Latest / O Aviário Podcast · by PPGVET / Melhores de 2025: INTELIGÊNCIA DE DADOS A CAMPO - Dr. Cristian Martinez Garcia | Ep. 164

Transcript

Melhores de 2025: INTELIGÊNCIA DE DADOS A CAMPO - Dr. Cristian Martinez Garcia | Ep. 164 · O Aviário Podcast · by PPGVET

0:00
Quando se fala de negócios, né? Precisamos tomar decisões
0:04
acertadas e de maneira rápida. O podcast o aviário só é
0:19
possível através de empresas inovadoras e que apoiam a
0:22
educação continuada na avicultura brasileira.
0:25
All tech. Soluções nutricionais eficientes
0:29
e sustentáveis para fortalecer a avicultura grupo BR render
0:35
fazemos juntos o produto para atender você cliente pegasus
0:40
Science, a solução inteligente e em tempo real para interpretação
0:44
de micotoxinas PPG. Vete o programa de pós
0:49
graduações que prepara você para ser um profissional disputado no
0:52
mercado veterinário novos. Líder em soluções de nutrição
0:57
inteligentes para o crescimento dos negócios na produção de
1:00
proteína animal. Conta pra gente, Cristian, como
1:03
é que foi a tua vida? Como é que você chegou até aio,
1:06
é da onde você começou e como é que você chegou até lá?
1:11
Bom, muito obrigado. É bom.
1:14
Eu sou colombiano, eu me formei como médico veterinário, sou
1:19
tecnista. É, é o.
1:23
Trabalhei a minha vida inteira, na verdade, construindo cultura,
1:26
né? Mas eu fiquei muito interessado
1:30
assim. Quando eu terminei Na Na
1:32
faculdade, né, em aprender um pouco mais sobre sobre a área,
1:36
eu estava muito interessado sobre a nutrição.
1:40
E aí eu fui fazer mestrado na Universidade de São Paulo.
1:44
É, eu fiquei lá no departamento de nutrição e produção animal.
1:51
Fiz um mestrado, depois o doutorado, além.
1:54
Durante esse tempo foi que eu é comecei a ficar interessado
1:59
sobre a área de dados. É durante o tempo de pós
2:04
graduação, né? Eu comecei a pesquisar um pouco
2:08
mais, aprender um pouco mais sobre estatística.
2:11
É também tive oportunidade nesse tempo de fazer um MBA ali pela
2:17
USP na em ciência e análise de dados.
2:22
E foi muito interessante. Ali foi onde eu desenvolver a
2:26
maior parte dos dos meus esquilos.
2:29
E continuei. É estudando um pouco mais sobre
2:33
essa área, né? É, depois eu trabalhei no
2:37
Brasil, na da Andréia de Brasil, como cientista de dados.
2:43
Eu trabalhei mais ou menos um ano e alguns meses lá e depois
2:49
por questão, investindo. Acabei vindo aqui para os
2:52
Estados Unidos, eu hoje trabalho na Speed field, é trabalho.
2:58
Como especialista de pesquisa aqui em aywa, empresa global de
3:05
nutrição animal, a autech oferece soluções para enfrentar
3:08
os principais desafios da avicultura, junte se a nós, para
3:12
maximizar a imunidade, segurança do alimento e qualidade dos
3:16
ovos. Com a altec, você não precisa
3:19
escolher entre desempenho, bem-estar e sustentabilidade.
3:25
Pesquisa e desenvolvimento na indústria, né?
3:28
Que é um pouco diferente. Qual que é a diferença, assim,
3:31
entre você ser um estudante, fazer pesquisa e você estar numa
3:36
empresa fazendo pesquisa e desenvolvimento?
3:38
Christian, bom. Uma pergunta muito interessante,
3:43
eu eu diria que a responsabilidade.
3:46
É apesar de que quando estamos tendo sendo estudantes, né,
3:53
temos que ser responsáveis, né? Temos essa orientação
3:56
normalmente dos professores de uma pessoa mais experiente, né?
4:01
E quando estamos na indústria, né, esse projeto é cabe sobre as
4:08
as nossas mãos, né? EEE.
4:11
Nós precisamos tomar as decisões mais.
4:14
Que consideremos mais acertadas, né?
4:17
E tomar a responsabilidade, né? Então, acredito que esse seria a
4:21
maior diferença para mim. Vai com um objetivo muito claro
4:25
e específico. Sim, com certeza.
4:30
Eu acho que esse é um ponto que a gente até tem que repensar um
4:33
pouco dentro das universidades, né?
4:35
Porque AAA pesquisa, eu também falo que a pesquisa também tem
4:39
que ser sustentável, né? A gente gosta de a indústria vai
4:42
ser sustentável, é não sei o que vai ser sustentável, mas assim,
4:47
o que que a gente tá fazendo na pesquisa vai ser sustentável
4:50
também. Ou seja, pra trazer benefício,
4:53
pra usar os recursos o mínimo possível, né?
