 
num projeto desse tipo?

64
00:03:51,197 --> 00:03:56,235
O DW, é importante sempre explorar.

65
00:03:56,235 --> 00:04:01,040
Antes de você sair fazendo a construção,
para que ele vai servir,

66
00:04:01,040 --> 00:04:05,544
que respostas você precisa 
obter através dos dados,

67
00:04:05,544 --> 00:04:10,367
quais são as especificidades de cada
departamento, e como você vai utilizar.

68
00:04:10,367 --> 00:04:14,086
Claro que você precisa 
de uma equipe de negócio

69
00:04:14,086 --> 00:04:17,656
para auxiliar em toda essa 
estrutura do Data Warehousing.

70
00:04:17,656 --> 00:04:21,994
Para você conseguir transformar 
os dados, colocar regras de negócio,

71
00:04:21,994 --> 00:04:24,217
você precisa de pessoas 
com um viés um pouco mais técnico

72
00:04:24,217 --> 00:04:27,466
para fazer a ingestão dessas informações.

73
00:04:27,466 --> 00:04:31,883
E sempre tem aquelas pessoas 
que têm mais habilidade do UX,

74
00:04:31,883 --> 00:04:36,208
de prototipar, de montar 
relatórios, dashboards.

75
00:04:36,208 --> 00:04:40,217
Então é um caminho de construção
em relação ao profissional

76
00:04:40,217 --> 00:04:42,457
que tem a oportunidade para todos

77
00:04:42,457 --> 00:04:45,105
Legal falarmos para o nosso 
aluno então, né, Bruno,

78
00:04:45,105 --> 00:04:50,322
que o DW é um conceito
que apoia a tomada de decisão.

79
00:04:50,322 --> 00:04:54,360
Em termos práticos, quando pensamos 
um Data Warehousing, o que temos ali dentro

80
00:04:54,360 --> 00:04:59,198
são KPIs de dimensões, não mais que isso.

81
00:04:59,198 --> 00:05:02,101
E isso vai ser sempre superimportante
dentro das empresas.

82
00:05:02,101 --> 00:05:07,239
Mas aí tem toda a questão 
do ferramental, do trilho de construção,

83
00:05:07,239 --> 00:05:11,510
do perfil profissional e tudo mais, 
para materializar isso.

84
00:05:11,510 --> 00:05:12,909
Mas não é uma ferramenta, né?

85
00:05:12,909 --> 00:05:15,629
Não dá para dizer que é 
simplesmente uma ferramenta.

86
00:05:16,749 --> 00:05:21,553
E aí tem uma questão aqui de definição,
só para não deixar o nosso aluno confuso

87
00:05:21,553 --> 00:05:25,500
quando ele se deparar com as buzzwords,
e os termos e tudo mais.

88
00:05:25,500 --> 00:05:30,308
Se eu coloco lá o "ing" no termo, 
muda alguma coisa?

89
00:05:31,450 --> 00:05:35,868
Apesar do nome ser praticamente 
igual às definições,

90
00:05:35,868 --> 00:05:39,888
e se você ler literalmente é igual,
mas é diferente.

91
00:05:39,888 --> 00:05:44,910
O Data Warehousing tem uma amplitude maior

92
00:05:44,910 --> 00:05:48,447
porque é a concepção lá desde o início,

93
00:05:48,447 --> 00:05:52,284
trazer os dados lá do transacional,

94
00:05:52,284 --> 00:05:55,888
daqueles sistemas de origem, 
do sistema financeiro...

95
00:05:55,888 --> 00:05:59,748
Se for um supermercado,
o sistema que passa lá do caixa

96
00:05:59,748 --> 00:06:04,301
engloba até o processo da confecção
de um dashboard, de um relatório.

97
00:06:05,597 --> 00:06:07,399
Então vamos dizer que o

98
00:06:07,399 --> 00:06:11,637
Data Warehouse sem o ing 
no final é um subconjunto

99
00:06:11,637 --> 00:06:14,147
dentro desse processo.

100
00:06:14,147 --> 00:06:17,687
Ele é um ambiente dentro 
de um banco de dados

101
00:06:17,687 --> 00:06:21,013
onde armazena essas 
informações de negócio.

102
00:06:21,013 --> 00:06:23,917
Então é um subconjunto
de todo esse processo.

103
00:06:23,917 --> 00:06:25,217
Bacana.

