0:00:07.850,0:00:13.012
DW, duas letrinhas poderosas cuja combinação

0:00:13.012,0:00:16.282
faz muita diferença no mundo dos dados.

0:00:16.282,0:00:19.252
Aliás, é justamente esse armazém de dados

0:00:19.252,0:00:23.857
que empoderam as organizações[br]no seu processo de tomada de decisão.

0:00:23.857,0:00:27.227
Muitas empresas primeiro [br]tomam as suas decisões

0:00:27.227,0:00:30.697
para depois olhar para os dados[br]buscando ratificá-las.

0:00:30.697,0:00:34.734
Mas para ser data-driven de fato,[br]primeiro você olha para os dados

0:00:34.734,0:00:39.572
e então depois você faz uma tomada[br]de decisão muito mais assertiva.

0:00:39.572,0:00:42.497
Eu sou a Tassiana, sou gestora [br]na área de dados e analytics

0:00:42.497,0:00:46.212
em uma startup de Inteligência [br]Artificial, a Tribo IA,

0:00:46.212,0:00:50.049
sou também professora[br]e coordenadora de MBA aqui na FIAP.

0:00:50.049,0:00:53.920
E é justamente para falar sobre [br]tomada de decisão que eu estou aqui

0:00:53.920,0:00:56.102
com o meu querido Bruno Passos,

0:00:56.102,0:01:00.732
que já tem uma vasta [br]experiência nesse mercado.

0:01:00.732,0:01:04.382
E eu queria que você se apresentasse[br]para o nosso aluno

0:01:04.382,0:01:09.948
e contasse quando que a tomada de decisão [br]analítica entrou aí na sua carreira.

0:01:10.852,0:01:14.316
Eu trabalho com dados há mais de dez anos,

0:01:14.316,0:01:17.210
e é um grande prazer estar aqui [br]com a professora Tassiana.

0:01:17.210,0:01:19.582
Já foi minha professora.

0:01:19.582,0:01:23.227
Eu acho que eu entrei como[br]a maioria das pessoas

0:01:23.227,0:01:24.817
acabaram entrando no mundo de dados,

0:01:24.817,0:01:28.821
que é como um projeto de DW na empresa.

0:01:28.821,0:01:30.965
Grudei ali com os especialistas.

0:01:32.091,0:01:34.794
Fazia parte de um time de negócio[br]fazendo o upstream.

0:01:34.794,0:01:39.766
o entendimento, uma parte também muito [br]interessante de levantamento de requisitos,

0:01:39.766,0:01:42.568
e fui entrando numa parte mais técnica.

0:01:42.568,0:01:46.740
Hoje eu trabalho como squad líder[br]no Bradesco em inovação e Dados,

0:01:46.740,0:01:52.020
e estamos rompendo a barreira dos dados,[br]e vamos falar um pouco de DW.

0:01:52.020,0:01:53.720
Bacana, Bruno.

0:01:53.720,0:01:56.984
Essa combinação inovação e dados[br]é muito poderosa, né?

0:01:56.984,0:01:59.804
Como nós podemos...

0:01:59.804,0:02:03.190
Pensando aqui em criar um trilho

0:02:03.190,0:02:04.774
de entendimento para o nosso aluno,

0:02:04.774,0:02:09.139
como podemos definir [br]esses dados analíticos?

0:02:09.139,0:02:12.532
Dados analíticos são dados [br]que estão disponíveis

0:02:12.532,0:02:15.701
para serem explorados, analisados.

0:02:15.701,0:02:20.940
Eles vão responder questões de negócio,[br]questões estratégicas da empresa,

0:02:20.940,0:02:22.894
se bem explorados.

0:02:22.894,0:02:27.046
Tem toda uma arquitetura [br]e um contexto por trás disso tudo.

0:02:27.046,0:02:31.320
Mas o final dele é responder[br]questões da organização.

0:02:31.320,0:02:32.852
Bacana, bacana.

0:02:32.852,0:02:35.939
Em termos práticos, Bruno,[br]para o nosso aluno entender

0:02:35.939,0:02:39.573
que isso vai fazer a diferença[br]lá no contexto corporativo mesmo,

0:02:39.573,0:02:44.163
hoje, você ali na sua liderança, [br]gestão, na sua atuação com dados,

0:02:44.163,0:02:48.467
em que momento você precisa ir lá[br]e acionar a sua ferramenta,

0:02:48.467,0:02:51.737
a sua plataforma de análise de dados?

0:02:51.737,0:02:54.240
Hoje nós utilizamos o dado

0:02:54.240,0:02:57.810
para facilitar a vida do nosso time[br]comercial.

