WEBVTT

00:00:07.850 --> 00:00:13.012
DW, duas letrinhas poderosas cuja combinação

00:00:13.012 --> 00:00:16.282
faz muita diferença no mundo dos dados.

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

00:00:19.252 --> 00:00:23.857
que empoderam as organizações
no seu processo de tomada de decisão.

00:00:23.857 --> 00:00:27.227
Muitas empresas primeiro 
tomam as suas decisões

00:00:27.227 --> 00:00:30.697
para depois olhar para os dados
buscando ratificá-las.

00:00:30.697 --> 00:00:34.734
Mas para ser data-driven de fato,
primeiro você olha para os dados,

00:00:34.734 --> 00:00:39.572
e então depois você faz uma tomada
de decisão muito mais assertiva.

00:00:39.572 --> 00:00:42.497
Eu sou a Tassiana, sou gestora 
na área de dados e analytics

00:00:42.497 --> 00:00:46.212
em uma startup de Inteligência 
Artificial, a Tribo IA,

00:00:46.212 --> 00:00:50.049
sou também professora
e coordenadora de MBA aqui na FIAP.

00:00:50.049 --> 00:00:53.920
E é justamente para falar sobre 
tomada de decisão que eu estou aqui

00:00:53.920 --> 00:00:56.102
com o meu querido Bruno Passos,

00:00:56.102 --> 00:01:00.732
que já tem uma vasta 
experiência nesse mercado.

00:01:00.732 --> 00:01:04.382
E eu queria que você se apresentasse
para o nosso aluno

00:01:04.382 --> 00:01:09.948
e contasse quando que a tomada de decisão 
analítica entrou aí na sua carreira.

00:01:10.852 --> 00:01:14.316
Eu trabalho com dados há mais de dez anos,

00:01:14.316 --> 00:01:17.210
e é um grande prazer estar aqui 
com a professora Tassiana.

00:01:17.210 --> 00:01:18.519
Já foi minha professora.

00:01:19.582 --> 00:01:23.227
Eu acho que eu entrei como
a maioria das pessoas

00:01:23.227 --> 00:01:24.817
acabaram entrando no mundo de dados,

00:01:24.817 --> 00:01:27.213
que é como um projeto de DW na empresa.

00:01:28.821 --> 00:01:30.965
Grudei ali com os especialistas.

00:01:32.091 --> 00:01:36.004
Fazia parte de um time de negócio 
fazendo upstream, o entendimento,

00:01:36.004 --> 00:01:39.766
uma parte também muito interessante 
de levantamento de requisitos,

00:01:39.766 --> 00:01:42.568
e fui entrando numa parte mais técnica.

00:01:42.568 --> 00:01:46.740
Hoje eu trabalho como squad líder
no Bradesco em inovação e Dados,

00:01:46.740 --> 00:01:52.020
e estamos rompendo a barreira dos dados,
e vamos falar um pouco de DW.

00:01:52.020 --> 00:01:53.720
Bacana, Bruno.

00:01:53.720 --> 00:01:58.014
Essa combinação inovação e dados
é muito poderosa, né?

00:01:58.014 --> 00:01:59.804
Como nós podemos...

00:01:59.804 --> 00:02:03.190
Pensando aqui em criar um trilho

00:02:03.190 --> 00:02:04.774
de entendimento para o nosso aluno,

00:02:04.774 --> 00:02:09.139
como podemos definir 
esses dados analíticos?

00:02:09.139 --> 00:02:12.532
Dados analíticos são dados 
que estão disponíveis

00:02:12.532 --> 00:02:15.701
para serem explorados, analisados.

00:02:15.701 --> 00:02:20.940
Eles vão responder questões de negócio,
questões estratégicas da empresa,

00:02:20.940 --> 00:02:22.894
se bem explorados.

00:02:22.894 --> 00:02:27.046
Tem toda uma arquitetura 
e um contexto por trás disso tudo,

00:02:27.046 --> 00:02:31.320
mas o final dele é responder
questões da organização.

00:02:31.320 --> 00:02:32.852
Bacana, bacana.

00:02:32.852 --> 00:02:35.939
Em termos práticos, Bruno,
para o nosso aluno entender

00:02:35.939 --> 00:02:39.573
que isso vai fazer a diferença
lá no contexto corporativo mesmo,

00:02:39.573 --> 00:02:44.163
hoje, você ali na sua liderança, 
gestão, na sua atuação com dados,

00:02:44.163 --> 00:02:48.467
em que momento você precisa ir lá
e acionar a sua ferramenta,

00:02:48.467 --> 00:02:51.737
a sua plataforma de análise de dados?

00:02:51.737 --> 00:02:54.240
Hoje nós utilizamos o dado

00:02:54.240 --> 00:02:57.810
para facilitar a vida 
do nosso time comercial.

