MENU

| BR

Campus

Cursos

Programas Executivos

Programas Executivos

Paises

O que é data warehouse e quais são suas principais características

O que é data warehouse e quais são suas principais características
#Dados
15 de março - min de leitura

Você sabe o que é data warehouse? Cada vez mais o mundo corporativo cresce e novas médias e grandes empresas surgem. Nesse contexto, elas possuem a necessidade de armazenar um alto volume de informações, de acordo com sua área de atuação. É aí que o conceito entra. O que significa? Entenda neste artigo.


Trabalhando junto à tecnologia da informação, dados relevantes são extraídos da melhor maneira e são essenciais para se destacar no mercado, que é cada vez mais competitivo. Assim, a data warehouse se tornou importante dentro das empresas, com o objetivo de armazenar informações referentes às atividades de uma organização em bancos de dados.

Todos esses dados e informações são muito valiosos. Quando usados de maneira eficaz, podem ser o fator crucial para o sucesso das organizações, devido às tomadas de decisões em todo o processo. E por isso, entender o que é data warehouse é tão importante.

Hoje você entenderá como a data warehouse pode ser vantajosa nesse contexto, suas principais características e as diferenças com a data lake, para que não sejam confundidas. Acompanhe.

O que é data warehouse?

Data warehouse é um banco de dados, que pode ter diferentes fontes, formatos e são orientados a um assunto específico, como um histórico bancário, registros de atividades, entre outros.

Sua origem é da década de 1980, a partir de instituições acadêmicas, surgindo como um conceito para inspiração dos sistemas de dados corporativos. Essa solução evoluiu, cresceu e hoje faz parte das funcionalidades de muitos sistemas de Business Intelligence.

Com o data warehouse, é possível organizar e ter um armazém de dados, facilitando a criação de relatórios e analisar grande quantidade de dados e obtenção de insights, que podem ser importantes nas tomadas de decisão de uma empresa.

Através de diferentes processos, o sistema realiza a integração das informações de diversos sistemas espalhados em uma organização, por meio da mineração de dados. Sendo assim, tudo é organizado em diferentes camadas, para consultas, relatórios e análises para tomada de decisões.

Quais são as principais características de um data warehouse?

Agora que você já conhece o que é data warehouse, deve saber que existem diversas características que fazem deste banco de dados um aliado poderoso de uma organização. Confira abaixo:

Organização

Através de metadados, os dados são organizados por assunto e contêm as informações relevantes para as melhores tomadas de decisão.

Consistência

Os dados passam pelo sistema de integração, do ambiente operacional para as aplicações do data warehouse. Sendo assim, a codificação é consistente e padronizada.

Variedade de tempo

O data warehouse armazena os dados, em média, de 5 a 10 anos, para que seja possível avaliar tendências, realizar análises históricas, entre outros motivos.

Depois desse tempo, os dados operacionais externos são limpos, para remover as inconsistências e, em seguida, integrados, para criar um novo banco de dados mais ajustado à análise corporativa.

Não volatilidade

Os dados inseridos no data warehouse, antes de serem carregados, são filtrados e não recebem nenhum tipo de atualização ou alteração. Eles ficam à disposição somente para leitura ou exclusão.

Estrutura relacional

Ou seja, o data warehouse é baseado no modelo relacional, onde os dados são estruturados e representados em tabelas, também chamados de relações.

Acesso via intranet

Acesso aos dados via intranet, utilizando navegadores web para visualizar, consultar, possuir relatório, entre outros.

Quais as diferenças entre data warehouse e data lake?

Essa é uma dúvida muito comum, haja vista que ambos são estoques de dados muito utilizados nas organizações. Confira as principais diferenças abaixo:

Estrutura e armazenamento de dados:

Como comentado anteriormente, a estrutura dos dados em um data warehouse é relacional, ou seja, para a criação e construção é necessário estruturar os dados através de uma modelagem, onde as tabelas, colunas e os tipos de dados são definidos.

Já em data lake, a ordem e o funcionamento são opostos. É possível armazenar qualquer tipo de dado e, apenas no momento de consultá-los, você pode definir suas estruturas.

Casos de uso:

Os dados armazenados no data warehouse costumam ser utilizados para análises de business intelligence, através de ferramentas de consulta baseadas em SQL

Por outro lado, em data lake, os casos de uso são variados. Além da área de business intelligence, os dados em um data lake também são utilizados por cientistas para realização de pesquisas, APIs, aplicativos, criação de modelos preditivos, entre outras finalidades.