0:02:57.810,0:03:01.216
Então nós utilizamos esse dado analítico

0:03:01.216,0:03:05.117
de uma maneira bem granular [br]para fazer predições

0:03:05.117,0:03:08.386
e realmente melhorar a vida do comercial,

0:03:08.386,0:03:11.589
fazendo com que ele [br]visite uma loja correta,

0:03:11.589,0:03:15.861
que ele tenha um índice[br]de assertividade no dia a dia dele.

0:03:15.861,0:03:19.599
Então nós fazemos predições,[br]modelos estatísticos,

0:03:19.599,0:03:21.741
para poder melhorar a vida do comercial.

0:03:23.066,0:03:29.090
Bruno, nós temos hoje uma série [br]de tecnologias, ferramentas, enfim,

0:03:29.090,0:03:33.756
mas me parece que o DW[br]é o coração de tudo isso, né?

0:03:33.756,0:03:36.415
Como ele funciona?

0:03:36.415,0:03:40.152
Vamos começar a mostrar ali [br]para o nosso aluno

0:03:40.152,0:03:41.520
quais seriam os caminhos.

0:03:41.520,0:03:43.522
Vou construir um Data Warehousing,

0:03:43.522,0:03:46.676
preciso ter uma equipe [br]técnica por trás disso?

0:03:47.593,0:03:51.197
Como eu me organizo [br]num projeto desse tipo?

0:03:51.197,0:03:56.235
O DW, é importante sempre explorar.

0:03:56.235,0:04:01.040
Antes de você sair fazendo a construção,[br]para que ele vai servir,

0:04:01.040,0:04:05.544
que respostas você precisa [br]obter através dos dados,

0:04:05.544,0:04:10.367
quais são as especificidades de cada[br]departamento, e como você vai utilizar.

0:04:10.367,0:04:14.086
Claro que você precisa [br]de uma equipe de negócio

0:04:14.086,0:04:17.656
para auxiliar em toda essa [br]estrutura do Data Warehousing.

0:04:17.656,0:04:21.994
Para você conseguir transformar [br]os dados, colocar regras de negócio,

0:04:21.994,0:04:24.217
você precisa de pessoas [br]com um viés um pouco mais técnico

0:04:24.217,0:04:27.466
para fazer a ingestão dessas informações.

0:04:27.466,0:04:31.883
E sempre tem aquelas pessoas [br]que têm mais habilidade do UX,

0:04:31.883,0:04:36.208
de prototipar, de montar [br]relatórios, dashboards.

0:04:36.208,0:04:40.217
Então é um caminho de construção[br]em relação ao profissional

0:04:40.217,0:04:42.457
que tem a oportunidade para todos

0:04:42.457,0:04:45.105
Legal falarmos para o nosso [br]aluno então, né, Bruno,

0:04:45.105,0:04:50.322
que o DW é um conceito[br]que apoia a tomada de decisão.

0:04:50.322,0:04:54.360
Em termos práticos, quando pensamos [br]um Data Warehousing, o que temos ali dentro

0:04:54.360,0:04:59.198
são KPIs de dimensões, não mais que isso.

0:04:59.198,0:05:02.101
E isso vai ser sempre superimportante[br]dentro das empresas.

0:05:02.101,0:05:07.239
Mas aí tem toda a questão [br]do ferramental, do trilho de construção,

0:05:07.239,0:05:11.510
do perfil profissional e tudo mais, [br]para materializar isso.

0:05:11.510,0:05:12.909
Mas não é uma ferramenta, né?

0:05:12.909,0:05:15.629
Não dá para dizer que é [br]simplesmente uma ferramenta.

0:05:16.749,0:05:21.553
E aí tem uma questão aqui de definição,[br]só para não deixar o nosso aluno confuso

0:05:21.553,0:05:25.500
quando ele se deparar com as buzzwords,[br]e os termos e tudo mais.

0:05:25.500,0:05:30.308
Se eu coloco lá o "ing" no termo, [br]muda alguma coisa?

0:05:31.450,0:05:35.868
Apesar do nome ser praticamente [br]igual às definições,

0:05:35.868,0:05:39.888
e se você ler literalmente é igual,[br]mas é diferente.

0:05:39.888,0:05:44.910
O Data Warehousing tem uma amplitude maior

0:05:44.910,0:05:48.447
porque é a concepção lá desde o início,

0:05:48.447,0:05:52.284
trazer os dados lá do transacional,

0:05:52.284,0:05:55.888
daqueles sistemas de origem, [br]do sistema financeiro...

0:05:55.888,0:05:59.748
Se for um supermercado,[br]o sistema que passa lá do caixa

0:05:59.748,0:06:04.301
engloba até o processo da confecção[br]de um dashboard, de um relatório.