00:02:57.810 --> 00:03:01.216
Então nós utilizamos esse dado analítico

00:03:01.216 --> 00:03:05.117
de uma maneira bem granular 
para fazer predições

00:03:05.117 --> 00:03:08.386
e realmente melhorar a vida do comercial,

00:03:08.386 --> 00:03:11.589
fazendo com que ele 
visite uma loja correta,

00:03:11.589 --> 00:03:15.861
que ele tenha um índice
de assertividade no dia a dia dele.

00:03:15.861 --> 00:03:19.599
Então nós fazemos predições,
modelos estatísticos,

00:03:19.599 --> 00:03:21.741
para poder melhorar a vida do comercial.

00:03:23.066 --> 00:03:29.090
Bruno, nós temos hoje uma série 
de tecnologias, ferramentas, enfim,

00:03:29.090 --> 00:03:33.756
mas me parece que o DW
é o coração de tudo isso, né?

00:03:33.756 --> 00:03:36.415
Como ele funciona?

00:03:36.415 --> 00:03:40.152
Vamos começar a mostrar ali 
para o nosso aluno

00:03:40.152 --> 00:03:41.520
quais seriam os caminhos.

00:03:41.520 --> 00:03:43.522
Vou construir um Data Warehousing,

00:03:43.522 --> 00:03:46.676
preciso ter uma equipe 
técnica por trás disso?

00:03:47.593 --> 00:03:51.197
Como eu me organizo 
num projeto desse tipo?

00:03:51.197 --> 00:03:56.235
O DW, é importante sempre explorar.

00:03:56.235 --> 00:04:01.040
Antes de você sair fazendo 
a construção, para que ele vai servir,

00:04:01.040 --> 00:04:05.544
que respostas você precisa 
obter através dos dados,

00:04:05.544 --> 00:04:10.367
quais são as especificidades de cada
departamento, e como você vai utilizar.

00:04:10.367 --> 00:04:14.086
Claro que você precisa 
de uma equipe de negócio

00:04:14.086 --> 00:04:17.656
para auxiliar em toda essa 
estrutura do Data Warehouse.

00:04:17.656 --> 00:04:21.994
Para você conseguir transformar 
os dados, colocar regras de negócio,

00:04:21.994 --> 00:04:24.217
você precisa de pessoas 
com um viés um pouco mais técnico

00:04:24.217 --> 00:04:27.466
para fazer a ingestão dessas informações.

00:04:27.466 --> 00:04:31.883
E sempre tem aquelas pessoas 
que têm mais habilidade do UX,

00:04:31.883 --> 00:04:36.208
de prototipar, de montar 
relatórios, dashboards.

00:04:36.208 --> 00:04:40.217
Então é um caminho de construção
em relação ao profissional

00:04:40.217 --> 00:04:42.457
que tem oportunidade para todos

00:04:42.457 --> 00:04:45.105
Legal falarmos para o nosso 
aluno então, né, Bruno,

00:04:45.105 --> 00:04:50.322
que o DW é um conceito
que apoia a tomada de decisão.

00:04:50.322 --> 00:04:54.360
Em termos práticos, quando pensamos 
um Data Warehouse, o que temos ali dentro

00:04:54.360 --> 00:04:59.198
são KPIs de dimensões, não mais que isso.

00:04:59.198 --> 00:05:02.101
E isso vai ser sempre superimportante
dentro das empresas.

00:05:02.101 --> 00:05:07.239
Mas aí tem toda a questão 
do ferramental, do trilho de construção,

00:05:07.239 --> 00:05:11.510
do perfil profissional e tudo mais, 
para materializar isso.

00:05:11.510 --> 00:05:12.909
Mas não é uma ferramenta, né?

00:05:12.909 --> 00:05:15.629
Não dá para dizer que é 
simplesmente uma ferramenta, né?

00:05:16.749 --> 00:05:21.553
E aí tem uma questão aqui de definição,
só para não deixar o nosso aluno confuso

00:05:21.553 --> 00:05:25.500
quando ele se deparar com as buzzwords,
e os termos e tudo mais.

00:05:25.500 --> 00:05:30.308
Se eu coloco lá o "ing" no termo, 
muda alguma coisa?

00:05:31.450 --> 00:05:35.868
Apesar do nome ser praticamente 
igual às definições,

00:05:35.868 --> 00:05:39.888
e se você ler literalmente 
é igual, mas é diferente.

00:05:39.888 --> 00:05:44.910
O Data Warehousing tem uma amplitude maior

00:05:44.910 --> 00:05:48.447
porque é a concepção lá desde o início,

00:05:48.447 --> 00:05:52.284
trazer os dados lá do transacional,

00:05:52.284 --> 00:05:55.888
daqueles sistemas de origem, 
do sistema financeiro,

00:05:55.888 --> 00:05:59.748
se for um supermercado,
o sistema que passa lá do caixa,

00:05:59.748 --> 00:06:04.764
e engloba até o processo da confecção
de um dashboard, de um relatório.

