Revolução dos Dados

Revolução dos
Dados
Adriano Amaral
Diretor Tecnologia e Soluções
about.me/adriano_amaral

Objetivos
Teste
Prototipagem Idéias
Tendências
Aprofundamento Tecnológico
Novas Tecnologias
Inovação

• Explanações com intervenções…tipo bate-papo;
• Não tem como objetivo ser o "dono da verdade";
• Dinâmica de Design Thinking, para solução de
problemas;
• Definir temas e prioridades futuras;
Dinâmica

Os alquimistas estão chegando….

Teradata Unified Data Architecture™
AUDIO & VIDEO images text Web & social Machine logs crm scm erp
Dual
systems
Data
marts
Test/
dev
ANALYTICAL
ARCHIVE
Languages Math & stats Data Mining BUSINESS INTELLIGENCE ApplicationsVIEWPOINT SUPPORT
INDEPENDENT
DATA MART
Discovery
platform
INTEGRATED
DATA WAREHOUSE
Data lab
Capture | Store | Refine
Engineers
Data Scientists Business Analysts Marketing Front-Line Workers
Operational SystemsCustomers / Partners Executives

Como transformar dados em ouro?

Liberte os dados…
Dados Informação
Inteligência
Imperativo
Decisões Resultados
Conhecimento
Necessidade
Utilidade

Realizando Valor Maxtera
Parceiros
Stream Data
Fast Data
Big Data
Tempo Real
Apps Data
Sensores
(IoT)
Não
Estruturados
Estruturados
ENGINE DE
DADOS
Open
Data
Decisões
Análises
Previsões
Fraudes
Valor
DataScientist
Consulting Team

Como armazenar os
dados?How do we store data?
5/11/13 Bill Howe, UW 2

Como armazenar os
dados?How do we store data?
###query length COG hit #1 e-value #1 identity #1 score #1 hit length #1 description #1
chr_4[480001-580000].287 4500
chr_4[560001-660000].1 3556
chr_9[400001-500000].503 4211 COG4547 2.00E-04 19 44.6 620 Cobalamin biosynthesis protein Co
chr_9[320001-420000].548 2833 COG5406 2.00E-04 38 43.9 1001 Nucleosome binding factor SPN, S
chr_27[320001-404298].20 3991 COG4547 5.00E-05 18 46.2 620 Cobalamin biosynthesis protein Co
chr_26[320001-420000].378 3963 COG5099 5.00E-05 17 46.2 777 RNA-binding protein of the Puf fam
chr_24[160001-260000].65 3542
chr_9[160001-260000].243 3002 COG5077 1.00E-25 26 114 1089 Ubiquitin carboxyl-terminal hydrol
chr_12[720001-820000].86 2895 COG5032 2.00E-09 30 60.5 2105 Phosphatidylinositol kinase and pr
chr_12[800001-900000].109 1463 COG5032 1.00E-09 30 60.1 2105 Phosphatidylinositol kinase and pr
chr_11[1-100000].70 2886
chr_11[80001-180000].100 1523
ANNOTATIONSUMMARY-COMBINEDORFANNOTATION16_Phaeo_genome
What is the data model?
How do we store data?
chr_4[480001-580000].287 4500
chr_4[560001-660000].1 3556
chr_9[400001-500000].503 4211 COG4547 2.00E-04 19 44.6 620 Cobalamin biosynthesis protein CobT (nicotinate-
chr_9[320001-420000].548 2833 COG5406 2.00E-04 38 43.9 1001 Nucleosome binding factor SPN, SPT16 subunit
chr_27[320001-404298].20 3991 COG4547 5.00E-05 18 46.2 620 Cobalamin biosynthesis protein CobT (nicotinate-
chr_26[320001-420000].378 3963 COG5099 5.00E-05 17 46.2 777 RNA-binding protein of the Puf family, translation
chr_24[160001-260000].65 3542
chr_9[160001-260000].243 3002 COG5077 1.00E-25 26 114 1089 Ubiquitin carboxyl-terminal hydrolase
chr_12[720001-820000].86 2895 COG5032 2.00E-09 30 60.5 2105 Phosphatidylinositol kinase and protein kinases o
chr_12[800001-900000].109 1463 COG5032 1.00E-09 30 60.1 2105 Phosphatidylinositol kinase and protein kinases o
chr_11[1-100000].70 2886
chr_11[80001-180000].100 1523
What is the data model?
w do we store data?
chr_4[480001-580000].287 4500
chr_4[560001-660000].1 3556
chr_9[400001-500000].503 4211 COG4547 2.00E-04 19 44.6 620 Cobalamin biosynthesis protein CobT (nicotinate-mononucleotide:5, 6
chr_9[320001-420000].548 2833 COG5406 2.00E-04 38 43.9 1001 Nucleosome binding factor SPN, SPT16 subunit
chr_27[320001-404298].20 3991 COG4547 5.00E-05 18 46.2 620 Cobalamin biosynthesis protein CobT (nicotinate-mononucleotide:5, 6
chr_26[320001-420000].378 3963 COG5099 5.00E-05 17 46.2 777 RNA-binding protein of the Puf family, translational repressor
chr_24[160001-260000].65 3542
chr_9[160001-260000].243 3002 COG5077 1.00E-25 26 114 1089 Ubiquitin carboxyl-terminal hydrolase
chr_12[720001-820000].86 2895 COG5032 2.00E-09 30 60.5 2105 Phosphatidylinositol kinase and protein kinases of the PI-3 kinase fam
chr_12[800001-900000].109 1463 COG5032 1.00E-09 30 60.1 2105 Phosphatidylinositol kinase and protein kinases of the PI-3 kinase fam
chr_11[1-100000].70 2886
chr_11[80001-180000].100 1523
hat is the data model?