104
00:06:25,217 --> 00:06:30,148
E com o ing, é a esteira inteira, né?

105
00:06:30,148 --> 00:06:31,302
A esteira inteira.

106
00:06:31,302 --> 00:06:32,024
Perfeito.

107
00:06:32,024 --> 00:06:35,227
Se não prestarmos atenção,
nós confundimos, né,

108
00:06:35,227 --> 00:06:38,217
e de repente acha 
que um é sinônimo do outro.

109
00:06:38,217 --> 00:06:42,637
Se não falar o ing no final, 
no ouvido do brasileiro passa batido.

110
00:06:42,637 --> 00:06:43,569
Boa!

111
00:06:44,469 --> 00:06:48,987
Se você fosse hoje, Bruno, montar 
uma squad para compor um DW...

112
00:06:48,987 --> 00:06:52,017
Muitas organizações já tem 
o seu Data Warehouse.

113
00:06:52,017 --> 00:06:53,589
Temos feito o BI...

114
00:06:53,589 --> 00:06:56,917
Nasceu há boas décadas atrás.

115
00:06:56,917 --> 00:07:00,619
Então, quando você pega, por exemplo,
o Bradesco, uma grande financeira,

116
00:07:00,619 --> 00:07:04,327
necessariamente eles já têm 
uma estrutura de tomada de decisão.

117
00:07:04,327 --> 00:07:07,928
De repente, se estivermos 
falando ali de uma startup,

118
00:07:07,928 --> 00:07:11,929
aí sim é uma empresa que está começando
a fazer os seus registros transacionais

119
00:07:11,929 --> 00:07:13,899
e a compor a sua base analítica.

120
00:07:13,899 --> 00:07:17,102
Então vamos pensar num cenário mais novo.

121
00:07:17,102 --> 00:07:21,440
Se você estivesse ali na liderança
de uma squad, quem você traria?

122
00:07:21,440 --> 00:07:25,319
Qual é o perfil profissional
para atuar, na criação mesmo,

123
00:07:25,319 --> 00:07:28,350
de uma solução de Data Warehouse?

124
00:07:28,350 --> 00:07:31,893
Para mim, sempre existe a necessidade

125
00:07:31,893 --> 00:07:36,600
de antes de você realmente conceber
e prototipar toda a arquitetura,

126
00:07:36,600 --> 00:07:42,140
entender com os responsáveis,
com a gestão mais executiva,

127
00:07:42,140 --> 00:07:46,732
o que a empresa busca através dos dados,

128
00:07:46,732 --> 00:07:49,301
para definirmos então que tipo de arquitetura.

129
00:07:49,301 --> 00:07:53,138
Se vamos partir para um DW,

130
00:07:53,138 --> 00:07:57,209
ou se a empresa vai fazer 
um investimento numa cloud,

131
00:07:57,209 --> 00:08:00,946
se vamos para um lake, se está 
interessado em minerar dados.

132
00:08:00,946 --> 00:08:04,149
Agora, se for realmente um Data Warehouse,

133
00:08:04,149 --> 00:08:08,253
com certeza muitas pessoas de negócio,

134
00:08:08,253 --> 00:08:11,240
um profissional de ingestão de dados,

135
00:08:11,240 --> 00:08:16,408
um profissional de negócio 
para fazer todo o upstream,

136
00:08:16,408 --> 00:08:18,538
o levantamento de requisitos, né?

137
00:08:19,898 --> 00:08:23,034
E é importante ter um profissional
para fazer toda essa parte

138
00:08:23,034 --> 00:08:26,632
de montar a ingestão dessa informação,

139
00:08:26,632 --> 00:08:31,460
aquelas três letrinhas lá de extração,
transformação, e a carga de tudo isso.

140
00:08:31,460 --> 00:08:37,048
Então eu traria esses três tipos de perfis:
uma pessoa relacionada ao negócio,

141
00:08:37,048 --> 00:08:39,918
uma pessoa que trabalha
com ingestão de dados,

142
00:08:39,918 --> 00:08:43,955
para fazer toda essa parte 
de arquitetura, das três letrinhas,

143
00:08:43,955 --> 00:08:45,662
que poderemos passar depois por elas,

144
00:08:45,662 --> 00:08:49,998
e alguém que tem habilidades de fazer
a confecção de um dashboard,

145
00:08:49,998 --> 00:08:52,366
de construir relatórios, fazer estudos.