00:06:05.597 --> 00:06:10.329
Então vamos dizer que o Data 
Warehouse sem o ing no final

00:06:10.329 --> 00:06:12.999
é um subconjunto dentro desse processo.

00:06:14.054 --> 00:06:17.687
Ele é um ambiente dentro 
de um banco de dados

00:06:17.687 --> 00:06:21.013
onde armazena essas 
informações de negócio.

00:06:21.013 --> 00:06:23.917
Então é um subconjunto
de todo esse processo.

00:06:23.917 --> 00:06:25.217
Bacana.

00:06:25.217 --> 00:06:30.148
E com o ing, aí é a esteira inteira, né?

00:06:30.148 --> 00:06:31.302
A esteira inteira.

00:06:31.302 --> 00:06:32.024
Perfeito.

00:06:32.024 --> 00:06:35.227
Se não prestarmos atenção,
nós confundimos, né,

00:06:35.227 --> 00:06:38.217
e de repente acha 
que um é sinônimo do outro.

00:06:38.217 --> 00:06:42.637
Se não falar o ing no final, 
no ouvido do brasileiro passa batido.

00:06:42.637 --> 00:06:43.569
Boa!

00:06:44.469 --> 00:06:48.987
Se você fosse hoje, Bruno, montar 
uma squad para compor um DW...

00:06:48.987 --> 00:06:52.017
Muitas organizações já tem 
o seu Data Warehouse.

00:06:52.017 --> 00:06:53.589
Temos feito o BI...

00:06:53.589 --> 00:06:56.917
Nasceu há boas décadas atrás.

00:06:56.917 --> 00:07:00.619
Então, quando você pega, por exemplo,
o Bradesco, uma grande financeira,

00:07:00.619 --> 00:07:04.327
necessariamente eles já têm 
uma estrutura de tomada de decisão.

00:07:04.327 --> 00:07:07.928
De repente, se estivermos 
falando ali de uma startup,

00:07:07.928 --> 00:07:11.929
aí sim é uma empresa que está começando
a fazer os seus registros transacionais

00:07:11.929 --> 00:07:13.899
e a compor a sua base analítica.

00:07:13.899 --> 00:07:16.626
Então vamos pensar num cenário mais novo.

00:07:16.626 --> 00:07:21.440
Se você estivesse ali na liderança
de uma squad, quem você traria?

00:07:21.440 --> 00:07:25.319
Qual é o perfil profissional
para atuar, na criação mesmo,

00:07:25.319 --> 00:07:28.350
de uma solução de Data Warehouse?

00:07:28.350 --> 00:07:31.893
Para mim, sempre existe a necessidade

00:07:31.893 --> 00:07:36.600
de antes de você realmente conceber
e prototipar toda a arquitetura,

00:07:36.600 --> 00:07:42.140
entender com os responsáveis,
com a gestão mais executiva,

00:07:42.140 --> 00:07:46.732
o que a empresa busca através dos dados,

00:07:46.732 --> 00:07:49.301
para definirmos então que tipo de arquitetura.

00:07:49.301 --> 00:07:53.118
Se vamos partir para um DW,

00:07:53.118 --> 00:07:57.209
ou se a empresa vai fazer 
um investimento numa cloud,

00:07:57.209 --> 00:08:00.946
se vamos para um lake, se está 
interessado em minerar dados.

00:08:00.946 --> 00:08:04.149
Agora, se for realmente um Data Warehouse,

00:08:04.149 --> 00:08:08.773
com certeza muitas pessoas de negócio,

00:08:08.773 --> 00:08:11.240
um profissional de ingestão de dados,

00:08:11.240 --> 00:08:16.408
um profissional de negócio 
para fazer todo o upstream,

00:08:16.408 --> 00:08:18.538
o levantamento de requisitos, né?

00:08:19.898 --> 00:08:23.034
E é importante ter um profissional
para fazer toda essa parte

00:08:23.034 --> 00:08:26.632
de montar a ingestão dessa informação,

00:08:26.632 --> 00:08:31.460
aquelas três letrinhas lá, de extração,
transformação, e a carga de tudo isso.

00:08:31.460 --> 00:08:37.048
Então eu traria esses três tipos de perfis:
uma pessoa relacionada ao negócio,

00:08:37.048 --> 00:08:39.918
uma pessoa que trabalha
com ingestão de dados,

00:08:39.918 --> 00:08:43.955
para fazer toda essa parte 
de arquitetura, das três letrinhas,

00:08:43.955 --> 00:08:45.662
que poderemos passar depois por elas,

00:08:45.662 --> 00:08:49.998
e alguém que tem habilidades de fazer
a confecção de um dashboard,

00:08:49.998 --> 00:08:52.366
de construir relatórios, fazer estudos.

00:08:53.098 --> 00:08:54.143
Bacana.

00:08:54.143 --> 00:08:59.200
Então, no warehousing, nós 
temos levantamento de requisitos

00:08:59.200 --> 00:09:02.507
para responder as dores de negócio.

