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,

0:01:24.817,0:01:28.755
que é como um projeto de DW na empresa e

0:01:28.821,0:01:32.025
grudei ali com os especialistas.

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

0:01:34.794,0:01:37.664
Eu, o entendimento[br]e uma parte interessante também

0:01:37.664,0:01:39.766
de levantamento de requisitos.

0:01:39.766,0:01:42.568
E foi entrando numa parte mais técnica.

0:01:42.568,0:01:47.340
Hoje eu trabalho como Squad líder[br]no Bradesco em inovação e Dados, e a gente

0:01:47.340,0:01:52.211
está rompendo a barreira dos dados[br]e vamos falar um pouco de DW.

0:01:52.278,0:01:53.379
Bacana, Bruno.

0:01:53.379,0:01:57.984
Essa combinação inovação e dados[br]é muito poderoso, né?

0:01:58.084,0:02:01.354
Como que a gente pode, pensando aqui

0:02:01.421,0:02:04.824
em criar um trilho de entendimento[br]para o nosso aluno?

0:02:04.824,0:02:09.128
Como que a gente pode definir esses dados[br]analíticos?

0:02:09.195,0:02:12.532
Dados analíticos[br]são dados que estão disponíveis

0:02:12.532,0:02:15.535
para serem explorados, analisados.

0:02:15.701,0:02:20.840
Eles vão responder questões de negócio,[br]questões estratégicas da empresa.

0:02:20.940,0:02:25.044
Se bem explorados,[br]tem toda uma arquitetura e um contexto

0:02:25.044,0:02:27.046
por trás disso tudo.

0:02:27.046,0:02:31.217
Mas o final dele é responder[br]questões da organização.

0:02:31.284,0:02:32.852
Bacana. Bacana.

0:02:32.852,0:02:36.522
Em termos práticos, Bruno,[br]para o nosso aluno entender que isso

0:02:36.589,0:02:40.426
vai fazer a diferença[br]lá no contexto corporativo mesmo hoje,

0:02:40.493,0:02:44.063
você ali na sua liderança, gestão,[br]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,

0:02:48.467,0:02:51.671
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.

0:02:57.910,0:03:01.180
Então nós fazemos[br]utilizamos esse dado analítico

0:03:01.280,0:03:05.117
de uma maneira[br]bem granular para fazer predições

0:03:05.217,0:03:06.686
e melhorar

0:03:06.686,0:03:10.423
realmente a vida do comercial,[br]fazendo com que ele visite

0:03:10.489,0:03:15.795
uma loja correta, 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]e modelos estatísticos

0:03:19.599,0:03:22.601
para poder melhorar a vida do comercial.

0:03:22.802,0:03:27.640
Bruno[br]Nós temos hoje uma série de tecnologias,

0:03:27.640,0:03:31.110
ferramentas, enfim, mas me parece que o DW

0:03:31.110,0:03:34.113
é o coração de tudo isso, né?

0:03:34.280,0:03:36.415
Como é que funciona?

0:03:36.415,0:03:40.152
Vamos começar[br]a mostrar ali 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 doutor House.

0:03:43.522,0:03:47.526
Preciso ter uma equipe técnica[br]por trás disso.

0:03:47.593,0:03:48.427
Como é que eu organizo?

0:03:48.427,0:03:51.197
Me organizo num projeto desse tipo?

0:03:51.197,0:03:54.567
O DW ou ele é importante

0:03:54.667,0:03:56.235
sempre explorar?

0:03:56.235,0:04:00.973
Antes de você sair fazendo a construção,[br]para que ele vai servir?

0:04:01.040,0:04:01.474
Para que?

0:04:01.474,0:04:05.478
Que respostas[br]você precisa obter através dos dados?

0:04:05.544,0:04:10.916
E quais são as especificidades de cada[br]departamento e como você vai utilizar?

0:04:11.016,0:04:14.086
Claro,[br]você precisa de uma equipe de negócio

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

0:04:17.656,0:04:21.894
Para você conseguir transformar os dados,[br]colocar regras de negócio,

0:04:21.994,0:04:23.529
você precisa de pessoas com um viés

0:04:23.529,0:04:27.399
um pouco mais técnico[br]para fazer a ingestão dessas informações.

