Entenda os conceitos e aplicações de Big Data para o concurso da PF

Confira neste artigo uma análise sobre os conceitos e aplicações de Big Data da disciplina de Tecnologia da Informação, para a prova da Polícia Federal (PF).

Olá, Estrategista. Tudo bem com vocês?

Não é novidade para ninguém que a área policial está com tudo neste ano de 2021. São dezenas de concursos, com alguns oferecendo mais de 1000 vagas, como é o caso do concurso da Polícia Federal.

A disciplina com o maior número de questões para esse certame é Tecnologia da Informação. Desse modo, estamos trazendo neste artigo um estudo dos conceitos e aplicações de Big Data, tópico bastante relevante para a prova da PF.

Assim, iremos abordar os seguintes tópicos neste artigo:

• Conceitos Iniciais;
• Tipos de Análises;
• Aplicações;
• Premissas;
• Padrões;
• Hadoop.

Conceitos Iniciais

Big Data é o termo utilizado para designar um conjunto de dados massivamente grande e complexo.

Com o rápido avanço da tecnologia, há cada vez mais a geração de grandes quantidades de dados, desse modo, é necessário um gerenciamento adequado, com o intuito de superar os desafios encontrados nessa área, como a análise desses dados, armazenamento, compartilhamento, visualização, entre outras situações.

Esses dados podem ser gerados por diversas fontes, como sensores de máquinas, smartphones, através de fotos e vídeos, bancos de dados empresariais, câmeras de vigilância, entre outras.

Eles são geralmente extraídos de arquivos não estruturados, como sensores, vídeos e imagens, os quais podem gerar milhares de dados por segundo. Entretanto, o Big Data também pode ser formado por dados estruturados.

FIQUE ATENTO: Big Data não se refere apenas aos dados, mas também às soluções tecnológicas utilizadas para realizar o seu gerenciamento de maneira eficiente.

Um conceito importante deste assunto é o de Big Data Analytics, o qual se refere à análise de grandes volumes de dados estruturados e não estruturados, que são coletados, armazenados, interpretados e visualizados através de ferramentas tecnológicas inteligentes de alto desempenho.

Tipos de Análises

Em relação ao Big Data, são utilizadas, principalmente, 4 tipos de análises:

Análise Descritiva: compreende a descrição das características dos acontecimentos em tempo real, de maneira a visualizar e entender o comportamento dos dados, de modo a auxiliar na tomada de decisões.

Análise Preditiva: esse item tem como objetivo prever comportamentos futuros, bem como as tendências dos dados, através da análise de informações anteriores. Desse modo, os gestores podem tomar decisões baseadas nos cenários futuros previstos por essa análise.

Análise Prescritiva: essa análise descreve os possíveis efeitos e consequências de ações que possam ser tomadas. Assim, é possível que possa ser realizada a melhor escolha para determinado cenário.

Análise Diagnóstica: neste caso, a análise procura entender as relações de causa e efeito entre situações, de modo a compreender os resultados obtidos em decorrência das ações tomadas.

Aplicação

Big Data pode ser aplicado em diversas situações e cenários, em praticamente todas as áreas de negócios, como no desenvolvimento de mercado, inovação, desenvolvimento de produtos e serviços, eficiência operacional, previsões de demanda de mercado, detecção de fraudes, gerenciamento de riscos, previsão de concorrência, vendas, campanhas de marketing, avaliação do desempenho de funcionários, alocação do orçamento anual, estabelecimento de previsões financeiras, identificação de potenciais compradores, entendimento da base de clientes, entre outras aplicabilidades.

Estudos recentes já identificaram que empresas que realizam um alto investimento em Big Data e análise de dados, possuem melhores resultados financeiros, devido a uma melhor visão dos cenários dos seus negócios.

Premissas

Aqui está um tópico bastante importante de Big Data para concursos, incluindo para a prova da PF.