00:09:02.507 --> 00:09:07.245
Na modelagem, falando techniquêz, 
nós chamamos de levantar os fatos,

00:09:07.245 --> 00:09:09.180
o que se quer saber, não é isso?

00:09:09.180 --> 00:09:12.183
E aí tem uma conexão muito 
grande com o negócio.

00:09:12.183 --> 00:09:14.600
Em paralelo a isso, 
de repente um arquiteto...

00:09:14.600 --> 00:09:16.839
Hoje nós temos uma série de arquiteturas,

00:09:16.839 --> 00:09:21.259
Lambda, Kappa, tudo para tomada de decisão,

00:09:21.259 --> 00:09:24.696
malhas de dados, data mesh, 
data product, enfim.

00:09:24.696 --> 00:09:28.566
Ai talvez seja um papo
para um outro vídeo.

00:09:28.566 --> 00:09:31.945
Mas sem dúvida, 
um arquiteto ali para para olhar.

00:09:31.945 --> 00:09:32.969
Você falou do...

00:09:32.969 --> 00:09:34.539
Só recapitulando para o nosso aluno, né?

00:09:34.539 --> 00:09:38.596
Você falou do ETL, que é 
uma parte dolorida, né, Bruno?

00:09:38.596 --> 00:09:39.562
Porque tem...

00:09:40.707 --> 00:09:41.546
É...

00:09:41.546 --> 00:09:45.156
Limpeza, tratamento dos dados...

00:09:45.156 --> 00:09:46.100
Não é isso?

00:09:46.100 --> 00:09:47.355
É, é o trabalho sujo, né?

00:09:48.181 --> 00:09:49.785
Eu estou brincando, 
não é o trabalho sujo.

00:09:51.385 --> 00:09:52.891
Na verdade é uma profissão bem legal,

00:09:52.891 --> 00:09:56.294
um engenheiro de dados ali, que vai 
fazer toda essa parte de ingestão.

00:09:56.294 --> 00:10:00.465
Ele vai capturar as informações
dos sistemas transacionais.

00:10:00.465 --> 00:10:03.334
E aí, com a ajuda dessas 
pessoas de negócio,

00:10:03.334 --> 00:10:06.853
ele vai aplicar todas as regras
que foram definidas

00:10:06.853 --> 00:10:12.510
e vai fazer o carregamento dessas informações
para dentro desse Data Warehouse.

00:10:12.510 --> 00:10:18.807
Então ele move o engenho desse processo.

00:10:18.807 --> 00:10:21.503
E aí tem uma dor de qualidade de dados.

00:10:21.503 --> 00:10:25.927
Tem uma estatística
que diz que menos de 10%

00:10:25.927 --> 00:10:30.375
das bases de dados são, de fato,
consideradas qualificadas hoje.

00:10:31.162 --> 00:10:35.573
Então nós temos essa esteira
com tantos profissionais...

00:10:35.573 --> 00:10:40.104
É um superprojeto, e às vezes entra
sujeira, e sai sujeira colorida.

00:10:40.104 --> 00:10:42.379
Eu brinco com os alunos do outro lado,

00:10:42.379 --> 00:10:46.019
porque o dado não entra, 
de fato, muito bem qualificado,

00:10:46.019 --> 00:10:50.493
e nessa fase do ETL, nós 
temos muita dificuldade

00:10:50.493 --> 00:10:53.493
de fazer o quality, 
o cleansing dos dados, né?

00:10:53.493 --> 00:10:56.288
Qualidade de dados hoje já 
não é mais uma dor técnica.

00:10:56.288 --> 00:10:57.288
É uma dor de negócio.

00:10:57.288 --> 00:11:02.343
Porque se eu não consigo resolver, eu não
respondo às minhas perguntas de negócio.

00:11:02.343 --> 00:11:09.078
Você brincou ali no começo, que é 
trabalho sujo porque é trabalhoso,

00:11:09.078 --> 00:11:10.868
mas é estratégico,

00:11:10.868 --> 00:11:15.406
essa fase de combinar, 
agregar, calcular os dados

00:11:15.406 --> 00:11:18.009
e conseguir levá-los 
para um nível que eles, de fato,

00:11:18.009 --> 00:11:20.969
respondam as perguntas
com assertividade.

00:11:20.969 --> 00:11:23.081
Você, como gestor, sabe, né, Bruno?

00:11:23.081 --> 00:11:29.460
Se o meu DW não for bem preparado,
o gestor começa a burlar o sistema,

00:11:29.460 --> 00:11:31.889
e aí ele baixa aquilo no Excel,

00:11:31.889 --> 00:11:34.659
dá uma ajustada, vai no feeling,

00:11:34.659 --> 00:11:37.029
como eu brinquei
aqui no início do nosso papo.

00:11:37.995 --> 00:11:40.080
As empresas não são data-driven, né?

00:11:40.080 --> 00:11:44.140
Elas tomam as decisões
e depois até enviesam os dados

00:11:44.140 --> 00:11:48.840
que é para dizer que tomou a decisão 
certa, quando deveria ser o contrário.

