Latest / SuinoCast · by PPGVET / Dr. Cristian Martinez Garcia: Seus Dados Geram Valores Reais? | Ep. 298

Transcript

Dr. Cristian Martinez Garcia: Seus Dados Geram Valores Reais? | Ep. 298 · SuinoCast · by PPGVET

0:00
A interpretação dos dados no campo é importante, que tenhamos
0:05
esses dados disponíveis e que se possam tomar decisões a partir
0:12
deles. Está no ar o primeiro podcast da
0:17
suinocultura brasileira, o Suinocast.
0:23
O Suinocast só é possível através do apoio de empresas
0:26
inovadoras e que apoiam a educação continuada na
0:30
suinocultura brasileira. PoliNutri Nutrição Animal.
0:35
Juntos vamos mais longe. Alga Prime DHA da Corbin, o
0:40
ômega-três de algas para a nutrição suína.
0:45
Seva. Sempre com você, além da saúde
0:48
animal. DSM Firmenich, moldando o futuro
0:53
dos cuidados com suínos. Topgen, onde você encontra as
0:58
matrizes mais completas do mercado.
1:01
A excelência está no nosso DNA. Olá pessoal, vamos para mais um
1:06
episódio do Suinocast. Meu nome é Vinícius Cantarelli,
1:09
sou host dessa plataforma com muita honra e prazer.
1:13
E hoje, como sempre, convidados muito especiais, trouxemos aqui
1:17
o Christian Martinez para tratar um tema muito importante.
1:22
Parece que no primeiro momento é um tema de importância
1:24
acadêmica, mas cada vez mais de importância prática para o
1:29
sistema de produção. Nós vamos falar sobre coleta de
1:32
dados, como transformar dados em valor.
1:36
E aí queria já agradecer o Christian.
1:38
Christian, seja muito bem-vindo. Queria passar a palavra para
1:40
você, para você se apresentar Vou contar a sua jornada.
1:43
Christian veio da Colômbia, passou pelo Brasil, agora está
1:46
nos Estados Unidos, mas eu vou deixar o Christian falar da
1:48
jornada dele. Mais uma vez, muito obrigado,
1:50
Christian. Muito obrigado, professor
1:53
Vinícius. Bom, meu nome é Christian, eu
1:57
sou colombiano, eu estudei ensino veterinário, sou técnico
2:03
na Universidade Cooperativa de Colômbia.
2:06
Eu tenho uma paixão bem forte por suinocultura, por
2:11
tecnologia. Eu acabei indo para o Brasil,
2:16
para a Universidade de São Paulo, para especializar um
2:19
pouco mais na área de suinocultura.
2:22
Eu fiz mestrado e doutorado ali na Universidade de São Paulo.
2:26
Fiquei alguns anos lá, sob orientação do professor André.
2:31
E acabei fazendo também um MBA em Ciência e Análise de Dados
2:37
pela Universidade de São Paulo. Quando eu estava terminando meu
2:42
doutorado, eu comecei a trabalhar na Downbridge Brasil
2:47
como um cientista de dados. E por questões de destino,
2:52
acabamos vindo para os Estados Unidos.
2:54
Aqui eu sou especialista de pesquisa na Smithfield.
3:00
Eu trabalho aqui em Iowa na parte do Way to Finish.
3:06
E bom, durante esse tempo eu tenho desenvolvido esse
3:12
interesse e esse gosto pelos dados e hoje trabalhamos muito
3:19
nessa questão de coleta e análise de dados no campo
3:22
durante esse tempo da Liberia aqui na Smithfield.
3:28
Alga Prime DHA da Corbion. O ômega-DHA a base de algas para
3:33
nutrição de suínos em todas as fases de crescimento.
3:36
Adicioná-lo às rações está mais fácil do que nunca.
3:40
Acesse direto a fonte original de ômega-DHA e aproveite todos
3:45
os benefícios. É melhor para o planeta, com
3:47
impacto zero nos oceanos e baixa pegada de carbono.
3:51
E é fácil de usar. A biomassa de algas altamente
3:54
concentrada é adequada para múltiplas aplicações.
3:58
Saiba mais em Corbium.com Ô Cristian, interessante.
4:03
Agora me diz uma coisa, você sempre teve interesse, você
4:07
disse que se apaixonou pela suinocultura.
4:09
Mas você sempre teve interesse em dados também?
4:11
Ou quando despertou em você essa questão dos dados, a importância
4:15
de trabalhar e de olhar de forma mais especial para os dados?
4:19
Foi na pós-graduação ou antes já teve esse interesse?
4:23
Na verdade, foi na pós-graduação mesmo.
4:25
Eu tinha um gosto muito forte por suinocultura, por nutrição
4:32
também. Eu gostava muito de formular
4:36
rações, trabalhar no Excel para criar aqueles modelos de
4:41
formulação. E eu achei muito interessante
4:46
que durante a pós-graduação a gente começa a conhecer um pouco
4:52
mais sobre estatística. E eu vejo que é um limitante
4:57
muito forte para a maioria dos alunos, porque eles precisam
5:02
entender estatística e entender os resultados dos alunos. do
5:07
trabalho deles e também entender o resultado das outras
5:10
pesquisas, né? De pegar um artigo e ler com
5:13
facilidade, entender o que foi feito.
5:17
E principalmente quando a gente está no mestrado, né?
5:19
É um grande desafio, né? Porque não entendemos aqueles
5:26
trabalhos mais complexos, né? Então eu comecei a estudar sobre
5:29
isso, comecei a estudar sobre estatística, comecei a estudar
5:33
sobre os dados e percebi que era um mundo completo.
5:39
Então eu me apaixonei bastante e comecei a estudar e foi graças
5:44
também ao MBA que acabei fazendo na USP que foi o que mais me
5:49
desenvolveu. Legal, muito bom.
5:53
Essa área nossa, Cristian, é uma área que eu sempre falo que o
5:56
core business nosso, de um zootecnista, de um veterinário,
6:02
é transformar a eficiência celular em números, em
6:05
resultado, em dinheiro, em valor.
6:07
Sim, com certeza. E isso necessariamente a gente
6:09
passa por dados, análises, informações para gerar valor.
6:14
Mas nosso mundo é da biologia e da matemática.
6:18
Então, muitas pessoas entram na nossa área para trabalhar... e
6:23
pensam apenas na biologia, mas a biologia sem matemática nós não
6:27
conseguimos gerar valor, principalmente na nossa área,
6:30
nas cadeias produtivas, principalmente na cadeia
6:32
produtiva de suínos. Então, não sei se você concorda
6:35
com isso, mas eu sempre penso, olha pessoal, nós temos que ter
6:39
nossa mente voltada para transformar o nosso conhecimento
6:42
em eficiência celular para poder gerar valor, e os números estão
6:46
inteiramente ligados nesse meio, nessa conexão.
