Traduzindo o termo DATA para o cotidiano

Full text

Monica Aiub e César Mendes da Costa
Organizadores
Filosofia, Ciência e Arte pela Vida
São Paulo
FiloCzar
2020

Copyright © 2020 by FiloCzar
Editores: César Mendes da Costa e Monica Aiub da Costa
Revisão: Monica Aiub
Projeto Gráfico: Editora FiloCzar
Imagem de Capa: Pixabay/Domínio Público
FiloCzar
Rua Durval Guerra de Azevedo, 511 – Parque Santo Antônio
São Paulo – SP
CEP: 05852-440
Tels.: (11) 5512-1110 - 96781-9707
E-mail: cesar@editorafiloczar.com.br
www.editorafiloczar.com.br

Sobre a campanha solidária
A Livraria & Editora FiloCzar está localizada na periferia
da zona sul paulistana - Parque Santo Antônio. Nesta região, há
muitas famílias em situação de vulnerabilidade, sofrendo neste
momento de pandemia. Pensando em formas de auxiliar a
comunidade a partir de nosso papel de editores, propusemos a
produção deste e-book: Filosofia, Ciência e Arte pela Vida,
distribuído gratuitamente para promover a leitura e a reflexão pela
vida. Paralelamente, iniciamos uma campanha para arrecadar
doações para auxiliar as famílias necessitadas neste período.
De imediato, vários autores responderam, contribuindo
com textos poéticos, filosóficos, científicos, com histórias de vida...
De imediato, também, várias pessoas se dispuseram a ajudar com
doações para as famílias em situação de vulnerabilidade da região.
Nossos sinceros agradecimentos a todos os que contribuíram.
Mas como a pandemia e as necessidades impostas por este
contexto não cessaram, você pode participar da campanha
enviando suas doações diretamente à Paróquia Santo Eugênio de
Mazenod, que tem um importante papel social na região,
acolhendo as famílias necessitadas e distribuindo alimentos. Se
puder doar alimentos e estiver na região, o endereço para entrega
é: Rua Deocleciano de Oliveira Filho, 249 - Parque Santo
Antônio - São Paulo - SP. Se estiver longe e quiser contribuir
financeiramente, a conta da Paróquia Santo Eugênio de Mazenod,
para depósito/transferência, de qualquer valor, é:
Banco Itau - 341
Agência: 1667
Conta: 06705-0
CNPJ: 61.378.766/0059-15
Razão Social: Mitra Diocesana de Campo Limpo
Você também pode participar compartilhando este e-book
com outras pessoas e promovendo a vida através da Filosofia, da
Arte e da Ciência.
Nossos agradecimentos a todos aqueles que, de alguma
maneira, contribuem para levar solidariedade, informação,
auxílio, arte, reflexões, vida àqueles que sofrem mais duramente o
impacto deste momento tão difícil.

André Cavalcante era professor
Amigo de todos e pai do Pedrinho.
O Bruno Campelo seguiu seu caminho
Tornou-se enfermeiro por puro amor.
Já Carlos Antônio, era cobrador
Estava ansioso pra se aposentar.
A Diva Thereza amava tocar
Seu belo piano de forma eloquente
Se números frios não tocam a gente
Espero que nomes consigam tocar...
Inumeráveis (Braulio Bessa/Chico César)

A todos que se foram
Aos que perderam seus amores
Aos que não ficam indiferentes diante da dor
Diante de um mundo que se esvai
Aos que estendem as mãos
Dispõem-se ao outro
Entoam seus cantos
Distribuem afetos
Compartilham saberes
Semeiam vida

Fotografia de Wagner Brito

Sumário
Apresentação
Monica Aiub e César Mendes da Costa
#Pneumotórax#DeNovo
Cláudio Laureatti
Corneto ao 'novo normal'
Augusto Cerqueira
Quatro reflexões em um Brasil pandêmico
José Jorge Guedes de Camargo
Labirinto
Zuleide Mendes
Nonormal e Nonada
Geraldo Domezi
As máscaras e o mundo - Uma necessidade do ano de 2020
Tio Árlex de Rótherdan
Ah! Minha paixão por livros... (e como achei minha Alma de volta)
Mary Sweet
A arte do tempo e a arte de viver em meio à pandemia da
COVID-19 - Vivendo, Amando e Aprendendo
Liana Gottlieb
A paciência, o Hulk e os estoicos
Leandro Raphael Vicente
Como aprendi a lidar com o medo da morte ao sair das
Testemunhas de Jeová
Bárbara Freitas

O pseudodilema: vida ou economia?
Monica Aiub
O mundo na e pós pandemia
José Mauricio de Carvalho
Pensar a vida: da Grécia Antiga à periferia de São Paulo
Leon Denis
Política
César Mendes da Costa
Filosofia, Ciência e Arte pela Vida: uma descoberta sobre nós
mesmos
Cláudia Ferreira dos Santos
A arte do hábito
Mariana Vitti Rodrigues
Lave bem as mãos, mantenha a distância e não leia os comentários
Ricardo Peraça Cavassane
Traduzindo o termo DATA para o cotidiano
Ricardo César Gonçalves Sant’Ana
Fernando de Assis Rodrigues
‘Inclusão injusta’ e o ‘direito à cidade’ – “me inclua fora
dessa!”: reflexões sobre os discursos de uso e de troca do bem
público de direito social
Ricardo Lopes Correia

Traduzindo o termo DATA para o
cotidiano
Ricardo César Gonçalves Sant’Ana28
Fernando de Assis Rodrigues29
Introdução
Dados, dados e mais dados. Dados por todos os lados,
notícias, opiniões, decisões e até quando tentamos construir uma
percepção sobre as mais diferentes questões os dados são
utilizados para sustentar os principais conceitos envolvidos.
A participação dos dados no nosso cotidiano não chega a
ser uma novidade. Desde sempre nos baseamos neles para
estabelecer nossa percepção de mundo e na construção de opiniões
e na tomada de decisões. No entanto, cada vez mais disponíveis, os
dados passaram a fazer parte do cotidiano de todos e em todas as
esferas de ação. Todos os dias somos colocados em contato com
informações baseadas em dados e, com eles ganhando o
protagonismo crescente, somos impelidos a tentar entender do que
se trata. Mas nem sempre é tarefa fácil, são muitos ‘DATA-alguma-
coisa’ definindo conceitos que encerram em si outros conceitos
relacionados ao que podemos fazer com os dados.
Esta inundação de citações ao termo ‘DATA’ vem
crescendo de forma exponencial: são postagens, notícias, artigos,
livros e todos trazendo os ‘DATA-alguma-coisa’ como se todos
tivessem a obrigação de conhecer o significado destes conceitos.
Muitos destes conceitos são oriundos de situações reais e
resultantes de fatores que os avanços tecnológicos proporcionam,
enquanto outros são definidos por empresas (as tão famosas
buzzwords). Uma questão que emerge deste cenário é que muitas
vezes utilizados como argumento de venda, estes conceitos acabam
por receber conotações que se sobrepõem aos sentidos denotativos.
Nesse sentido, apresenta-se uma seleção de conceitos que
permeiam a questão dos dados, especialmente aqueles que têm
2
8
Universidade Estadual Paulista
(
UNESP
)
. Contato: ricardo.santana
@
unes
p
.br
2
9Universidade Federal do Pará
(
UFPA
)
. Contato:fernando
@
rodri
g
ues.
p
ro.br

