{"id":49489,"date":"2025-09-17T18:24:29","date_gmt":"2025-09-17T18:24:29","guid":{"rendered":"https:\/\/becolve.com\/blog\/a-investigar-os-misterios-do-big-data\/"},"modified":"2025-09-17T18:24:29","modified_gmt":"2025-09-17T18:24:29","slug":"a-investigar-os-misterios-do-big-data","status":"publish","type":"blog","link":"https:\/\/becolve.com\/pt-pt\/blog\/a-investigar-os-misterios-do-big-data\/","title":{"rendered":"A investigar os mist\u00e9rios do Big Data"},"content":{"rendered":"

\"Data<\/p>\n

H\u00e1 uns dias, a revista AutomationWorld<\/strong> publicou um artigo<\/a> interessante sobre os futuros empregos que v\u00e3o ser gerados devido aos processos de transforma\u00e7\u00e3o digital em que todos estamos envolvidos. Um deles, que d\u00e1 nome ao artigo, \u00e9 o de Data Detective<\/strong>, posi\u00e7\u00e3o encarregada de \u2018investigating the mysteries of Big Data, uncovering secrets within the content by examining sensors, devices, fog computing and neural networks.\u2019<\/em> <\/p>\n

Do meu ponto de vista, concordo que esta posi\u00e7\u00e3o, com este nome ou outro, acabar\u00e1 por existir, ainda que seja certo que lhe acrescentaria uma nuance. Um bom Data Detective dever\u00e1 investigar por que raz\u00e3o os resultados extra\u00eddos dos dados n\u00e3o se aplicam ou coincidem com a realidade.<\/strong> <\/p>\n

Atualmente, todas as ind\u00fastrias de processo e infraestruturas est\u00e3o a trabalhar ou a avaliar ferramentas de an\u00e1lise de dados, quer sejam ferramentas anal\u00edticas, de Business Intelligence<\/strong>, de manuten\u00e7\u00e3o preventiva, de otimiza\u00e7\u00e3o de recursos, etc. Mas a abordagem destas integra\u00e7\u00f5es, na sua maioria, costuma ser feita de \u2018alto\u2019. Este tipo de ferramenta nutre-se de dados armazenados em BBDD<\/strong>, e \u00e9 a partir destes que extraem as suas conclus\u00f5es a partir de grandes processos e algoritmos complexos. <\/p>\n

\"Data<\/p>\n

Para o mundo industrial e de infraestruturas existe um problema de base nisto. Estes dados guardados em BBDD<\/strong> n\u00e3o foram guardados ali com a finalidade de serem explorados por este tipo de ferramenta, mas sim gerados e contextualizados para outro tipo de aplica\u00e7\u00e3o \u2013 um SCADA<\/strong> tipicamente. Este facto diferencial implica que estas ferramentas est\u00e3o a trabalhar sobre um campo de amostragem que n\u00e3o est\u00e1 devidamente concebido ou preparado para tal. No mundo industrial, hoje em dia, h\u00e1 uma m\u00e1xima: o gargalo tecnol\u00f3gico para o uso dessas ferramentas \u00e9 uma correta aquisi\u00e7\u00e3o de dados de campo. <\/p>\n

Para dar um exemplo, numa ind\u00fastria de fabrico de pe\u00e7as de autom\u00f3vel, sabe-se que 6% das pe\u00e7as saem defeituosas e s\u00e3o descartadas no momento. Essa informa\u00e7\u00e3o \u00e9 a que chega aos reposit\u00f3rios que utilizam o seu SCADA e ERP<\/strong>. Ora bem, o mais interessante seria que essas ferramentas pudessem saber mais sobre as pe\u00e7as descartadas, o seu percurso de fabrico e os diferentes elementos que estiveram implicados, material, fornecedor, maquinaria de estampagem, cintas de transporte, pessoal ativo, etc. Mas, para poder fazer estas correla\u00e7\u00f5es, o sistema necessita de cumprir umas caracter\u00edsticas que n\u00e3o ter\u00e1. Perante este cen\u00e1rio, estas ferramentas ou n\u00e3o saber\u00e3o extrair uma conclus\u00e3o ou, ainda pior, extrair\u00e3o uma conclus\u00e3o errada. <\/p>\n

\u00c9 por isso que creio que chegaremos \u00e0 figura do Data Detective<\/strong>. N\u00e3o me aventuro em se ser\u00e1 uma posi\u00e7\u00e3o interna das companhias ou consultorias externas, mas tenho clara a sua miss\u00e3o. Investigar o porqu\u00ea de as ferramentas de explora\u00e7\u00e3o contratadas n\u00e3o estarem a ter o ROI desejado<\/strong>, ou seja, uma vez revista a ferramenta e os seus algoritmos e comprovado que tudo est\u00e1 correto a esse n\u00edvel, onde est\u00e3o as falhas de contextualiza\u00e7\u00e3o das fontes de dados. Na sua correta aquisi\u00e7\u00e3o, na sua manipula\u00e7\u00e3o, na frequ\u00eancia de amostragem, na sua estampagem temporal, no volume com que se trabalha, em que me falta adquirir informa\u00e7\u00e3o de uns elementos-chave\u2026? <\/p>\n

\"Data<\/p>\n

Este Data Detective, o mais certo \u00e9 que dever\u00e1 investigar, coordenar-se e entender os m\u00faltiplos atores envolvidos no processo<\/strong> e que, o mais certo, \u00e9 que, caso essas ferramentas n\u00e3o tenham os resultados esperados, nenhum se v\u00e1 sentir respons\u00e1vel por isso. E, por muito que nos custe, seguramente todos ter\u00e3o raz\u00e3o. Se as fontes de dados n\u00e3o foram devidamente preparadas para tal, uma aplica\u00e7\u00e3o de manuten\u00e7\u00e3o preventiva poder\u00e1 trabalhar com o que puder, mas \u00e9 evidente que n\u00e3o poder\u00e1 extrair as conclus\u00f5es mais acertadas, por exemplo. <\/p>\n

Por isso, para evitar ter de necessitar de um Data Detective, podemos propor v\u00e1rias iniciativas, n\u00e3o excludentes entre elas:<\/strong><\/p>\n