6:48
Você concorda com isso? Não, concordo sim, professor.
6:51
É exatamente isso. Hoje precisamos fazer essa ponte
6:57
entre a biologia e a matemática. E hoje, com tantos avanços
7:03
tecnológicos que temos, hoje já falamos de aplicação de
7:07
inteligência artificial e muitas vezes, dentro da própria
7:12
aginocultura, estamos tentando apenas desenvolver uma coleta de
7:15
dados apropriada. Então, Precisamos muito fazer
7:22
essa ponte, essa conexão entre a matemática e essa biologia para
7:29
conseguir desenvolver apropriadamente essa indústria.
7:33
Muito bom. Bem, vamos para o nosso assunto,
7:35
mas antes eu queria parabenizar pela sua jornada, sair da
7:38
Colômbia, vir para o Brasil e hoje estar nos Estados Unidos.
7:42
realmente acho que aí nessa jornada teve muita coragem, teve
7:46
muita ousadia e obviamente muitos resultados colhidos.
7:51
Bem pessoal, vamos iniciar então, nós já começamos, né
7:55
Cristian, falando de dados, mas eu gostaria de fazer uma
7:58
primeira provocação. que você já antecipou.
8:02
Nesse mundo de hoje que nós temos, cada vez mais a
8:07
importância dos dados, a era da inteligência artificial, que eu
8:10
acredito que está apenas começando.
8:13
Como que isso tudo, dados, análise, informação, geração de
8:19
valor, é importante para uma empresa ou para uma instituição?
8:24
Como é que a gente poderia dar um pontapé na nossa conversa?
8:26
Eu gostaria que você abordasse a importância desse contexto como
8:29
um todo. Bom, é muito interessante.
8:33
Hoje eu acredito que o profissional de maior valor é o
8:39
profissional que sabe tomar decisões.
8:43
E a tomada de decisões precisa ser feita com base nos dados.
8:52
Eu gosto muito de falar que hoje temos uma disponibilidade de
8:58
dados enorme. O problema nosso de hoje já não
9:03
é precisamos coletar dados. Na verdade, precisamos coletar
9:07
dados de qualidade. E precisamos de profissionais
9:13
que saibam interpretar esses dados para que podamos tomar as
9:18
decisões mais acertadas dentro de uma empresa. eu acredito que
9:25
é muito importante também desenvolver essa parte dos
9:29
profissionais de manejo de dados dentro desse contexto, para que
9:34
eles saibam interpretar os dados, se são de qualidade ou
9:38
não, que saibam as diferenças, vamos dizer, ou a estrutura
9:43
desses dados que eles estão coletando, para que eles
9:46
consigam extrair esses insights E não necessariamente estou
9:51
falando de análise estatística, estou falando apenas de manejo
9:56
básico, de que consigam extrair essas ideias principais dos
10:02
dados no campo e consigam tomar uma decisão apropriada.
10:10
Então, essa questão dos dados, quando você fala em manejo ou
10:14
gestão dos dados, ela começa, o que seria o início, meio e fim,
10:21
antes da estatística, Cristian? Como é que a gente poderia, só
10:24
para o ouvinte se organizar nisso daí, vou fazer um
10:28
trabalho, preciso coletar dados, Preciso de analisá-los depois,
10:33
preciso de ter a interpretação dessas análises bem feita para
10:40
poder ter a informação e gerar o resultado.
10:43
Seria essa o pipeline disso daí? Bom, professor, eu acredito que
10:50
você falou o termo certo, que é data pipeline. que vamos
10:57
começá-lo com a coleta de dados. Esse seria o primeiro ponto, uma
11:03
coleta apropriada que pode ser no campo, pensando na
11:08
suinocultura, no momento que as pessoas estão escrevendo o dado
11:12
na ficha ou até quando estamos extraindo os dados de uma base
11:17
de dados existente, por exemplo, extraindo temperaturas ou
11:22
consumos de água. esse tipo de coisa.
11:26
Então precisamos começar com essa coleta apropriada, que
11:30
sejam dados de qualidade, que não há algum tipo de, vamos
11:36
dizer assim, de mentira. E depois podemos partir ao
11:41
processamento dos dados. Esse manejo desses dados, essa
11:48
identificação talvez de dados que estão sendo armazenados ou
11:56
dados que não são corretos, vamos dizer assim.
12:02
Vamos fazer uma limpa desses dados e depois podemos ir
12:07
armazená-los. Esse seria o mais básico que
12:12
poderíamos fazer antes de partir para uma análise.
12:17
Também existem outros cenários em que os dados podem ser apenas
12:21
armazenados de uma maneira mais dizer assim, bruto, e depois que
12:27
estão armazenados, podemos começar a limpar esses dados no
12:32
momento que vamos fazer essas análises.
12:36
Então, o data pipeline seria coleta, processamento,
12:41
armazenamento, e depois podemos partir para uma análise e o
12:45
destino, né? Mas também podemos dizer que não
12:49
necessariamente precisamos fazer uma análise estatística ou
12:53
aplicar modelos de machine learning para os dados, para
12:57
extrair essas ideias. Podemos apenas visualizar esses
13:02
dados, ou esse conceito do Power BI, que ele não traz essas
13:08
análises mais aplicadas, e sim nos traz essa visualização dos
13:14
dados de uma maneira mais mais rápida, onde podemos extrair
13:23
valores desses dados sem necessariamente estar falando de
13:26
análises mais complexas. Interessante.
13:31
E nesse pipeline, Christian, na tua opinião, onde estão os
13:38
principais pontos críticos para a gente começar a explorar mais
13:41
aqui? Bom, eu diria que na coleta,
13:46
começando na coleta, é muito importante fazermos coletas
13:52
adequadas no sentido de que Pensando na sinocultura, estamos
14:01
falando de coleta de dados acertadas, que não se tenha
14:11
apenas um dado solto, que esse dado possa ser associado a
14:15
outras variáveis. Por exemplo, quando temos
14:19
nascidos vivos de uma fêmea, temos que ter esses dados
14:24
ligados a outras características, como por
14:26
exemplo, ordem de parto, a época do ano, por exemplo, que
14:33
tenhamos várias características associadas a esses dados e não
14:38
apenas um dado solto, porque o dado só... de nascidos vivos,
14:44
por exemplo, sem outras características, pode ser que
14:48
ele não traga suficiente informação.
14:52
Quando temos uma base de dados adequada, onde podemos associar
14:57
esses dados a algumas características individuais, ele
15:03
nos traz muito mais valor. Isso pensando nesse exemplo
15:07
específico, mas hoje, por exemplo, temos muitos dados
15:12
soltos dentro da suinocultura, onde gostaríamos de consegui-los
15:18
associar com outras características.
