Introdução à

big data analytics

Juliane Adélia Soares

OBJETIVOS DE APRENDIZAGEM

> Definir big data e seu cenário.

> Explicar o que é big data analytics.
> Comparar data science e business intelligence.

Introdução
Atualmente, a cada dia surgem novos dispositivos e aplicações, além de novas
tecnologias, como Internet das Coisas (IoT) e computação em nuvem, que são
muito utilizadas pessoal e profissionalmente. As mais diversas áreas fazem uso
de tecnologias digitais para comunicação, execução de processos, diversão,
informação, etc. Tudo isso facilita o dia a dia, tornando a sociedade dependente
da tecnologia. Dessa forma, um imenso volume de dados é gerado diariamente,
também chamado de big data. Assim, a big data analytics serve para realizar
o processamento e a análise desses conjuntos de dados.
Neste capítulo, você verá uma introdução sobre big data analytics, incluindo
a definição de big data e o cenário onde se aplica, com exemplos do mundo
real para melhor entendimento. Por fim, encontrará uma comparação entre
data science e business intelligence.
12 Introdução à big data analytics

Big data
Big data pode ser definido como conjuntos de dados cujo volume, velocidade
e variedade são tão grandes que tornam difícil seu armazenamento, gerencia-
mento, processamento e análise com uso de banco de dados e ferramentas
de processamento tradicionais. Nos últimos anos, houve um crescimento
colossal de dados gerados nos ramos de tecnologia da informação (TI),
indústrias, saúde, IoT e em outros sistemas envolvendo quase todos os setores
da sociedade. Uma estimativa da IBM de 2019 concluiu que 2,5 quintilhões de
bytes de dados são criados diariamente (BAHGA; MADISETTI, 2019).
Sob o guarda-chuva do conceito de big data, podemos incluir:

„ dados gerados em redes sociais (textos, imagens, dados de áudio e

vídeo);
„ dados de click-stream gerados por aplicativos da web (como e-com-
merce) para análise de comportamento do usuário;
„ dados de sensores incorporados em sistemas industriais e de energia,
para monitoramento de funcionamento e detecção de falhas;
„ dados de saúde coletados em sistemas de registro eletrônico;
„ logs gerados por aplicativos web;
„ dados gerados em mercados de ações;
„ dados gerados em transações de aplicativos bancários e financeiros.

Mas como chegamos a essa era de big data? Isso ocorreu paulatinamente,
com o avanço constante da tecnologia e de inúmeras soluções capazes de
facilitar as ações diárias das pessoas, além de transformar totalmente modos
de comunicação e gerar novas estratégias de negócios. Observe o Quadro 1:

Quadro 1. Influência da tecnologia em diversos ramos

Categoria Como ocorre

Viagem Preços de passagens são comparados; passagens compradas

pela internet; possibilidade de realizar check-in on-line;
busca por serviços de hospedagem; serviços de reserva de
hospedagem; definição de trajeto com GPS.
(Continua)
 Introdução à big data analytics 13

(Continuação)

Categoria Como ocorre

Trabalho Reuniões por videoconferência; agenda on-line; armazenamento

on-line de arquivos; serviços de financiamento coletivo
(crowdfunding); busca e candidatura em vagas de trabalho
on-line.

Lazer Streaming de filmes, séries e músicas; compartilhamento de

momentos nas redes sociais; leitura de livros eletrônicos; jogos
on-line.

Compras Comércio eletrônico; avaliação de produtos on-line; comparação

de preços de produtos; compras coletivas; solicitação on-line de
delivery; SAC on-line; internet banking.

Fonte: Adaptado de Marquesone (2017).

O quadro mostra a grande influência que a tecnologia exerce em pratica-

mente tudo que é realizado no dia a dia. Com o avanço de itens de hardware e
software e de infraestrutura de redes, foi possível chegar à era digital, e todos
esses serviços realizados digitalmente geram uma quantidade enorme de
dados. Além da internet, que é um dos fatores que mais influi no crescimento
dos dados, a ampla adoção de dispositivos móveis também é um fator que
causa grande impacto na geração de dados.
A Figura 1 mostra os principais fatores responsáveis pelo aumento de
volume de dados gerados. O poder de armazenamento, os recursos com-
putacionais e o acesso à internet oferecidos pelos dispositivos móveis am-
pliaram não apenas a quantidade de dados gerados, mas também o número
de vezes que esses dados são compartilhados. Outro fator responsável por
esse aumento é o grande poder de processamento existente, resultado pre-
visto pela Lei de Moore, segundo a qual a capacidade de processamento dos
computadores dobraria aproximadamente a cada 18 meses. A redução de
custo de armazenamento também contribui muito para a geração de dados.
Na década de 1990, por exemplo, a maioria dos dados era descartada devido
ao alto custo de armazenamento. O desenvolvimento da IoT também responde
por grande parcela desse aumento, devido aos dados gerados nos sensores
incorporados em seus dispositivos (MARQUESONE, 2017).
14 Introdução à big data analytics