• Simplificar a realidade;
• Definir espaço da amostra;
• Traduzir de forma ao entendimento da máquina;
• Possibilitar a manipulação;
Modelagem!

• 3 Componentes
1.Estruturas;
2.Constrições;
3.Operações;
O que é um modelo de
dados?

1.Estruturas;
• Linhas ou colunas?
• nós ou elementos?
• valores chaves?
• sequência de Bytes?
2.Constrições;
• todas as linhas tem o mesmo número de colunas?
• os valores da cada coluna devem ter o mesmo valor?
• um filho não pode ter 2 pais?
3.Operações;
• Ache o valor da váriavel X
• Ache a linha onde a coluna “sobrenome” tem o valor “Oliveira"
• Pegue os próximos N bytes
O que é um modelo de
dados?

"Uma coleção de informações
organizadas para facilitar a
recuperação da mesma"
O que é um banco de
dados?
http://www.usg.edu/galileo/skills/unit04/primer04_01.phtml

• Que problemas o Banco de Dados resolve?
• Compartilhamento
• Permite o acesso de vários leitores e escritores
simultaneamente;
• Forçar a modelagem de dados
• Garante que todas as aplicações acessem mesmo formato e
organização de dados;
• Escala
• Trabalha com datasets muito grandes para caber na
memória;
• Flexibilidade
• Usar os dados de um jeito novo, e não imaginados ainda!!!
O que esperar do banco
de dados?

• Como esse dado é organizado fisicamente no
disco?
• Que tipos de consulta são eficientemente
suportadas por esse modelo e quais não?
• Quão complexo é adicionar um dado ou atualizá-
lo?
• O que acontece quando surgem novas consultas
que não havia previsto? Preciso reorganizar os
dados? Quão complicado é isso?
Questões importantes!!

• Bando de Dados em Rede:
Historico dos Bancos de
Dados
Historical Example: Network Databases
Database: A collection of information
organized to afford efficient retrieval
Orderer%
Customer%
Screw%
Nut%
Washer%
Contact%Rep%

• Banco de Dados Hierárquico
Historico dos Bancos de
Dados
Historical Example: Hierarchical Databases
Orderer%
Customer%
Screw%
Nut%
Nail%
Contact%Rep%
Orderer% Screw%
Nut%
Washer%
master
detail
detail
Works great if you want to find all
orders for a particular customer.
But what if you want to find all
Customers who ordered a Nail?

"RDBMS - Sistemas Gerenciamento de Banco de
Dados relacionais, foram inventados para permitir que
você use o dado de múltiplas formas, incluindo
caminhos que não haviam sido determinados quando o
banco foi criado e sua primeira aplicação desenhada”
Banco de Dados
Relacionais
Codd, 1970

Promover independencia
física dos dados…
5/11/13 Bill Howe, eScience Institute
Key Idea: “Physical Data Indepen
physical data independence
files and
pointers
relations
SELECT seq
FROM ncbi_seque
WHERE seq = GATT
f = fopen( table_
fseek(10030440);
while (True) {
fread(&buf, 1,
if (buf == GATT
. . .