146
00:08:53,098 --> 00:08:54,143
Bacana.

147
00:08:54,143 --> 00:08:59,200
Então, no warehousing, nós 
temos levantamento de requisitos

148
00:08:59,200 --> 00:09:02,507
para responder as dores de negócio.

149
00:09:02,507 --> 00:09:07,245
Na modelagem, falando techniquêz, 
nós chamamos de levantar os fatos,

150
00:09:07,245 --> 00:09:09,180
o que se quer saber, não é isso?

151
00:09:09,180 --> 00:09:12,183
E aí tem uma conexão muito grande
com o negócio.

152
00:09:12,183 --> 00:09:14,600
Em paralelo a isso, 
de repente um arquiteto...

153
00:09:14,600 --> 00:09:16,839
Hoje nós temos uma série de arquiteturas,

154
00:09:16,839 --> 00:09:21,259
Lambda, Kappa, tudo para tomada de decisão,

155
00:09:21,259 --> 00:09:24,696
malhas de dados, data mash, 
data product, enfim.

156
00:09:24,696 --> 00:09:28,566
Ai talvez seja um papo
para um outro vídeo.

157
00:09:28,566 --> 00:09:31,945
Mas sem dúvida, 
um arquiteto ali para para olhar.

158
00:09:31,945 --> 00:09:32,969
Você falou do...

159
00:09:32,969 --> 00:09:34,539
Só recapitulando para o nosso aluno, né?

160
00:09:34,539 --> 00:09:38,596
Você falou do ETL,
que é uma parte dolorida, né, Bruno?

161
00:09:38,596 --> 00:09:39,562
Porque tem...

162
00:09:40,707 --> 00:09:41,546
É...

163
00:09:41,546 --> 00:09:44,576
Limpeza, tratamento dos dados...

164
00:09:45,235 --> 00:09:46,210
Não é isso?

165
00:09:46,210 --> 00:09:47,355
É, é o trabalho sujo, né?

166
00:09:48,181 --> 00:09:49,785
Eu estou brincando, não é 
o trabalho sujo.

167
00:09:51,385 --> 00:09:52,891
Na verdade é uma profissão bem legal,

168
00:09:52,891 --> 00:09:56,294
um engenheiro de dados ali, que vai 
fazer toda essa parte de ingestão.

169
00:09:56,294 --> 00:10:00,465
Ele vai capturar as informações
dos sistemas transacionais.

170
00:10:00,465 --> 00:10:03,334
E aí, com a ajuda dessas 
pessoas de negócio,

171
00:10:03,334 --> 00:10:06,853
ele vai aplicar todas as regras
que foram definidas

172
00:10:06,853 --> 00:10:12,510
e vai fazer o carregamento dessas informações
para dentro desse Data Warehouse.

173
00:10:12,510 --> 00:10:18,807
Então ele move o engenho desse processo.

174
00:10:18,807 --> 00:10:21,503
E aí tem uma dor de qualidade de dados.

175
00:10:21,503 --> 00:10:25,927
Tem uma estatística
que diz que menos de 10%

176
00:10:25,927 --> 00:10:30,375
das bases de dados são de fato 
consideradas qualificadas hoje.

177
00:10:31,162 --> 00:10:35,573
Então nós temos essa esteira
com tantos profissionais...

178
00:10:35,573 --> 00:10:40,104
É um superprojeto, e às vezes entra
sujeira, e sai sujeira colorida.

179
00:10:40,104 --> 00:10:42,379
Eu brinco com os alunos do outro lado

180
00:10:42,379 --> 00:10:46,019
porque o dado de fato não 
entra muito bem qualificado

181
00:10:46,019 --> 00:10:50,493
e nessa fase do ETL, nós temos muita dificuldade

182
00:10:50,493 --> 00:10:53,493
de fazer o quality, o cleansing dos dados, né

183
00:10:53,493 --> 00:10:56,288
Qualidade de dados hoje já 
não é mais uma dor técnica.

184
00:10:56,288 --> 00:10:57,288
É uma dor de negócio.

185
00:10:57,288 --> 00:11:02,343
Porque se eu não consigo resolver, eu não
respondo às minhas perguntas de negócio.

186
00:11:02,343 --> 00:11:09,078
Você brincou ali no começo, que é 
trabalho sujo porque é trabalhoso,

187
00:11:09,078 --> 00:11:10,868
mas é estratégico.