+ Uso de dispositivos móveis Fatores para o

– Custos de armazenamento
+ Poder de processamento aumento do
de dados em discos rígidos
+ Internet das coisas volume de dados

Figura 1. Fatores para aumento de volume de dados.

Fonte: Adaptada de Marquesone (2017).

Com esse gigantesco crescimento no volume de dados gerados e com o

surgimento de novas tecnologias que geram ainda mais dados, empresas de
segmentos diversos começaram a perceber oportunidades oferecidas por
esses diferentes tipos de dados, incluindo aperfeiçoamento de processos,
aumento de produtividade, melhoria de processos de tomada de decisão e
desenvolvimento de novos produtos e serviços (MARQUESONE, 2017).
É possível concluir que big data é uma combinação de tecnologias novas
e antigas, auxiliando as empresas a obter insights acionáveis. Dessa forma,
de acordo com Hurwitz et al. (2013), big data é a capacidade de gerenciar um
grande volume de dados díspares, na velocidade certa e dentro do prazo
certo para permitir análises e reações em tempo real.
Contudo, essa não é uma tarefa simples, pois a precisão e o contexto
dos dados devem ser atestados. Uma empresa pode optar, por exemplo, por
analisar grandes quantidades de dados em tempo real para buscar captar
com agilidade o valor dos clientes e identificar aqueles que merecem receber
ofertas adicionais. Para isso, é fundamental identificar a quantidade correta
e os tipos de dados a serem analisados. Como o conceito de big data abarca
todos os tipos de dados (estruturados, não estruturados e semiestruturados),
incluindo e-mail, redes sociais, fluxos de texto, entre outros, o gerenciamento
de dados exige que as empresas aproveitem todos esses tipos de dados
(HURWITZ et al., 2013), definidos a seguir (EMC EDUCATION SERVICES, 2015).

„ Dados estruturados: aqueles que contêm tipo, formato e estrutura

definidos. São altamente organizado, podendo ser analisados e com-
preendidos sem auxílio de ferramentas. Incluem arquivos CSV e pla-
nilhas simples.
 Introdução à big data analytics 15

„ Dados não estruturados: não é possível processar e analisar esse tipo

de dados utilizando ferramentas e métodos convencionais. Apresentam
estrutura dinâmica e flexível, permitindo variados formatos de arquivos,
como documentos de texto, PDFs, imagens e vídeos.
„ Dados semiestruturados: não apresentam estrutura totalmente rí-
gida nem totalmente flexível. São arquivos de dados textuais e que
apresentam padrão discernível, permitindo análise. Um exemplo são
os arquivos XML.

Para que um projeto de big data seja desenvolvido de forma correta a fim
de realmente atingir seus objetivos, existem alguns passos que podem ser
seguidos (MARQUESONE, 2017). O primeiro passo deve ser a identificação de
quais perguntas se deseja responder com os dados gerados. Assim, é preciso
definir quais informações devem ser extraídas de um conjunto de dados.
O segundo passo envolve a captura e armazenamento dos dados. Nessa
etapa, é preciso identificar quais fontes de dados serão utilizadas e como os
dados serão extraídos, sendo necessário definir as soluções adequadas para
armazenar cada tipo de dado. Com os dados armazenados, a próxima etapa
envolve o processamento e a análise dos dados, em que são determinas as tec-
nologias de big data a serem adotadas, oferecendo escalabilidade e desempenho
às aplicações. Para finalizar, a última etapa se refere à visualização dos dados,
em que são utilizadas técnicas de criação de gráficos dinâmicos e interativos.
No cenário atual, ferramentas de big data pode ser aplicadas nas mais
diferentes áreas, incluindo as examinadas a seguir (MARQUESONE, 2017).