0:06:05.597,0:06:07.399
Então vamos dizer que o

0:06:07.399,0:06:11.637
Data Warehouse sem o ing [br]no final é um subconjunto

0:06:11.637,0:06:14.147
dentro desse processo.

0:06:14.147,0:06:17.687
Ele é um ambiente dentro [br]de um banco de dados

0:06:17.687,0:06:21.013
onde armazena essas [br]informações de negócio.

0:06:21.013,0:06:23.917
Então é um subconjunto[br]de todo esse processo.

0:06:23.917,0:06:25.217
Bacana.

0:06:25.217,0:06:30.148
E com o ing, é a esteira inteira, né?

0:06:30.148,0:06:31.302
A esteira inteira.

0:06:31.302,0:06:32.024
Perfeito.

0:06:32.024,0:06:35.227
Se não prestarmos atenção,[br]nós confundimos, né,

0:06:35.227,0:06:38.217
e de repente acha [br]que um é sinônimo do outro.

0:06:38.217,0:06:42.637
Se não falar o ing no final, [br]no ouvido do brasileiro passa batido.

0:06:42.637,0:06:43.569
Boa!

0:06:44.469,0:06:48.987
Se você fosse hoje, Bruno, montar [br]uma squad para compor um DW...

0:06:48.987,0:06:52.017
Muitas organizações já tem [br]o seu Data Warehouse.

0:06:52.017,0:06:53.589
Temos feito o BI...

0:06:53.589,0:06:56.917
Nasceu há boas décadas atrás.

0:06:56.917,0:07:00.619
Então, quando você pega, por exemplo,[br]o Bradesco, uma grande financeira,

0:07:00.619,0:07:04.327
necessariamente eles já têm [br]uma estrutura de tomada de decisão.

0:07:04.327,0:07:07.928
De repente, se estivermos [br]falando ali de uma startup,

0:07:07.928,0:07:11.929
aí sim é uma empresa que está começando[br]a fazer os seus registros transacionais

0:07:11.929,0:07:13.899
e a compor a sua base analítica.

0:07:13.899,0:07:17.102
Então vamos pensar num cenário mais novo.

0:07:17.102,0:07:21.440
Se você estivesse ali na liderança[br]de uma squad, quem você traria?

0:07:21.440,0:07:25.319
Qual é o perfil profissional[br]para atuar, na criação mesmo,

0:07:25.319,0:07:28.350
de uma solução de Data Warehouse?

0:07:28.350,0:07:31.893
Para mim, sempre existe a necessidade

0:07:31.893,0:07:36.600
de antes de você realmente conceber[br]e prototipar toda a arquitetura,

0:07:36.600,0:07:42.140
entender com os responsáveis,[br]com a gestão mais executiva,

0:07:42.140,0:07:46.732
o que a empresa busca através dos dados,

0:07:46.732,0:07:49.301
para definirmos então que tipo de arquitetura.

0:07:49.301,0:07:53.138
Se vamos partir para um DW,

0:07:53.138,0:07:57.209
ou se a empresa vai fazer [br]um investimento numa cloud,

0:07:57.209,0:08:00.946
se vamos para um lake, se está [br]interessado em minerar dados.

0:08:00.946,0:08:04.149
Agora, se for realmente um Data Warehouse,

0:08:04.149,0:08:08.253
com certeza muitas pessoas de negócio,

0:08:08.253,0:08:11.240
um profissional de ingestão de dados,

0:08:11.240,0:08:16.408
um profissional de negócio [br]para fazer todo o upstream,

0:08:16.408,0:08:18.538
o levantamento de requisitos, né?

0:08:19.898,0:08:23.034
E é importante ter um profissional[br]para fazer toda essa parte

0:08:23.034,0:08:26.632
de montar a ingestão dessa informação,

0:08:26.632,0:08:31.460
aquelas três letrinhas lá de extração,[br]transformação, e a carga de tudo isso.

0:08:31.460,0:08:37.048
Então eu traria esses três tipos de perfis:[br]uma pessoa relacionada ao negócio,

0:08:37.048,0:08:39.918
uma pessoa que trabalha[br]com ingestão de dados,

0:08:39.918,0:08:43.955
para fazer toda essa parte [br]de arquitetura, das três letrinhas,

0:08:43.955,0:08:45.662
que poderemos passar depois por elas,

0:08:45.662,0:08:49.998
e alguém que tem habilidades de fazer[br]a confecção de um dashboard,

0:08:49.998,0:08:52.366
de construir relatórios, fazer estudos.

0:08:53.098,0:08:54.143
Bacana.

0:08:54.143,0:08:59.200
Então, no warehousing, nós [br]temos levantamento de requisitos

0:08:59.200,0:09:02.507
para responder as dores de negócio.