00:11:48.840 --> 00:11:52.443
Eu faço aquilo que o dado 
me direciona a fazer.

00:11:52.443 --> 00:11:56.380
Mas que tudo isso está
nessa fase do ETL,

00:11:56.380 --> 00:12:00.785
que parece tão técnico, mas 
que tem essa questão de qualidade

00:12:00.785 --> 00:12:04.008
que precisa ser pensada ali,
inclusive pela gestão do projeto, né?

00:12:04.008 --> 00:12:05.161
Total.

00:12:05.828 --> 00:12:10.294
Eu não vou falar que o quality é o principal.

00:12:10.294 --> 00:12:13.968
Eu acho que é o principal ofensor 
sim, é o principal ofensor.

00:12:13.968 --> 00:12:15.756
Porque é igual o que você comentou.

00:12:17.401 --> 00:12:22.758
A informação vem com um nível 
de tratamento mínimo

00:12:22.758 --> 00:12:27.678
e você pode organizar essas 
informações e tratar um campo nulo,

00:12:27.678 --> 00:12:31.849
de repente transformar ali
as cinco variáveis de São Paulo,

00:12:31.849 --> 00:12:37.388
São Paulo com "S", São Paulo só com o "SP",
e tratar essas informações.

00:12:37.388 --> 00:12:41.125
Mas, por muitas vezes,
você não consegue identificar

00:12:41.125 --> 00:12:43.999
se existe um padrão errado
de informação lá dentro.

00:12:45.129 --> 00:12:49.233
Por exemplo, eu posso 
dizer que numa coluna

00:12:49.233 --> 00:12:52.801
deve vir uma descrição de 20 caracteres.

00:12:53.838 --> 00:12:58.314
E ali é uma é uma coluna para ver
o modelo de um veículo,

00:12:58.314 --> 00:13:00.142
mas de repente vem o nome de uma cidade.

00:13:01.278 --> 00:13:06.717
É muito difícil o quality identificar 
algumas coisas que vêm da origem.

00:13:06.717 --> 00:13:09.237
Você até consegue identificar, né?

00:13:10.154 --> 00:13:15.387
Então é um trabalho que realmente, 
na concepção do upstream ,

00:13:15.387 --> 00:13:20.231
toda a parte ali 
da montagem da arquitetura,

00:13:20.231 --> 00:13:23.505
tem que se pensar
nessas questões de quality

00:13:23.505 --> 00:13:28.507
para começar realmente a transformar 
isso num dado de qualidade.

00:13:29.774 --> 00:13:34.466
É muito difícil 100% 
das informações estarem...

00:13:34.466 --> 00:13:35.975
Estamos usando um exemplo de banco,

00:13:35.975 --> 00:13:41.753
que tem mais de 90 sistemas 
transacionais, e nem tudo se conversa...

00:13:41.753 --> 00:13:43.967
Igual eu comentei aqui,

00:13:43.967 --> 00:13:47.825
um sistema coloca a cidade

00:13:47.825 --> 00:13:49.994
de um jeito e um outro sistema de outro.

00:13:49.994 --> 00:13:52.142
Você consegue fazer essas correções.

00:13:52.142 --> 00:13:58.235
Mas se existe um problema 
na articulação dos dados,

00:13:58.235 --> 00:14:02.082
um campo texto aonde alguém 
pode errar alguma coisa,

00:14:02.082 --> 00:14:04.508
é bastante sensível,
é bem complicado.

00:14:04.508 --> 00:14:06.902
Eu acho que esse é o maior 
ofensor dentro de um DW.

00:14:06.902 --> 00:14:09.752
Bom ponto, é um super desafio, né?

00:14:09.752 --> 00:14:14.852
E aí você falou que depois da camada
de consumo tem ali um analista de BI,

00:14:14.852 --> 00:14:20.342
talvez seja esse o melhor nome,
para construir DataViz.

00:14:20.342 --> 00:14:25.329
Você mencionou UX, porque tem um pouco 
de como eu crio ali o meu storytelling,

00:14:25.329 --> 00:14:28.522
como eu capto as questões 
mais cognitivas, né,

00:14:28.522 --> 00:14:30.207
para onde as pessoas olham,

00:14:30.207 --> 00:14:33.537
o que chama a atenção,
o uso de cores e tudo mais.

00:14:33.537 --> 00:14:36.814
Isso é superimportante, é digno 
de uma disciplina inteira, né?

00:14:37.474 --> 00:14:41.140
E de repente, Bruno, também
um pouco de analytics ali,

00:14:41.140 --> 00:14:43.280
no sentido mais estatístico mesmo.

00:14:43.280 --> 00:14:45.877
Cabe ali uma correlação estatística,

00:14:45.877 --> 00:14:50.587
uma estatística mais 
descritiva, até preditiva, né?

00:14:50.587 --> 00:14:54.537
Dá para começar a fazer
algumas combinações de KPIs, né?