188
00:11:10,868 --> 00:11:15,406
Essa fase de combinar, 
agregar, calcular os dados

189
00:11:15,406 --> 00:11:18,009
e conseguir levá-los 
para um nível que eles, de fato,

190
00:11:18,009 --> 00:11:20,969
respondam as perguntas
com assertividade.

191
00:11:20,969 --> 00:11:23,081
Você, como gestor, sabe, né, Bruno?

192
00:11:23,081 --> 00:11:29,460
Se o meu DW não for bem preparado,
o gestor começa a burlar o sistema,

193
00:11:29,460 --> 00:11:31,889
e aí ele baixa aquilo no Excel,

194
00:11:31,889 --> 00:11:34,659
dá uma ajustada, vai no feeling,

195
00:11:34,659 --> 00:11:37,029
como eu brinquei
aqui no início do nosso papo.

196
00:11:37,995 --> 00:11:40,080
As empresas não são data-driven, né?

197
00:11:40,080 --> 00:11:44,140
Elas tomam as decisões
e depois até enviesam os dados

198
00:11:44,140 --> 00:11:48,840
que é para dizer que tomou a decisão 
certa, quando deveria ser o contrário.

199
00:11:48,840 --> 00:11:52,443
Eu faço aquilo que o dado 
me direciona a fazer.

200
00:11:52,443 --> 00:11:56,380
Mas que tudo isso está
nessa fase do ETL,

201
00:11:56,380 --> 00:12:00,785
que parece tão técnico,
mas que tem essa questão de qualidade

202
00:12:00,785 --> 00:12:04,008
que precisa ser pensada ali,
inclusive pela gestão do projeto, né?

203
00:12:04,008 --> 00:12:05,161
Total.

204
00:12:05,828 --> 00:12:10,294
Eu não vou falar que o quality é o principal,

205
00:12:10,294 --> 00:12:13,968
Eu acho que é o principal ofensor 
sim, o principal ofensor.

206
00:12:13,968 --> 00:12:15,756
Porque é igual o que você comentou.

207
00:12:17,401 --> 00:12:22,758
A informação vem com um nível 
de tratamento mínimo

208
00:12:22,758 --> 00:12:27,678
e você pode organizar essas 
informações e tratar um campo nulo,

209
00:12:27,678 --> 00:12:31,849
de repente transformar ali
as cinco variáveis de São Paulo,

210
00:12:31,849 --> 00:12:37,388
São Paulo com "S", São Paulo só com o "SP",
e tratar essas informações.

211
00:12:37,388 --> 00:12:41,125
Mas, por muitas vezes,
você não consegue identificar

212
00:12:41,125 --> 00:12:43,999
se existe um padrão errado
de informação lá dentro.

213
00:12:45,129 --> 00:12:49,233
Por exemplo,
eu posso dizer que numa coluna

214
00:12:49,233 --> 00:12:52,801
deve vir uma descrição de 20 caracteres.

215
00:12:53,838 --> 00:12:58,314
E ali é uma é uma coluna para ver
o modelo de um veículo,

216
00:12:58,314 --> 00:13:00,142
mas de repente vem o nome de uma cidade.

217
00:13:01,278 --> 00:13:06,717
É muito difícil o quality identificar 
algumas coisas que vêm da origem.

218
00:13:06,717 --> 00:13:09,237
Você até consegue identificar, né?

219
00:13:10,154 --> 00:13:15,387
Então é um trabalho
que realmente, na concepção do ? ,

220
00:13:15,387 --> 00:13:20,231
toda a parte ali 
da montagem da arquitetura,

221
00:13:20,231 --> 00:13:23,505
tem que se pensar
nessas questões de quality

222
00:13:23,505 --> 00:13:28,507
para começar realmente a transformar isso
num dado de qualidade.

223
00:13:29,774 --> 00:13:31,976
É muito difícil 100% 
das informações estarem...

224
00:13:31,976 --> 00:13:35,975
Estamos usando um exemplo de banco,

225
00:13:35,975 --> 00:13:41,753
que tem mais de 90 sistemas 
transacionais, e nem tudo se conversa...

226
00:13:41,753 --> 00:13:43,967
Igual eu comentei aqui,

227
00:13:43,967 --> 00:13:47,825
um sistema coloca a cidade

228
00:13:47,825 --> 00:13:49,994
de um jeito e um outro sistema de outro.