relação direta ao uso de dados em ambientes informacionais
digitais. Os conceitos foram selecionados a partir do critério de
maior presença em publicações, em especial livros, e, no final,
apresentamos um exemplo de uso de dados para ilustrar,
exatamente, esta questão da presença do termo ‘DATA’ em livros.
Cabe lembrar que são definições simplificadas de cada um dos
conceitos, e que tiveram como objetivo uma visão geral de cada
termo, mas que permita ao leitor se posicionar quando encontrar
os tão presentes ‘DATA-alguma-coisa’.
Conceitos
As atividades da fase inicial de planejamento e execução
da obtenção dos dados e que representam a fase de coleta do ciclo
de vida dos dados é denominada de Data Collection e tem se
configurado como a fase de maior desenvolvimento com a
evolução das Tecnologias de Comunicação e Informação (TIC).
Este desenvolvimento é um dos responsáveis, junto com a fase
de armazenamento, pelo aumento exponencial de volume de
dados disponíveis, pela facilidade de compartilhar dados em um
clique e que tem proporcionado todo um novo cenário na forma
como interagimos com a informação. Coletamos dados em todos
os lugares, nos mais diversos formatos, dos mais diversos tipos, e
a todo momento, uma verdadeira presença ubíqua de processos
de coleta: sistemas administrativos, aplicativos móveis, serviços
de redes sociais on-line, câmeras, sensores por todos os lados -
onde todos somos geradores cientes e inscientes de dados
(CRISTESCU et al., 2006; GOG et al., 2007; RODRIGUES;
SANT’ANA, 2016, 2018; WICKRAMASURIYA et al., 2004).
Assim, este desenvolvimento das tecnologias digitais
propiciou também um aumento nas capacidades de coletar,
armazenar e de disponibilizar dados, inclusive superando nossas
capacidades para tratar e interpretá-los. Este contexto é
caracterizado por um aumento no potencial de acesso a grandes
Volumes de dados, criados e acessados a grandes Velocidades, e
disponíveis em grande Variedade de tipos e formatos, de onde
identificamos os 3 Vs (Volume, Velocidade e Variedade). Este
fenômeno vem sendo denominado de Big Data e retrata novas
perspectivas de uso da tecnologia para acesso e interpretação desta

abundância de dados com novos e promissores resultados esperados
para as mais variadas aplicações. Tanto o setor empresarial quanto a
academia têm usado este termo para destacar a utilização de grandes
quantidades de dados e como forma de valorizar seus resultados
(COX; ELLSWORTH, 1997; DOBBS et al., 2011; DUMBILL,
2012; HOWE et al., 2008; KOLB; KOLB, 2013; LLAVE, 2018;
LOH, 2014; LYCETT, 2013; O’REILLY, 2012).
Esta abundância de dados armazenados e disponíveis para
recuperação também apresenta desafios para o processo de
individualização de dados. O Small Data está relacionado com a
capacidade de identificar tendências e padrões a partir de pequenos
conjuntos de dados como, por exemplo, a personalização de
propagandas a partir de históricos de pesquisa, tendências de doenças
a partir de dados de sensores corporais, entre outros. As análises
voltadas ao Small Data permitem a segmentação de parte dos dados
armazenados em bancos de dados para personalizar as experiências
de um grupo ou apresentar novas percepções sobre um determinado
comportamento de um indivíduo (LINDSTROM; HEATH, 2016).
Atrelada a este aumento do potencial de acesso a dados, a
evolução da capacidade e eficiência dos recursos de comunicação
proporcionou um repensar sobre onde poderíamos alocar nossos
recursos físicos para armazenar nossos dados e até mesmo nossas
aplicações. Os investimentos antes feitos para manter estruturas
locais, principalmente para armazenamento de dados, a partir do
desenvolvimento da conectividade, poderiam ser poupados por
meio do acesso remoto a eles. Assim, o investimento em
infraestrutura pode ser centralizado, inclusive com a possibilidade
de terceirização, permitindo que todo o acesso ocorra por meio de
comunicação. Esta infraestrutura centralizada (hardware e
software), passa a ser denominada Data Center e promete
redução de custos de aquisição, de implementação e até de
manutenção. Como ganho adicional, pode-se pensar ainda nas
reduções de custo dos dispositivos utilizados pelos usuários e a
facilitação para mobilidade de acesso (CISCO INC., 2020;
GREENBERG et al., 2008).
Já o Data Warehouse é um armazém de dados, formado
por um banco de dados integrado e orientado a assuntos,
armazenados em ambiente e formato diferentes daqueles
utilizados nos sistemas de suporte às atividades corriqueiras da

empresa. Tem como principal função atender consultas que
requerem como resposta cálculos sobre grandes quantidades de
dados sistematizados. Seu formato diferenciado é justamente
para que se tenha um bom tempo de resposta a estas consultas.
Portanto, seu funcionamento é todo pensado para oferecer
respostas aos usuários, geralmente gestores ou responsáveis por
decisões. Assim, os dados das operações do dia a dia da empresa
(transacionais) são sistematizados e copiados para estes grandes
armazéns de dados, daí a origem do termo (BARBIERI, 2011;
INMON, 2005; KIMBALL; ROSS, 2011; MARIBEL; RAMOS,
2009; RODRIGUES, 2017; RODRIGUES; SANT’ANA, 2018).
Assim como no caso do Data Warehouse o Data Mart
também tem como função atender a demandas de consultas. O que
os diferencia é que um Data Mart atende a um foco mais
específico, como, por exemplo, valores relacionados a vendas,
produção, inadimplência, compras ou qualquer outro processo
relacionado às operações da entidade. Portanto o Data Mart é
como que um recorte do Data Warehouse, sendo que alguns
autores chegam a ponderarque um Data Warehouse poderia ser
considerado um conjunto de Data Marts. Portanto os dados que
compõem o Data Mart têm origem em banco de dados
transacionais. A sua composição é alicerçada em bases de dados
que organizam seus conteúdos, em função de estruturas bem
específicas, com um conjunto de dados denominado fato, que
identifica seu foco (vendas por exemplo) e outros conjuntos de
dados que são as dimensões (tempo, região, produto, representante
seriam exemplos para o fato vendas). Estes conjuntos
denominados como fato se configuram como ponto de partida, um
centro, na construção de modelos multidimensionais, em que são
armazenados somente conteúdos quantificáveis e conteúdos que
permitam vinculação (chaves estrangeiras) com os conjuntos de
dados denominados como dimensões (INMON, 2005; KIMBALL;
ROSS, 2011; RODRIGUES, 2017; RODRIGUES; SANT’ANA,
2013, 2018; SANTOS; SANT’ANA, 2015).
As tecnologias digitais ampliaram o volume de dados que
podemos ter acesso e estes volumes crescentes permitem que um
volume também crescente de interpretações, possa ser estabelecido
a partir deles. Esta busca por interpretações, realizadas com o
auxílio da própria tecnologia, pode resultar em respostas a questões