0:09:02.507,0:09:07.245
Na modelagem, falando techniquêz, [br]nós chamamos de levantar os fatos,

0:09:07.245,0:09:09.180
o que se quer saber, não é isso?

0:09:09.180,0:09:12.183
E aí tem uma conexão muito grande[br]com o negócio.

0:09:12.183,0:09:14.600
Em paralelo a isso, [br]de repente um arquiteto...

0:09:14.600,0:09:16.839
Hoje nós temos uma série de arquiteturas,

0:09:16.839,0:09:21.259
Lambda, Kappa, tudo para tomada de decisão,

0:09:21.259,0:09:24.696
malhas de dados, data mash, [br]data product, enfim.

0:09:24.696,0:09:28.566
Ai talvez seja um papo[br]para um outro vídeo.

0:09:28.566,0:09:31.945
Mas sem dúvida, [br]um arquiteto ali para para olhar.

0:09:31.945,0:09:32.969
Você falou do...

0:09:32.969,0:09:34.539
Só recapitulando para o nosso aluno, né?

0:09:34.539,0:09:38.596
Você falou do ETL,[br]que é uma parte dolorida, né, Bruno?

0:09:38.596,0:09:39.562
Porque tem...

0:09:40.707,0:09:41.546
É...

0:09:41.546,0:09:44.576
Limpeza, tratamento dos dados...

0:09:45.235,0:09:46.210
Não é isso?

0:09:46.210,0:09:47.355
É, é o trabalho sujo, né?

0:09:48.181,0:09:49.785
Eu estou brincando, não é [br]o trabalho sujo.

0:09:51.385,0:09:52.891
Na verdade é uma profissão bem legal,

0:09:52.891,0:09:56.294
um engenheiro de dados ali, que vai [br]fazer toda essa parte de ingestão.

0:09:56.294,0:10:00.465
Ele vai capturar as informações[br]dos sistemas transacionais.

0:10:00.465,0:10:03.334
E aí, com a ajuda dessas [br]pessoas de negócio,

0:10:03.334,0:10:06.853
ele vai aplicar todas as regras[br]que foram definidas

0:10:06.853,0:10:12.510
e vai fazer o carregamento dessas informações[br]para dentro desse Data Warehouse.

0:10:12.510,0:10:18.807
Então ele move o engenho desse processo.

0:10:18.807,0:10:21.503
E aí tem uma dor de qualidade de dados.

0:10:21.503,0:10:25.927
Tem uma estatística[br]que diz que menos de 10%

0:10:25.927,0:10:30.375
das bases de dados são de fato [br]consideradas qualificadas hoje.

0:10:31.162,0:10:35.573
Então nós temos essa esteira[br]com tantos profissionais...

0:10:35.573,0:10:40.104
É um superprojeto, e às vezes entra[br]sujeira, e sai sujeira colorida.

0:10:40.104,0:10:42.379
Eu brinco com os alunos do outro lado

0:10:42.379,0:10:46.019
porque o dado de fato não [br]entra muito bem qualificado

0:10:46.019,0:10:50.493
e nessa fase do ETL, nós temos muita dificuldade

0:10:50.493,0:10:53.493
de fazer o quality, o cleansing dos dados, né

0:10:53.493,0:10:56.288
Qualidade de dados hoje já [br]não é mais uma dor técnica.

0:10:56.288,0:10:57.288
É uma dor de negócio.

0:10:57.288,0:11:02.343
Porque se eu não consigo resolver, eu não[br]respondo às minhas perguntas de negócio.

0:11:02.343,0:11:09.078
Você brincou ali no começo, que é [br]trabalho sujo porque é trabalhoso,

0:11:09.078,0:11:10.868
mas é estratégico.

0:11:10.868,0:11:15.406
Essa fase de combinar, [br]agregar, calcular os dados

0:11:15.406,0:11:18.009
e conseguir levá-los [br]para um nível que eles, de fato,

0:11:18.009,0:11:20.969
respondam as perguntas[br]com assertividade.

0:11:20.969,0:11:23.081
Você, como gestor, sabe, né, Bruno?

0:11:23.081,0:11:29.460
Se o meu DW não for bem preparado,[br]o gestor começa a burlar o sistema,

0:11:29.460,0:11:31.889
e aí ele baixa aquilo no Excel,

0:11:31.889,0:11:34.659
dá uma ajustada, vai no feeling,

0:11:34.659,0:11:37.029
como eu brinquei[br]aqui no início do nosso papo.

0:11:37.995,0:11:40.080
As empresas não são data-driven, né?