0:04:27.466,0:04:31.103
E assim como as pessoas, sempre tem[br]aquelas pessoas que tem mais habilidade

0:04:31.103,0:04:36.108
do Unix de fazer, de prototipar,[br]de montar relatórios, dashboards.

0:04:36.208,0:04:38.777
Então é um caminho de construção

0:04:38.777,0:04:42.381
em relação ao profissional[br]que tem a oportunidade para todos.

0:04:42.481,0:04:45.885
Legal a gente falar,[br]né Bruno Para o nosso aluno, então, que DW

0:04:45.885,0:04:50.322
é um conceito[br]que apoia a tomada de decisão.

0:04:50.389,0:04:51.490
Em termos práticos,

0:04:51.490,0:04:55.561
quando a gente pensa num dado[br]tree house, o que ele tem ali dentro são

0:04:55.628,0:04:59.098
de dimensões, não mais do que isso.

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

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

0:05:07.239,0:05:11.377
do perfil profissional[br]e tudo mais para materializar isso.

0:05:11.510,0:05:16.682
Mas não é uma ferramenta, não dá para[br]usar, é simplesmente uma ferramenta.

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

0:05:21.553,0:05:25.591
ou quando ele se deparar com as buzzwords[br]e os termos e tudo mais.

0:05:25.658,0:05:28.360
Se eu coloco lá o high end de

0:05:28.360,0:05:31.096
no termo muda alguma coisa.

0:05:31.096,0:05:35.868
Apesar do nome ser praticamente igual[br]às definições também,

0:05:35.868,0:05:40.339
se você ler literalmente é igual,[br]mas é diferente.

0:05:40.406,0:05:42.641
Data Warehouse

0:05:42.641,0:05:44.910
Ele tem uma amplitude maior

0:05:44.910,0:05:48.213
porque ele é a concepção lá[br]desde o início.

0:05:48.447,0:05:52.284
Trazer os dados[br]lado transacional ou transacional

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

0:05:55.921,0:05:59.191
Se for um supermercado,[br]o sistema que passa lá do caixa

0:05:59.258,0:06:05.531
até 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 NG no final,[br]ele é um subconjunto.

0:06:11.637,0:06:16.608
Dentro desse processo[br]ele é ele e ele é um ambiente

0:06:16.608,0:06:20.946
dentro de um banco de dados onde armazena[br]essas informações de negócio.

0:06:21.013,0:06:25.150
Então é um subconjunto[br]de todo esse processo bacana

0:06:25.217,0:06:28.453
e com o AI em dia

0:06:28.520,0:06:31.957
é a isso ter interesse ter inteira[br]perfeito.

0:06:32.024,0:06:35.027
Se a gente não prestar atenção,[br]a gente confunde

0:06:35.227,0:06:39.331
e acha de repente que que um é sinônimo[br]do outro, se não falar, é energia

0:06:39.331,0:06:44.369
no final do ouvido do brasileiro,[br]passa batido na boa.

0:06:44.469,0:06:47.439
Se você fosse hoje, Bruno,[br]montar uma squad

0:06:47.639,0:06:51.510
para compor um DW,[br]Muitas organizações já tem o seu Dr.

0:06:51.510,0:06:52.344
House.

0:06:52.344,0:06:56.982
A gente vem fazendo o BI, mas nasceu ali[br]há boas décadas atrás.

0:06:57.149,0:07:00.552
Então, quando você pega, por exemplo,[br]o Bradesco, uma grande financeira,

0:07:00.619,0:07:05.657
necessariamente do dia, tem uma estrutura[br]de tomada de decisão, independente

0:07:05.757,0:07:09.728
Se estivermos falando ali de uma startup,[br]aí sim é uma empresa que está começando

0:07:09.895,0:07:13.899
a fazer os seus registros transacional[br]e compor a sua base analítica.

0:07:13.899,0:07:16.902
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 é que você traria?

0:07:21.440,0:07:27.179
Qual é o perfil profissional para atuar[br]na criação mesmo de uma solução de TI?

0:07:27.279,0:07:28.613
Tem cri House?