Promover uma álgebra
dos registros
Key Idea: An Algebra of Tables
select
project
join join
Other operators: aggregate, union, difference, cross product

Relacional X Analítico
Relacional X Analitico
Equivalent logical expressions; different costs
1
σp=knows(R) o=s (σp=holdsAccount(R) o=s σp=accountHomepage(R))
(σp=knows(R) o=s σp=holdsAccount(R)) o=s σp=accountHomepage(R)
σp1=knows & p2=holdsAccount & p3=accountHomepage (R x R x R)
right associative
left associative
cross product
Mesma operação, custos diferentes!

Complexidade
Sofisticação do Dado
Atualização Contínua &
Sensível ao tempo,
consultas mais
importantes
OPERACIONALIZANDO
O QUE está
acontecendo?
Comandos baseado
em eventos assumem
o ambiente
ATIVANDO 
FAZENDO acontecer!
Atualização Continua e Consultas Rápidas
Ações baseada em eventos
Cresce os
modelos
analíticos
PREVENDO
O QUE IRÁ
acontecer?
Batch
Ad Hoc
Analytics
Aumento de
análises 
Ad Hoc
ANALISANDO
PORQUE isso
aconteceu?
Batches &
Relatórios Ad Hoc
REPORTANDO
O QUE
aconteceu?
Evolução de uso Ambiente
Analítico

“Big Data é qualquer dado que é
caro demais para gerenciar e
extrair valor”
Bigdata: Definição…
Michael Franklin
Thomas M. Siebel Professor of Computer Science
Director of the Algorithms, Machines and People Lab
University of Berkeley

• Velocidade
• latência do dado mediante diversidade de
demandas e o crescimento da
interatividade;
• Variedade
• diversidade de formatos, qualidade, fontes e
estruturas;
• Volume
• Tamanho dos dados;
Bigdata: Desafios…

Cadê a pedra
filosofal então?

Cidadãos/Consumidores
Demanda de novos serviços
Governos/Empresas
Adaptação para atender as
necessidades
Slide, Arturo Muente-Kunigami
@n0wh3r3m4n

http://www.clickestudante.com/resultado-dos-protestos-pelo-brasil.html

1.Governo/Empresas como Plataforma
2.Cidadãos sabem mais e melhor que o governo
(sensores)
3.Sistemas pequenos, baixos acoplamentos
4.Para ganhar a confiança, entregue!
5.Reutilize sistemas e políticas, agregue com inovação
6.Tecnologia como facilitador
Proposta…

govLab
1.Design
2.Construção
3.Libere
4.Revise
Fonte: Adaptado Modelo Ágil

J U N E 2 0 1 4
Open for Business:
How Open Data Can Help Achieve
the G20 Growth Target
A Lateral Economics report commissioned by Omidyar Network

DadosAbertos e o
desenvolvimento
13 trilhõesde dólares nos próximos 5 anos
Crescimento de 1.1% do PIB do G20, dentre os
2% previstos nos 5 anos
U$14,5 Billhões por ano, e provavelmente esse valor
esta subestimado…(caso australiano)

• Reduz o custos dos serviços do Governo e da
Iniciativa Privada;
• Possibilidade de novos serviços e aumento da
qualidade dos serviços existentes;
• Aumento da confiança no Governo devido o
aumento da governança, transparência e
engajamento dos cidadãos;
Valor dos dados
abertos…

Dados que geram mais
valor…
Educação
Fazenda
Transporte
Varejo
Energia
Saúde
Agricultura
Emprego
Fonte: Open for Business

Iniciativa
Privada
Empresas como Catalizadores!!!
Governo
Sociedade Civil
Sociedade Civil
Sociedade Civil
Sociedade Civil
Sociedade Civil
$$$

200M libras em
prescrições no SUS
Britânico (NHS)
http://www.economist.com/news/britain/21567980-how-scrutiny-freely-available-data-might-save-nhs-money-beggar-thy-neighbour

@shevski okfn.org
OpenCorporates.com
http://opencorporates.com/viz/financial/index.html