0:11:40.080,0:11:44.140
Elas tomam as decisões[br]e depois até enviesam os dados

0:11:44.140,0:11:48.840
que é para dizer que tomou a decisão [br]certa, quando deveria ser o contrário.

0:11:48.840,0:11:52.443
Eu faço aquilo que o dado [br]me direciona a fazer.

0:11:52.443,0:11:56.380
Mas que tudo isso está[br]nessa fase do ETL,

0:11:56.380,0:12:00.785
que parece tão técnico,[br]mas que tem essa questão de qualidade

0:12:00.785,0:12:04.008
que precisa ser pensada ali,[br]inclusive pela gestão do projeto, né?

0:12:04.008,0:12:05.161
Total.

0:12:05.828,0:12:10.294
Eu não vou falar que o quality é o principal,

0:12:10.294,0:12:13.968
Eu acho que é o principal ofensor [br]sim, o principal ofensor.

0:12:13.968,0:12:15.756
Porque é igual o que você comentou.

0:12:17.401,0:12:22.758
A informação vem com um nível [br]de tratamento mínimo

0:12:22.758,0:12:27.678
e você pode organizar essas [br]informações e tratar um campo nulo,

0:12:27.678,0:12:31.849
de repente transformar ali[br]as cinco variáveis de São Paulo,

0:12:31.849,0:12:37.388
São Paulo com "S", São Paulo só com o "SP",[br]e tratar essas informações.

0:12:37.388,0:12:41.125
Mas, por muitas vezes,[br]você não consegue identificar

0:12:41.125,0:12:43.999
se existe um padrão errado[br]de informação lá dentro.

0:12:45.129,0:12:49.233
Por exemplo,[br]eu posso dizer que numa coluna

0:12:49.233,0:12:52.801
deve vir uma descrição de 20 caracteres.

0:12:53.838,0:12:58.314
E ali é uma é uma coluna para ver[br]o modelo de um veículo,

0:12:58.314,0:13:00.142
mas de repente vem o nome de uma cidade.

0:13:01.278,0:13:06.717
É muito difícil o quality identificar [br]algumas coisas que vêm da origem.

0:13:06.717,0:13:09.237
Você até consegue identificar, né?

0:13:10.154,0:13:15.387
Então é um trabalho[br]que realmente, na concepção do ? ,

0:13:15.387,0:13:20.231
toda a parte ali [br]da montagem da arquitetura,

0:13:20.231,0:13:23.505
tem que se pensar[br]nessas questões de quality

0:13:23.505,0:13:28.507
para começar realmente a transformar isso[br]num dado de qualidade.

0:13:29.774,0:13:31.976
É muito difícil 100% [br]das informações estarem...

0:13:31.976,0:13:35.975
Estamos usando um exemplo de banco,

0:13:35.975,0:13:41.753
que tem mais de 90 sistemas [br]transacionais, e nem tudo se conversa...

0:13:41.753,0:13:43.967
Igual eu comentei aqui,

0:13:43.967,0:13:47.825
um sistema coloca a cidade

0:13:47.825,0:13:49.994
de um jeito e um outro sistema de outro.

0:13:49.994,0:13:52.142
Você consegue fazer essas correções.

0:13:52.142,0:13:58.235
Mas se existe um problema [br]na articulação dos dados,

0:13:58.235,0:14:02.082
um campo texto aonde alguém [br]pode errar alguma coisa,

0:14:02.082,0:14:04.508
é bastante sensível,[br]é bem complicado.

0:14:04.508,0:14:06.902
Eu acho que é o maior ofensor[br]dentro de um DW.

0:14:06.902,0:14:09.752
Bom ponto, é um super desafio, né?

0:14:09.752,0:14:14.852
E aí você falou que depois da camada[br]de consumo tem ali um analista de BI,

0:14:14.852,0:14:20.342
talvez seja esse o melhor nome,[br]para construir DataViz.

0:14:20.342,0:14:25.329
Você mencionou UX, porque tem um pouco [br]de como eu crio ali o meu storytelling,

0:14:25.329,0:14:28.522
como eu capto as questões [br]mais cognitivas, né,

0:14:28.522,0:14:30.207
para onde as pessoas olham,

0:14:30.207,0:14:33.537
o que chama a atenção,[br]o uso de cores e tudo mais.

0:14:33.537,0:14:36.814
Isso é superimportante, é digno [br]de uma disciplina inteira, né?

0:14:37.474,0:14:41.140
E de repente, Bruno, também[br]um pouco de analytics ali,

0:14:41.140,0:14:43.280
no sentido mais estatístico mesmo.

0:14:43.280,0:14:45.877
Cabe ali uma correlação estatística,

0:14:45.877,0:14:50.587
uma estatística mais [br]descritiva, até preditiva, né?