0:07:28.613,0:07:34.553
Para mim sempre existe a necessidade[br]de você antes de conceber

0:07:34.653,0:07:36.855
e prototipar realmente toda a arquitetura

0:07:36.855,0:07:40.559
e entender com os responsáveis

0:07:40.659,0:07:43.195
uma gestão mais executiva, o que a empresa

0:07:43.195,0:07:46.665
e o que ela busca através dos dados

0:07:46.732,0:07:49.301
para a gente[br]definir que tipo de arquitetura,

0:07:49.301,0:07:53.071
se a gente vai partir para um DW[br]ou se a gente pode por uma,

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

0:07:57.209,0:08:00.879
E se a gente vai para um lead[br]que se está interessado em minerar dados.

0:08:00.946,0:08:03.949
Agora, se for realmente um data warehouse,

0:08:04.149,0:08:08.153
os profissionais,[br]com certeza muitas pessoas de negócio

0:08:08.253,0:08:13.825
e um profissional de gestão de dados,[br]o profissional de negócio.

0:08:13.825,0:08:19.831
Para fazer todo o upstream[br]há o levantamento de requisitos

0:08:19.898,0:08:22.901
e é importante ter um profissional[br]para fazer toda essa parte

0:08:23.034,0:08:26.671
e montar a ingestão dessa informação.

0:08:26.738,0:08:27.372
Aquelas três

0:08:27.372,0:08:31.543
letrinhas lá de extração,[br]transformação e a carga de tudo isso.

0:08:31.610,0:08:37.048
Então eu traria esses três tipos de perfis[br]uma pessoa relacionada ao negócio,

0:08:37.115,0:08:39.918
uma pessoa que trabalha[br]com gestão de dados

0:08:39.918,0:08:43.855
para fazer toda essa parte de arquitetura[br]das três letrinhas

0:08:43.955,0:08:47.492
que a gente pode passar depois por elas,[br]é alguém que tem habilidades de fazer

0:08:47.492,0:08:52.998
a confecção de um tipo de rede,[br]de construir relatórios, fazer estudos.

0:08:53.098,0:08:55.333
Bacana. Então não é housing.

0:08:55.333,0:08:58.670
A gente tem levantamento de requisitos

0:08:58.737,0:09:02.407
e isso para responder as dores de negócio.

0:09:02.507,0:09:07.245
A gente chama isso na modelagem, falando[br]técnicas 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.

0:09:12.183,0:09:15.520
Em paralelo a isso, de repente[br]um arquiteto, a gente tem uma série

0:09:15.520,0:09:21.192
hoje de arquiteturas lambe da capa,[br]tudo para tomada de decisão,

0:09:21.259,0:09:24.662
malhas de dados,[br]madeira, batedeira, produtos, enfim,

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

0:09:28.633,0:09:31.803
Mas sem dúvida[br]um arquiteto ali para para olhar.

0:09:31.803,0:09:34.539
Você falou só[br]recapitulando para o nosso aluno, né?

0:09:34.539,0:09:37.742
Você falou do ETL,[br]que é uma parte dolorida.

0:09:37.876,0:09:40.612
Bruno Porque tem,

0:09:40.712,0:09:42.747
é pesado,

0:09:42.747,0:09:47.719
dá trabalho, surge os dados,[br]mas é o trabalho sujo.

0:09:47.786,0:09:51.089
Eu tô brincando, não é o trabalho sujo,[br]às vezes tem.

0:09:51.122,0:09:52.891
Na verdade é uma profissão bem legal.

0:09:52.891,0:09:56.227
O engenheiro de dados ali[br]que vai fazer toda essa parte de gestão,

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

0:10:00.532,0:10:03.334
E aí,[br]com a ajuda dessas pessoas de negócio,

0:10:03.334,0:10:08.273
ele vai aplicar todas as regras ali[br]que foram definidas e vai fazer

0:10:08.373,0:10:12.410
o carregamento dessas informações[br]para dentro desse Data Warehouse.

0:10:12.510,0:10:16.281
Então ele faz, ele move a API,

0:10:16.381,0:10:18.917
o engenho desce desse processo

0:10:18.917,0:10:21.920
e aí tem uma dor de qualidade de dados.

0:10:22.120,0:10:25.557
Tem uma estatística[br]que diz que menos de 10%

0:10:25.557,0:10:31.095
hoje das bases de dados[br]são de fato consideradas qualificadas.