00:14:54.537 --> 00:14:57.327
Sim, e dá para explorar realmente.

00:14:57.327 --> 00:15:01.632
Além da análise descritiva,

00:15:01.632 --> 00:15:06.348
dependendo da granularidade de dados,

00:15:06.348 --> 00:15:09.421
você realmente consegue 
fazer algum tipo de predição,

00:15:09.421 --> 00:15:15.497
começar a trabalhar um dashboard 
com uma análise diagnóstica,

00:15:15.497 --> 00:15:20.651
criar correlação, fazer algumas análises 
e estudos de churn, por exemplo.

00:15:20.651 --> 00:15:21.763
Legal.

NOTE Paragraph

00:15:21.763 --> 00:15:25.033
E em cima do UX, é muito importante, né?

00:15:25.033 --> 00:15:27.803
Toda essa estrutura 
tem que sair lá na frente

00:15:27.803 --> 00:15:30.727
em algo que faça sentido 
para quem vai ler.

00:15:30.727 --> 00:15:34.700
Então o UX hoje, a parte de UI também,

00:15:34.700 --> 00:15:39.403
estão presentes nos profissionais
que trabalham com DataViz

00:15:39.403 --> 00:15:43.540
para achar a melhor maneira
de divulgar essa informação

00:15:43.540 --> 00:15:46.821
para melhorar a leitura 
de quem vai consumir o dado.

00:15:46.821 --> 00:15:49.448
E se você estivesse começando 
a sua carreira agora,

00:15:49.448 --> 00:15:52.015
querendo entrar no clubinho dos dados...

00:15:52.015 --> 00:15:54.021
Não sei se é um clube fechado ou não.

00:15:54.021 --> 00:15:55.257
Aí é você que me diz, tá?

00:15:56.291 --> 00:15:57.854
Por onde que você começaria?

00:15:57.854 --> 00:16:03.236
Porque falamos de arquiteto, 
de engenheiro, de analista, de UX.

00:16:03.236 --> 00:16:04.376
Muitos caminhos, né?

00:16:04.376 --> 00:16:09.199
Mas eu imagino que tem aí
um caminho mais fácil de entrar.

00:16:09.199 --> 00:16:11.462
Porque talvez a arquitetura não seja, né?

00:16:11.462 --> 00:16:13.732
A arquitetura é uma visão mais holística,

00:16:13.732 --> 00:16:15.712
Já tem que ter alguma bagagem de carreira.

00:16:16.880 --> 00:16:19.341
Dê uma dica aí para o nosso aluno começar.

00:16:19.341 --> 00:16:22.451
Eu vou dar uma dica prática,

00:16:22.451 --> 00:16:24.948
que, na verdade, é 
a minha própria experiência,

00:16:24.948 --> 00:16:30.316
que foi trabalhando com dados
voltado para negócio,

00:16:30.316 --> 00:16:31.936
aquele cara que faz o upstream.

00:16:31.936 --> 00:16:35.525
Então, quando você se senta 
ao lado de um engenheiro

00:16:35.525 --> 00:16:40.532
para você passar todas aquelas regras 
e ajudá-lo a criar uma arquitetura,

00:16:40.532 --> 00:16:42.332
porque ele não cria sozinho,

00:16:42.332 --> 00:16:45.769
ele precisa da sua ajuda
para definir os melhores caminhos.

00:16:45.769 --> 00:16:49.758
você começa a ter visão 
desses dois processos,

00:16:49.758 --> 00:16:53.955
um processo mais técnico
e um processo de negócio,

00:16:53.955 --> 00:16:57.180
que é o que realmente 
falta no mercado, né,

00:16:57.180 --> 00:17:00.250
pessoas que não têm
só um viés técnico,

00:17:00.250 --> 00:17:03.787
que é excelente quando uma pessoa 
executa a parte técnica,

00:17:03.787 --> 00:17:08.358
mas se ela tem o feeling
de negócio, ela consegue

00:17:08.358 --> 00:17:12.767
entrar em caminhos e tomar 
decisões bem interessantes.

00:17:12.767 --> 00:17:17.567
Então eu começaria como eu
comecei, com a parte de negócio

00:17:17.567 --> 00:17:19.377
na construção de um Data Warehouse.

00:17:19.377 --> 00:17:21.404
Boa dica, né, é um bom começo.

00:17:21.404 --> 00:17:24.101
Aliás, tivemos uma onda recente...

00:17:24.101 --> 00:17:28.492
Não é muito a minha praia, mas eu vou 
arriscar falar aqui do "dev full stack"...

00:17:29.746 --> 00:17:32.049
Que é aquele profissional
back-end, front-end...

00:17:32.049 --> 00:17:33.049
Full, né?

00:17:33.049 --> 00:17:35.514
E eu tenho percebido,
e não sei se você percebe,

00:17:35.514 --> 00:17:38.488
esse mesmo movimento no contexto de dados.