0:14:50.587,0:14:54.537
Dá para começar a fazer[br]algumas combinações de KPIs, né?

0:14:54.537,0:14:57.327
Sim, e dá para explorar realmente.

0:14:57.327,0:15:01.632
Além da análise descritiva,

0:15:01.632,0:15:06.348
dependendo da granularidade de dados,

0:15:06.348,0:15:09.421
você realmente consegue [br]fazer algum tipo de predição,

0:15:09.421,0:15:15.497
começar a trabalhar um dashboard [br]com uma análise diagnóstica,

0:15:15.497,0:15:20.651
criar correlação, fazer algumas análises [br]e estudos de churn, por exemplo.

0:15:20.651,0:15:21.763
Legal.

0:15:21.763,0:15:25.033
E em cima do UX, é muito importante, né?

0:15:25.033,0:15:27.803
Toda essa estrutura [br]tem que sair lá na frente

0:15:27.803,0:15:30.727
em algo que faça sentido [br]para quem vai ler.

0:15:30.727,0:15:34.700
Então o UX hoje, a parte de UI também,

0:15:34.700,0:15:39.403
estão presentes nos profissionais[br]que trabalham com DataViz

0:15:39.403,0:15:43.540
para achar a melhor maneira[br]de divulgar essa informação

0:15:43.540,0:15:46.821
para melhorar a leitura [br]de quem vai consumir o dado.

0:15:46.821,0:15:49.448
E se você estivesse começando [br]a sua carreira agora,

0:15:49.448,0:15:52.015
querendo entrar no clubinho dos dados...

0:15:52.015,0:15:54.021
Não sei se é um clube fechado ou não.

0:15:54.021,0:15:55.257
É você que me diz, tá?

0:15:56.291,0:15:57.854
Por onde que você começaria?

0:15:57.854,0:16:03.236
Porque falamos de arquiteto, [br]de engenheiro, de analista, de UX.

0:16:03.236,0:16:04.376
Muitos caminhos, né?

0:16:04.376,0:16:09.199
Mas eu imagino que tem aí[br]um caminho mais fácil de entrar.

0:16:09.199,0:16:11.462
Porque talvez a arquitetura não seja, né?

0:16:11.462,0:16:13.732
A arquitetura é uma visão mais holística,

0:16:13.732,0:16:16.090
Já tem que ter alguma bagagem de carreira.

0:16:16.880,0:16:19.341
Dê uma dica aí para o nosso aluno começar.

0:16:19.341,0:16:22.451
Eu vou dar uma dica prática,

0:16:22.451,0:16:24.948
que, na verdade, é [br]a minha própria experiência,

0:16:24.948,0:16:30.316
que foi trabalhando com dados[br]voltado para negócio,

0:16:30.316,0:16:31.936
aquele cara que faz o upstream.

0:16:31.936,0:16:35.525
Então, quando você se senta [br]ao lado de um engenheiro

0:16:35.525,0:16:40.532
para você passar todas aquelas regras [br]e ajudá-lo a criar uma arquitetura,

0:16:40.532,0:16:42.332
porque ele não cria sozinho,

0:16:42.332,0:16:45.769
ele precisa da sua ajuda[br]para definir os melhores caminhos.

0:16:45.769,0:16:49.758
você começa a ter visão [br]desses dois processos,

0:16:49.758,0:16:53.955
um processo mais técnico[br]e um processo de negócio,

0:16:53.955,0:16:57.180
que é o que realmente [br]falta no mercado, né,

0:16:57.180,0:17:00.250
pessoas que não têm[br]só um viés técnico,

0:17:00.250,0:17:03.787
que é excelente quando uma pessoa [br]executa a parte técnica,

0:17:03.787,0:17:08.358
mas se ela tem o feeling[br]de negócio, ela consegue

0:17:08.358,0:17:12.767
entrar em caminhos e tomar [br]decisões bem interessantes.

0:17:12.767,0:17:17.567
Então eu começaria como eu[br]comecei, com a parte de negócio

0:17:17.567,0:17:19.377
na construção de um Data Warehouse.

0:17:19.377,0:17:21.404
Boa dica, né, é um bom começo.

0:17:21.404,0:17:24.101
Aliás, tivemos uma onda recente...

0:17:24.101,0:17:28.492
Não é muito a minha praia, mas eu vou [br]arriscar falar aqui do "dev full stack"...

0:17:29.746,0:17:32.049
Que é aquele profissional[br]back-end, front-end...

0:17:32.049,0:17:33.049
Full, né?

0:17:33.049,0:17:35.514
E eu tenho percebido,[br]e não sei se você percebe,

0:17:35.514,0:17:38.488
esse mesmo movimento no contexto de dados.

