1. O documento discute as tendências que vão mudar a estratégia de dados no futuro, incluindo aprendizado de máquina e inteligência artificial para simplificar a gestão e tomada de decisões com dados. 2. A inteligência artificial está sendo incorporada em ferramentas de gestão de dados para automatizar processos como identificação de dados sensíveis. 3. Arquiteturas híbridas e "Data Fabrics" que unificam dados em nuvens e on-premise se tornarão mais comuns.

1. 1
Descubra 5 tendências que vão mudar tudo
Qual é o futuro da estratégia de dados?
Evandro Pacolla
Senior Sales Engineer
Denodo

2. 2
Predições são muito difíceis,
especialmente sobre o futuro”
Atribuído à Niels Bohr
Publicação “Atomic Scientist”, 1971

3. 3
Analistas: “prevendo” o futuro analizando o presente

4. 4
M.L e A.I para simplificar a
gestão de dados

5. 5
M.L e A.I para tomada de decisões
▪ As práticas de "ciência de dados" já são
muito comuns em grandes empresas para
facilitar os negócios e a tomada de
decisões estratégicas
▪ "Cientista de dados" tem sido uma das
profissões mais exigidas nos últimos anos
▪ A ciência de dados já é uma prática comum
para otimizar o uso de recursos, o
gerenciamento da cadeia de suprimentos,
a detecção de fraudes, a manutenção
preditiva etc.
▪ O Denodo já é usado com frequência neste
contexto, a fim de simplificar e acelerar a exploração
e análise dos dados de entrada
https://www.denodo.com/en/webinar/customer-keynote-data-virtualization-modernize-and-accelerate-
analytics-prologis

6. 6
Inteligência artificial nas ferramentas de gestão de dados
▪ Muitos softwares começaram a incorporar técnicas de
Inteligência Artificial para automatizar todos os tipos de
processos internos.
▪ Essas técnicas podem automatizar ações que, de outra
forma, exigiriam ações manuais de um especialista.
• Podem trabalhar com alto volume de dados
• Reduz a carga de trabalho em perfis de alto nível.
▪ No gerenciamento de dados, uma das primeiras
aplicações bem-sucedidas dessas técnicas foi na
identificação de dados sensíveis ou problemáticos.
▪ Muitos produtos começam a incorporar técnicas de
rotulagem automática, classificações, análises de
segurança, etc. Baseado em ML
https://www.wsj.com/articles/how-data-management-helps-companies-deploy-
ai-11556530200

7. 7
Aplicação para produtos de virtualização de dados
▪ Melhorar a Exploração de dados
▪ Recomendar dados baseados em perfil
▪ Simplificar a modelagem
▪ Deduzir associações baseadas em queries feitas
▪ Sugestão de filtros comuns
▪ Melhorias de performance
▪ Recomendações automáticas de otimização
▪ Modificações automáticas de parâmetros para eliminar
gargalos.

8. 8
Bem-vindos a um mundo
híbrido

9. 9
Pesquisa de Adoção em Nuvem - 2019
• Mais de 60% das empresas já possuem vários projetos na nuvem
• 25% têm estratégias "Cloud-First" ou estão em um estado avançado de adoção
• Apenas 4,5% não têm planos de nuvem de curto prazo
• Menos de 9% dos sistemas do data center desaparecem (Forrester estima 8%)
• Mais de 46% precisam de integração em nuvem/on-Premisse e mais de 35% usam várias
nuvens (AWS, Azure, Google, etc.)
• Principais ferramentas na transição para a nuvem: gerenciamento de infraestrutura em
nuvem (56%), virtualização de dados (49,5%), ferramentas de gerenciamento de “data
lakes” (48%)
Fuente: Denodo Cloud Survey 2019, N = 200.
https://www.denodo.com/en/document/whitepaper/denodo-global-cloud-survey-2019

10. 10
Arquitetura lógica multi-cloud

11. 11
“Data Fabrics” serão o
novo normal

12. 12
Uma arquitetura "Data Fabric" fornece uma visão
completa, unificada e confiável dos dados de negócios,
produzida pela coordenação de fontes de dados de forma
automática, inteligente e segura que pode processar
grandes volumes de dados”
https://www.forrester.com/report/Now+Tech+Big+Data+Fabric+Q2+2018/-/E-RES142691

13. 13
Não podemos ter um único repositório de dados?
• Perda de recursos: As capacidades de um sistema de "data lake" podem ser
completamente diferentes das fontes originais. Por exemplo, acesso rápido por chave
primária em um SGBD operacional
• Alto custo inicial: requer a criação de fluxos de ingestão de dados de todas as fontes
de dados da empresa
• Difícil de obter ROI . Muitos dados podem nunca ser usados .
Faz sentido replicar o "Data Warehouse"?
• Alto custo de manutenção: não só o custo inicial é alto, mas os fluxos devem ser
mantidos regularmente após mudanças nas fontes (novas colunas, tabelas, etc.)
• Risco de inconsistências: dados precisam ser atualizados com frequência para evitar
inconsistências entre a fonte e “data lake”
CUSTO
GOVERNANÇA
Não podemos mover todos os dados da empresa para um único super repositório de dados?
Isso é possível? É realista? O surgimento de “data-lakes” oferecem sistemas de armazenamento
em massa baratos, mas eles não são sem problemas.