Detalhes dos dados armazenados:

O data warehouse é uma ótima opção para armazenamento de dados e informações acessados com frequência, de maneira agregada e consolidada. Já em um data lake, tanto dados transacionais quanto dados processados e agregados são armazenados.

Armazenamento e processamento:

A maneira de armazenar e processar os dados também são diferentes entre um data lake e um data warehouse. Neste último, os dados estão quase sempre acoplados, sendo armazenados dentro do banco de dados responsável por processá-lo.

Já no data lake, os dados são armazenados em um repositório e o processamento dependerá da ferramenta que utiliza para acessá-lo.

Entenda o que é data warehouse na prática!

Gostou dessa explicação? Agora que você já sabe o que é data warehouse, suas principais características e aplicações, que tal se tornar um profissional dentro da área da análises de dados? 

Na Digital House, temos o curso de Data Analytics, que ensina o aluno a dominar os diferentes modelos de banco de dados, incluindo o data warehouse. Seja um especialista da área e garanta sua estabilidade em uma área do futuro agora mesmo!

Não deixe de conferir também nossa biblioteca de conteúdo e o Blog DH, com diversos outros artigos e materiais interessantes sobre tecnologia.

Leia mais no blog DH:

Como fazer uma análise de resultados: uma breve introdução

O dia a dia de um analista de dados: responsabilidades, ferramentas e dúvidas

Mulheres na tecnologia: como é atuar no mercado de TI

E aí, já segue a gente no Twitter? Vem pra rede, vamos conversar sobre habilidades digitais! ;) 

Outras notícias

Qual a linguagem de programação mais difícil de aprender? img
#Tecnologia

Qual a linguagem de programação mais difícil de aprender?