0:10:31.162,0:10:34.098
Então a gente tem essa esteira

0:10:34.165,0:10:35.300
com tantos profissionais.

0:10:35.300,0:10:40.104
É um super projeto e às vezes entra[br]sujeira e sai sujeira colorida.

0:10:40.104,0:10:44.909
Eu brinco com os alunos do outro lado[br]porque o dado de fato não entra

0:10:44.909,0:10:48.513
muito bem qualificado[br]e a gente nessa fase do ETL

0:10:48.513,0:10:52.984
tem muita dificuldade de fazer[br]o quality cleansing dos dados.

0:10:53.184,0:10:57.288
Qualidade de dados hoje já não é mais uma[br]dor técnica, é uma dor de negócio,

0:10:57.288,0:11:02.026
porque se eu não consigo resolver, eu não[br]respondo às minhas perguntas de negócio.

0:11:02.026,0:11:07.098
Então a brinco ali no começo[br]é trabalho sujo, porque

0:11:07.165,0:11:10.802
é trabalhoso, mas é estratégico.

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

0:11:15.473,0:11:18.009
é como seguir, levá los ali para um nível[br]que de fato

0:11:18.009,0:11:20.978
eles respondam as perguntas[br]com assertividade.

0:11:21.079,0:11:23.081
Você como gestor, sabe, né Bruno?

0:11:23.081,0:11:28.753
Se o meu DW não for bem preparado,[br]o gestor, ele começa a burlar

0:11:28.820,0:11:31.823
o sistema e aí ele baixa aquilo no Excel,

0:11:31.889,0:11:34.659
dá uma ajustada, vai no fim.

0:11:34.659,0:11:37.929
Como eu brinquei[br]aqui no início do nosso papo,

0:11:37.995,0:11:40.131
as empresas não são da hora do Ivan,

0:11:40.131,0:11:44.268
elas tomam as decisões[br]e depois elas até enviesa uns dados

0:11:44.368,0:11:48.706
que é para dizer eu tomei a decisão certa,[br]quando deveria ser o contrário.

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

0:11:52.443,0:11:53.211
Mas é tudo isso.

0:11:53.211,0:11:56.214
Eu estou aqui nessa fase do ETL

0:11:56.380,0:12:00.685
que parece tão técnico,[br]mas que tem essa questão de qualidade

0:12:00.785,0:12:06.057
que precisa ser pensada ali,[br]inclusive pela gestão de projeto total.

0:12:06.157,0:12:10.194
O Quality não vou falar que é o principal,

0:12:10.294,0:12:13.831
acho que é o principal principal[br]sensor é o principal sensor,

0:12:13.898,0:12:17.301
porque é igual você comentou

0:12:17.401,0:12:18.736
a informação, ela vem

0:12:18.736,0:12:22.940
com um nível de tratamento mínimo

0:12:23.007,0:12:27.612
e você pode organizar essas informações[br]e tratar um campo nulo.

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

0:12:31.849,0:12:37.321
São Paulo com e São Paulo com só o SP[br]e tratar essas informações.

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

0:12:41.125,0:12:45.029
se existe um padrão errado[br]de informação lá dentro.

0:12:45.129,0:12:49.133
Por exemplo,[br]eu posso dizer que numa coluna

0:12:49.233,0:12:53.771
deve vir uma descrição de 20 caracteres

0:12:53.838,0:12:56.841
e ali é uma é uma coluna para ver

0:12:56.974,0:13:01.212
o modelo de um veículo,[br]mas de repente vem o nome de uma cidade.

0:13:01.278,0:13:02.947
É muito difícil o Quality.

0:13:02.947,0:13:06.717
Ele identificar algumas coisas[br]que vêm da origem.

0:13:06.717,0:13:10.087
Você até consegue identificar, né?

0:13:10.154,0:13:13.457
Então é um trabalho[br]que realmente, na concepção,

0:13:13.457,0:13:18.195
não ali dado Abstraindo toda a parte ali

0:13:18.262,0:13:20.231
da montagem da arquitetura,

0:13:20.231,0:13:23.701
tem que se pensar[br]nessas questões de quality

0:13:23.768,0:13:29.707
para começar realmente a transformar isso[br]num dado de qualidade.