14. 14
Gartner – Evolução dos ambientes analíticos
Este é um segundo grande ciclo de consolidação analítica
Operational Application
Operational Application
Operational Application
IoT Data
Other New Data
Operational
Application
Operational
Application
Cube
Operational
Application
Cube
? Operational Application
Operational Application
Operational Application
IoT Data
Other New Data
1980s
Pre EDW
1990s
EDW
2010s2000s
Post EDW
Time
LDW
Operational
Application
Operational
Application
Operational
Application
Data
Warehouse
Data
Warehouse
Data
Lake
?
LDW
Data Warehouse
Data Lake
Marts
ODS
Staging/Ingest
Unified analysis
› Consolidated data
› "Collect the data"
› Single server, multiple nodes
› More analysis than any
one server can provide
©2018 Gartner, Inc.
Unified analysis
› Logically consolidated view of all data
› "Connect and collect"
› Multiple servers, of multiple nodes
› More analysis than any one system can provide
ID: 342254
Fragmented/
nonexistent analysis
› Multiple sources
› Multiple structured sources
Fragmented analysis
› "Collect the data" (Into
› different repositories)
› New data types,
› processing, requirements
› Uncoordinated views
“Adopt the Logical Data Warehouse Architecture to Meet Your Modern Analytical Needs”. Henry Cook, Gartner April 2018

15. 15
Gartner – Arquiteturas Lógicas
“Adopt the Logical Data Warehouse Architecture to Meet Your Modern Analytical Needs”. Henry Cook, Gartner April 2018
DATA VIRTUALIZATION

16. 16
Controle de voz e
linguagem natural

17. 17
Controle de voz e linguagem natural
▪ Ferramentas de controle de voz já são comuns em
nossas casas
▪ Siri, Alexa, Google Home podem nos dizer o tempo você
vai fazer hoje, as notícias do dia, acender e apagar as
luzes, etc.
▪ Muitas ferramentas de análise de dados começaram a
adotar linguagens naturais como um modo de consulta
para usuários não técnicos
▪ Com o avanço dessas tecnologias, os usuários de
negócios e as vendas poderão fazer consultas complexas
do carro ou telefone sem usar uma interface de usuário

18. 18
Exemplo: Logitech
O uso de ferramentas naturais de processamento de linguagem permite que os usuários de negócios façam perguntas a
um "chatbot" e recebam uma resposta de áudio totalmente humanizada.
A camada de virtualização permite que essa ferramenta acesse dados de várias fontes
"As metas para este trimestre no
México são de 200 milhões de reais, um
aumento de 15% em relação ao
trimestre anterior"
"Qual é a
meta de
vendas do
produto X no
Brasil neste
trimestre?"

19. 19
Monetização de dados e
economia das APIs

20. 20
Monetização de dados e economia das APIs
▪ Previsões de negócios para o mercado de
aplicativos de gestão de dados indicam o maior
crescimento por segmento nos próximos anos
▪ A comunicação entre aplicativos é frequentemente
gerenciada através de chamadas para APIs, e assim
a criação e gestão de APIs tornou-se a pedra
angular de muitas iniciativas de transformação
digital
▪ Para muitos dos gigantes da internet, o acesso à API
já soma mais do que o acesso tradicional através de
seus site.
▪ Já existe um mercado significativo para empresas
que vendem dados como seu principal modelo de
negócios.
▪ Muitas empresas tradicionais também começaram
a oferecer dados como valor agregado às suas
ofertas.
https://www.statista.com/statistics/255970/global-big-data-market-forecast-by-segment/

21. 21
DrillingInfo: dados para o setor petrolífero usando APIs

22. 22
Usando APIs para oferecer uma vantagem competitiva

23. 23
Publicação de APIs com Denodo
▪ As ferramentas de virtualização de dados fornecem APIs para
acesso a qualquer fonte de dados conectada, sem
programação
▪ Inclui controles de autorização para filtrar dados dependendo
do usuário e da função.
▪ Permite adicionar controles de execução mais complexos, como
prioridades, cotas, (por exemplo, 100 consultas/hora), etc.
▪ A Denodo suporta uma grande variedade de protocolos:
▪ GeoJSON (APIs geo-espaciales)
▪ OData 4
▪ GraphQL
▪ Autenticação através OAuth 2.0, SAML y Kerberos
▪ OpenAPI (Swagger) para auto-documentação

24. Q&A

25. Obrigado!
www.denodo.com info@denodo.com
© Copyright Denodo Technologies. All rights reserved
Unless otherwise specified, no part of this PDF file may be reproduced or utilized in any for or by any means, electronic or mechanical, including photocopying and microfilm,
without prior the written authorization from Denodo Technologies.