Resolvendo problemas
públicos com Tecnologia

• Operacionalmente
• No Passado: Funcionava, mesmo se o dado não coubesse na
memória;
• Agora: Posso utilizar vários pequenos computadores (barato)
• "Algoritmamente"
• No Passado: Para uma determinada quantidade de dados (N), tenho
finitas operações; (Nm) - Polinomial
• Agora: Para um montante crescente de dados, preciso realizar um
volume maior de operações (Nm/k) - Polinomial Paralelizado
• Em breve: Dados fluem em um fluxo contínuo de diversa fontes,
consultas realizadas continuamente (N*log(N)) - (StreamData)
• Ex: Telescópios de Varredura (30TB/noite)
Escalando…

• Imagine procurar uma seqüência de DNA
• Todas as seqüências iguais a:
• GATTACGATATTA
Explorando possibilidades
GATTACGATATTATACCTGCCGTAA

GATTACGATATTA
TACCTGCCGTAA = GATTACGATATTA ?
Ciclo = 0
GATTACGATATTA
CCCCCAATGAC = GATTACGATATTA ?
Ciclo = 1

GATTACGATATTA
GATTACGATATTA = GATTACGATATTA ?
Ciclo = 40
GATTACGATATTA
40 Registros = 40 Comparações

Ordenar a Seqüência?
AAAATCCTGCA
AAACGCCTGCA
GATTACGATATTA
TTTTCGTAATT
TTTACGTCAA

GATTACGATATTA
CTGTACACAACCT
CTGTACACAACCT < GATTACGATATTA ?
0% 100%
Começamos
dividindo ao meio!

GATTACGATATTA
GGATACACATTTA
GGATACACATTTA > GATTACGATATTA
0% 100%

GATTACGATATTA
0% 100%
40 Registros = 4 Comparações
N registros = log (N) Comparações

…….
40 Registros / 6 Trabalhadores
(N/k)

Cortando, Transformando e
Simplificando?
f f f f f f

map map map map map map
reduce reduce reduce reduce
3 5 4

Hadoop in
One Slide
src: Huy Vo,
NYU Poly

• Nigredo: ou Operação Negra, é o estágio em que a matéria é
dissolvida e putrefacta (associada ao calor e ao fogo);
• Albedo: ou Operação Branca, é o estágio em que a substância é
puriﬁcada (associada à ablução com Aquae Vitae, à luz da lua,
feminina e à prata);
• Citrinitas: ou Operação Amarela, é o estágio em que se opera a
transmutação dos metais, da prata em ouro, ou da luz da lua,
passiva, em luz solar, ativa;
Processo Alquimico
http://pt.wikipedia.org/wiki/Alquimia

Map
• Input = (inputkey, value)
• Output = (intermediatekey, value) - distribuidos
Reduce
• Input = (intermediatekey, value)
• Output = (outputkey, value) - reagrupados
Simplificação do Modelo
de Dados
Dados = Arquivo = saco de pares (key, value)

Simplificação do Modelo
de Dados…outro….
RDF
Resource
Description
Framework

Implementação de Joins
usando Map-Reduce
Nome ID
Adriano 11111
José Rodrigo 22222
Empregados
EmpID Setor
11111 Tecnologia
2222 Vendas
2222 Marketing
Setor Associado
Empregados ⋈ SetorAssociado
Nome ID EmpID Setor
Adriano 11111 11111 Tecnologia
José Rodrigo 22222 2222 Vendas
José Rodrigo 22222 2222 Marketing

Joins: Antes do
Mapeamento
Nome ID
Adriano 11111
José Rodrigo 22222
Empregados
EmpID Setor
11111 Tecnologia
2222 Vendas
2222 Marketing
Setor Associado
Empregado, Adriano, 11111
Empregado, José Rodrigo, 22222
Setor, 11111, Tecnologia
Setor, 22222, Vendas
Setor, 22222, Marketing
Juntar os dados
em um grande
bloco de dados

Joins: Função de
Mapeamento…
Empregado, Adriano, 11111
Empregado, José Rodrigo, 22222
Setor, 11111, Tecnologia
Setor, 22222, Vendas
Setor, 22222, Marketing
Pares:
(chave, valor)
chave=11111, valor= (Empregado, Adriano, 11111)
chave=2222, valor= (Empregado, José Rodrigo, 22222)
chave=11111, valor= (Setor, 11111, Tecnologia)
chave=22222, valor= (Setor, 22222, Vendas)
chave=22222, valor= (Setor, 22222, Marketing)