Não podemos negar: as possibilidades que o desenvolvimento oferece são muito atrativas. Porém, para se tornar um especialista, é necessário muito esforço. Acompanhe o artigo de hoje, e, além de saber qual a linguagem de programação mais difícil, entenda como avançar neste caminho da melhor maneira, fazendo boas escolhas para os desafios que chegarão.Qual a linguagem de programação mais difícilNa verdade, essa é uma questão bastante pessoal, onde a resposta varia de pessoa para pessoa. Quando pensamos em distinções entre as linguagens de programação, devemos saber que a forma como se escreve um determinado comando é o que diferencia elas, mas a lógica de programação é a mesma e permanece inalterada.O que faz com que as pessoas concluam o que é mais difícil ou não é a quantidade de trabalho manual exigida para determinadas funções básicas, pois algumas linguagens podem trazê-las de forma embutida e outras exigem que sejam construídas do zero pelo programador. Portanto, quando se pergunta qual a linguagem de programação mais difícil para um grupo de profissionais, as respostas diferem pela especialização da pessoa e de como foi o desenvolvimento de sua jornada.Mesmo assim, para deixar as coisas mais claras e ajudarmos em sua jornada, ao pesquisar a pergunta em fóruns e comunidades de tecnologia, algumas linguagens são mais comuns de serem apontadas como mais difíceis, principalmente pela maior complexidade em aprendê-las. São elas: Coffeescript, Lua, Malbolge, Erlang, Peri, entre outras.Alguns programadores gostam de praticar linguagens mais difíceis, a fim de se desafiar, aprender mais e se desenvolver. Outros preferem a rapidez, optando por linguagens mais simples.Por que é mais demorado aprender?Tomando como referência as linguagens do tópico anterior, no processo de aprendizagem, caso o profissional tenha alguma dúvida ou pare seu processo em algum ponto, é mais difícil encontrar respostas, discutir com outro colega ou encontrar informações nos fóruns de programação, por exemplo.Além disso, por haver poucos desenvolvedores que utilizam essas linguagens, as demandas são reduzidas, o que torna ainda menos vantajoso optar por aprendê-las.Ao escolher qual linguagem de desenvolvimento aprender primeiro, considere qual será a sua especialidade e foque em dominar a lógica de programação, que servirá como base para qualquer uma delas. Outro ponto importante é que, assim como qualquer área escolhida dentro do setor de tecnologia da informação, na carreira de programação, o profissional deve estudar constantemente, uma vez que o campo não para de avançar e as linguagens estão sempre lançando novas atualizações no mercado.Acessibilidade: linguagem SwiftAté agora, falamos sobre qual a linguagem de programação mais difícil de aprender, mas falando sobre o outro lado, você já ouviu falar na linguagem Swift e sua acessibilidade para domínio e uso no dia a dia?Ela foi lançada em 2014, pela Apple, com o objetivo de trazer mais facilidade e usabilidade aos desenvolvedores, promovendo também a área de programação como algo mais descomplicado e acessível para um número maior de pessoas. Desde então, a linguagem tem sido cada vez mais utilizada, atraindo novos profissionais que veem a Swift como uma alternativa para construir seus projetos, usufruindo também de seus benefícios.Sua sintaxe é simples, clara, limpa e concisa, proporcionando um desenvolvimento com menos codificação, além da performance ser rápida e eficiente, de modo que os apps criados com a linguagem oferecem uma ótima experiência aos seus usuários.A Digital House entende a importância da Swift para o mercado atual e, no curso de Desenvolvimento Mobile iOS, os alunos são capacitados a dominar seu uso, podendo construir aplicativos incríveis para o mercado.Confira a grade do curso, caso você possua interesse em aprender e ingressar na área. Não há dúvidas de que esse é um caminho certeiro para o sucesso e a estabilidade profissional e financeira que muitos almejam.Quais as linguagens mais usadas para programar?Além da Swift, outras linguagens de programação também são mais adequadas para determinados negócios ou empresas. Nós separamos 4 opções para aprender e garantir uma boa posição e estabilidade profissional no mercado. Confira:JavaDesenvolvida na década de 1990, o Java é uma linguagem de programação orientada a objetos e, sem dúvida, a mais solicitada pelas empresas e a mais popular entre os desenvolvedores, por ser uma das principais opções para a criação de aplicativos Android.JavascriptCriado também na década de 1990, o Javascript foi a primeira linguagem de script utilizada na web e veio com o objetivo de trazer mais dinamismo às páginas que, até então, eram marcadas somente com o HTML.PythonMesmo tendo sido criada há mais de 30 anos, o Python é uma das opções preferidas da nova geração de programadores. É uma linguagem versátil e bastante simples de ser compreendida, sendo também muito popular na inteligência artificial.RubyEsta também é mais uma linguagem presente nas queridinhas das novas gerações. Sua sintaxe é simples, exigindo que um desenvolvedor escreva menos códigos para que suas aplicações funcionem. Além disso, são inúmeras bibliotecas e frameworks disponíveis para utilização.A área da programação está superaquecida e, atualmente, carente de profissionais qualificados no mercado. Durante a leitura, você se interessou em se aprofundar ainda mais sobre a linguagem Swift? Recomendamos que você leia nosso artigo em que contamos todos os seus detalhes e sua importância na área de desenvolvimento.Leia mais no blog DH:+ Google Analytics Dashboard: crie e personalize com o nosso passo a passo+ O que é brand equity e como as empresas geram valor de marca em seus produtos e serviços+ Marketing digital para iniciantes: 10 dicas de como começar na carreiraE aí, já segue a gente no Twitter? Vem pra rede, vamos conversar sobre habilidades digitais! ;)