„ Saúde: monitoramento de pacientes em tempo real, análise de dados de

redes sociais para acompanhamento de pandemias, análise de padrões
de doenças, extração de informações em imagens médicas, descoberta
e desenvolvimento de novos medicamentos, análise de dados genéticos.
„ Finanças: análise de riscos, detecção de fraudes, venda cruzada, pro-
gramas de fidelidade.
„ Setor público: digitalização de dados, detecção de fraudes e ameaças,
vigilância por vídeo, manutenção preventiva de veículos, otimização
de rotas de transporte.
„ Telecomunicação: análise de registros de chamadas, alocação de banda
em tempo real, desenvolvimento de novos produtos, planejamento de
rede, gerenciamento de fraudes, monitoramento de equipamentos.
„ Varejo: segmentação de mercado e cliente, marketing personalizado,
previsão de demanda, análise de sentimentos, precificação dinâmica.
16 Introdução à big data analytics

Para que esses dados sejam utilizados de modo a permitir insights que
revelem novas fontes de valor para os negócios, as organizações devem obter
novas arquiteturas de dados, ferramentas, métodos analíticos e integração
de diversas habilidades junto a seus funcionários responsáveis pela análise
dos dados (EMC EDUCATION SERVICES, 2015).

Big data analytics

Big data analytics é um processo usado para extrair insights importantes,
como padrões ocultos, correlações desconhecidas, tendências de mercado
e preferências do cliente. O processo funciona a partir da análise de grandes
volumes de dados (big data), coletados de uma ampla diversidade de fontes.
O termo analytics é muito amplo, de modo que pode se referir a processos,
tecnologias, estruturas e algoritmos para extrair as percepções significativas
dos dados.
Bahga e Madissetti (2019) afirmam que os dados chegam para análise ainda
brutos e não apresentam significado algum até que sejam contextualizados
e processados em informações úteis. Dessa forma, é isso que a analytics faz,
representando um método de extração e criação de informações a partir de
dados brutos, filtrando, processando, categorizando, condensando e con-
textualizando tais dados. Após a obtenção de informações, elas são então
organizadas e estruturadas para fornecer conhecimento sobre o sistema,
seus usuários, seu ambiente e suas operações, sendo possível progredir e
torná-los mais inteligentes e eficientes.
Ainda segundo Bahga e Madissetti (2019), para a escolha de tecnologias,
algoritmos e estruturas a serem utilizados para análise, deve-se levar em
consideração os objetivos analíticos em questão, que podem incluir:

„ prever algo: se, por exemplo, uma transação é fraude ou não, se vai
chover em um dia específico, se um tumor é benigno ou maligno, etc.;
„ encontrar padrões nos dados: descobrir as páginas mais visitadas em
determinado site ou as celebridades mais pesquisadas em determinado
período, por exemplo;
„ encontrar relações entre dados: buscar artigos e notícias semelhantes,
pacientes compatíveis em um sistema de registro eletrônico, correlação
entre itens de notícias e preços de ações, entre outros.
 Introdução à big data analytics 17

Como exemplos de situações em que são necessárias ferramentas e estru-

turas especializadas para big data analytics, podemos citar: quando o volume
de dados envolvidos é muito grande para serem armazenados, processados
e analisados numa única máquina; quando a velocidade de geração de dados
é muito alta e eles precisam ser analisados em tempo real; quando a análise
envolve dados estruturados, não estruturados e semiestruturados, além de
serem coletados de fontes diversas; e quando diferentes tipos de análise pre-
cisam ser realizadas para extrair valor dos dados (BAHGA; MADISSETTI, 2019).
Nesse contexto, a Figura 2 apresenta um modelo de ascendência analítica,
demonstrando todos os tipos de análise de dados.

Figura 2. Tipos de análise de dados.

Fonte: Adaptada de Satpathy e Mohanty (2020).

Segundo esse modelo de ascendência analítica, podemos definir da se-

guinte forma cada tipo de análise (SATPATHY; MOHANTY, 2020).