postuladas previamente e pode, ainda, resultar em descobertas
valiosas e inesperadas. Tal como em um processo de mineração em
que se têm estimativas e indícios de quais resultados podemos
esperar de uma exploração, na mineração de dados podemos ser
surpreendidos por informações inesperadas que podem vir na
identificação de padrões não previstos, ou indícios de fatos
desconhecidos ou qualquer outra contribuição valiosa para o
conhecimento sobre uma determinada situação ou contexto. Este
potencial de exploração nos dados, uma forma de mineração de
dados é denominada Data Mining, processo de aplicação de
algoritmos com métodos estatísticos e probabilísticos em
conjuntos de dados. Estas descobertas como, por exemplo, a
identificação de uma sazonalidade ou de uma correlação entre
duas variáveis ganham relevância no entendimento de fenômenos,
situações ou determinados contextos, agregando valor ao processo
de acesso a dados, em especial para seu uso estratégico nas
organizações (HAN; KAMBER, 2012; HILL; LEWICKI, 2006;
PROVOST; FAWCETT, 2013a).
Com o aumento da capacidade de armazenamento de
dados, surgem repositórios desenvolvidos para grandes
quantidades dados estruturados (como os formatos gerados por
editores de planilhas e bancos de dados) ou não estruturados
(como arquivos gerados por processadores de texto), em formatos
variados. Esse tipo de recurso, denominado de Data Lake, o que
em uma tradução literal seria um lago de dados, oferece tanto o
local de armazenamento dos dados como a capacidade de
processá-los para a realização de análises (ANNE LAURENT,
2020; GORELIK, 2019; LLAVE, 2018).
E o volume de dados armazenados cresce tanto, que parte
deles acabam por passar despercebidos não só pelos usuários mas
pelos próprios profissionais envolvidos em sua gestão. Tais
conjuntos de dados pode ser denominados como Dark Data e,
apesar de disponíveis para acesso, acabam não sendo utilizados.
Representam parcela dos dados coletados que estão além da
nossa capacidade de utilizá-los, seja por limitações tecnológicas,
de formato, de suporte, de custo, de divergências conceituais ou
mesmo de aderência às nossas necessidades informacionais.
Descartar tais dados não é uma decisão fácil já que podem ser
ricos recursos de informação confiável e vir a ganhar relevância

em momentos futuros. Na ciência, o conceito de Dark Data está
relacionado à quantidade de dados que é gerada nas pesquisas
científicas que, apesar de estar em evidência o apoio a
disponibilização destes conjuntos de dados à comunidade e a
importância das informações que estes contém, ainda é pouco
aproveitada (HEIDORN, 2008; PLATTS, 2018; SACOLICK,
2013; SCHEMBERA; DURÁN, 2020).
Todo este desenvolvimento tecnológico com o acesso a
dados abrindo tantas possibilidades configurou, também, um
cenário complexo o suficiente para que estivesse ao alcance de
uma só área, o que levou à composição, de certa forma
espontânea, de uma articulação interdisciplinar envolvendo
competências como as tratadas pela Ciência da Computação,
Matemática, Administração, Ciência da Informação e outras,
compondo novos campos de atuação. Passa-se, então a denominar
Data Science a este novo amálgama de perfis e de técnicas
necessários para se alcançar resultados para o acesso e uso de
tamanha abundância de dados. Com a presença crescente do uso
de dados nas mais distintas esferas do cotidiano, a Ciência dos
Dados passa a ser cada vez mais usada para se referir a estes
esforços interdisciplinares (vide Quadro 1) e por sua recente
existência ainda não alcançou consenso sobre seu campo
conceitual ou sobre a parcela de participação de cada área na sua
composição, o que não impede o surgimento de pesquisas, de
cursos e de profissões relacionadas a ela (GRUS, 2015;
PROVOST; FAWCETT, 2013a; SCHUTT; O’NEIL, 2013).
Todo este esforço para aplicação da Ciência dos Dados no
acesso e interpretação dos dados, contando com a participação de
competências advindas de distintas áreas como a Computação, a
Matemática, Administração e outras, permitem que estes dados
sejam analisados e disponibilizados no atendimento de
necessidades informacionais dos usuários, e é denominado Data
Analytics, compreendendo, portanto, técnicas e conhecimentos
necessários para este processo de uso dos dados (DAMIEN,
2019; MAHESHWARI, 2014; PROVOST; FAWCETT, 2013a;
SHARDA; DELEN; TURBAN, 2018). O processo de análise de
dados propriamente dito também pode ser denominado de
análise de dados ou Data Analysis e também tem forte interesse