A nova corrida espacial img
#Tecnologia

A nova corrida espacial

Quem viu a disputa recente de bilionários, sobre quem fazia o primeiro voo espacial turístico, talvez não saiba que estamos no meio de uma disputa espacial. Essa nova corrida pode nos levar até Marte em alguns anos e definitivamente redefinir a visão de liderança espacial entre as nações da Terra.Estações EspaciaisA humanidade foi ao espaço pela primeira vez em 1961, chegou na lua em 1969, e de 1998 a 2011 montou uma estação espacial que já foi visitada por 249 astronautas de 19 países.A atual estação espacial internacional (ISS) tem apenas mais 3 anos de vida útil. É possível que ela dure mais algum tempo com alguma manutenção, mas é um tipo de risco que geralmente não se corre com esse tipo de empreendimento. Se já é perigoso morar numa casa com problemas em terra firme, imagine no espaço?A ISS não é a primeira estação espacial e nem será a última, antes tivemos a Salyut, Almaz, Skylab e MIR e já faz algum tempo que a China está trabalhando na sua própria estação espacial.A estação espacial chinesa se chama Tiangong, que em tradução livre significa Palácio Celeste. Os últimos astronautas (ou taikonautas, termo usado pelos chineses) que chegaram lá em 17/junho devem ficar por 10 anos no espaço. A partir de 2024, com a desativação da ISS, a China colocou à disposição da ONU sua estação para pesquisas. Até o momento 9 projetos de 23 instituições em 9 países já foram selecionados.MarteA exploração de Marte começou com a Mariner 4 em 1964, a primeira sonda a passar pela órbita marciana, e a partir de 1997 começaram a enviar veículos (rovers) para explorar o planeta em solo.A Nasa já enviou 5 veículos: Sojourner, Spirit e Opportunity, Curiosity, e Perseverance. Este último chegou lá em fevereiro de 2021. Porém, o veículo mais recente em Marte é dos chineses, se chama Zhurong e aterrissou em maio de 2021.Além dos Estados Unidos e China, temos Rússia (nos tempos da URSS), Agência Espacial Européia, Índia e Emirados Árabes Unidos que já enviaram sondas espaciais com sucesso para a órbita de Marte.E voltando a falar em bilionários, um dos grandes obcecados com a exploração do planeta vermelho é Elon Musk, a ponto de ter uma página oficial e uma página na Wikipedia dedicadas especificamente a esse tema.Uma das ambições do multiempreendedor Musk (SpaceX; Tesla Motors; OpenAI, Neuralink e SolarCity) é colonizar Marte. Isso envolve aquecimento, água, oxigênio, cultivo e mineração entre muitas outras coisas.Se você tem curiosidade sobre o tema, recomendo a minissérie Marte da Netflix. Ela é parte documentário (entrevistando cientistas, políticos e ativistas) e parte ficção-científica (mostrando uma jornada de colonizadores no planeta vizinho).Turismo EspacialO capítulo mais recente (e polêmico) dessa história envolve as viagens espaciais de Richard Branson e Jeff Bezos. Ambos disputam quem ocupa o lugar na história da primeira companhia a levar regularmente turistas ao espaço.Por um lado é um empreendimento fútil, ao contrário da exploração espacial que pode trazer descobertas científicas, o turismo espacial é puro entretenimento para ricos. Por outro lado, populariza a conversa sobre o espaço e chama mais atenção para a ciência, e (espero que) definitivamente, acabe com o terraplanismo.Richard Branson, fundador do Grupo Virgin, largou na frente. Sua nave chegou a 86 km de altitude, acima dos 80 km reconhecidos pelos Estados Unidos como limite do espaço. Ele pretende realizar 400 voos por ano e já vendeu 600 ingressos ao preço de US$250 mil.Jeff Bezos, fundador da Amazon, chegou depois, mas alfinetando seu oponente dizendo que ele não chegou no espaço. Acontece que o limite internacional, conhecido como Linha de Kármán, é de 100 km, altitude que a nave de Bezos alcançou. Ele ainda não deixou claro quantos voos fará por ano nem quanto custará o ingresso.Enfim, o importante é você saber que a atual conquista do espaço não se resume a uma disputa de egos entre quem tem muito dinheiro. Envolve pesquisa científica, envolve geopolítica e com certeza mexe com o sonho de muita gente que olha para as estrelas e fica pensando no que existe lá fora.Leia mais no blog DH:+ Google Analytics Dashboard: crie e personalize com o nosso passo a passo+ O que é brand equity e como as empresas geram valor de marca em seus produtos e serviços+ Marketing digital para iniciantes: 10 dicas de como começar na carreiraE aí, já segue a gente no Twitter? Vem pra rede, vamos conversar sobre habilidades digitais! ;)

Máquina de vetores de suporte: o que é? img
#Dados

Máquina de vetores de suporte: o que é?