00:17:38.488 --> 00:17:42.626
Agora nós temos um analytics engineer,

00:17:42.626 --> 00:17:46.969
que me parece que é essa fusão
desse profissional de análise de dados,

00:17:46.969 --> 00:17:50.779
que entende de Python,
que entende também de SQL,

00:17:50.779 --> 00:17:55.069
mas que se vira bem 
no desenvolvimento, se precisar,

00:17:55.069 --> 00:17:58.705
para além da análise e da consulta
interativa dos dados.

00:17:58.705 --> 00:18:03.940
Se precisar montar uma esteira, fazer 
efetivamente a engenharia, ele consegue.

00:18:03.940 --> 00:18:07.350
Ele consegue estar nos dois momentos,
na engenharia e na análise dos dados.

00:18:07.350 --> 00:18:11.409
Talvez seja uma uma tendência
para o nosso aluno olhar também.

00:18:11.409 --> 00:18:13.364
E na camada executiva?

00:18:13.364 --> 00:18:16.626
Estamos falando ali no técnico,
olhando para o negócio,

00:18:16.626 --> 00:18:19.376
quais são as preocupações
na camada executiva?

00:18:19.376 --> 00:18:21.398
Às vezes até quando vamos montar um dash,

00:18:21.398 --> 00:18:25.219
temos que nos perguntar se é 
mais tático, se é mais executivo.

00:18:26.379 --> 00:18:32.008
É importante porque o nível executivo 
tem algumas necessidades.

00:18:32.008 --> 00:18:38.081
Diferente de dashboards voltados 
para o operacional, para o tático,

00:18:38.081 --> 00:18:42.218
ele precisa de respostas 
num período curto

00:18:42.218 --> 00:18:46.446
de tempo de execução
dessas informações,

00:18:46.446 --> 00:18:51.156
e de indicadores estratégicos onde 
ele possa tomar uma decisão rápida

00:18:51.156 --> 00:18:53.417
sem precisar fazer grandes leituras.

00:18:54.597 --> 00:18:58.134
Costumamos falar que tem que ter
um storytelling, todo um contexto.

00:18:58.134 --> 00:19:00.370
Tem que ter também 
para a camada executiva,

00:19:00.370 --> 00:19:01.838
mas uma coisa muito mais enxuta,

00:19:01.838 --> 00:19:04.845
onde ele bata o olho
e consiga tomar uma ação.

00:19:04.845 --> 00:19:05.881
Sim, sim.

00:19:05.881 --> 00:19:11.408
Em contrapartida, de repente,
o período histórico deva ser maior,

00:19:11.408 --> 00:19:13.766
mais resumido, mas 
um período histórico maior,

00:19:13.766 --> 00:19:16.753
se estivermos falando
de um planejamento mais estratégico, né?

00:19:16.753 --> 00:19:19.297
Eu percebo que, no tático, no operacional,

00:19:19.297 --> 00:19:22.657
eu estou olhando muito para a minha 
esteira ali, para o meu dia a dia,

00:19:22.657 --> 00:19:24.834
é pensar no amanhã, de repente é um...

00:19:25.654 --> 00:19:26.543
- Eu não quero que tenha uma...
- Um monitoramento, né?

00:19:26.543 --> 00:19:28.885
Isso. Eu não quero que tenha 
uma quebra de estoque,

00:19:28.885 --> 00:19:31.778
então eu estou olhando para as minhas 
compras da semana que vem.

00:19:31.778 --> 00:19:32.468
E é isso.

00:19:32.468 --> 00:19:35.043
Agora, quando eu estou 
falando da camada executiva,

00:19:35.043 --> 00:19:38.757
de repente é o meu planejamento anual,

00:19:38.757 --> 00:19:43.753
ou eu estou norteando os próximos 
anos ali da minha organização,

00:19:43.753 --> 00:19:46.749
e aí eu tenho que, de repente, olhar
para um período histórico um pouco maior.

00:19:46.749 --> 00:19:53.056
Pode ser o caso também para diferenciarmos 
um pouco o estratégico do tático.

00:19:53.056 --> 00:19:55.024
Gente, papo superbom.

00:19:55.024 --> 00:19:59.662
Começamos aqui conceituando
o mundo de Business Intelligence.

00:19:59.662 --> 00:20:01.597
O Bruno trouxe aspectos de negócio.

00:20:01.597 --> 00:20:04.637
Aliás, a dica do Bruno 
foi começar por negócio

00:20:04.637 --> 00:20:07.977
e depois abarcar ali a parte técnica.

00:20:07.977 --> 00:20:11.140
E agora, como tudo 
o que é bom dura pouco,

00:20:11.140 --> 00:20:15.857
para fecharmos aqui
a nossa conversa, dicas, dicas.

00:20:15.857 --> 00:20:19.215
Tem alguma dica preciosa de estudo, 
de caminhos, para o nosso aluno

00:20:19.215 --> 00:20:23.170
que está entrando nesse
mundo da tomada de decisão?