(vide Quadro 1) (GRUS, 2015; HILL; LEWICKI, 2006;
PROVOST; FAWCETT, 2013a).
Os profissionais preparados para participar dos processos de
análises de dados são os Analistas de Dados, Data Analysts, e
precisam ser capazes de aplicar as competências necessárias e ainda
ter disponibilidade para trabalhar colaborativamente em equipes
multidisciplinares ajudando pessoas de toda a empresa a entender
consultas específicas com relatórios e gráficos ad-hoc (BERMAN,
2013; MAHESHWARI, 2014; RASMUSSEN et al., 2019).
Com esta diversidade de competências envolvidas nos
processos de análises de dados, alguns perfis profissionais acabam
por se adaptar em determinadas dimensões das áreas envolvidas.
Assim, mesmo com uma eminente característica interdisciplinar,
as especificidades de cada indivíduo envolvido permitem que suas
contribuições tenham um viés mais para a dimensão matemática,
outros para a dimensão de processos, enquanto outros para a
dimensão tecnológica. Estes últimos, que tendem a se aproximar
dos requisitos computacionais, se aproximam da definição do
Data Engineere, por consequência, do que se denomina Data
Engineering. Esses profissionais colaboram em atividades como
o desenvolvimento de arquiteturas de sistemas de informação
distribuídas para aumentar a capacidade de processamento e
diminuir o tempo de resposta, a combinação de conjuntos de
dados de origens diferentes, bem como apresentação de novas
soluções a partir dos conjuntos de dados disponíveis. Com o
crescimento das demandas por este tipo de especialidade,
surgiram cursos livres e de especialidades para formar
profissionais com as competências necessárias ao desempenho
destas atividades (CHAN; TALBURT; TALLEY, 2010; SHIVE,
2013; WOLKENHAUER, 2001).
Todo este cenário de acesso e uso de dados também impacta
nas áreas envolvidas. Na Ciência da Computação, o termo Data-
driven é utilizado para identificar processos que tenham como
diretriz o uso de dados, seja para tomada de decisões, para controle e
acompanhamento ou mesmo para planejamento. Com a escalada do
uso de dados em atividades que até então eram predominantemente
realizadas com interferência humana, tais como nos processos de
decisão, esta perspectiva de uso dos dados vem sendo implementada

nos principais sistemas das organizações, tais como os Sistemas
Integrados de Gestão (Enterprise Resource Planning - ERP), Gestão
de Relacionamento com Clientes (Customer Relationship
Management - CRM) e Gestão de Cadeia de Suprimentos (Supply
Chain Management - SCM), definindo um conjunto de requisitos
que estes aplicativos devem atender ao utilizar dados para sustentar a
automatização de ações que exigem tomadas de decisão, muitas
vezes em tempo de execução (BRYNJOLFSSON; HITT; KIM,
2011; PROVOST; FAWCETT, 2013a, 2013b; TRELEAVEN;
BROWNBRIDGE; HOPKINS, 1982).
A participação dos dados em tantos processos também
interfere na nossa relação com a tecnologia. O Data-ism, por
exemplo, está relacionado à existência de uma tendência natural
a aceitar um resultado obtido pelo processamento de uma
máquina como sendo mais confiável do que aquele feito pela
ação humana. Se você vê uma conta realizada por uma
calculadora, dificilmente vai questionar se o resultado é válido.
Por ter sido projetado para tal finalidade e por já ter sido testado
inúmeras vezes em processos similares, o senso comum assume o
pressuposto de que a confiabilidade de um mecanismo
tecnológico é inquestionável. Essa crescente aceitação nos
resultados obtidos por processos eletrônicos pode gerar
dependência e levar a situações em que o impacto de resultados
gerados por processamento automatizado pode interferir em
decisões sobre aspectos das mais variadas esferas tais como
saúde, educação, jurídica, financeira, política e cultural. No
entanto, é preciso considerar que estes resultados dependem em
sua essência de processos anteriores relacionados à coleta,
tratamento e visualização destes dados. Ou seja, os resultados
obtidos dependem diretamente da seleção dos dados de entrada
(denominados como inputs), bem como na forma que foi feito o
tratamento, a análise e a disponibilização dos dados. Em um
contexto em que há uma quantidade abundante de dados, a
confiança sobre um fato pode estar baseada mais em dados e
análises, e menos na intuição e na experiência, o que pode
transformar também a natureza da liderança e da gestão, o
comportamento do consumidor, o diagnóstico médico, entre
outros (LOHR, 2015, 2016).

O fenômeno Big Data, associado à disponibilidade de
conexão com a Internet e a adoção de TIC nas atividades de
entretenimento e profissionais, influenciaram a forma que nos
informamos. Para áreas da Comunicação, a disponibilidade de
conjuntos de dados traz uma nova fonte informacional, o que amplia
a sua área de atuação e, ao mesmo tempo, exige novas competências
para manipular os dados e as TIC. O jornalismo de dados, ou Data
Journalism, é um termo que define esta nova abordagem na forma
de produção, onde também está relacionado com a forma dos
jornalistas de coletar, elaborar relatórios e publicar dados e
interpretações sobre estes, a partir do uso de ferramentas de TIC
(GRAY et al., 2012; LIMA JUNIOR, 2012; ZION; CRAIG, 2015).
Ao pensar nesta grande abundância de dados e nos
resultados que podemos obter a partir deles, temos que considerar
também a questão da definição de ‘quem’ pode acessá-los. Tornar
os dados acessíveis ao maior número possível de pessoas e usos,
não só agrega valor aos dados com também se configura como
importante contribuição para a sociedade. Dados preparados de tal
forma que possam ser acessados e utilizados por qualquer
indivíduo ou instituição são denominados como Open Data, ou
Dados Abertos e podem beneficiar estados, instituições e
indivíduos ao reduzir as assimetrias no acesso, propiciando assim
uma maior participação e acompanhamento em questões sociais,
econômicas e ambientais. É preciso salientar que os dados não
podem ser disponibilizados em sua totalidade, devendo haver o
cuidado com questões relacionadas com a privacidade, tais como a
impessoalidade dos dados, ou seja, garantindo que não contenham
informações suficientes para a identificação de indivíduos ou
entidades quando se tratar de dados sensíveis (CHARALABIDIS
et al., 2018; EUROPEAN COMMISSION, 2020a; MORIN, 2013;
OPEN KNOWLEDGE FOUNDATION, 2015, 2020).
O mesmo conceito de dados abertos, quando aplicado a
dados que estejam sob responsabilidade de agentes públicos é
denominado como Dados Abertos Governamentais ou Open
Government Data. Este conceito ganha relevância a partir do
princípio de que grande parte dos dados gerados pela gestão da
coisa pública deveria estar ao alcance de todos os cidadãos e,
portanto, estruturados como dados abertos. Para que sejam
considerados como dados abertos, é preciso levar em conta