O tema de hoje sucede outro importante modelo de classificação em aprendizado supervisionado, o Naïve Bayes. Classificador probabilístico baseados na aplicação do teorema de Bayes, o Naïve Bayes supõe a independência entre os atributos. Por ser simples e rápido o Naïve Bayes está entre os modelos mais aplicados para a classificação. Modelos de classificação têm aplicações diversas na sociedade moderna, da análise de sentimentos à classificação de documentos. A seguir apresentamos mais um interessante modelo, o Support Vector Machine.Support Vector Machine. As Máquinas de Vetores de Suporte ou Support Vector Machines, como o algoritmo é conhecido, são ferramentas de classificação e regressão. Uma SVM constrói hiperplanos em um espaço n-dimensional para classificar ou regredir dados. Os vetores de suporte de classificação constituem o SVC e os vetores de suporte de regressão constituem o SVR. Como ambos dependem apenas de um subconjunto dos dados de treinamento, pois a função de custo que constrói modelo não considera os pontos de treinamento que estão distantes da margem de classificação, o regressor se torna uma extensão do modelo de classificação. Nesse artigo concentraremos nossa atenção na propriedade de classificação que as máquinas de suporte nos oferecem.Conhecido como Support Vector Classification (SVC), o classificador SVC é uma ferramenta que usufrui das diferenças de posição entre determinadas observações e de sua disposição no espaço de atributos, determinado por um dataset, para classificar os pontos observados em relação as suas classes. A ideia é encontrar um objeto geométrico separador de classes, que pode ser uma linha em um espaço bidimensional, um plano em um espaço tridimensional ou um hiperplano, em um espaço n-dimensional de atributos.O método dos vetores de suporte é aplicável a áreas tão diversas quanto a detecção facial e classificação de imagens, a categorização de textos e hipertextos e reconhecimento de letras manuscritas, até a detecção de anomalias.Considere a seguinte base dados apresentada na figura a seguir, com um número M de observações, dois atributos, A e B , e um rótulo que se divide entre as classes Cruz Azul e Círculo Vermelho.   Quando visualizamos os dados de nosso dataset no espaço definido pelos atributos A e B, vemos que sua disposição ocorre de maneira a termos dois agrupamentos, um de Círculos Vermelhos e um de Cruzes Azuis. A figura a seguir apresenta essa disposição espacial das observações. À esquerda vemos a dispersão dos pontos e, à direita, vemos como atua o método SVC de classificação.   Note à direita, que os pontos mais próximos da fronteira entre os dois agrupamentos são utilizados como suporte para a criação de uma linha separadora de classificação. Esses pontos formam nossos vetores de suporte, tanto do lado dos Círculos Vermelhos, quanto do lado das Cruzes azuis e não é necessário que o mesmo número de pontos seja adotado em cada vetor de suporte. São esses pontos que fornecem suporte para a linha separadora, influenciando sua posição. A distância entre os pontos de ambas as classes caracteriza a margem que otimiza o processo de classificação. Como o SVC usa distâncias espaciais para realizar sua classificação, pode ser importante considerar o uso de algum método de reescalonamento dos dados.Pode ser intuitivo imaginar que um modelo que maximiza a margem entre o hiperplano de separação e os pontos de treinamento mais próximos das classes, resulta em um separador mais eficiente, pois em geral quanto maior a margem menor o erro de generalização do classificador. Mas é necessário lembrar da troca entre enviesamento e variância, uma margem maior pode resultar em um aumento do enviesamento do modelo, reduzindo sua variância. Por outro lado, uma margem mais reduzida pode implicar em uma redução do enviesamento, mas um aumento da variância do modelo. Há dois métodos adotados para a escolha do tamanho da margem. O primeira, chamado de Margem Rígida (Hard Margin), é mais indicado para bases com dados linearmente separáveis, entretanto elas podem ser mais sensíveis aos outliers. O segundo método, conhecido como Margem Suave (Soft Margin), é mais indicado para datasets com dados linearmente inseparáveis e apresenta maior maleabilidade e melhor tratamento com outliers.  Para manter um bom balanço entre o viés e a variância no método SVC, é necessário dosar dois hiperparâmetros, C e y. Os hiperparâmetros de um modelo contribuem para sua robustez e precisão, evitando que o modelo seja superdimensionado ou de eficiência insuficiente. O hiperparâmetro de regularização C controla a intensidade da regularização, mantendo com ela uma relação inversa. Quanto maior C, menor a intensidade da regularização, do tipo Ridge. O hiperparâmetro C é responsável por controlar o que se pode entender como a suavidade da margem que separa os dois clusters. Essa relação pode ser vista na figura a seguir.   