„ Análise descritiva: é a forma mais simples de análise de dados, estabe-

lecendo um resumo dos dados sobre eventos passados e produzindo
métricas e medidas do negócio. Esse tipo de análise fornece uma
visão retrospectiva, explicando o que aconteceu no passado, como
volumes diários das vendas de diferentes itens em uma loja; porém,
não consegue explicar por que isso aconteceu.
18 Introdução à big data analytics

„ Análise de diagnóstico: esse tipo de análise se aprofunda nas métricas

e medidas (obtidas na análise anterior) quando surge um questio-
namento, seja positivo ou negativo, visando responder por que isso
aconteceu. Técnicas como drill down (exploração em diferentes níveis
de detalhe das informações), mineração de dados e recuperação são
opções que podem ser aplicadas para realizar uma análise de diagnós-
tico. Um exemplo disso são os sistemas de coleta que analisam dados
de sensores em máquinas para monitorar sua integridade e prever
falhas, diagnosticando por que ocorreu cada falha.
„ Análise preditiva: essa análise estima eventos futuros com base em
dados históricos. Sua função é prever o que é provável que aconteça.
Para isso, aplica modelos que aprendem padrões e tendências baseados
nos dados já existentes, prevendo o resultado provável de um evento
(modelos de classificação) ou até números de previsão (modelos de
regressão). A precisão da análise preditiva depende da qualidade e do
volume de dados disponíveis para treinar os modelos.
„ Análise prescritiva: fornece mais valor para as organizações do que os
tipos anteriores. Indica o que é preciso fazer para que um evento ocorra
no futuro, sugerindo um curso de ação favorável ou como prevenir que
um evento desfavorável ocorra. Para isso, esse tipo de análise usa o
resultado das três análises anteriores para prever diversos resultados
e o melhor curso de ação para cada um desses deles. Com a análise
prescritiva é possível, por exemplo, prescrever o melhor medicamento
para tratar um paciente com base nos resultados de vários medica-
mentos usados por pacientes semelhantes.

Aplicativos de big data analytics normalmente incluem dados de sis-

temas internos e fontes externas, como dados meteorológicos ou dados
demográficos sobre consumidores, que são compilados por provedores de
serviços de informação terceirizados. Para obter sucesso em big data analytics,
é preciso seguir um processo sistemático. Por mais que cada processo tenha
suas próprias definições, todos basicamente envolvem as seguintes etapas
(MARQUESONE, 2017):

„ entendimento do negócio — são definidas as perguntas, objetivos da

análise de dados e o plano a ser seguido;
„ compreensão dos dados — nesta etapa os dados são coletados e
explorados, de modo que seja possível compreender sua estrutura,
seus atributos e seu contexto;
 Introdução à big data analytics 19

„ preparação dos dados — aqui inicia-se o processo de limpeza dos

dados, além de filtragem, estruturação, redução e integração;
„ modelagem dos dados — nesta etapa os dados são selecionados e o
modelo é definido e construído;
„ validação do modelo — o modelo criado é avaliado para atestar se a
precisão obtida está adequada;
„ aplicação prática do modelo — assim que o modelos é validado, seus
resultados são utilizados e monitorados.

Nesse âmbito, Chai (2021) citam os seguintes exemplos de uso de big

data analytics.

„ Aquisição e retenção de clientes: dados do consumidor podem ajudar

o marketing das empresas a agir de acordo com as tendências para
aumento de satisfação do cliente. Um exemplo que pode ser citado
é a Netflix, que utiliza mecanismos de personalização, fornecendo
experiências aprimoradas ao cliente, criando fidelidade.
„ Anúncios direcionados: dados de fontes como compras anteriores,
padrões de interação e históricos de visualização de usuários ajudam
a gerar campanhas publicitárias atraentes individualmente de acordo
com os históricos de preferências dos consumidores.
„ Desenvolvimento de produto: big data analytics consegue fornecer
insights, de modo que é possível identificar se determinado produto
é viável ou não, norteando decisões de desenvolvimento, medidas de
progresso e direcionamento de melhorias, seguindo o que melhor se
adapta aos clientes da empresa em questão.
„ Otimização de preços: modelos que recorrem a dados de diferentes
fontes podem ajudar a definir preços de produtos da organização,
maximizando as receitas.
„ Cadeia de suprimentos e análise de canal: os modelos de análise pre-
ditiva trazem benefícios como reposição preventiva, redes de forne-
cedores business-to-business (B2B), gerenciamento de estoque, rotas
otimizadas e notificações de possíveis atrasos em entregas.
„ Gerenciamento de riscos: big data analytics também identifica riscos
de padrões de dados, ajudando a criar estratégias eficazes para ge-
renciar tais riscos.
„ Melhor tomada de decisão: com os insights gerados pela big data
analytics, as organizações podem utilizá-los para tomar decisões
eficientes.
20 Introdução à big data analytics

Grandes empresas como a Amazon são mestres em aplicar big data

analytics para obtenção de vantagem competitiva. A Amazon detém
todo o histórico de compras dos consumidores, e junta isso com o que sabe
sobre os padrões de compras de pessoas identificadas como semelhantes para
apresentar sugestões, estimulando ainda mais compras.