4:58
Prazer e pra ter cuidado também do que que a gente faz com com o
5:04
impacto que aquilo vai trazer, né?
5:06
Na. E a gente quando faz pesquisa, a
5:11
gente sempre trabalha muito com os resultados, né?
5:14
Eu acho que é grande diferença. Ontem eu tava aqui conversando é
5:19
com. Com um dos nossos entrevistados.
5:22
E ele falou assim, o Cássio. E ele me disse assim, Ah, é
5:27
quando você quando você utiliza os dados, né?
5:31
Quando você se baseia, baseia as suas decisões em.
5:35
Em, em resultados, em números. Você fica mais lúcido, né?
5:40
Ele usou várias, várias vezes o termo lúcido.
5:42
Daí eu disse assim, Ah, quer dizer que quando a gente não tem
5:45
dados, quando a gente não se baseia nisso, a gente tá meio
5:48
louco, né? Decisão em cima daquilo que não
5:51
é. Eu achei legal, me conta aí
5:55
sobre essa questão dos dados, porque o pessoal assim, Ah, eu
5:58
vou fazer um teste, né? Vou fazer um teste, seja numa
6:01
universidade, seja aí na indústria, né, onde você tá, ou
6:05
seja, numa grande empresa. Né?
6:08
Eu tenho muita, eu tenho muita assim bronca.
6:12
A gente pode dizer assim, dos dos alunos que a gente passa,
6:16
né? Eu, como professora, fiquei 15
6:19
anos ensinando. Aí você vai lá, você fala de
6:22
estatísticas, você fala de desenho experimental.
6:26
E aí a pessoa sai com doutorado, entra numa agroindústria, e aí
6:32
chega alguém e diz assim, Ah, eu precisava testar essa vacina.
6:36
Eu precisava testar esse produto.
6:38
Ah, eu quero saber como é que é. Daí ele vai lá e coloca um
6:41
galpão. Na frente de outro galpão, ele
6:44
diz assim, vamos testar o produto.
6:47
Como é que você vê isso? Você acha que isso aí é
6:49
pesquisa, isso aí é dado, conta um pouquinho o Christian, porque
6:54
isso acontece. Eu fico assim, a nossa, como que
6:56
eu, esse cara 5 anos lá dentro do meu laboratório, a gente
7:01
mandou ele para os melhores professores de estatística e aí
7:05
ele vai lá para o campo e. E sugere testar um produto,
7:10
tomar decisão com base num galpão frente a outro galpão,
7:14
como é que? Você vê isso?
7:16
Do ponto de vista dos dados, Cristian.
7:20
Bom, eu, eu. Eu diria assim que tudo depende
7:23
também muito da estrutura, né? Que que a gente tem no campo,
7:27
né? É desse exemplo seu, né?
7:32
AA. A gente brinca, né?
7:34
Porque no campo a gente precisa ser um pouco mais tolerante, né?
7:38
AA, no sentido de no momento de execução da pesquisa, né?
7:46
Mas realmente, né, faz a diferença quando a gente entende
7:50
muito sobre desenho experimental, é isso.
7:54
Evita muitos, muitos erros no campo e eu diria que.
8:02
Que esse é o grande diferencial hoje, né?
8:04
No No profissional, né. Saber é tomar decisões, né?
8:10
E quando temos dados de qualidade, temos resultados de
8:13
qualidade. Teremos as melhores decisões,
8:16
né? É e também, pois quando quando
8:22
temos dados que não são muito bons, podemos estar achando que
8:26
estamos tomando decisão mais acertada.
8:28
EE talvez não seja, né? Então.
8:32
É, é nesse ponto também. É muito legal assim, porque AA,
8:37
outro dia eu visitei 11 empresa que me chamou pra dar uma
8:41
consultoria e aí eles chegavam de manhã, abriu o galpão que
8:47
estava fechado, estava abafado, porque passou a noite fechado,
8:52
né? E aí aqui na América Latina, e
8:57
aí eles olhavam aqueles pintinhos assim fazendo.
9:01
As fezes bastante moles, às vezes até um pouco vermelhinhas,
9:05
né? Porque passaram a noite toda sem
9:07
comer. Então tinha a luz.
9:10
Como é 111 órgão assim, bastante dinâmico, ele tem essa
9:14
descamação durante o período que não tá comendo.
9:18
E aí ele abria o galpão de manhã cedo e tomava a decisão de
9:25
mandar antibiótico. Com base numa coisa, numa
9:29
visualização muito pontual, sem considerar esse aspecto noturno
9:36
e tudo. Então isso é o que a gente chama
9:39
de achismo. E contigo.