15:20
Temos muitas tecnologias que estão coletando dados para a
15:24
gente, mas elas não se conversam entre si.
15:28
Então, eu começaria com essa parte da coleta e partiria para
15:36
o pós-processamento, no sentido de que precisamos... de
15:42
profissionais que entendam esses dados, que saibam fazer a
15:49
limpeza ou o manejo adequado desses dados, podemos falar de
15:53
Excel, e talvez quando se tem bases de dados maiores, talvez
16:00
pensando no R, na programação do R, ou no SAS mesmo, que são
16:07
ferramentas mais robustas para manejo de dados.
16:12
Muito bom. E os dados, na verdade, eu
16:16
queria, por exemplo, na realidade tua hoje, quando você
16:21
entende a importância de coletar dados especificamente, por
16:27
exemplo, da maternidade, como você deu o exemplo.
16:30
Como é que você vê e o que você tem feito em relação a, por
16:34
exemplo, treinamento e capacitação de quem está
16:38
coletando esses dados? Porque a qualidade dos mesmos é
16:41
extremamente importante, como você disse.
16:44
Até antes da nossa conversa aqui, eu comentei com o Tico
16:47
aquele termo, garba de in, garba de out.
16:49
Ou seja, se entra lixo, vai sair lixo.
16:51
Sim, com certeza. O inverso é verdadeiro.
16:54
Como é que é? Porque, por exemplo, na
16:55
academia, muitas vezes a gente tem que estar rodando
16:58
experimentos, a gente tem que falar para a meninada, cuidado
17:00
com a coleta de dados, cuidado com a coleta de dados.
17:04
Então, existe um gap e isso se faz necessário a importância de
17:11
treinamento e capacitação para a coleta de dados?
17:14
Sim. Com certeza, isso é muito
17:17
interessante, porque eu colocaria dois cenários
17:20
possíveis, que é o cenário mais atual, na produção, mais
17:25
prático, que já temos umas bases de dados estabelecidas, então a
17:30
pessoa precisa alimentar essas bases de dados e está tudo mais
17:34
definido, onde eles... estão preenchendo talvez uma ficha ou
17:41
estão alimentando esses dados, vamos dizer, no escritório, mas
17:46
eles têm todo esse controle que permite um software que está a
17:50
campo, que permite uma qualidade maior.
17:54
E quando falamos na área de pesquisa, aí é onde o grande
17:58
desafio, porque... Eu falo que às vezes as pessoas
18:03
procuram um estatístico quando já o experimento está terminado,
18:07
quando já tem os dados e falam, é preciso dessas análises, mas a
18:13
pessoa não teve esse processo de conversa com o estatístico
18:19
antes, quando iam definir quais são os dados mais apropriados ou
18:25
qual a estrutura desses dados que precisam ser coletados,
18:29
dessas tabelas. Então, começaria com um
18:33
treinamento para como tabular esses dados, pensando no mais
18:39
básico. Pode ser muito básico, mas hoje,
18:46
professor, precisamos entender porque para nós chegam muitos
18:51
dados que não são tabulados da maneira correta.
18:54
Então, isso pode duplicar ou triplicar o trabalho.
18:58
E muitas vezes acontecem muitos erros, que embora coletamos
19:03
esses dados, fica difícil da forma como foram tabulados para
19:09
associá-los, ou seja, perdemos dados que foram coletados
19:13
simplesmente pelo processo de tabulação.
19:16
Então, essa seria a maneira correta, começando a como se faz
19:22
uma tabela... como podemos associar as variáveis, por
19:28
exemplo, mantendo essa estrutura de variáveis na vertical e
19:36
observações na horizontal, e assim poder continuar nessa
19:41
estrutura dessa tabela. E também... ensinar ferramentas
19:46
básicas, por exemplo, de como filtrar os dados, como encontrar
19:50
rapidamente um erro no campo, que a pessoa consiga visualizar
19:58
os dados no campo e identificar esses erros que podem ser
20:01
corrigidos lá na hora. Com certeza, então, ou seja, é
20:06
extremamente importante a gente treinar a equipe para poder
20:09
fazer essa coleta, porque às vezes você tem uma equipe por
20:11
trás, no office, para poder processar esses dados, fazer as
20:17
análises, mas se os dados não estiverem sendo coletados
20:21
corretamente, ou seja, os dados de qualidade, acaba
20:24
comprometendo todas as fases subsequentes a ela.
20:29
Agora, você tocou num assunto que eu acho muito importante, e
20:33
aí eu gostaria de explorar isso um pouco mais, que é a questão
20:37
de quais dados coletar. Porque muitas vezes você perde a
20:42
oportunidade de correlacionar algo que é importante.
20:46
Você deu o exemplo da maternidade, nascidos vivos, por
20:48
exemplo, o peso ao nascimento. O que está correlacionado com
20:53
esses dados? Nesse sentido, para a gente
20:56
explorar as correlações, e muitas vezes são correlações que
20:59
a gente nem sabe o que está acontecendo.
21:01
Quando a gente vai para o machine learning, não é minha
21:04
área, mas eu já ouvi colegas, já participei de alguns projetos,
21:08
pelo menos de forma mais superficial, porque não sou
21:12
especialista, mas eles diziam lá que muitas vezes, quando você
21:15
coloca naquela caixa preta, pode sair uma correlação com uma
21:19
variável que você nem estava imaginando.
21:22
Sim. Nesse sentido, Christian, você
21:26
tem que treinar a equipe para ela ter autonomia?
21:30
Óbvio que isso é importante. Ou, no teu caso, você faz todo o
21:34
esboço do que tem que ser coletado para poder prever essas
21:39
correlações futuras e poder aproveitar melhor os resultados
21:43
da análise? Sim.
21:46
Muito interessante essa pergunta, porque...
21:50
Eu acredito que tudo vem também da experiência do estatístico.
21:57
Muitas vezes as pessoas que estamos fazendo os projetos, é
22:02
talvez a primeira vez que estamos trabalhando com esse
22:05
assunto. Cabe pesquisar ou consultar
22:13
algum esperto já na área, algum estatístico, que ele saiba te
22:18
falar as correlações ou as variáveis que têm importância
22:22
biológica. Porque não é apenas o que é
22:26
significativo ou não, e sim o que tem importância biológica.
22:31
Voltando para aquele exemplo da maternidade, vamos pensar no
22:35
peso ao nascimento, talvez, e os nascidos totais. talvez em
22:42
alguns cenários não seja estatisticamente diferente, mas
22:47
sim é importante biologicamente, porque se falamos não é
22:51
estatisticamente importante porque não é menor do que zero
22:56
ponto zero cinco, mas é zero ponto zero seis, e será que não
23:01
é importante? Esse tipo de coisas que cabe a
23:06
experiência do estatístico de falar que sim, vou manter essas
23:11
variáveis no meu modelo estatístico porque elas são
23:14
importantes biologicamente, e te vão trazer um resultado mais
23:19
acurado. Então, eu diria que sim,
23:24
primeiro consultar algum experto na área quando se está
23:28
delineando algum experimento e perguntar quais são as variáveis
23:36
mais importantes a serem coletadas.