critérios que garantam que estes dados possam ser acessados de tal
forma que sejam processados automaticamente, sem a exigência
de identificação do usuário que os procura, sem a necessidade de
uso de aplicativos que também não sejam abertos, entre outros
critérios, garantindo assim que estes dados realmente tenham seu
acesso facilitado e otimizado (OPEN GOVERNMENT
WORKING GROUP, 2008; RODRIGUES; SANT’ANA, 2017a,
2017b; THE WORLD BANK GROUP, 2014).
Quanto a facilitar a interpretação dos dados disponibilizados,
principalmente na internet, é preciso lembrar que os dados em sua
essência não contém carga semântica suficiente para que sejam
interpretados autonomamente. Muitas são as propostas de estruturar
estes dados de tal forma que possam receber tais conteúdos
semânticos e uma delas diz respeito a formas de se estabelecer
regras de relacionamento entre os conteúdos e seus significados,
tornando estes dados em dados conectados ou Linked Data. Para
representar estes dados, foram adotados padrões como a estrutura
para descrição de recursos (Resource Description Framework -
RDF) e de linguagens de consulta e de recuperação dos conjuntos
de dados (BERNERS-LEE, 2009; BIZER; HEATH; BERNERS-
LEE, 2009; ISOTANI; BITTENCOURT, 2015).
Considerando mais uma vez que estes dados devem ter
como uma de suas premissas a necessidade de estarem ao alcance
do maior número de pessoas e necessidades possíveis, foram
estabelecidos critérios para que estes dados ligados estivessem sob
o formato aberto, podendo, assim, ser denominados como
Linked Open Data, ou seja, conjuntos de dados em formato
Linked Data que são publicados sobre algum tipo de licença de
uso aberto, tais como o Creative Commons (na modalidade CC-
BY) e a Open Data Commons Open Database License (ODbL)
(BERNERS-LEE, 2009; BIZER, 2013; BIZER; HEATH;
BERNERS-LEE, 2009, 2009; ISOTANI; BITTENCOURT,
2015; RODRIGUES; SANT’ANA, 2017a).
Nem todo acesso aos dados é desejado. Existem as muitas
situações em que os dados precisam ser protegidos e o
comprometimento da segurança de dados, configurado como uma
brecha nesta segurança, é denominado como Data Breach. Estas
brechas podem resultar em efeitos como a destruição acidental
ou ilegal dos dados; a perda; a alteração; a exposição não

autorizada ou o acesso a algum dado privado; a interceptação da
transmissão ou processamento de dados privados. Como efeito
de uma brecha, pode se esperar o comprometimento da
confidencialidade, da integridade ou da disponibilidade dos
dados, geralmente envolvendo uma situação de quebra de
privacidade, com o acesso a dados que identificam um fato, uma
pessoa ou uma instituição, incluindo a possibilidade de utilização
de tais informações para outros tipos de atividades ilegais.
Incidentes relacionados com o conceito de Data Breach podem
ser intencionais (por exemplo, quando há uma ação intencional
para acessar os dados) ou acidentais (por exemplo, quando ocorre
uma divulgação não intencional de dados confidenciais por
funcionários ou colaboradores) (CHENG; LIU; YAO, 2017;
INTERNATIONAL ORGANIZATION FOR
STANDARDIZATION, 2015; ROMANOSKY; HOFFMAN;
ACQUISTI, 2014; SEN; BORLE, 2015; SOLOVE, 2009;
SOLOVE; CITRON, 2017; STEVENS, 2012).
Quando se considera os dados armazenados e a
interpretação de seus conteúdos, é preciso ter em mente que serão
compostos por valores, descritivos ou quantitativos, e, ainda,
conteúdos identificadores que permitem a contextualização destes
valores. Dentre estes identificadores, podemos ter aqueles que
possibilitam vincular os valores a instâncias internas ou externas
aos dados, ou seja, vincular estes valores a outros conjuntos de
dados ou, mesmo que de forma indireta, a indivíduos referenciados
por estes dados, o que torna estes conjuntos de dados como dados
pessoais ou Personal Data. Estes valores agora referenciados a
um indivíduo podem ser formados por informações como suas
características naturais (como as informações sobre o seu corpo) e
artificiais (como os números de seus documentos), pessoais e
profissionais. Para proteger estes dados, são aplicadas técnicas
como as de anonimização (processo de remoção ou modificação
de atributos que permitam a sua identificação) e de encriptação
dos dados (BRASIL, 2018; EUROPEAN COMMISSION, 2020b;
FORS et al., 2019; MADSEN, 1992; MAI, 2016; PECK, 2020).
Também é preciso considerar as preocupações jurídicas
acerca do local de armazenamento dos conjuntos de dados
pessoais, institucionais e governamentais. Com o uso intensivo de
inúmeras plataformas e serviços de terceiros - tais como os

serviços de e-mail, de redes sociais online, de armazenamento de
arquivos, de comércio eletrônico, entre outros - surge o problema
sobre o local em que os conjuntos de dados estão armazenados,
pois a legislação que sustenta as condições de coleta, de acesso, de
processamento, de uso e de compartilhamento podem variar de
país para país e muitos destes serviços são oferecidos por
empresas que operam globalmente. O Data Localization trata
sobre este tema, definindo regras para prevenir a transferência de
dados entre diferentes localidades. As regras podem ter objetivos
diferentes, dependendo do tipo de dado, variando desde ações de
proibição de transferência de dados para outro país, até regras
que exigem o consentimento prévio do titular dos dados antes da
transferência ou que exigem que cópias dos dados sejam
armazenadas no país em que foram geradas (BLOKDYK, 2020;
CHANDER; LE, 2014; HON, 2017).
Outro conceito relacionado com a localização dos dados e
que se complementa com o fato de que a terceirização da
infraestrutura de armazenamento de dados tem se tornado um
procedimento cada vez mais comum é a questão da Soberania dos
Dados ou Data Sovereignty, que trata sobre a necessidade de
inclusão de novas informações nos conjuntos de dados
disponíveis para garantir que existam informações sobre a
integridade, a autenticidade e a localização dos dados na nuvem.
Nesse sentido, é importante o estabelecimento de elementos
informacionais detalhados que permitam identificar a localização
dos dados, garantindo ao proprietário dos dados que os
provedores estão cumprindo as regras (FANG, 2018, 2018;
PETERSON; GONDREE; BEVERLY, 2011).
Identificando o interesse nas publicações pelos principais termos
Já que estamos falando de dados, podemos utilizar um
recurso bastante interessante para perceber o grau de interesse
dos principais conceitos vistos neste texto, tomando como base
sua utilização em livros. Este levantamento foi feito pelo recurso
Books Ngram Viewer do Google, que pode ser utilizado de forma
gratuita e apresenta gráficos com indicações de citações do termo
informado em livros.