Como a big data analytics exige altos requisitos de processamento, novos

e maiores ambientes de data analytics e tecnologias surgiram, como Hadoop,
MapReduce e bancos de dados NoSQL. Na próxima seção, você será apresen-
tado a um comparativo entre data science e business intelligence.

Data science e business intelligence

Do ponto de vista do processo de negócios, não existe muita diferença en-
tre data science e business intelligence (BI), pois ambos embasam decisões
empresariais com informações úteis. No entanto, apesar de ambos serem
referentes a big data analytics, é importante distingui-los, pois diferentes
motivadores de negócios requerem uma diversidade de técnicas analíticas
para serem abordados corretamente. Observe a Figura 3.

Exploratória

Data
Abordagem science
analítica
Business
intelligence

Histórica
Passado Tempo Futuro

Figura 3. Comparação entre BI e data science.

Fonte: Adaptada de EMC Education Services (2015).
 Introdução à big data analytics 21

No gráfico apresentado, é possível perceber algumas diferenças entre BI e

data science. Assim, é possível avaliar o tipo de análise que deve ser efetuada
conforme o horizonte de tempo e o tipo de abordagem analítica posta em
prática. A seguir, examinaremos as características próprias de cada um (EMC
EDUCATION SERVICES, 2015; GHAVAMI, 2020).

Data science
A data science é uma combinação de diversos campos para extração de valores
de dados, incluindo estatística, métodos científicos, inteligência artificial e
análise de dados. O profissional que atua na área é chamado de cientista
de dados. Esse profissional combina várias habilidades para analisar dados
coletados da web, de clientes, smartphones, sensores e demais fontes que
possam gerar insights. A data science envolve preparação de dados para
análise, o que inclui sua limpeza, agregação e manipulação para realização
de análises avançadas. Após isso, aplicativos analíticos e cientistas de dados
podem visualizar os resultados e descobrir os padrões gerados.
Em data science, a tendência é a utilização de dados de maneira prospectiva
e exploratória, focando na análise do presente, além de possibilitar informa-
ções para decisões futuras. Digamos que uma empresa varejista busca prever
vendas futuras de produtos e receitas utilizando análise de série temporal,
ou seja, coletando observações sequenciais ao longo do tempo. Nesse caso,
em comparação com a BI, a data science funciona como uma ferramenta mais
exploratória e utiliza otimizações de cenários para lidar com questões mais
abertas, concentrando-se em responder questões envolvendo como e por
que tal evento ocorreu.
A data science trabalha com dados estruturados, semiestruturados e não
estruturados, cuja abordagem tem a capacidade de fornecer visualizações
de padrões e percepções que não são humanamente possíveis. Assim, a data
science envolve descoberta, criação de conhecimento, afirmação e comu-
nicação de padrões, associações, classificações e aprendizagem de dados.
Os padrões identificados apresentam formas geométricas com repre-
sentações matemáticas capazes de explicar as relações e associações entre
elementos de dados. Os métodos de big data analytics fornecem exploração
de dados, visualização e modelos adaptativos robustos, que não sofrem com
as mudanças nos dados, pois o recurso de aprendizado de máquina dos mo-
delos analíticos avançados é capaz de aprender com as mudanças ocorridas
e se adaptar ao modelo conforme necessário. Assim, é correto afirmar que a
data science é baseada em modelos.
22 Introdução à big data analytics

Na área da saúde, a data science está sendo aplicada por empresas

que utilizam sistemas cognitivos para prever o estado de saúde de
pacientes. Para isso, os pacientes são ligados a dispositivos que monitoram
seus sinais vitais, acoplados a smartphones. Assim, os dados gerados pelos
dispositivos são utilizados para alimentar modelos que fazem uso de dados
históricos para prever possíveis problemas. Dessa forma, os médicos conseguem
identificar de antemão pacientes em trajetória de risco, podendo agir para evitar
ou amenizar os resultados finais.