23:40
E também, obviamente, consultar na literatura, que ali podemos,
23:44
é o nosso maior recurso, onde podemos, aquela parte de análise
23:49
estatística que a maioria pula, ali podemos encontrar as
23:54
variáveis que foram utilizadas no modelo, talvez para ter um
24:01
resultado melhor. É, isso daí é quando a gente tem
24:08
com clareza, mas muitas vezes, né, Christian, vem situações que
24:12
a gente ainda não teve a experiência de participar, e aí
24:17
eu entendo que ter um estatístico, uma expertise, uma
24:21
pessoa que tenha expertise para isso, mas tem o lado da
24:24
biologia, a fisiologia, do ponto de coleta, quando que nós vamos
24:30
coletar, ontem mesmo eu estava discutindo com um orientado
24:33
aqui, a gente vai fazer inoculação com isquerica coli em
24:36
um experimento e a gente vai avaliar a microbiota tanto no
24:43
plaqueamento, tanto no microbioma depois.
24:45
E a gente estava discutindo que fase que nós vamos coletar, na
24:48
fase aguda ou na fase crônica? Interessante.
24:52
No pós-agudo, vamos dizer, melhor assim.
24:55
Então, ou seja, você tem que entender a dinâmica dos dados,
25:02
da coleta dos dados, obviamente, mas uma base para poder fazer
25:06
isso daí. Então, assim, nós precisamos de
25:10
equipe, né, Cristian? Nós precisamos de equipe.
25:12
Tem que ter o cara, como a gente falou no início, né?
25:15
Transformar a eficiência celular em dados para poder tomar
25:18
decisão e gerar valor. Então, ou seja, não tem um que
25:22
conheça de tudo isso muito bem. Então, a equipe é extremamente
25:25
importante. Com certeza, professor.
25:28
Na Smithfield, você é a equipe ou tem outros colegas que estão
25:32
com expertise complementares? Como é que vocês constroem essa
25:36
situação? É uma equipe.
25:39
É uma equipe. É uma equipe, sim.
25:42
A gente tem uma equipe bem grande, inclusive, onde são
25:47
discutidos muito bem os testes que serão feitos e são
25:52
discutidas as coletas dos dados. Vamos dizer assim, em reuniões
26:01
de vários especialistas, eles vão discutir qual a melhor
26:06
maneira de abordar um teste específico.
26:10
Então, você falou, isso é totalmente verdade, muitas vezes
26:17
estamos indo ao terreno desconhecido.
26:21
Então, ali é o maior desafio, porque quando fazemos algum...
26:29
teste pela primeira vez, vamos coletando, muitas vezes vamos
26:34
coletando tudo para ver onde estão essas associações, essas
26:38
correlações. Temos que deixar a matemática
26:43
talvez um pouco de lado e pensar na biologia, colocar a lógica e
26:52
qual, por lógica, colocando esse conhecimento biológico, quais
26:57
seriam as características que poderiam estar associadas ao
27:03
objetivo e fazer essa coleta desses dados, embora talvez não
27:11
estejam correlacionadas, mas estamos caminhando pelo terreno
27:16
desconhecido. Então, o mais importante é
27:20
testar e saber se sim ou se não. E muitas vezes, o que eu
27:25
comentei antes, não necessariamente a diferença
27:28
estatística vai falar para manter ou não uma
27:33
característica, e sim a importância biológica.
27:37
Então, é um grande desafio, um pensamento em equipe mesmo,
27:42
porque precisamos de profissionais que façam essa
27:45
ponte entre os estatísticos e entre os que tenham esse
27:51
conhecimento biológico. Por isso que eu acredito que
27:56
essa é uma das áreas... a qual terá muita demanda nos próximos
28:01
anos. Eu acho que são áreas, por
28:03
exemplo, como essa, quem sabe da biologia e dos números e quem
28:08
faz esse link. Uma outra área também que não
28:11
está no nosso tema propriamente dito é o cara que navega entre a
28:15
nutrição e a saúde. Então, acho que isso aí vai uma
28:20
provocação para os futuros profissionais, que são áreas que
28:23
realmente vão precisar muito... dessas expertise.
28:27
Bem, falamos de dados, coleta de dados, a importância de ter
28:31
qualidade na coleta dos dados, para isso precisamos de ter
28:34
treinamento, capacitação, um script para poder realmente
28:39
fazer isso muito bem feito e não perder tempo, podermos ter os
28:43
resultados da melhor forma possível.
28:46
E quanto a processamento de dados, Christian, como você tem
28:50
visto? Quais são os pontos críticos?
28:53
O que é que tem de novo? O que vocês têm pensado aí?
28:57
Bom, em relação ao processamento, eu acredito que
29:05
mais, para mim, o mais importante é saber, talvez, as
29:12
ferramentas mais básicas, como falamos sempre, o arroz com
29:17
feijão, as ferramentas de filtrar dados, de fazer
29:26
fórmulas, pensando no Excel, fazer fórmulas que me permitem
29:29
calcular dados ou novas variáveis a partir dos dados que
29:33
já temos, de uma maneira mais rápida. deixar esses dados
29:42
prontos para uma visualização, ou talvez trazer essas
29:47
estatísticas descritivas para esses dados, que me permitam já
29:53
trazer as ideias principais desses dados, ou os insights, e
30:00
também me permitam identificar os dados que não estão corretos.
30:06
Então, aplicando essas estatísticas descritivas, essas
30:11
estatísticas mais básicas, posso já começar um processo de
30:15
interpretação. Posso identificar de uma maneira
30:22
prática se estamos indo bem ou não dentro de uma granja.
30:28
podemos, vamos dizer assim, trazer já a informação básica de
30:33
todos os dados e podemos começar a tomar decisões.
30:38
Então, eu falaria aqui desse processamento, eu preciso trazer
30:43
esse arroz com feijão, essas ferramentas básicas para já
30:49
começar a extrair essas ideias. Excelente.
30:55
Então, quando você fala do arroz com feijão, e aí vou
30:58
incrementar, seria o arroz com feijão bem feito, como os
31:03
brasileiros costumam falar. Então, você está querendo assim,
31:09
antes mesmo da gente ir para um SAS, para um R, e de poder fazer
31:15
análises mais complexas, nós podemos ir para o Excel.
31:19
Exato. E já extraí muitas informações
31:25
dali, até mesmo para já tomar a decisão.
31:27
Isso é fato? Isso é fato, professor.