0:17:38.488,0:17:42.626
Agora nós temos um analytics engineer,

0:17:42.626,0:17:46.969
que me parece que é essa fusão[br]desse profissional de análise de dados,

0:17:46.969,0:17:50.779
que entende de Python,[br]que entende também de SQL,

0:17:50.779,0:17:55.069
mas que se vira bem [br]no desenvolvimento, se precisar,

0:17:55.069,0:17:58.705
para além da análise e da consulta[br]interativa dos dados.

0:17:58.705,0:18:03.940
Se precisar montar uma esteira, fazer [br]efetivamente a engenharia, ele consegue.

0:18:03.940,0:18:07.350
Ele consegue estar nos dois momentos,[br]na engenharia e na análise dos dados.

0:18:07.350,0:18:11.409
Talvez seja uma uma tendência[br]para o nosso aluno olhar também.

0:18:11.409,0:18:13.364
E na camada executiva?

0:18:13.364,0:18:16.626
Estamos falando ali no técnico[br]olhando para o negócio.

0:18:16.626,0:18:19.376
Quais são as preocupações[br]na camada executiva?

0:18:19.376,0:18:21.398
Às vezes até quando vamos montar um dash,

0:18:21.398,0:18:25.219
temos que nos perguntar se é mais tático,[br]se é mais executivo.

0:18:26.379,0:18:32.008
É importante porque o nível executivo [br]tem algumas necessidades.

0:18:32.008,0:18:38.081
Diferente de dashboards voltados [br]para o operacional, para o tático,

0:18:38.081,0:18:42.218
ele precisa de respostas [br]num período curto

0:18:42.218,0:18:46.446
de tempo de execução[br]dessas informações,

0:18:46.446,0:18:51.156
e de indicadores estratégicos onde [br]ele possa tomar uma decisão rápida

0:18:51.156,0:18:53.417
sem precisar fazer grandes leituras.

0:18:54.597,0:18:58.134
Costumamos falar que tem que ter[br]um storytelling, todo um contexto.

0:18:58.134,0:19:00.370
Tem que ter também [br]para a camada executiva,

0:19:00.370,0:19:01.838
mas uma coisa muito mais enxuta,

0:19:01.838,0:19:04.845
onde ele bata o olho[br]e consiga tomar uma ação.

0:19:04.845,0:19:05.881
Sim, sim.

0:19:05.881,0:19:11.408
Em contrapartida, de repente,[br]o período histórico deva ser maior,

0:19:11.408,0:19:13.766
mais resumido, mas um período histórico maior,

0:19:13.766,0:19:16.753
se estivermos falando[br]de um planejamento mais estratégico, né?

0:19:16.753,0:19:19.297
Eu percebo que, no tático, no operacional,

0:19:19.297,0:19:22.657
eu estou olhando muito para a minha [br]esteira ali, para o meu dia a dia,

0:19:22.657,0:19:24.834
é pensar no amanhã, de repente é um...

0:19:25.654,0:19:26.543
- Eu não quero que tenha uma...[br]- Um monitoramento, né?

0:19:26.543,0:19:28.885
Isso. Eu não quero que tenha [br]uma quebra de estoque,

0:19:28.885,0:19:31.868
então eu estou olhando para as minhas [br]compras da semana que vem.

0:19:31.868,0:19:32.468
E é isso.

0:19:32.468,0:19:35.043
Agora, quando eu estou [br]falando da camada executiva,

0:19:35.043,0:19:38.757
de repente é o meu planejamento anual,

0:19:38.757,0:19:43.279
ou eu estou norteando os próximos [br]anos ali da minha organização,

0:19:43.279,0:19:46.749
e aí eu tenho que, de repente, olhar[br]para um período histórico um pouco maior.

0:19:46.749,0:19:53.056
Pode ser o caso também para diferenciarmos [br]um pouco o estratégico do tático.

0:19:53.056,0:19:55.024
Gente, papo superbom.

0:19:55.024,0:19:59.662
Começamos aqui conceituando[br]o mundo de Business Intelligence.

0:19:59.662,0:20:01.597
O Bruno trouxe aspectos de negócio.

0:20:01.597,0:20:04.637
Aliás, a dica do Bruno [br]foi começar por negócio

0:20:04.637,0:20:07.977
e depois abarcar ali a parte técnica.

0:20:07.977,0:20:11.140
E agora, como tudo [br]o que é bom dura pouco,

0:20:11.140,0:20:15.857
para fecharmos aqui[br]a nossa conversa, dicas, dicas.

0:20:15.857,0:20:19.215
Tem alguma dica preciosa de estudo, [br]de caminhos, para o nosso aluno

0:20:19.215,0:20:23.170
que está entrando nesse[br]mundo da tomada de decisão?