Quadro 1 - Informações do Books Ngram Viewer sobre os
principais conceitos neste texto, ordenados pelo pico de interesse, de
forma decrescente
Conceito
Ponto de maior interesse Situação atual
Ano Índice¹ Índice em
2019¹ Tendência
Data Collection 1993 0,8540749 0,6695922 Queda
Big Data 2019 0,7374097 0,7374097 Alta
Data Analysis 2019 0,5167581 0,5167581 Estável
Data Mining 2008 0,3259558 0,2628871 Estável
Data Center 1994 0,2821684 0,0984718 Queda
Personal Data 2019 0,2577607 0,2577607 Alta
Data Analytics 2019 0,1605424 0,1605424 Alta
Data Warehouse 2002 0,1345805 0,0364595 Queda
Data-driven 2019 0,1311215 0,1311215 Alta
Data Science 2019 0,1290053 0,1290053 Alta
Open Data 2019 0,0974848 0,0974848 Alta
Data Breach 2019 0,0344231 0,0344231 Alta
Linked Data 2015 0,0343318 0,0226086 Queda
Data Engineering 2003 0,0291547 0,0148295 Queda
Small Data 2019 0,0160955 0,0160955 Alta
Data Mart 2002 0,0152036 0,0033919 Queda
Data Lake 2019 0,0129638 0,0129638 Alta
Open Government Data 2018 0,0100055 0,0100055 Alta
Data Journalism 2019 0,0074127 0,0074127 Alta
Linked Open Data 2019 0,0069044 0,0069044 Alta
Data Sovereignty 2019 0,0028027 0,0028027 Alta
Data Localization 2019 0,0023196 0,0023196 Alta
Dark Data 2019 0,0015533 0,0015533 Alta
Data-ism 2015 0,0001607 0,0001270 Estável
¹ Os índices foram multiplicados por 1000 para facilitar a visualização.
Fonte: autores a partir de Google Books Ngram Viewer (2020).

Por meio dados obtidos e apresentados no Quadro 1,
podemos perceber os conceitos com maior interesse no universo
de livros publicados, quando foi seu momento de maior interesse e
se a tendência é de estabilidade, de queda ou de alta, permitindo
estabelecer em que ponto de maturidade encontra-se o seu uso.
Quadro 2 - Informações do Books Ngram Viewersobre
conceitos tecnológicos do século XX
Conceito Ponto de maior interesse Situação atual
Ano Índice¹ Índice em 2019¹ Tendência
Vacuum Tube 1922 0,1540554 0,2160811 Queda
Transistor 1962 1,2372511 0,0111190 Queda
¹ Os índices foram multiplicados por 1000 para facilitar a visualização.
Fonte: Autores a partir de Google Books Ngram Viewer (2020).
Para efeito de comparação, podemos utilizar o mesmo
processo para perceber a relação de interesse por tecnologias que
até continuam a ser utilizadas mas que já não despertam o
interesse ou não merecem o mesmo destaque que em momentos
de maior impacto (Quadro 2). Assim, por meio de dados,
podemos facilmente acompanhar os ciclos de maturidade
relacionados a determinados conceitos como, por exemplo,
Vacuum Tube e Transistor - em língua portuguesa, Tubo de
Vácuo e Transistor, respectivamente. Ou seja, a possibilidade de
uso destes dados nos dá a compreensão de quando determinado
conceito está ou não sendo foco de interesse dos autores.

Figura 1 - Comparativo entre os conceitos ‘Transistor’ e ‘Vacuum Tube’
Fonte: Google Books Ngram Viewer (2020).
Inclusive, este uso dos dados sobre os conceitos nos livros
publicados nos permite visualizar a evolução dos conceitos ao longo
do tempo na forma gráfica, como o apresentado na Figura 1, em que
podemos analisar o comportamento dos conceitos e o interesse
destes ao longo do tempo. Quanto mais alta a linha maior o número
de ocorrências do conceito nos livros. Já o eixo horizontal representa
a linha do tempo (no exemplo entre os anos de 1900 e 2019).
Considerações finais
Após este breve passeio sobre os conceitos ‘DATA-
alguma-coisa’, como citado no início deste capítulo, espera-se
que esta jornada ajude na redução de dúvidas na interpretação de
tais conceitos, empoderando o leitor quando este se deparar com
o emprego de tais conceitos em textos que vão desde a
divulgação de produtos de TIC, passando por textos acadêmicos
e até mesmos em discursos políticos, quando buscam se
aproximar deste novo cenário tecnológico.

Recomendamos aos leitores, que se interessarem pelos
temas, que busquem leituras para se aprofundar nas referidas
definições sobre o universo de dados. As que apresentamos aqui
representam apenas uma pequena parte das opções que podem
ser encontradas em livros e até mesmo na internet.
Referências
ANNE LAURENT. Data Lakes. 1. ed. Hoboken, EUA: Wiley Publishing, Inc., 2020.
BARBIERI, C. BI2: Business Intelligence. 1. ed. Rio de Janeiro: Elsevier, 2011.
BERMAN, J. J. Principles of big data: preparing, sharing, and analyzing
complex information. 1.ed. Waltham, EUA: Elsevier, Morgan Kaufmann, 2013.
BERNERS-LEE, T. Linked Data. Disponível em:
http://www.w3.org/DesignIssues/LinkedData.html. Acesso em: 1 jun. 2015.
BIZER, C. Interlinking Scientific Data on a Global Scale. Data Science
Journal, v. 12, p. GRDI6–GRDI12, 2013.
BIZER, C.; HEATH, T.; BERNERS-LEE, T. Linked Data - The Story So Far:
International Journal on Semantic Web and Information Systems, v. 5,
n. 3, p. 1–22, mar. 2009.
BLOKDYK, G. Data Localization A Complete Guide - 2020 Edition. [s.l.]
5STARCooks, 2020.
BRASIL. 13709. Lei número 13709, de 14 de agosto de 2018. Lei Geral de
Proteção de Dados Pessoais (LGPD). 2018.
BRYNJOLFSSON, E.; HITT, L. M.; KIM, H. H. Strength in Numbers:
How Does Data-Driven Decisionmaking Affect Firm
Performance?Rochester, Nova Iorque, EUA: Social Science Research
Network, 22 abr. 2011.
CHAN, Y.; TALBURT, J.; TALLEY, T. M. (EDS.). Data engineering:
mining, information and intelligence. Nova Iorque, EUA: Springer, 2010.
CHANDER, A.; LE, U. P. Breaking the Web: Data Localization vs. the
Global Internet. Rochester, Nova Iorque, EUA: Social Science Research
Network, 1 abr. 2014.
CHARALABIDIS, Y. et al. The world of open data: concepts, methods,
tools and experiences. 1. ed. Nova Iorque, EUA: Springer Science+Business
Media, 2018.
CHENG, L.; LIU, F.; YAO, D. (DAPHNE). Enterprise data breach: causes,
challenges, prevention, and future directions. WIREs Data Mining and
Knowledge Discovery, v. 7, n. 5, p. 1–14, 2017.