31:31
Isso é fato. Eu iria para o SAS e para o R
31:37
quando tem um volume de dados muito grande que não me permite
31:42
esse... Eu preciso de uma ferramenta
31:46
mais robusta. Quando estamos falando de dados
31:52
menores, talvez aí eu iria para um Excel, porque é uma
31:59
ferramenta mais visual. O Excel é excelente.
32:04
Eu consigo visualizar os dados e eu consigo ter esse contato,
32:10
vamos dizer assim, mais amigável com o usuário.
32:13
Então, e a maioria das pessoas sabem o Excel.
32:18
Então, aí eu diria que é o primeiro passo, extrair essas
32:25
ideias e trabalhar com o Excel de uma maneira mais básica.
32:29
Nesse sentido, para os nossos ouvintes aqui, Cristian, que
32:34
você mesmo diz, todo mundo sabe mexer no Excel, mas depende do
32:38
quanto que sabe mexer, do conhecimento que tem sobre o
32:43
Excel. Porque realmente, quem conhece
32:46
profundamente o Excel, faz estrago, como diz o outro.
32:51
Nesse sentido, qual é a tua recomendação?
32:53
Olha pessoal, eu sugiro vocês explorarem mais essa ou essa ou
32:58
essa ferramenta dentro do Excel. Qual é a tua recomendação?
33:03
Bom, professor, você acabou de tocar num tema bem importante,
33:06
porque eu estava, assim, numa experiência pessoal, né?
33:12
Eu estava aprendendo do Excel e eu sempre gostei muito de
33:16
tecnologia, né? Então, eu tentava, assim, fazer
33:21
coisas diferentes no Excel e teve um dia que apareceu um
33:24
teste que media o seu conhecimento no Excel, né?
33:32
E aí eu comecei a fazer o teste, né, pela curiosidade, mas eu
33:36
achava que eu era um pro, assim, muito avançado, né?
33:41
E quando saiu o resultado, saiu de meio para baixo, né?
33:45
Então, eu fiquei, assim, surpreso, né?
33:49
O que mais dá para fazer com o Excel, né?
33:53
Aí que eu comecei a procurar as novas ferramentas do Excel e
33:57
percebi que realmente tinha o mundo pela frente, não é apenas
34:02
o que eu estava aprendendo. Então, eu digo, o Excel é uma
34:11
ferramenta muito robusta, ele traz muitas funções que nós
34:20
podemos explorar, Mas eu começaria com o básico.
34:25
Como fazer uma tabela da maneira apropriada?
34:30
Porque o próprio Excel já te permite formatar uma tabela.
34:34
Se você escreve, você coloca os dados dentro do Excel e você
34:39
armazena como tabela, ele vai te facilitar essa manipulação dos
34:43
dados. Ou trazer, por exemplo, conexões
34:46
entre tabelas ou... ou criar insights.
34:53
Se você tem uma tabela da maneira apropriada, onde as
34:57
variáveis, por exemplo, estão na vertical e as observações na
35:01
horizontal, você consegue criar tabelas dinâmicas, gráficos
35:06
dinâmicos. São ferramentas que eu diria
35:11
mais... mas básicas que vão te permitir extrair as ideias
35:16
principais e que você consegue fazer rapidamente, inclusive
35:20
quando você está no campo. Acabei de coletar dados.
35:24
E vou fazendo um parênteses aqui.
35:29
Eu sou muito a favor de manter dados que são coletados para...
35:37
vamos dizer assim, do papel ao digital o mais rápido possível.
35:42
Então, na minha experiência no campo, eu tento fazer o máximo
35:49
possível para fazer, inclusive no mesmo dia, essa coleta, já
35:52
vou atualizando e transformando esses dados para o digital.
35:57
Porque quando os dados estão no papel, não podemos fazer esse
36:01
processamento. já quando temos o Excel, rapidamente podemos fazer
36:08
um reconhecimento desses dados, algum processamento básico e
36:12
podemos corrigir se temos algum dado errado, já na hora podemos
36:19
corrigi-lo e isso pode fazer totalmente a diferença para a
36:22
nossa pesquisa. Então, eu diria o mais básico,
36:29
fazer uma tabela da maneira apropriada, aprender a fazer
36:33
filtros e aprender aquela ferramenta fantástica de
36:40
gráficos e tabelas dinâmicas. Isso daí, como diz, eu estou
36:46
pensando aqui, Christian, você não precisa de ser um
36:48
estatístico para você transformar dados em resultados
36:54
aptos para poder tomar decisão. O Excel já é uma baita
36:58
ferramenta, né? Sim, com certeza.
37:00
Eu acho que assim, a gente tem, eu sempre quando tenho
37:03
oportunidade falo com jovens aqui, seja em sala de aula, seja
37:08
nas orientações, né? para tentar se aprofundar mais
37:12
no conhecimento de Excel. Porque, por exemplo, eu aprendi
37:15
a formular dieta no Excel, no Solver, na tentativa e erro,
37:19
primeiro, depois no Solver, e aí sim eu estava apto a ir para uma
37:24
plataforma mais robusta, né? E eu acho que da mesma forma nós
37:28
podemos seguir. Quem quiser avançar na
37:30
estatística, tudo bem. Mas eu acho que antes de pensar
37:33
em avançar na estatística, tem que explorar esse processamento
37:37
mais básico, mas que já gera muito resultado no Excel.
37:41
Sim. E o Power BI?
37:44
Ele é uma ferramenta interessante?
37:46
O que você tem para nos dizer sobre ele?
37:50
Claro, o Power BI é muito interessante.
37:53
É uma ferramenta que já foi criada para essa visualização de
37:59
dados. Então, a questão visual dele é
38:05
fantástica. Vamos pensar assim, muitas vezes
38:12
fica difícil para nós enxergar as tabelas e só tabelas.
38:17
É um pouco chato, vamos dizer assim.
38:21
E o Power BI trouxe esse ambiente amigável, onde vamos
38:27
criar dashboard, esse monte de gráficos que ficam trazendo essa
38:33
informação mais fácil para interpretar.
38:36
E... Eu acredito que é uma ferramenta
38:40
muito robusta, sim, porque podemos automatizar esses
38:46
gráficos ou podemos trazer essa informação para nós de uma
38:52
maneira mais rápida. Podemos ver os dados ou o que
38:58
está acontecendo praticamente ao vivo, quando temos conexões ali
39:03
com bases de dados. Então, eu acredito sim que o
39:08
Power BI traça essa parte de visualização muito mais robusta.
39:16
Bem, falamos de coleta de dados, de processamento, usar a
39:20
ferramenta Excel, comentamos um pouco aqui sobre o Power BI.
39:25
Depois disso tudo, nós precisamos de armazenar esses
39:29
dados. E isso também, antes da nossa
39:31
conversa aqui, pessoal, a gente estava falando, tratando aqui do
39:34
que a gente iria abordar, como sempre.