As premissas, ou domínios, são os elementos estudados para analisar a possibilidade de implementação do Big Data. Antigamente, a literatura trazia apenas três itens, chamados de 3Vs (Variedade, Velocidade e Volume), como podemos ver abaixo:

Variedade: é necessário que o Big Data tenha capacidade de trabalhar com variados formatos de informação, seja de fontes estruturadas, não estruturadas ou semiestruturadas, como os dados provenientes de sensores, e-mails, smartphones, programas computacionais, entre outros.

Velocidade: de modo a atender a demanda de maneira eficiente, é necessário que haja o processamento de dados no momento em que são gerados, em alta velocidade, sem que eles sejam incluídos em banco de dados, de modo a dar uma resposta satisfatória aos usuários, uma vez que as empresas necessitam de dados sempre atualizados.

Volume: o Big Data deve permitir que uma grande quantidade de dados seja analisada, armazenando-os em diferentes locais, sendo integrados por meio de aplicativos de softwares.

Entretanto, atualmente, foram adicionadas outras premissas, sendo que duas delas são mais cobradas (Valor e Veracidade), formando o 5Vs:

Valor: os dados presentes no Big Data precisam agregar valor ao negócio, pois caso a informação não possua valor, ela se torna inútil.

Veracidade: é imprescindível que a informação seja verdadeira para possuir alguma utilidade, de modo a garantir a confiabilidade dos dados. Assim, é totalmente inútil se houver todo o processamento de uma grande variedade e volume de dados com valor, de maneira rápida e eles não forem verídicos.

Além do 5Vs, que são as premissas mais cobradas em provas, há autores que já pontuaram a existência do 10Vs, agregando os conceitos de variabilidade, validade, vulnerabilidade, volatilidade e visualização.

Padrões

De modo a definir a arquitetura de soluções de Big Data, a IBM, respeitada empresa da área de tecnologia, definiu alguns padrões que podem ser utilizados para alcançar tal objetivo.

Os padrões atômicos auxiliam na identificação da maneira em que os dados são consumidos, processados, armazenados e acessados por problemas recorrentes em um contexto de Big Data.

Os padrões compostos são classificados com base na solução de ponta a ponta, sendo eles mapeados para um ou mais padrões atômicos, com o intuito de solucionar um determinado problema de negócios.

Os padrões de solução também auxiliam na definição do melhor conjunto de componentes, com base na necessidade dos negócios em descobrir e explorar dados.

FIQUE ATENTO: Não há uma sequência definida de aplicação dos padrões acima em soluções de Big Data.

Hadoop

O Hadoop é uma das principais ferramentas de gerenciamento de Big Data. Ele é uma plataforma de código aberto utilizado na análise e processamento de grandes quantidades de informações, podendo utilizar máquinas convencionais e comuns, além de ser bastante utilizado mundialmente, estando presente em grandes empresas, como Twitter e Facebook.

Ele é um projeto Apache, sendo que seu desenvolvimento é realizado constantemente por uma rede de colaboradores e empresas, de maneira conjunta, já que ele é um software livre e de código aberto.

Há diversas vantagens na utilização do Hadoop, como a economia, uma vez que ele é de código aberto, não sendo necessário comprá-lo, além da sua robustez e simplicidade de uso.

Finalizando

Pessoal, chegamos ao fim deste estudo sobre os conceitos e aplicações de Big Data da disciplina de Tecnologia da Informação, para o concurso da Polícia Federal (PF).

Procuramos realizar um resumo sobre as principais informações deste tópico, as quais possuem boas chances de serem cobradas na sua prova.

Veja este outro artigo O que priorizar nos seus estudos na reta final para a PF. Ele é uma importante análise sobre quais tópicos podem ser priorizados nesta reta final de estudos, mas sem deixar as demais de lado.

De modo a potencializar os seus estudos nesta reta final para o concurso da PF, com o material mais completo e com os melhores professores do mercado, acesse o site do Estratégia Concursos e confira os nossos cursos completos para a Polícia Federal.

Bons estudos e até a próxima!

Cursos e Assinaturas

Até mais!!