Joins: Fase da Redução
chave=11111, valor= [(Empregado, Adriano, 11111),
(Setor, 11111, Tecnologia)]
chave=2222, valor= [(Empregado, José Rodrigo, 22222),
(Setor, 22222, Vendas),
(Setor, 22222, Marketing)]
Adriano, 11111, 11111, Tecnologia
José Rodrigo, 22222, 22222,Vendas,
José Rodrigo, 22222, 22222,Marketing

• DFS - Distributed File System
• Processamento Paralelo Massivo - MPP
• Tolerância a falha pela duplicação de “chunks” em
nós paralelos
• Nó Master e Trabalhadores se dividem nas fases
de Mapping e Reducing
Implementações Map
Reduce

Implementações Map
Reduce
http://hao-deng.blogspot.com.br/2013/05/map-reduce-logical-data-flow.html

MPP - Massive Parallel
Processing

Arquiteturas
n of
sec-
een-
re-
iled
cial
s of
con-
red-
the
hal-
uter
the
hing
ntly
their architecture can be done at different levels. The most
widely used approach of Michael Stonebraker [18] builds the
basis for further architectural views and will be extended.
Basically, we distinguish between three main approaches.
The shared-everything (SE), the shared-disk (SD) and the
shared-nothing (SN) architecture are one of the basic con-
cepts in a shared database environment. While SE-systems
are sharing the processors (P) / memory resources (M) and
thus constitute a closed circuit, require the SD / SN variants
a communication network (N) to integrate their components.
Figure 1: Stonebraker Architecture with
shared-everything, shared-disk, shared-nothing
A survey of Shared-Nothing Parallel Database
Management Systems
[Comparison between Teradata, Greenplum and Netezza implementations]
Thomas Müseler
University of Applied Science Darmstadt
Haardtring 100
64295 Darmstadt, Germany
Thomas.Mueseler@gmail.com
ABSTRACT
Distributed database systems can be implemented in a many
different ways. Mostly, they are customized for a special
environment to handle big data problems. The data ware-
house sector relies on these amounts, but has changed from
a data storage to a real time management support during
the last years [3]. The resulting increase of compution and
storage capacity poses new requirements to the database
systems. Previous approaches of a parallel database envi-
ronment tried to solve this problem with shared disk and
memory approaches.
The main contribution of this paper is the presentation of
the current technology in the shared-nothing database sec-
tor. The concepts of the manufacturers Teradata, Green-
plum and Netezza will be discussed for data warehouse re-
quirements. Based on an architectural overview is a detailed
insight of the index functionality given which is a crucial
performance factor. Also data distribution algorithms of
the manufacturers are analysed under data warehouse con-
ditions.
At the end is a comparison to other shared concepts (shared-
disk, shared-everything) given and the question raised, if the
actual approach can be fulfilled by the manufacturers.
distribution to each node. Based on the application range
in the data warehouse environment (chapter 5), a compari-
son is made to other architectural models and the scaling of
these kinds of networks. Furthermore is the question raised,
if the shared-nothing can be adapted to other application
fields and is therefore a good opportunity for future imple-
mentations.
2. ARCHITECTURE
The classification of distributed database systems in terms of
A survey of Shared-Nothing Parallel Database
Management Systems
[Comparison between Teradata, Greenplum and Netezza implementations]
Thomas Müseler
University of Applied Science Darmstadt
Haardtring 100
64295 Darmstadt, Germany
Thomas.Mueseler@gmail.com
ABSTRACT
Distributed database systems can be implemented in a many
ifferent ways. Mostly, they are customized for a special
nvironment to handle big data problems. The data ware-
ouse sector relies on these amounts, but has changed from
data storage to a real time management support during
he last years [3]. The resulting increase of compution and
torage capacity poses new requirements to the database
ystems. Previous approaches of a parallel database envi-
onment tried to solve this problem with shared disk and
memory approaches.
The main contribution of this paper is the presentation of
he current technology in the shared-nothing database sec-
or. The concepts of the manufacturers Teradata, Green-
lum and Netezza will be discussed for data warehouse re-
uirements. Based on an architectural overview is a detailed
nsight of the index functionality given which is a crucial
erformance factor. Also data distribution algorithms of
he manufacturers are analysed under data warehouse con-
itions.
At the end is a comparison to other shared concepts (shared-
isk, shared-everything) given and the question raised, if the
ctual approach can be fulfilled by the manufacturers.
1. INTRODUCTION
distribution to each node. Based on the application range
in the data warehouse environment (chapter 5), a compari-
son is made to other architectural models and the scaling of
these kinds of networks. Furthermore is the question raised,
if the shared-nothing can be adapted to other application
fields and is therefore a good opportunity for future imple-
mentations.
2. ARCHITECTURE
The classification of distributed database systems in terms of