0:20:25.530,0:20:30.501
A minha percepção, não só para as pessoas [br]que já já trabalham com isso,

0:20:30.501,0:20:33.129
mas que estão entrando na área,

0:20:33.129,0:20:37.567
é começar a olhar a tipos de arquiteturas[br]e de propostas diferentes

0:20:37.567,0:20:41.153
de como disponibilizar o dado, [br]igual a professora Tassiama falou,

0:20:41.153,0:20:45.608
de Data Mesh, de várias outras ferramentas

0:20:45.608,0:20:50.697
voltadas para cloud, lakehouse, data lake,

0:20:50.697,0:20:56.407
para realmente saber [br]que universo você quer ir,

0:20:56.407,0:20:59.594
se é um universo também[br]de mineração de dados.

0:20:59.594,0:21:02.764
Se você tem um viés mais [br]matemático, estatístico,

0:21:02.764,0:21:06.295
e gosta de explorar, minerar[br]esse dado, também é um caminho.

0:21:06.295,0:21:09.332
É um caminho não tão recente, mas recente

0:21:09.332,0:21:12.001
em relação à toda essa [br]estruturação de dados,

0:21:12.001,0:21:13.624
porque estamos falando de Data Warehouse.

0:21:13.624,0:21:19.357
E hoje, a concepção do Data Warehouse,[br]o que estamos falando aqui,

0:21:19.357,0:21:24.013
das profissões e dos métodos[br]de como criar toda arquitetura,

0:21:24.013,0:21:27.416
é importante para quem está [br]querendo entrar na área

0:21:27.416,0:21:31.621
enxergar o cenário como um todo,[br]porque existem várias possibilidades,

0:21:31.621,0:21:36.559
não só além do Data Warehouse,[br]e outras estruturas, mas estrutura

0:21:36.759,0:21:40.963
que você acaba fazendo um formato híbrido[br]com data warehouse.

0:21:41.030,0:21:43.766
E você pode entrar nesse

0:21:43.766,0:21:49.338
não num outro viés matemático estático[br]que trabalha essas informações

0:21:49.338,0:21:54.243
olhando para frente, criando predições,[br]criando prescrições.

0:21:54.310,0:21:57.913
Então é um mundo muito vasto,[br]muito vasto mesmo.

0:21:57.980,0:22:01.317
Então, quando foi estudar e olha no todo

0:22:01.317,0:22:04.820
em relação ao dado, para você enxergar[br]onde você se encaixa melhor.

0:22:04.920,0:22:08.758
Fantástico, Bruno Gente,[br]só esses últimos termos que ele usou,

0:22:08.758,0:22:13.696
ele falou de product lag, house,[br]arquiteturas híbridas

0:22:13.729,0:22:16.565
já daí horas[br]para não dizer anos de estudo.

0:22:16.565,0:22:20.236
Então dicas boas para vocês[br]se aprofundarem ainda mais aqui

0:22:20.302,0:22:22.571
no nosso conteúdo.

0:22:22.571,0:22:24.740
Portanto, dizer pessoal[br]que às vezes nós falamos.

0:22:24.740,0:22:30.413
DW Isso soa como algo antigo, porque,[br]de fato nós fazemos isso há muito tempo.

0:22:30.413,0:22:36.819
Agora, o ponto é o seguinte[br]as tecnologias, elas elas passam, mas

0:22:36.886,0:22:40.556
e às vezes eu até sinto a[br]tem muito cíclica de centraliza,

0:22:40.556,0:22:45.594
centraliza, vai de um, de um extremo[br]a outro, num contexto de agilidade.

0:22:45.594,0:22:47.096
Está tudo muito rápido.

0:22:47.096,0:22:50.432
A gente tem abarcado aí[br]muitas techs modernas.

0:22:50.432,0:22:52.835
Estão às vezes a estudar uma ferramenta.

0:22:52.835,0:22:54.670
Ano que vem já é outra.

0:22:54.670,0:22:57.373
Mas quando a gente fala de conceitos,

0:22:57.373,0:23:01.744
de tomada, de decisão, de planejamento,[br]isso é perene.

0:23:01.744,0:23:03.779
É contemporâneo ou não, Não passa.

0:23:03.779,0:23:07.950
Então, estudar, daí ter house no sentido[br]de pensar no negócio

0:23:08.050,0:23:11.287
e como eu trabalho[br]os meus pés para tomada de decisão,

0:23:11.287,0:23:14.490
é algo que te empodera[br]pra carreira e vale super a pena.

0:23:14.490,0:23:17.326
Você continuar investindo nesse assunto e.