229
00:13:49,994 --> 00:13:52,142
Você consegue fazer essas correções.

230
00:13:52,142 --> 00:13:58,235
Mas se existe um problema 
na articulação dos dados,

231
00:13:58,235 --> 00:14:02,082
um campo texto aonde alguém 
pode errar alguma coisa,

232
00:14:02,082 --> 00:14:04,508
é bastante sensível,
é bem complicado.

233
00:14:04,508 --> 00:14:06,902
Eu acho que é o maior ofensor
dentro de um DW.

234
00:14:06,902 --> 00:14:09,752
Bom ponto, é um super desafio, né?

235
00:14:09,752 --> 00:14:14,852
E aí você falou que depois da camada
de consumo tem ali um analista de BI,

236
00:14:14,852 --> 00:14:20,342
talvez seja esse o melhor nome,
para construir DataViz.

237
00:14:20,342 --> 00:14:25,329
Você mencionou UX, porque tem um pouco 
de como eu crio ali o meu storytelling,

238
00:14:25,329 --> 00:14:28,522
como eu capto as questões 
mais cognitivas, né,

239
00:14:28,522 --> 00:14:30,207
para onde as pessoas olham,

240
00:14:30,207 --> 00:14:33,537
o que chama a atenção,
o uso de cores e tudo mais.

241
00:14:33,537 --> 00:14:36,814
Isso é superimportante, é digno 
de uma disciplina inteira, né?

242
00:14:37,474 --> 00:14:41,140
E de repente, Bruno, também
um pouco de analytics ali,

243
00:14:41,140 --> 00:14:43,280
no sentido mais estatístico mesmo.

244
00:14:43,280 --> 00:14:45,877
Cabe ali uma correlação estatística,

245
00:14:45,877 --> 00:14:50,587
uma estatística mais 
descritiva, até preditiva, né?

246
00:14:50,587 --> 00:14:54,537
Dá para começar a fazer
algumas combinações de KPIs, né?

247
00:14:54,537 --> 00:14:57,327
Sim, e dá para explorar realmente.

248
00:14:57,327 --> 00:15:01,632
Além da análise descritiva,

249
00:15:01,632 --> 00:15:06,348
dependendo da granularidade de dados,

250
00:15:06,348 --> 00:15:09,421
você realmente consegue 
fazer algum tipo de predição,

251
00:15:09,421 --> 00:15:15,497
começar a trabalhar um dashboard 
com uma análise diagnóstica,

252
00:15:15,497 --> 00:15:20,651
criar correlação, fazer algumas análises 
e estudos de churn, por exemplo.

253
00:15:20,651 --> 00:15:21,763
Legal.

254
00:15:21,763 --> 00:15:25,033
E em cima do UX, é muito importante, né?

255
00:15:25,033 --> 00:15:27,803
Toda essa estrutura 
tem que sair lá na frente

256
00:15:27,803 --> 00:15:30,727
em algo que faça sentido 
para quem vai ler.

257
00:15:30,727 --> 00:15:34,700
Então o UX hoje, a parte de UI também,

258
00:15:34,700 --> 00:15:39,403
estão presentes nos profissionais
que trabalham com DataViz

259
00:15:39,403 --> 00:15:43,540
para achar a melhor maneira
de divulgar essa informação

260
00:15:43,540 --> 00:15:46,821
para melhorar a leitura 
de quem vai consumir o dado.

261
00:15:46,821 --> 00:15:49,448
E se você estivesse começando 
a sua carreira agora,

262
00:15:49,448 --> 00:15:52,015
querendo entrar no clubinho dos dados...

263
00:15:52,015 --> 00:15:54,021
Não sei se é um clube fechado ou não.

264
00:15:54,021 --> 00:15:55,257
É você que me diz, tá?

265
00:15:56,291 --> 00:15:57,854
Por onde que você começaria?

266
00:15:57,854 --> 00:16:03,236
Porque falamos de arquiteto, 
de engenheiro, de analista, de UX.

267
00:16:03,236 --> 00:16:04,376
Muitos caminhos, né?

268
00:16:04,376 --> 00:16:09,199
Mas eu imagino que tem aí
um caminho mais fácil de entrar.

269
00:16:09,199 --> 00:16:11,462
Porque talvez a arquitetura não seja, né?