39:39
E o Christian comentou comigo da importância da base de dados.
39:43
Até mesmo no mundo de hoje, quando cada vez mais os dados
39:47
são mais importantes, que a gente chama de Big Data, isso
39:51
daí cada vez mais é valor para uma empresa, é preciso ser bem
39:55
armazenado. Nesse sentido, Christian, quais
39:59
são as ferramentas melhores, quais são os bancos de dados,
40:03
quais são os locais onde os bancos de dados podem ser
40:06
armazenados, qual tem sido a sua experiência aí nesse sentido,
40:10
seja prática ou teórica? Bom...
40:15
Eu acabei de me lembrar de uma história que eu acredito que
40:20
muitas pessoas devem ter essa mesma história, que quando você
40:24
tem o seu computador velho e você precisa mudar para o seu
40:28
computador novo, quanta informação você não perdeu.
40:34
E muitas vezes o nosso computador velho simplesmente
40:38
parou de funcionar e perdemos tudo.
40:40
Sem avisar, né, Cristian? Exato.
40:43
Então, eu iria trazer primeiro a nuvem.
40:50
É uma ferramenta fantástica que todo mundo tem acesso hoje.
40:54
Esse seria o básico. Antes de pensar em uma base de
41:00
dados, tenho o meu arquivo da minha pesquisa, está onde?
41:05
Está no meu computador ou está na nuvem?
41:10
Se o computador um dia simplesmente parou de funcionar,
41:13
posso recuperar esses dados? Então, partiria da nuvem para as
41:20
pesquisas ou os trabalhos mais básicos. e já iria pensar em uma
41:26
base de dados mais robusta para uma empresa onde temos um maior
41:31
volume de dados e talvez pensar em uma base de dados estruturada
41:38
onde podemos ter conexões entre os dados.
41:42
Hoje se fala de SQL ou diferentes outras bases de dados
41:49
que podem ser utilizadas, mas o principal é ter uma... um
41:55
armazenamento, ou vamos dizer assim, uma base que mantenha
42:00
esses dados seguros, né? Não somente para a perda de
42:06
dados porque o meu computador parou, mas sim que estejam
42:10
seguros também de outras pessoas mal intencionadas.
42:15
Então... Precisamos ter essa segurança,
42:21
essa governança desses dados. Eu acredito que é o que mais
42:26
deve ser explorado nesse ponto, porque temos muitos dados
42:31
disponíveis no campo, temos muitos dados soltos e precisamos
42:37
armazená-los e conectá-los. Então, uma base de dados que
42:46
traga essa conexão entre os diferentes dados facilita muito
42:52
a interpretação e facilita muito trazer novos conceitos.
43:00
E existem algumas maneiras, como a base de dados estruturadas
43:04
ou... warehouse, que são algumas bases de dados onde os dados
43:14
estão processados, ou data lakes, que os dados são
43:18
armazenados e não são processados, que seriam
43:21
processados mais ao momento da análise.
43:24
Existem dois conceitos que se falam na área de dados, que é...
43:32
extrair, transformar e carregar, que na verdade é ETL, que é de
43:40
Extract, Transfer and Load, ou ELT, que seria extrair, carregar
43:52
e transformar, posteriormente. Então, podemos ir desde o mais
43:58
básico, que é apenas salvar nossa pesquisa, na nuvem, ou ir
44:05
para uma situação mais robusta, onde temos milhares de dados
44:13
transformados ou sem transformar dentro da nossa base de dados.
44:20
Interessante. Então, seria extrair,
44:23
transformar e carregar. Isso.
44:27
Ô Cristian, você comentou sobre um tema importante que eu
44:31
gostaria de explorar um pouco mais para a gente finalizar, que
44:34
é a governança. Sim.
44:37
Muitas vezes nós temos, você mesmo diz, nós temos os dados
44:40
soltos, não sabemos o que fazer com esses dados, e às vezes
44:45
continuamos nesse mesmo fluxo de coleta sem sentido.
44:51
Gasta-se tempo, gasta-se energia, e muitas vezes gasta-se
44:55
dinheiro, obviamente, até porque tempo e energia é dinheiro.
44:59
O que você nos recomenda de governança?
45:02
Quais são os pontos importantes nesse cenário de coleta de
45:09
dados, de transformar dados em valor para uma instituição, uma
45:14
empresa? Como que a governança pode
45:18
realmente organizar isso daí para poder gerar valor?
45:22
Eu acho que ela está entre todos esses pontos, fazer isso
45:26
realmente acontecer de uma forma organizada, com propósito e com
45:31
objetivo para poder chegar onde a gente quer chegar e às vezes
45:35
ter resultados que a gente nem imaginava.
45:37
Quais são os pontos mais importantes da governança?
45:41
Bom, eu diria que dessa... É difícil apontar para uma coisa
45:48
específica, eu quase que comecei a falar da coleta novamente, mas
45:55
partimos desse processamento, vamos pensar que no momento que
46:02
estamos processando, inclusive na coleta, temos que manter
46:05
essas conexões entre os dados, não perdê-las.
46:11
Então, eu diria que esse é o... um dos passos mais importantes
46:17
dessa governança, porque quando armazenamos os dados, precisamos
46:22
manter as conexões entre as variáveis que podamos associar,
46:29
por exemplo, numa base de dados, ou esses dados aqui dessa fêmea
46:33
são na ordem de parto um, essas características aqui foram na
46:41
ordem de parto dois da mesma fêmea, e assim, que mantenhamos
46:47
essa estrutura e essa conexão entre os dados.
46:52
Se não, perdemos essas conexões e isso realmente é muito comum
46:56
quando não se tem uma estrutura de dados apropriada, onde temos
47:01
apenas dados ou apenas uma tabela solta que não sabemos se
47:06
essa era a mesma fêmea de ordem de parto dois ou outra, vamos
47:11
dizer assim. É claro que hoje temos
47:14
ferramentas muito elaboradas, o software que hoje temos no
47:18
campo, eles fazem isso muito bem, mas quando partimos para
47:24
algum outro tipo de dados, pode sim acontecer esse tipo de
47:28
coisa. Também manter essas bases de
47:35
dados seguras, onde podamos acessá-las, que tenha esses
47:40
controles de segurança, onde algumas pessoas podem acessar da
47:45
maneira correta, alimentá-las da maneira correta, sem alterar os
47:52
dados existentes, que não se permitam esses erros como, ah,
47:58
estava tentando subir os dados e apaguei tudo.
48:02
Então, esse controle de usuários.
48:05
E também a segurança desses dados no sentido de mantê-la
48:15
segura de hackers, que é muito comum hoje.
48:24
Bom, basicamente seria essa... Esse é o meu ponto, de ter uma
48:30
governança, que é importante para nós hoje.