00:20:25.530 --> 00:20:30.441
A minha percepção, não só para as pessoas 
que já trabalham com isso,

00:20:30.441 --> 00:20:33.129
mas que estão entrando na área,

00:20:33.129 --> 00:20:37.567
é começar a olhar tipos de arquiteturas
e de propostas diferentes

00:20:37.567 --> 00:20:41.153
de como disponibilizar o dado, 
igual a professora Tassiana falou,

00:20:41.153 --> 00:20:45.608
de data mesh, de várias outras ferramentas

00:20:45.608 --> 00:20:50.697
voltadas para cloud, lakehouse, data lake,

00:20:50.697 --> 00:20:56.407
para realmente saber 
qual universo você quer ir,

00:20:56.407 --> 00:20:59.594
se é um universo também
de mineração de dados.

00:20:59.594 --> 00:21:02.764
Se você tem um viés mais 
matemático, estatístico,

00:21:02.764 --> 00:21:06.295
e gosta de explorar, minerar
esse dado, também é um caminho.

00:21:06.295 --> 00:21:09.332
É um caminho não tão recente, mas recente

00:21:09.332 --> 00:21:12.001
em relação à toda essa 
estruturação de dados,

00:21:12.001 --> 00:21:13.624
porque estamos falando de Data Warehouse.

00:21:13.624 --> 00:21:19.357
E hoje, a concepção do Data Warehouse,
o que estamos falando aqui,

00:21:19.357 --> 00:21:24.013
das profissões e dos métodos
de como criar toda arquitetura,

00:21:24.013 --> 00:21:27.416
é importante para quem está 
querendo entrar na área

00:21:27.416 --> 00:21:31.621
enxergar o cenário como um todo,
porque existem várias possibilidades,

00:21:31.621 --> 00:21:35.629
além do Data Warehouse, né, 
outras estruturas,

00:21:35.629 --> 00:21:40.607
mas estruturas que você acaba fazendo 
um formato híbrido com Data Warehouse.

00:21:40.607 --> 00:21:45.486
E você pode entrar num outro viés,

00:21:45.486 --> 00:21:47.757
matemático, estático,

00:21:47.757 --> 00:21:50.798
que trabalha essas informações 
olhando para frente,

00:21:50.798 --> 00:21:54.310
criando predições,
criando prescrições.

00:21:54.310 --> 00:21:57.913
É um mundo muito vasto,
muito vasto mesmo.

00:21:57.913 --> 00:22:02.077
Então, quando for estudar, olha 
no todo em relação ao dado

00:22:02.077 --> 00:22:04.424
para você enxergar onde 
você se encaixa melhor.

00:22:04.424 --> 00:22:06.444
Fantástico, Bruno.

00:22:06.444 --> 00:22:08.858
Gente, só esses últimos 
termos que ele usou...

00:22:08.858 --> 00:22:14.104
Ele falou de data product, lake house,
arquiteturas híbridas...

00:22:14.104 --> 00:22:16.565
Já dá horas aí,
para não dizer anos, de estudo.

00:22:16.565 --> 00:22:20.236
Então dicas boas para vocês
se aprofundarem ainda mais aqui

00:22:20.236 --> 00:22:22.571
no nosso conteúdo.

00:22:22.571 --> 00:22:25.290
É importante dizer, pessoal,
que às vezes nós falamos DW,

00:22:25.290 --> 00:22:30.413
e isso soa como algo antigo, porque,
de fato, nós fazemos isso há muito tempo.

00:22:30.413 --> 00:22:36.886
Agora, é o seguinte: 
as tecnologias passam, né,

00:22:36.886 --> 00:22:39.646
e às vezes eu até sinto 
a TI muito cíclica.

00:22:39.646 --> 00:22:44.464
Descentraliza, centraliza, 
vai de um extremo a outro,

00:22:44.464 --> 00:22:45.594
num contexto de agilidade.

00:22:45.594 --> 00:22:47.171
Está tudo muito rápido.

00:22:47.171 --> 00:22:50.472
Temos abarcado aí
muitas stacks modernas.

00:22:50.472 --> 00:22:52.835
Estão às vezes você estuda uma ferramenta,

00:22:52.835 --> 00:22:54.670
ano que vem já é outra.

00:22:54.670 --> 00:22:56.961
Mas quando falamos de conceitos,

00:22:56.961 --> 00:23:00.421
de tomada de decisão, 
de planejamento,

00:23:00.421 --> 00:23:03.779
isso é perene, é contemporâneo, não passa.

00:23:03.779 --> 00:23:07.950
Então, estudar Data Warehouse 
no sentido de pensar no negócio

00:23:07.950 --> 00:23:11.287
e como eu trabalho os meus KPIs 
para tomada de decisão,

00:23:11.287 --> 00:23:13.310
é algo que te empodera para a carreira,

00:23:13.310 --> 00:23:16.597
e vale super a pena você continuar 
investindo nesse assunto.