270
00:16:11,462 --> 00:16:13,732
A arquitetura é uma visão mais holística,

271
00:16:13,732 --> 00:16:16,090
Já tem que ter alguma bagagem de carreira.

272
00:16:16,880 --> 00:16:19,341
Dê uma dica aí para o nosso aluno começar.

273
00:16:19,341 --> 00:16:22,451
Eu vou dar uma dica prática,

274
00:16:22,451 --> 00:16:24,948
que, na verdade, é 
a minha própria experiência,

275
00:16:24,948 --> 00:16:30,316
que foi trabalhando com dados
voltado para negócio,

276
00:16:30,316 --> 00:16:31,936
aquele cara que faz o upstream.

277
00:16:31,936 --> 00:16:35,525
Então, quando você se senta 
ao lado de um engenheiro

278
00:16:35,525 --> 00:16:40,532
para você passar todas aquelas regras 
e ajudá-lo a criar uma arquitetura,

279
00:16:40,532 --> 00:16:42,332
porque ele não cria sozinho,

280
00:16:42,332 --> 00:16:45,769
ele precisa da sua ajuda
para definir os melhores caminhos.

281
00:16:45,769 --> 00:16:49,758
você começa a ter visão 
desses dois processos,

282
00:16:49,758 --> 00:16:53,955
um processo mais técnico
e um processo de negócio,

283
00:16:53,955 --> 00:16:57,180
que é o que realmente 
falta no mercado, né,

284
00:16:57,180 --> 00:17:00,250
pessoas que não têm
só um viés técnico,

285
00:17:00,250 --> 00:17:03,787
que é excelente quando uma pessoa 
executa a parte técnica,

286
00:17:03,787 --> 00:17:08,358
mas se ela tem o feeling
de negócio, ela consegue

287
00:17:08,358 --> 00:17:12,767
entrar em caminhos e tomar 
decisões bem interessantes.

288
00:17:12,767 --> 00:17:17,567
Então eu começaria como eu
comecei, com a parte de negócio

289
00:17:17,567 --> 00:17:19,377
na construção de um Data Warehouse.

290
00:17:19,377 --> 00:17:21,404
Boa dica, né, é um bom começo.

291
00:17:21,404 --> 00:17:24,101
Aliás, tivemos uma onda recente...

292
00:17:24,101 --> 00:17:28,492
Não é muito a minha praia, mas eu vou 
arriscar falar aqui do "dev full stack"...

293
00:17:29,746 --> 00:17:32,049
Que é aquele profissional
back-end, front-end...

294
00:17:32,049 --> 00:17:33,049
Full, né?

295
00:17:33,049 --> 00:17:35,514
E eu tenho percebido,
e não sei se você percebe,

296
00:17:35,514 --> 00:17:38,488
esse mesmo movimento no contexto de dados.

297
00:17:38,488 --> 00:17:42,626
Agora nós temos um analytics engineer,

298
00:17:42,626 --> 00:17:46,969
que me parece que é essa fusão
desse profissional de análise de dados,

299
00:17:46,969 --> 00:17:50,779
que entende de Python,
que entende também de SQL,

300
00:17:50,779 --> 00:17:55,069
mas que se vira bem 
no desenvolvimento, se precisar,

301
00:17:55,069 --> 00:17:58,705
para além da análise e da consulta
interativa dos dados.

302
00:17:58,705 --> 00:18:03,940
Se precisar montar uma esteira, fazer 
efetivamente a engenharia, ele consegue.

303
00:18:03,940 --> 00:18:07,350
Ele consegue estar nos dois momentos,
na engenharia e na análise dos dados.

304
00:18:07,350 --> 00:18:11,409
Talvez seja uma uma tendência
para o nosso aluno olhar também.

305
00:18:11,409 --> 00:18:13,364
E na camada executiva?

306
00:18:13,364 --> 00:18:16,626
Estamos falando ali no técnico
olhando para o negócio.

307
00:18:16,626 --> 00:18:19,376
Quais são as preocupações
na camada executiva?

308
00:18:19,376 --> 00:18:21,398
Às vezes até quando vamos montar um dash,

309
00:18:21,398 --> 00:18:25,219
temos que nos perguntar se é mais tático,
se é mais executivo.

310
00:18:26,379 --> 00:18:32,008
É importante porque o nível executivo 
tem algumas necessidades.