0:13:29.774,0:13:31.976
É muito difícil 100%

0:13:31.976,0:13:35.246
das informações estarem[br]qual a gente está usando.

0:13:35.279,0:13:39.517
Exemplo de banco[br]que tem mais de 90 sistemas transacionais

0:13:39.583,0:13:43.220
e nem tudo se conversa igual[br]eu comentei aqui,

0:13:43.287,0:13:47.725
há um sistema, ele coloca a cidade

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

0:13:49.994,0:13:56.166
Você consegue fazer essas correções,[br]mas se existe um problema na

0:13:56.233,0:13:58.235
articulação dos dados,

0:13:58.235,0:14:02.106
um campo texto[br]aonde alguém pode errar alguma coisa

0:14:02.172,0:14:04.508
bastante sensível, é bem complicado.

0:14:04.508,0:14:06.977
Eu acho que é o maior ofensor[br]dentro de um DW.

0:14:06.977,0:14:09.880
Bom ponta, um super desafio, não?

0:14:09.880,0:14:14.752
E aí você falou depois da camada[br]de consumo, tem ali um analista de BI,

0:14:14.852,0:14:19.290
talvez seja esse o melhor nome[br]para construir.

0:14:19.323,0:14:20.691
Davis Você mencionou

0:14:20.691,0:14:25.229
é o Hex, porque tem um pouco de[br]como é que eu crio ali o meu storytelling,

0:14:25.329,0:14:28.932
como é que eu capto[br]as questões mais cognitivas, para onde

0:14:28.932,0:14:33.537
as pessoas olham, o que chama a atenção,[br]uso de cores e tudo mais.

0:14:33.537,0:14:37.374
Isso é superimportante[br]e digno de uma disciplina inteira, né?

0:14:37.474,0:14:39.810
E de repente também, Bruno

0:14:39.810,0:14:43.280
um pouco de analytics ali,[br]no sentido mais estatístico mesmo.

0:14:43.280,0:14:47.017
Cabe ali uma correlação estatística,[br]uma estatística

0:14:47.017,0:14:50.421
mais descritiva, até até preditiva.

0:14:50.587,0:14:54.558
Dá para começar a fazer[br]algumas combinações de equipe piás?

0:14:54.658,0:14:57.327
Sim, e dá para explorar realmente.

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

0:15:01.698,0:15:04.701
você pode, dependendo ali

0:15:04.768,0:15:07.771
da granularidade de dados,[br]se você consegue realmente fazer

0:15:07.971,0:15:13.210
algum tipo de predição,[br]começar a trabalhar

0:15:13.277,0:15:16.613
um dashboard com uma análise diagnóstica,[br]criar correlação,

0:15:16.613,0:15:20.451
fazer algumas análises e estudos de churn,[br]por exemplo.

0:15:20.651,0:15:26.123
Legal e em cima do UX é muito importante[br]toda essa estrutura.

0:15:26.123,0:15:30.661
Ela tem que sair lá na frente em algo[br]que faça sentido para quem vai ler.

0:15:30.727,0:15:33.430
Então hoje o UX, a parte de Why

0:15:33.430,0:15:36.433
também está presente

0:15:36.700,0:15:39.403
nos profissionais[br]que trabalham com detalhes

0:15:39.403,0:15:43.440
para achar a melhor maneira[br]de divulgar essa informação

0:15:43.540,0:15:46.844
para melhorar[br]a leitura de quem vai consumir o dado.

0:15:46.910,0:15:48.278
E se você estivesse começando

0:15:48.278,0:15:51.815
a sua carreira agora,[br]querendo entrar no clubinho dos dados?

0:15:52.015,0:15:53.884
Não sei se é um clube fechado ou não.

0:15:53.884,0:15:56.687
É você que me diz

0:15:56.753,0:15:57.854
por onde que você começaria,

0:15:57.854,0:16:02.626
que a gente falou de arquiteto,[br]de engenheiro, de analista de web,

0:16:02.626,0:16:06.630
que são muitos caminhos,[br]mas eu imagino que tem aí

0:16:06.730,0:16:09.199
um caminho mais fácil de entrar,

0:16:09.199,0:16:12.202
porque talvez a arquitetura[br]não seja arquitetura.