BI
BI é uma combinação de coleta e armazenamento de dados, além de gerencia-
mento de conhecimento, para avaliação e transformação de dados complexos
em informações significativas, usadas para apoiar tomadas de decisões
estratégicas nas empresas. A BI fornece relatórios, painéis e consultas sobre
dados empresariais para o período corrente ou para o passado. Digamos,
por exemplo, que uma empresa varejista busca uma análise da receita tri-
mestral até a data atual, do progresso em direção às metas trimestrais e do
quanto determinado produto foi vendido em trimestre ou até o ano anterior.
Nesse caso, sistemas de BI fornecem tais respostas. A tendência é que as
respostas sejam fechadas, explicando comportamento atual ou passado
a partir de dados históricos. Ou seja, a BI gera vislumbres retrospectivos
e algumas percepções, respondendo a perguntas de quando e onde um
determinado evento ocorreu.
Seu objetivo é a transformação de dados brutos em informações, percep-
ções e significados para fins comerciais. Para isso, obtém um instantâneo
de informações pelo do uso de painéis estáticos. A BI trabalha com dados
estruturados e considerados precisos, que devem ser normalizados e com-
pletos, sendo geralmente organizados em linhas e colunas. Dados fora do
intervalo ou díspares são removidos antes que sejam processados. Para a
execução do processamento, são utilizadas estatísticas matemáticas simples
e descritivas. como média, moda e linhas de tendência.
O Quadro 2 apresenta um resumo das principais diferença entre as abor-
dagens de data science e BI.
 Introdução à big data analytics 23

Quadro 2. Data science versus BI

Data science BI

Descoberta e percepção de padrões e Informações do processamento de

aprendizagem com os dados dados brutos

Dados não estruturados, Dados estruturados

semiestruturados e estruturados

Classificadores, aprendizado de Estatísticas descritivas simples

máquina, reconhecimento de
padrões, modelagem preditiva,
otimização baseada em modelo

Dados sujos, ausentes e ruidosos Dados tabulares, limpos e completos

Dados não normalizados, tipos Dados normalizados

variados de elementos de dados

Streaming de dados, atualizações Instantâneos de dados, consultas

contínuas de dados e modelos, estáticas
feedback e autoaprendizagem

Visualização, descoberta de Painéis instantâneos e relatórios

conhecimento

Fonte: Adaptado de Ghavami (2020).

De modo geral, os dados afetam cada parte de nossas vidas, e com o big
data analytics é possível processar e analisar grandes volumes, entendo
padrões e comportamentos dos consumidores e utilizando tais informações
como vantagem competitiva.

Na Copa do Mundo de 2014, a Alemanha foi um caso de sucesso do

uso de BI. O software desenvolvido realizava a análise dos dados
extraídos numericamente, envolvendo velocidade de corrida e número de pas-
ses, além de escanear comportamentos individuais dos jogadores e do time
como um todo. Com esses relatórios em mãos, jogadores e comissão técnica
conseguiram organizar jogadas mais rápidas, prever o comportamento tático
das outras seleções e aumentar a retenção de bola. O resultado veio na forma
do título de campeã conquistado pela seleção alemã.
24 Introdução à big data analytics

Referências
BAHGA, A.; MADISETTI, V. Big data analytics: a hands-on approach. [S. l.]: Hands-on
Approach Textbooks, 2019.
CHAI, W. Big data analytics. [S. l.: s. n.], 2021. Disponível em: https://searchbusinessa-
nalytics.techtarget.com/definition/big-data-analytics. Acesso em: 20 set. 2021.
EMC EDUCATION SERVICES. Data science & big data analytics: discovering, analyzing,
visualizing and presenting data. Indianopolis: John Wiley & Sons, 2015.
GHAVAMI, P. Big data analytics methods: analytics techniques in data mining, deep
learning and natural language processing. 2. ed. Boston: De Gruyter, 2020.
HURWITZ, J. S. et al. Big data for dummies. New Jersey: John Wiley & Sons, 2013.
MARQUESONE, R. Big data: técnicas e tecnologias para extração de valor dos dados.
São Paulo: Casa do Código, 2017.
SATPATHY, S.; MOHANTY, S. N. Big data analytics and computing for digital forensic
investigations. Boca Raton: CRC Press, 2020.

Os links para sites da web fornecidos neste capítulo foram todos

testados, e seu funcionamento foi comprovado no momento da
publicação do material. No entanto, a rede é extremamente dinâmica; suas
páginas estão constantemente mudando de local e conteúdo. Assim, os editores
declaram não ter qualquer responsabilidade sobre qualidade, precisão ou
integralidade das informações referidas em tais links.