311
00:18:32,008 --> 00:18:38,081
Diferente de dashboards voltados 
para o operacional, para o tático,

312
00:18:38,081 --> 00:18:42,218
ele precisa de respostas 
num período curto

313
00:18:42,218 --> 00:18:46,446
de tempo de execução
dessas informações,

314
00:18:46,446 --> 00:18:51,156
e de indicadores estratégicos onde 
ele possa tomar uma decisão rápida

315
00:18:51,156 --> 00:18:53,417
sem precisar fazer grandes leituras.

316
00:18:54,597 --> 00:18:58,134
Costumamos falar que tem que ter
um storytelling, todo um contexto.

317
00:18:58,134 --> 00:19:00,370
Tem que ter também 
para a camada executiva,

318
00:19:00,370 --> 00:19:01,838
mas uma coisa muito mais enxuta,

319
00:19:01,838 --> 00:19:04,845
onde ele bata o olho
e consiga tomar uma ação.

320
00:19:04,845 --> 00:19:05,881
Sim, sim.

321
00:19:05,881 --> 00:19:11,408
Em contrapartida, de repente,
o período histórico deva ser maior,

322
00:19:11,408 --> 00:19:13,766
mais resumido, mas um período histórico maior,

323
00:19:13,766 --> 00:19:16,753
se estivermos falando
de um planejamento mais estratégico, né?

324
00:19:16,753 --> 00:19:19,557
Eu percebo que, no tático, no operacional,

325
00:19:19,557 --> 00:19:20,557
eu estou olhando muito 
para a minha esteira ali,

326
00:19:20,557 --> 00:19:24,894
para o meu dia a dia,
e pensar no amanhã, de repente.

327
00:19:24,894 --> 00:19:27,865
E eu não quero pensar muito isso.

328
00:19:27,865 --> 00:19:28,865
Eu não quero que tenha 
uma quebra de estoque.

329
00:19:28,865 --> 00:19:31,868
Então eu estou olhando
para as minhas compras da semana que vem.

330
00:19:32,001 --> 00:19:32,468
E é isso.

331
00:19:32,468 --> 00:19:37,507
Agora, quando eu estou falando da camada
executiva, de repente o meu planejamento

332
00:19:37,574 --> 00:19:40,543
anual, eu estou norteando

333
00:19:40,543 --> 00:19:43,279
os próximos anos ali da minha organização.

334
00:19:43,279 --> 00:19:46,549
E aí eu tenho que, de repente olhar
para um período histórico um pouco maior.

335
00:19:46,749 --> 00:19:49,652
Pode ser, pode ser o caso também
para a gente diferenciar

336
00:19:49,652 --> 00:19:53,056
um pouco o estratégico do tático.

337
00:19:53,056 --> 00:19:55,024
Gente, papo super bom.

338
00:19:55,024 --> 00:19:59,596
A gente começou aqui conceituando
o mundo de Business Intelligence.

339
00:19:59,662 --> 00:20:01,597
Bruno trouxe aspectos de negócio.

340
00:20:01,597 --> 00:20:05,134
Aliás,
a dica do Bruno foi começar por negócio

341
00:20:05,201 --> 00:20:08,471
e depois abarcar ali a parte técnica.

342
00:20:08,538 --> 00:20:11,140
E agora para como tudo o que é bom
dura pouco.

343
00:20:11,140 --> 00:20:15,745
Agora, para a gente fechar aqui
a nossa conversa, dicas, dicas

344
00:20:15,745 --> 00:20:19,215
Tem alguma dica preciosa
de estudo de caminhos para o nosso aluno

345
00:20:19,215 --> 00:20:24,120
que está entrando nesse
mundo da tomada de decisão?

346
00:20:24,220 --> 00:20:28,191
Eu a minha percepção que hoje eu

347
00:20:28,291 --> 00:20:33,029
não só as pessoas que já já trabalham
com isso, mas estão entrando na área,

348
00:20:33,129 --> 00:20:37,467
começar a olhar a tipos de arquiteturas
e de propostas diferentes

349
00:20:37,567 --> 00:20:40,403
de como disponibilizar
o dado igual para você.

350
00:20:40,403 --> 00:20:45,408
Está cena falou de data,
mexe de e várias outras ferramentas

351
00:20:45,608 --> 00:20:48,578
voltadas para cloud Like House.