Paralelismo
Consultas
Distribuidas
Consultas
em Paralelo

Distribuindo…
Parallel Query Example: Teradata
AMP = unit of parallelism

Copyright © 2013 by Teradata Corporation
and MPP Systems
ware that makes a MPP system appear to be a single system
nistrators.
BYNET 0 BYNET 1
Node 0
PEPE
AMP AMP
AMP AMP
: :
AMP AMP
PDE
O.S.
PEPE
AMP AMP
AMP AMP
: :
AMP AMP
PDE
O.S.
PEPE
AMP AMP
AMP AMP
: :
AMP AMP
PDE
O.S.
PEPE
AMP AMP
AMP AMP
: :
AMP AMP
PDE
O.S.
Node 1 Node 2 Node 3
ts of
e are
al
PE)
Layer
Layer
E and
des
MPP - Massive Parallel
Processing
AMP

Access Module Processor

1 5/15/2013 Copyright © 2013 by Teradata Corporation
The Parsing Engine
The Parsing Engine is responsible
for:
• Managing individual sessions (up to
120)
• Parsing and Optimizing your SQL
requests
• Dispatching the optimized plan to
the AMPs
• Input conversion (EBCDIC / ASCII) -
if necessary
• Sending the answer set response
back to the requesting client
Answer Set Response
Parsing
Engine
SQL Request
Parser
Optimizer
Dispatcher
Message Passing Layer
AMP AMP AMP AMP
Núcleo de Inteligência
Parser Engines

Hardware: Achando
dado…
1 5/16/2013 Copyright © 2013 by Teradata Corporation
Which AMP has the Row?
Hashing
Algorithm
RH Data
Table ID Row Hash PI values
HBN and data
PARSER
Data Table
Message Passing Layer (Hash Maps)
AMP 1 AMP n - 1AMP x... ...AMP 0 AMP n
PI value = 197190
Hashing
Algorithm
000A1F4A
SQL with primary index values
and data.
For example:
Assume PI value is 197190
Summary
The MPL accesses the Hash Map using
Hash Bucket Number (HBN) of 000A1.
Bucket # 000A1 contains the AMP number
that has this hash value – effectively the
AMP with this row.
HBN – Hash Bucket Number
HBN
Hash Maps
AMP #
Row ID Row Data
Row Hash Uniq Value
x '00000000'
x'000A1F4A' 0000 0001 38
x 'FFFFFFFF'

BIG DATA
WEB
Petabytes
CRM
Terabytes
Gigabytes
ERP
Exabytes
INCREASING Data Variety and Complexity
User Generated
Content
Mobile Web
SMS/MMS
Sentiment
External
Demographics
HD Video
Speech to Text
Product/ 
Service Logs
Social Network
Business Data Feeds
User Click Stream
Web Logs
Offer History A/B Testing
Dynamic Pricing
Affiliate Networks
Search Marketing
Behavioral Targeting
Dynamic Funnels
Payment
Record Support Contacts
Customer Touches
Purchase
Detail
Purchase
Record
Offer Details
Segmentation
Big Data: de transações para
interações
Análise de Comportamento
ALL DATA
Como extrair valor de negócio?

5/15/13 Bill Howe, eScience Institute 31
Design Space
31"
Throughput"Latency"
Internet"
Private"
data"
center"
Data&"
parallel"
Shared"
memory"
The area we’re
discussing
inspired by a slide by Michael Isard at Microsoft Research
In a few weeks

Graph vs. SQL and SQL-
MR
B has high
betweenness.
You get that
from a graph
Caller Recipient # of calls made
A B 10
A C 25
A D 32
A E 3
B I 7
C D 5
A B
DC
E
GF
H
K
J
L
M
I
SQL or SQL-MR
will tell you A
makes a lot of
phone calls

?Adriano Amaral
Diretor Tecnologia e Soluções
about.me/adriano_amaral
adriano.amaral@maxtera.com.br

Revolução dos Dados

Recommandé

Recommandé

Contenu connexe

Similaire à Revolução dos Dados

Similaire à Revolução dos Dados (20)

Plus de Adriano Amaral, MSEE

Plus de Adriano Amaral, MSEE (12)

Revolução dos Dados