0:16:12.336,0:16:16.940
É uma visão mais holística, já tem que ter[br]alguma bagagem de carreira, não.

0:16:16.940,0:16:19.509
A dica é para o nosso aluno começar.

0:16:19.509,0:16:22.379
Eu vou dar uma dica

0:16:22.379,0:16:24.948
prática[br]que na verdade a minha própria experiência

0:16:24.948,0:16:29.419
que foi trabalhando com com com dados[br]voltado para negócio.

0:16:29.586,0:16:32.556
Então aquele cara que faz o upstream,[br]então,

0:16:32.556,0:16:35.525
quando você senta do lado de um engenheiro

0:16:35.525,0:16:38.762
para você passar[br]todas aquelas regras e de ajudar

0:16:38.762,0:16:42.232
ele a criar uma arquitetura,[br]ele não cria sozinho.

0:16:42.332,0:16:45.702
Ele precisa da sua ajuda[br]para definir os melhores caminhos.

0:16:45.769,0:16:48.438
Você começa a ter visão desses

0:16:48.438,0:16:51.441
dois processos, um processo mais técnico

0:16:51.475,0:16:57.080
e um processo de negócio,[br]que é o que realmente falta no mercado.

0:16:57.180,0:17:00.250
Pessoas que tem o que não tem,[br]só um viés técnico,

0:17:00.250,0:17:03.687
que é excelente[br]quando uma pessoa executa a parte técnica,

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

0:17:08.458,0:17:09.159
entrar em

0:17:09.159,0:17:12.829
caminhos e tomar decisões[br]bem interessantes.

0:17:12.929,0:17:17.501
Então eu começaria como eu[br]comecei com a parte de negócio

0:17:17.567,0:17:19.536
na construção de um data warehouse.

0:17:19.536,0:17:21.404
Boa dica, é um bom começo.

0:17:21.404,0:17:25.041
Aliás, a gente teve uma onda recente,[br]não é muito minha praia,

0:17:25.208,0:17:29.679
mas vou arriscar[br]falar aqui do dez full stack,

0:17:29.746,0:17:33.049
que é aquele profissional[br]back end front end de forma.

0:17:33.116,0:17:34.384
E eu tenho percebido,

0:17:34.384,0:17:38.388
não sei se você percebe[br]esse mesmo movimento no contexto de dados.

0:17:38.488,0:17:42.559
Agora a gente tem um Analytics Engineer

0:17:42.626,0:17:46.897
que me parece que essa fusão[br]desse profissional de análise de dados

0:17:46.897,0:17:51.101
que entende de Python[br]e que entende também de SQL,

0:17:51.167,0:17:56.406
mas que se vira bem no desenvolvimento[br]ali na se precisar, para além da análise

0:17:56.406,0:18:01.645
e da consulta interativa dos dados,[br]se precisar montar uma esteira,

0:18:01.745,0:18:03.980
fazer efetivamente a engenharia,[br]ele consegue.

0:18:03.980,0:18:07.350
Consegue estar nos dois momentos[br]na engenharia e na análise dos dados.

0:18:07.350,0:18:11.488
Talvez seja uma uma tendência[br]para o nosso aluno olhar também.

0:18:11.588,0:18:14.824
E na camada executiva,[br]a gente está falando ali no técnico,

0:18:14.824,0:18:16.626
olhando para o negócio.

0:18:16.626,0:18:20.096
Quais são as preocupações[br]na camada executiva E até as vezes,

0:18:20.096,0:18:21.798
quando a gente vai montar um teste,[br]a gente tem que

0:18:21.798,0:18:26.069
se perguntar se é mais tático,[br]se é mais executivo.

0:18:26.136,0:18:29.539
É importante porque o nível executivo

0:18:29.606,0:18:32.008
ele precisa ter algumas necessidades.

0:18:32.008,0:18:33.777
Diferente

0:18:33.777,0:18:38.014
de dashboards voltados para o operacional,[br]para o tático,

0:18:38.081,0:18:42.419
ele precisa de respostas num período curto

0:18:42.519,0:18:45.188
de tempo de execução

0:18:45.188,0:18:49.959
dessas informações e de indicadores[br]estratégicos, onde ele possa tomar

0:18:50.026,0:18:54.497
uma decisão rápida[br]sem precisar fazer grandes leituras.