Para valores mais elevados de C o classificador comete menos violações de margens, o que acaba reduzindo-a. Por outro lado, valores reduzidos para C aumentam o tamanho da margem, aumentando também o número de violações de margem. Esse manejo está diretamente ligado ao controle do sobreajuste do modelo.O hiperparâmetro y tem a função de calibrar a influência de vetores de suporte mais próximos ou mais distantes da linha separadora. Para entender melhor a importância de y é importante lembrar das funções de kernel, aplicadas em distribuições de pontos não linearmente separáveis. Essas funções realizam transformações nos pontos, tornando possível sua separação por um hiperplano. Esse processo é conhecido como um truque de kernel (kernel trick), e guarda uma relação muito próxima com o conceito de medida de similaridade. As funções de kernel podem ser mais elementares, como a polinomial de grau d, com inclinação a e uma constante de deslocamento c, muito popular em bases normalizadas. As funções de kernel também podem ser mais elaboradas, como a função laplaciana, com seu parâmetro de ajuste o.Os valores de entrada são os atributos originais e o valor de saída é uma medida da similaridade do novo espaço de atributos. Como mostrado na figura a seguir. À esquerda vemos uma distribuição de pontos não linearmente separáveis, mas após a aplicação de uma função de kernel, à direita, ocorre a separação entre os pontos em relação à nova medida de similaridade compondo o espaço de atributos. O SVM entende similaridade em termos de proximidade e com isso consegue realizar a separação dos pontos, mantendo os pontos semelhantes mais próximos entre si e mais afastados dos demais.O parâmetro y tem então um comportamento inverso ao do desvio padrão da função de kernel escolhida. Isso significa que um valor alto de y implica em uma função de kernel com baixa variância, implicando que dois pontos precisam estar relativamente próximos, para serem classificados como semelhantes. Em termos do classificador um valor alto de y fará com que apenas os pontos mais próximos da linha separadora afetaram na classificação dos pontos. Já um valor baixo de y define uma função de kernel com alta variância, o que pode classificar como similares pontos relativamente distantes entre si, o que se traduz numa influência maior dos pontos mais distantes da linha separadora, na classificação de pontos de teste. Como pode ser visto na figura a seguir. Imagine agora que consideremos um dataset semelhante ao apresentado anteriormente, mas agora com a inclusão do atributo C, como pode ser visto a seguir. A extrapolação do conceito bi-dimensional de linha separadora, para um conceito tri-dimensional de plano é apresentado na figura a seguir. Note que a dimensão do objeto geométrico separador das classes tem sempre uma unidade inferior àquela do espaço criado pelos atributos do dataset disponível. Isso quer dizer que em um sistema com n atributos, ou n-dimensional, o objeto separador terá (n-1) dimensões. Perceba que no sistema acima um plano corta o espaço formado pelos atributos A, B e C e separa as observações entre as classes de Círculos Vermelhos, abaixo do plano e Cruzes Azuis, acima do plano. A equação geradora de um plano com n dimensões, ou um hiperplano é apresentada a seguir:Em que Wj=(W0, W1, W2,..., Wn) representa um vetor com os coeficientes associados a cada atributo, a constante W0 representa o coeficiente de interceptação do hiperplano e o vetor X=(X1, X2,..., Xn) contém os atributos de nossas observações. O SVM traça um hiperplano entre os pontos, para separá-los e realizar sua classificação, lembre-se que para pontos originalmente linearmente inseparáveis é importante a aplicação de uma função de kernel.Uma vez que os pontos foram submetidos a uma função de kernel, que permite a criação de um hiperplano separador, o método classifica cada ponto como estando acima ou abaixo do hiperplano construído, como mostrado a seguir: Pontos que recebem valor -1 são classificados como estando abaixo do plano separador, pontos com valores +1 são classificados como estando acima do plano separador.O SVM é um dos métodos mais populares para a classificação de classes, ele tenta discriminar as classes de um dataset através da geração de um plano de separação entre os pontos. Para tanto o SVM pode mapear os dados com uma função de kernel que transforma os pontos e facilita a separação das classes. É importante tomar cuidado com o excesso de dimensões, que podem sobrecarregar o classificador forçando a aplicação de técnicas de análise de bases com alta dimensionalidade.Aprenda sobre SVMNa Digital House você aprende sobre o Support Vector Machines (SVM) com abordagem teórica e prática, através do nosso curso de Data Science.Leia mais no blog DH:+ Google Analytics Dashboard: crie e personalize com o nosso passo a passo+ O que é brand equity e como as empresas geram valor de marca em seus produtos e serviços+ Marketing digital para iniciantes: 10 dicas de como começar na carreiraE aí, já segue a gente no Twitter? Vem pra rede, vamos conversar sobre habilidades digitais! ;)