CISCO INC. What Is a Data Center? 2020. Disponível em:
https://www.cisco.com/c/en/us/solutions/data-center-virtualization/what-is-a-
data-center.html. Acesso em: 11 ago. 2020.
COX, M.; ELLSWORTH, D. Application-controlled demand paging for
out-of-core visualization. Proceedings of the 8th conference on
Visualization ’97. Anais...: VIS ’97.Washington, DC, USA: IEEE Computer
Society Press, 1 out. 1997.
CRISTESCU, R. et al. Network Correlated Data Gathering with Explicit
Communication: NP-completeness and Algorithms. IEEE/ACM Trans.
Netw., v. 14, n. 1, p. 41–54, fev. 2006.
DAMIEN, L. DATA ANALYTICS: A Comprehensive Beginner’s Guide to
Learn the Realms of Data Analytics. [s.l.] Publicação independente, 2019.
DOBBS, R. et al. Big Data. McKinsey Global Institute, 2011.
DUMBILL, E. Planning for Big Data. 1. ed. Sebastopol, EUA: O’Reilly
Media, Inc., 2012.
EUROPEAN COMMISSION. What is open data? 2020a. Disponível em:
https://www.europeandataportal.eu/elearning/en/module1/#/id/co-01. Acesso
em: 11 ago. 2020a.
EUROPEAN COMMISSION. What is personal data? 2020b. Disponível
em: https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-
personal-data_en. Acesso em: 11 ago. 2020.
FANG, B. Cyberspace sovereignty. 1. ed. Nova Iorque, EUA: Springer
Berlin Heidelberg, 2018.
FORS, V. et al. Imagining Personal Data: Experiences of Self-Tracking. 1
ed. [s.l.] Bloomsbury Academic, 2019.
GOG, T. V. et al. Data Collection and Analysis. In: SPECTOR, J. M. et al.
(Eds.). . Data Collection and Analysis. 3. ed. Nova Iorque: Lawrence
Erlbaum Associates, 2007. p. 763–806.
GOOGLE BOOKS NGRAM VIEWER. Google Books Ngram Viewer.
Alphabet, Inc., 2020. Disponível em: https://books.google.com/ngrams.
Acesso em: 1 ago. 2020
GORELIK, A. The Enterprise Big Data Lake. Sebastopol, EUA: O’Reilly
Media, Inc., 2019.
GRAY, J. et al. (EDS.). The data journalism handbook. 1 ed. Sebastopol,
EUA: O’Reilly Media, 2012.
GREENBERG, A. et al. Towards a next generation data center
architecture: scalability and commoditization. Proceedings of the ACM
workshop on Programmable routers for extensible services of tomorrow -
PRESTO ’08. Anais... In: THE ACM WORKSHOP. Seattle, WA, USA:
ACM Press, 2008.

GRUS, J. Data science from scratch: first principles with Python. 1 ed.
Sebastopol, EUA: O’Reilly, 2015.
HAN, J.; KAMBER, M. Data mining: concepts and techniques. 3 ed.
Burlington, MA, EUA: Elsevier, 2012.
HEIDORN, P. B. Shedding Light on the Dark Data in the Long Tail of
Science. Library Trends, v. 57, n. 2, p. 280–299, 2008.
HILL, T.; LEWICKI, P. Statistics: methods and applications: a
comprehensive reference for science, industry, and data mining. Tulsa,
EUA: StatSoft, 2006.
HON, W. K. Data localization laws and policy: the EU data protection
international transfers restriction through a cloud computing lens.
Cheltenham, Reino Unido: Edward Elgar Publishing, 2017.
HOWE, D. et al. Big data: The future of biocuration. Nature, v. 455, n. 7209,
p. 47–50, 2008.
INMON, W. H. Building the data warehouse. 4. ed. Indianapolis, EUA:
Wiley, 2005.
INTERNATIONAL ORGANIZATION FOR STANDARDIZATION.
ISO/IEC 27040:2015.2015.
ISOTANI, S.; BITTENCOURT, I. I. Dados abertos conectados. 1. ed. São
Paulo: Novatec, 2015.
KIMBALL, R.; ROSS, M. The Data Warehouse Toolkit The Complete
Guide to Dimensional Modeling. Nova Iorque, Estados Unidos da América:
John Wiley &Sons, 2011.
KOLB, J.; KOLB, J. The big data revolution: the world is changing. Are
you ready?Charlseton, EUA: CreateSpace, 2013.
LIMA JUNIOR, W. T. Big Data, Jornalismo Computacional e Data
Journalism: estrutura, pensamento e prática profissional na Web de dados.
Estudos em Comunicação, v. 12, p. 207–222, dez. 2012.
LINDSTROM, M.; HEATH, C. Small Data: The Tiny Clues That Uncover
Huge Trends. [s.l.] St. Martin’s Press, 2016.
LLAVE, M. R. Data lakes in business intelligence: reporting from the trenches.
Procedia Computer Science, CENTERIS 2018 - International Conference on
ENTERprise Information Systems / ProjMAN 2018 - International Conference
on Project MANagement / HCist 2018 - International Conference on Health
and Social Care Information Systems and Technologies,
CENTERIS/ProjMAN/HCist 2018. v. 138, p. 516–524, 1 jan. 2018.
LOH, S. BI na era do big data para cientistas de dados - indo além de
cubos e dashboards na busca pelos porquês, explicações e padrões. 1. ed.
Porto Alegre, Brasil: Stanley Loh, 2014.

LOHR, S. Data-ism: the revolution transforming decision making,
consumer behavior, and almost everything else. First edition ed. Nova
Iorque, EUA: HarperCollins Publishers, 2015.
LOHR, S. Data-ism: inside the big data revolution. 2. ed. Londres,
Inglaterra: Oneworld, 2016.
LYCETT, M. ‘Datafication’: making sense of (big) data in a complex world.
European Journal of Information Systems, v. 22, n. 4, p. 381–386, 1 jul. 2013.
MADSEN, W. Handbook of personal data protection. Nova Iorque, EUA:
Macmillan Publishers Ltd., 1992.
MAHESHWARI, A. Data Analytics Made Accessible: 2020 edition. [s.l.]
1, 2014.
MAI, J.-E. Big data privacy: The datafication of personal information. The
Information Society, v. 32, n. 3, p. 192–199, 26 maio 2016.
MARIBEL, Y. S.; RAMOS, I. Business Intelligence: Tecnologias da
Informação na Gestão de Conhecimento. 2. ed. [s.l.] FCA, 2009.
MORIN, P. Open Data Structures: An Introduction. 31st ed. edition ed.
[s.l.] Athabasca University Press, 2013.
OPEN GOVERNMENT WORKING GROUP. Principles of open
Government data. Disponível em:
https://public.resource.org/8_principles.html. Acesso em: 10 ago. 2020.
OPEN KNOWLEDGE FOUNDATION. Open Definition 2.1 - Open
Definition - Defining Open in Open Data, Open Content and Open
Knowledge. Disponível em: https://opendefinition.org/od/2.1/en/. Acesso em:
11 ago. 2020.
OPEN KNOWLEDGE FOUNDATION. What is Open Data? Disponível
em: https://opendatahandbook.org/guide/en/what-is-open-data/. Acesso em:
11 ago. 2020.
O’REILLY. Big Data Now. 2. ed. EUA: O’Reilly Media, Inc., 2012.
PECK, P., Patricia. Proteção de Dados Pessoais: Comentários à Lei n.
13.709/2018 -LGPD. São Paulo, Brasil: Saraiva, 2020.
PETERSON, Z. N. J.; GONDREE, M.; BEVERLY, R. A position paper on
data sovereignty: the importance of geolocating data in the cloud.
Proceedings of the 3rd USENIX conference on Hot topics in cloud
computing. Anais...: HotCloud’11. EUA: USENIX Association, 14 jun. 2011.
Acesso em: 11 ago. 2020
PLATTS, J. What is Dark Data? Disponível em:
https://medium.com/@jillplatts/what-is-dark-data-1beef317bb2e. Acesso em:
11 ago. 2020.