352
00:20:48,644 --> 00:20:51,747
Detalhei que para entender

353
00:20:51,747 --> 00:20:54,750
realmente para que universo você

354
00:20:54,917 --> 00:20:59,589
você quer ir, se é um universo também
de mineração de dados.

355
00:20:59,589 --> 00:21:02,458
Se você tem um viés mais matemático,
estatístico

356
00:21:02,458 --> 00:21:06,062
e gosta de explorar e minerar,
esse dado é um caminho também.

357
00:21:06,295 --> 00:21:09,332
É um caminho
não tão recente, mais recente.

358
00:21:09,332 --> 00:21:12,001
Em relação
a toda essa estruturação de dados.

359
00:21:12,001 --> 00:21:17,206
A gente está falando de Data Warehouse
e hoje a concepção do Data Warehouse.

360
00:21:17,273 --> 00:21:18,674
O que a gente está falando aqui

361
00:21:18,674 --> 00:21:23,946
desses dados, das profissões e dos métodos
de como criar toda arquitetura.

362
00:21:24,013 --> 00:21:27,350
Então é importante
quem está querendo entrar na área

363
00:21:27,416 --> 00:21:31,520
e enxergar um cenário como um todo,
porque existem várias possibilidades,

364
00:21:31,621 --> 00:21:36,559
não só além do Data Warehouse
e outras estruturas, mas estrutura

365
00:21:36,759 --> 00:21:40,963
que você acaba fazendo um formato híbrido
com data warehouse.

366
00:21:41,030 --> 00:21:43,766
E você pode entrar nesse

367
00:21:43,766 --> 00:21:49,338
não num outro viés matemático estático
que trabalha essas informações

368
00:21:49,338 --> 00:21:54,243
olhando para frente, criando predições,
criando prescrições.

369
00:21:54,310 --> 00:21:57,913
Então é um mundo muito vasto,
muito vasto mesmo.

370
00:21:57,980 --> 00:22:01,317
Então, quando foi estudar e olha no todo

371
00:22:01,317 --> 00:22:04,820
em relação ao dado, para você enxergar
onde você se encaixa melhor.

372
00:22:04,920 --> 00:22:08,758
Fantástico, Bruno Gente,
só esses últimos termos que ele usou,

373
00:22:08,758 --> 00:22:13,696
ele falou de product lag, house,
arquiteturas híbridas

374
00:22:13,729 --> 00:22:16,565
já daí horas
para não dizer anos de estudo.

375
00:22:16,565 --> 00:22:20,236
Então dicas boas para vocês
se aprofundarem ainda mais aqui

376
00:22:20,302 --> 00:22:22,571
no nosso conteúdo.

377
00:22:22,571 --> 00:22:24,740
Portanto, dizer pessoal
que às vezes nós falamos.

378
00:22:24,740 --> 00:22:30,413
DW Isso soa como algo antigo, porque,
de fato nós fazemos isso há muito tempo.

379
00:22:30,413 --> 00:22:36,819
Agora, o ponto é o seguinte
as tecnologias, elas elas passam, mas

380
00:22:36,886 --> 00:22:40,556
e às vezes eu até sinto a
tem muito cíclica de centraliza,

381
00:22:40,556 --> 00:22:45,594
centraliza, vai de um, de um extremo
a outro, num contexto de agilidade.

382
00:22:45,594 --> 00:22:47,096
Está tudo muito rápido.

383
00:22:47,096 --> 00:22:50,432
A gente tem abarcado aí
muitas techs modernas.

384
00:22:50,432 --> 00:22:52,835
Estão às vezes a estudar uma ferramenta.

385
00:22:52,835 --> 00:22:54,670
Ano que vem já é outra.

386
00:22:54,670 --> 00:22:57,373
Mas quando a gente fala de conceitos,

387
00:22:57,373 --> 00:23:01,744
de tomada, de decisão, de planejamento,
isso é perene.

388
00:23:01,744 --> 00:23:03,779
É contemporâneo ou não, Não passa.

389
00:23:03,779 --> 00:23:07,950
Então, estudar, daí ter house no sentido
de pensar no negócio

390
00:23:08,050 --> 00:23:11,287
e como eu trabalho
os meus pés para tomada de decisão,

391
00:23:11,287 --> 00:23:14,490
é algo que te empodera
pra carreira e vale super a pena.

392
00:23:14,490 --> 00:23:17,326
Você continuar investindo nesse assunto e.