48:37
É, ao meu ver é essencial, porque a gente entende cada vez
48:41
mais que dados podem se transformar em valor, só que é
48:43
complexo. É a coleta, é a coleta de
48:46
qualidade, é o treinamento da equipe, é a conexão que você
48:50
falou entre os dados, entre o que vai ser coletado, é a
48:53
segurança. Se você não tiver um plano de
48:56
governança para isso, você acaba se perdendo.
48:59
Na tua fala, eu estava falando aí, eu estava lembrando, quantas
49:02
vezes eu comentei aqui na linha de pesquisa nossa, aqui na
49:04
universidade também, Na Animal Nutri, que a gente tem muita
49:10
informação, muitas pesquisas sendo realizadas por ano, E
49:14
muitas vezes o que você já tem de dados, se você souber
49:17
trabalhar o conjunto desses dados, você tem resultados ainda
49:20
mais impactantes do que simplesmente você juntar
49:24
resultados de vinte, trinta, quarenta, cinquenta, que seja
49:28
cem experimentos. Agora, como você faz desses
49:32
limões uma limonada, pode ter resultado ou pode ter informação
49:36
ainda mais impactante. Para isso, na hora que você
49:39
estava falando sobre governança, eu imaginei, falei, cara, se
49:42
você tivesse uma governança também para planejar com o
49:46
tempo, nós daqui dois, três, quatro, cinco anos teremos um
49:49
volume de informação X, ela precisa de estar bem coletada,
49:53
bem processada, bem armazenada, para que a gente realmente
49:57
extraia valor. Então, eu acho que a governança
50:01
é extremamente importante para isso.
50:03
Sim, e ter os dados disponíveis para análise.
50:09
Eu tenho um exemplo muito básico, que é quando as pessoas
50:13
começam a anotar as suas próprias finanças.
50:18
Tem gente que anota, que eles... Desde o café que estão gastando,
50:25
cada real que eles vão gastando, eles têm uma planilha do Excel,
50:32
inclusive, é muito interessante que eles têm todos os dados.
50:38
Algumas pessoas fazem isso, mas quantas delas sentam para
50:43
analisar esses gastos ou tomar decisões a partir desses gastos?
50:49
Talvez não se tenha esse análise dos dados existentes.
50:57
Muitas vezes olhamos para os dados, mas não sabemos o que
50:59
fazer. Então, é importante interpretar,
51:04
ter os dados disponíveis para tomar decisão.
51:08
Um outro exemplo que eu tenho é quando as pessoas aqui estão
51:11
entrando nos sites, nas grandes de Wind to Finish, e eles
51:16
começam a olhar o macro, vamos pensar os barracões, como estão
51:23
os barracões, e aqui é muito importante a condição climática,
51:27
é tudo controlado. Então, quando eles chegam no
51:31
escritório, a primeira coisa que eles vão olhar é temperatura, o
51:37
histórico de temperatura, então eles precisam de ter esses dados
51:42
disponíveis no campo, eles precisam ter o histórico de
51:47
consumo de água, apenas essas duas informações já me vão dar
51:52
toda uma ideia do que esperar. E eles olham a mortalidade, que
51:57
também estão disponíveis ali para eles.
52:00
Então, eu já começo a ter uma ideia.
52:06
O consumo de água está caindo, está muito baixo.
52:10
Estava caindo talvez a uma terceira parte ou a metade do
52:14
que estava alguns dias atrás. Eu tenho um aumento da
52:18
mortalidade, as temperaturas estão tanto...
52:21
Você não entrou no barracão ainda, você já tem muitas
52:24
ideias. E já quando você está entrando,
52:28
você já consegue associar todas essas informações e tomar
52:32
decisões. Então, a interpretação dos dados
52:38
no campo é importante, que tenhamos esses dados disponíveis
52:44
e que se possam tomar decisões a partir deles.
52:50
Excelente, excelente. Pessoal, a prosa está boa aqui
52:54
demais, porque é um assunto extremamente importante, mas
53:00
infelizmente, nosso tempo, o relógio está passando aqui, não
53:05
é, Cristian? Nós fechamos aqui a parte
53:07
técnica com governança, tratamos de dados, processamento,
53:11
armazenamento e governança, mas eu gostaria de...
53:15
Para a gente finalizar essa parte técnica, eu tenho mais
53:18
duas perguntas de cunho pessoal para o Christian.
53:21
Eu queria convidar vocês, o Christian, ele mesmo pode falar
53:26
para o curso dele, é um curso que está na plataforma, na
53:30
WiseNetics, que é sobre gestão de dados na agropecuária.
53:33
Então, para você que está processando os seus dados, seja
53:38
numa pesquisa acadêmica, seja numa granja, seja no sistema de
53:41
produção, eu acho extremamente importante você pegar entender
53:45
os conceitos, a importância de cada passo desses pipelines,
53:50
desse pipeline que é extremamente importante para
53:54
poder transformar dados em valor.
53:56
Eu queria que você abordasse um pouquinho, um minuto mais ou
53:59
menos, sobre o curso, o que o pessoal vai ver de importância,
54:04
quais são os pontos principais. Bom, eu acredito que esse curso
54:10
eu quis trazer da melhor maneira, de uma maneira mais
54:13
prática. Temos cinco unidades.
54:20
A primeira unidade seria uma parte teórica, onde conversamos
54:26
sobre as variáveis e os pontos-chave para ter em mente,
54:32
vamos dizer assim, o arroz com feijão.
54:36
E depois já partimos para a prática.
54:40
Temos uma unidade com Excel, outra com Power BI, com a
54:44
linguagem de programação R e com o SAS.
54:47
Então, quando eu tive a oportunidade de fazer esse
54:52
curso, eu quis trazer... Tudo na prática.
54:57
Eu tentei mostrar para vocês a questão de fórmulas do Excel, de
55:04
como trabalhar. Eu fui fazendo durante o curso e
55:10
fui gravando ali a tela, onde vocês poderão ver as fórmulas
55:14
que eu estou fazendo. Mesma coisa no Power BI, no R e
55:19
no SAS, vocês podem ver eu escrevendo o código.
55:23
Bom, por questões, obviamente, do curso, eu já deixei
55:27
pré-prontos os códigos, mas vocês vão conseguir ver todos
55:30
esses códigos em todas, no Excel, Power BI, R e o SAS.
55:39
Então, acredito que quem faça o curso, eles vão ter uma noção
55:44
muito boa para esse processamento dos dados, para a
55:50
formatação de tabelas, para importar dados, às vezes, que
55:53
não estão nos formatos que estamos acostumados.
55:59
E eles vão ter uma noção muito importante, muito básica para
56:04
essa análise antes, vamos dizer assim, ou esse processamento,
56:10
coleta processamento antes de partir para uma análise
56:14
estatística. Excelente, excelente.