PROVOST, F.; FAWCETT, T. Data science for business: what you need
to know about data mining and data-analytic thinking. 1. ed., 2. release
ed. Beijing: O’Reilly, 2013a.
PROVOST, F.; FAWCETT, T. Data Science and its Relationship to Big Data and
Data-Driven Decision Making. Big Data, v. 1, n. 1, p. 51–59, 13 fev. 2013b.
RASMUSSEN, R. et al. Data Analyst - BCS Guides to IT Roles. 1. ed.
Swindon, Reino Unido: BCS Learning &Development Limited, 2019.
RODRIGUES, F. A. Coleta de dados em redes sociais: privacidade de
dados pessoais no acesso via Application Programming Interface.
Dissertation—Marília, Brasil: Universidade Estadual Paulista, 3 mar. 2017.
RODRIGUES, F. A.; SANT’ANA, R. C. G. Uso de Modelos de Dados
Multidimensionais para a ampliação da Transparência Ativa. Liinc em
Revista, v. 9, n. 2, p. 469–487, 29 nov. 2013.
RODRIGUES, F. A.; SANT’ANA, R. C. G. Use of Taxonomy of Privacy to
Identify Activities Found in Social Network’s Terms of Use. Knowledge
Organization, v. 43, n. 4, p. 285–295, 2016.
RODRIGUES, F. A.; SANT’ANA, R. C. G. A study on actions to make
government datasets available in linked open data. In: Knowledge
Organization and Cultural Diversity. Recife: ISKO e Editora UFPE,
2017a. v. 1p. 522–532.
RODRIGUES, F. A.; SANT’ANA, R. C. G. Elaboração de estratégia para
mensuração de critérios de qualidade na recuperação de datasets disponíveis
em sítios governamentais. In: Comunicação e Transformações Sociais.
Ciência da Informação, Comunicação e Educação. 1. ed. Coimbra:
Associação Portuguesa de Ciências da Comunicação, 2017b. v. 1p. 155–169.
RODRIGUES, F. A.; SANT’ANA, R. C. G. Contextualização de conceitos
teóricos no processo de coleta de dados de Redes Sociais Online. Informação
&Tecnologia, v. 5, n. 1, p. 18–36, 2018.
ROMANOSKY, S.; HOFFMAN, D.; ACQUISTI, A. Empirical Analysis of
Data Breach Litigation. Journal of Empirical Legal Studies, v. 11, n. 1, p.
74–104, 2014.
SACOLICK, I. Dark Data - A Business Definition, 2013. Disponível em:
<https://blogs.starcio.com/2013/04/dark-data-business-definition.html>.
Acesso em: 11 ago. 2020
SANTOS, P. L. V. A. DA C.; SANT’ANA, R. C. G. Dado e Granularidade na
perspectiva da Informação e Tecnologia: uma interpretação pela Ciência da
Informação. Ciência da Informação, v. 42, n. 2, p. 11, maio 2015.
SCHEMBERA, B.; DURÁN, J. M. Dark Data as the New Challenge for Big
Data Science and the Introduction of the Scientific Data Officer. Philosophy
&Technology, v. 33, n. 1, p. 93–115, 1 mar. 2020.

SCHUTT, R.; O’NEIL, C. Doing data science. First edition ed. Sebastopol,
EUA: O’Reilly Media, 2013.
SEN, R.; BORLE, S. Estimating the Contextual Risk of Data Breach: An
Empirical Approach. Journal of Management Information Systems, v. 32,
n. 2, p. 314–341, 3 abr. 2015.
SHARDA, R.; DELEN, D.; TURBAN, E. Business intelligence, analytics,
and data science: a managerial perspective. Fourth edition ed. Nova
Iorque, EUA: Pearson, 2018.
SHIVE, B. Data engineering: a novel approach to data design. 1. ed.
Basking Ridge, EUA: Technics Publications, LLC, 2013.
SOLOVE, D. J. Understanding privacy. First Harvard University Press
paperback edition ed. Cambridge, Massachusetts Londres, Inglaterra: Harvard
University Press, 2009.
SOLOVE, D. J.; CITRON, D. K. Risk and Anxiety: A Theory of Data-Breach
Harms. Texas Law Review, v. 96, p. 737, 2018 2017.
STEVENS, G. Data Security Breach Notification Laws: Congressional
Research Service. Washington, EUA: National Conference of State
Legislatures, 10 abr. 2012.
THE WORLD BANK GROUP. Open Government Data Toolkit. Disponível
em: http://opendatatoolkit.worldbank.org/en/. Acesso em: 1 ago. 2020.
TRELEAVEN, P. C.; BROWNBRIDGE, D. R.; HOPKINS, R. P. Data-
Driven and Demand-Driven Computer Architecture. ACM Computing
Surveys, v. 14, n. 1, p. 93–143, 1 mar. 1982.
WICKRAMASURIYA, J. et al. Privacy Protecting Data Collection in
Media Spaces. Proceedings of the 12th Annual ACM International
Conference on Multimedia. Anais...: MULTIMEDIA ’04. In: 12TH
ANNUAL ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA.
Nova Iorque, NY, USA: ACM, 2004.
WOLKENHAUER, O. Data engineering: fuzzy mathematics in systems
theory and data analysis. Nova Iorque, EUA: Wiley, 2001.
ZION, L.; CRAIG, D. (EDS.). Ethics for digital journalists: emerging best
practices. Nova Iorque, EUA: Routledge, Taylor & Francis Group, 2015.