0:18:54.597,0:18:57.967
A gente costuma falar que tem que ter[br]um storytelling, todo um contexto.

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

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

0:19:01.838,0:19:06.042
onde ele bata o olho[br]e ele consiga tomar uma ação. Sim.

0:19:06.109,0:19:08.478
Em contrapartida, de repente,

0:19:08.478,0:19:13.616
o período histórico deva ser maior,[br]mais resumido, mais um período histórico

0:19:13.616,0:19:16.619
maior que se a gente vai falando[br]de um planejamento mais estratégico,

0:19:16.753,0:19:20.557
eu percebo que no tático, no operacional,[br]eu estou olhando muito ali

0:19:20.557,0:19:24.894
para minha esteira, para o meu dia a dia[br]e pensar no amanhã de repente.

0:19:24.894,0:19:28.865
E eu não quero pensar muito isso,[br]não quero que tenha uma quebra de stock.

0:19:28.865,0:19:31.868
Então eu estou olhando[br]para as minhas compras da semana que vem.

0:19:32.001,0:19:32.468
E é isso.

0:19:32.468,0:19:37.507
Agora, quando eu estou falando da camada[br]executiva, de repente o meu planejamento

0:19:37.574,0:19:40.543
anual, eu estou norteando

0:19:40.543,0:19:43.279
os próximos anos ali da minha organização.

0:19:43.279,0:19:46.549
E aí eu tenho que, de repente olhar[br]para um período histórico um pouco maior.

0:19:46.749,0:19:49.652
Pode ser, pode ser o caso também[br]para a gente diferenciar

0:19:49.652,0:19:53.056
um pouco o estratégico do tático.

0:19:53.056,0:19:55.024
Gente, papo super bom.

0:19:55.024,0:19:59.596
A gente começou aqui conceituando[br]o mundo de Business Intelligence.

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

0:20:01.597,0:20:05.134
Aliás,[br]a dica do Bruno foi começar por negócio

0:20:05.201,0:20:08.471
e depois abarcar ali a parte técnica.

0:20:08.538,0:20:11.140
E agora para como tudo o que é bom[br]dura pouco.

0:20:11.140,0:20:15.745
Agora, para a gente fechar aqui[br]a nossa conversa, dicas, dicas

0:20:15.745,0:20:19.215
Tem alguma dica preciosa[br]de estudo de caminhos para o nosso aluno

0:20:19.215,0:20:24.120
que está entrando nesse[br]mundo da tomada de decisão?

0:20:24.220,0:20:28.191
Eu a minha percepção que hoje eu

0:20:28.291,0:20:33.029
não só as pessoas que já já trabalham[br]com isso, mas estão entrando na área,

0:20:33.129,0:20:37.467
começar a olhar a tipos de arquiteturas[br]e de propostas diferentes

0:20:37.567,0:20:40.403
de como disponibilizar[br]o dado igual para você.

0:20:40.403,0:20:45.408
Está cena falou de data,[br]mexe de e várias outras ferramentas

0:20:45.608,0:20:48.578
voltadas para cloud Like House.

0:20:48.644,0:20:51.747
Detalhei que para entender

0:20:51.747,0:20:54.750
realmente para que universo você

0:20:54.917,0:20:59.589
você quer ir, se é um universo também[br]de mineração de dados.

0:20:59.589,0:21:02.458
Se você tem um viés mais matemático,[br]estatístico

0:21:02.458,0:21:06.062
e gosta de explorar e minerar,[br]esse dado é um caminho também.

0:21:06.295,0:21:09.332
É um caminho[br]não tão recente, mais recente.

0:21:09.332,0:21:12.001
Em relação[br]a toda essa estruturação de dados.

0:21:12.001,0:21:17.206
A gente está falando de Data Warehouse[br]e hoje a concepção do Data Warehouse.

0:21:17.273,0:21:18.674
O que a gente está falando aqui

0:21:18.674,0:21:23.946
desses dados, das profissões e dos métodos[br]de como criar toda arquitetura.

0:21:24.013,0:21:27.350
Então é importante[br]quem está querendo entrar na área

0:21:27.416,0:21:31.520
e enxergar um 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.