56:17
Então, pessoal, confiram lá na plataforma, no site, está com
56:21
preço muito bom, acho que é um baita do investimento esse curso
56:25
sobre gestão de dados na agropecuária com o Cristian
56:28
Martinez. Cristian, agora tem mais duas
56:30
perguntas para a gente finalizar, e aí elas são
56:32
perguntas mais pessoais. A gente acordou aqui antes da
56:36
nossa entrevista, e eu queria te perguntar, primeiro,
56:41
recomendação de um livro, e segundo, sobre uma viagem.
56:44
Você falou que gosta de viajar, eu também gosto, acho que muitos
56:47
ouvintes aqui gostam de viajar, e a gente quer ouvir do Cristian
56:51
aí uma recomendação de um livro e de uma viagem, por favor.
56:55
Bom, eu gosto muito do livro de Hábitos Atômicos.
57:01
É um livro que foi muito interessante porque muitas vezes
57:07
temos dificuldade em tomar novas atitudes ou aprender a fazer
57:15
coisas novas. pegar um rumo na nossa vida.
57:21
E esse livro me ajudou a construir hábitos muito bons que
57:25
eu senti que mudaram, por exemplo, o meu dia a dia, que é
57:32
a questão de fazer exercício, de ler um pouco mais, talvez comer
57:38
melhor. Então, é um livro que é muito
57:41
interessante, que eu realmente recomendo para as pessoas que
57:45
querem aprender melhorar um por cento cada dia.
57:50
Excelente. Hábitos atômicos.
57:53
Hábitos atômicos. Vou procurar depois.
57:58
Em relação à viagem, eu fiz uma viagem com a minha esposa,
58:04
fizemos um cruzeiro e eu fiquei maravilhado com a ideia de
58:08
cruzeiros. A gente saiu de Miami e fomos
58:12
ali pelo Caribe e É muito interessante porque você vai
58:18
visitar lugares diferentes, né? Além da experiência do cruzeiro,
58:25
que é fantástica, você vai em diferentes lugares e você não
58:29
fica fazendo e desfazendo a mala, né?
58:32
Você desce, conhece o lugar e volta para o seu cruzeiro, né?
58:35
Aí vamos para o próximo. Então, eu realmente adorei essa
58:40
experiência, né? Para quem não tem medo de ir.
58:43
que andar de barco, é fantástica.
58:47
E o cruzeiro, por si também, é fantástico.
58:51
Ele tem muitas atividades. Eu fiquei maravilhado.
58:54
Eu voltaria tranquilo. Eu nunca fiz cruzeiro, rapaz.
58:59
Eu acho que eu tenho um preconceito contra cruzeiro.
59:01
Não é contra o cruzeiro o concorrente do Atlético aqui,
59:04
não. Os mineiros não têm preconceito
59:08
nem contra o cruzeiro o time. Mas eu preciso de fazer uma
59:12
experiência dessa, viu? E você falando aí, eu comecei a
59:15
imaginar, realmente eu não tinha pensado nisso, né?
59:18
Aquele cruzeiro que você vai passando, escolher ali o Mar do
59:21
Caribe, o Mar Mediterrâneo, até a costa brasileira também, né?
59:25
Tem cruzeiros interessantes. E aí você não desfaz sua mala,
59:30
né, Cristian? É, então.
59:33
Você tem uma visualização diferente, você tem uma vista
59:37
diferente, que a gente normalmente olha do continente
59:40
para o mar, você olha do mar para o continente.
59:42
Exato, exato. É muito interessante porque a
59:47
gente conhece lugares diferentes e eles dentro do Cruzeiro também
59:53
têm sempre muitas atividades, então...
59:56
É muito intensa a experiência, eu diria, porque sempre estamos
1:00:01
vendo coisas novas. Nós fizemos uma semana e
1:00:06
visitamos vários países que eu diria que se eu fosse fazer uma
1:00:12
viagem para cada um me levaria muito mais tempo, né?
1:00:19
E é claro, se você quer conhecer um lugar específico, eu
1:00:23
recomendo que vá para esse lugar, não cruzeiro, porque tudo
1:00:27
muito rápido. Mas, ao mesmo tempo, você
1:00:31
conhece muitos lugares, então é muito interessante.
1:00:33
Eu adorei a experiência. É bom que você coloca na lista
1:00:37
de viagem alguns países de forma mais rápida.
1:00:40
Sim, sim, sim. Muito bom.
1:00:43
Christian, obrigado por compartilhar um pouco da sua
1:00:45
vida pessoal. E também agradeço muito por
1:00:49
compartilhar o teu conhecimento, foi um grande prazer ouvir o
1:00:52
Christian, que eu tenho certeza que valeu a pena para vocês
1:00:54
também. O Christian que é especialista
1:00:57
em coleta, processamento, armazenamento e governança de
1:01:02
dados, um tema extremamente importante, como eu disse, não
1:01:05
só para o mundo acadêmico, científico, mas também para o
1:01:09
mundo prático, ou seja, as granjas cada vez mais precisando
1:01:13
de inserir no seu sistema de governança, no seu sistema de
1:01:17
gestão, os dados, o processamento de dados.
1:01:19
Então, espero que vocês curtam esse podcast.
1:01:27
E, mais uma vez, vou fazer o convite aqui a vocês entrarem na
1:01:31
plataforma, nesse curso que o Christian está oferecendo, que
1:01:34
aí vão ser muito mais aprofundados, que é a gestão de
1:01:38
dados na agropecuária. Então, espero que vocês gostem.
1:01:42
E vamos ver se numa próxima vez aí já vai ter muita coisa ali no
1:01:45
curso, né, Cristian? Mas numa próxima vez a gente
1:01:47
pode bater papo. Cristian também entende bastante
1:01:49
nutrição. A gente pode aí ter um segundo
1:01:52
podcast. Cristian, muito obrigado por ter
1:01:55
vindo aí. Muito obrigado.
1:01:56
E espero que a gente consiga ter bastantes ouvintes aí para poder
1:02:00
se sensibilizar para esse tema. Muito obrigado, professor, pelo
1:02:05
convite. Foi um prazer aqui estar
1:02:08
acompanhando vocês e trazendo um pouco da nossa experiência.
1:02:12
Pessoal, gostaria também de provocar vocês, ouvintes, que
1:02:16
são muito importantes para sustentar essa plataforma, que é
1:02:20
tão importante. E eu gostaria que vocês
1:02:22
compartilhassem com a gente ideias de temas e de pessoas.
1:02:27
Se possível, enviar para nós no e-mail hello... arroba
1:02:30
wisenetics.com.br. Compartilha com a gente nomes
1:02:34
que vocês acham que gostariam ou gostariam de ouvir e temas que
1:02:38
vocês gostariam de ouvir. Ok?
1:02:40
Até a próxima.