9:40
É que Christian, a gente tá falando de transformar isso,
9:44
pegar essa informação, seja dessa visualização ali do campo,
9:49
seja de um trabalho experimental dentro de uma grande
9:52
experimental. E saber antes de tudo, até antes
9:57
de analisar os dados, como é que você vai organizar esses dados?
10:02
Como é que às vezes você pega assim, Ah, eu tenho muito dado
10:06
eu, eu pego informação disso e não sei como organizar.
10:09
Então conta para gente aí a tua AO teu, né?
10:16
Know how o teu conhecimento no sentido assim da importância da
10:20
organização dos dados dentro desse processo de.
10:24
Uso deles pra tomada de decisão. Sim, bom, é muito interessante,
10:32
né? Eu gostaria de passar tanta
10:34
coisa. É eu eu diria que que hoje num
10:39
campo, né? Temos muita tecnologia.
10:43
É, temos muita, muitas maneiras de extrair dados do campo, né?
10:50
É, também temos. Muitos dados disponíveis que que
10:56
precisamos tomar muito cuidado também porque é não
11:00
necessariamente temos dados de qualidade, né?
11:03
Então aí já primeiro ponto pra mim é, é, é a qualidade, né?
11:09
Precisamos se os dados somos coletados manualmente, né?
11:15
É, precisamos tomar as decisões adequadas pra pra ter esses essa
11:19
coleta apropriada, né? Pra manter essa qualidade nos
11:22
dados. E confiar, né?
11:25
É em quem está lá na frente, né, na linha da frente e coletando
11:29
esses dados. Pra nós é bom, eu vou, eu vou
11:33
citar alguns exemplos da suinocultura, né, que que é a
11:37
minha maior experiência, mas mas por exemplo, quando aqui é as
11:42
pessoas estão entrando no galpão no Barracão, eles já começam a
11:47
olhar as planilhas de mortalidade, né?
11:50
Eles, para terem uma ideia, como que está a mortalidade?
11:53
Eles olham no consumo histórico de água que está sendo anotado
11:57
manualmente. Em algumas grandes eles podem
12:02
olhar o histórico de temperatura também, que são dados que são
12:06
também anotados manualmente, ou algumas outras grandes que tem
12:10
mais tecnologia. Eles eles conseguem ver no
12:13
controle, no, no, na, dentro da grande e apenas já esses esses.
12:22
Esses 3 dados disponíveis, né? Antes, antes inclusive de entrar
12:25
no Barracão, você já tem uma grande ideia de como o que
12:29
esperar, né? Porque já já começamos a
12:33
entender um processo um pouco melhor, né?
12:36
EE, Eu Acredito que isso é muito importante, né?
12:39
Temos a confiança da de quem está lá Na Na linha da frente,
12:43
garantir a qualidade na coleta dos dados e assim começar AAA
12:49
tomar sessões mais acertadas, né?
12:52
É, eu diria que quando partimos pra 11, decisão mais complexa,
12:58
né? É, já temos todo um
13:00
processamento desses dados, né? É quando falamos, por exemplo,
13:05
de pesquisa, né? É, precisamos ter 11
13:09
delineamento apropriado no experimento.
13:12
É, eu gosto de falar que conversem.
13:17
Meu meu conselho é, conversem com alguém que entenda de dados
13:20
de estatística antes de executar o projeto, né?
13:25
Porque assim podemos evitar fazer OOO teste de um Barracão
13:29
na frente do outro, de um galpão na frente do outro EE, eles,
13:37
eles vão nos orientar melhor Na Na Na hora da tomada de decisão.
13:42
É importante que a pessoa entenda.
13:45
Sobre a área, né? Sobre o que estamos pesquisando
13:48
Pra Ele, ele te dar conselhos, por exemplo.
13:51
Ah, seria interessante testar essa variável aqui, essa que
13:56
pode estar é correlacionada com os seus dados, é?
14:01
Podemos inclusive ter os melhores resultados, né?
14:04
Porque você tem uma qualidade melhor e às vezes essa esse
14:08
pequeno detalhe vai te mostrar da diferença estatística que que
14:12
todo mundo está procurando, né? É então quando conversamos
14:19
antes, né, com, com, com o estatístico, com o professor que
14:22
entenda sobre delineamento experimental.
14:25
Ele vai te orientar melhor e podemos garantir melhor essa
14:29
coleta nesse projeto como um todo, né?
14:32
É também, né. Eu diria que o processamento dos
14:36
dados, né, seguindo um parpeline, né?
14:38
Eu diria que a coleta, né? É, passamos pro processamento.
14:45
E o armazenamento, né? O processamento, basicamente, é,
14:49
precisamos de profissionais que entendam, é tenham uma noção
14:54
básica, né, de processamento de dados.
14:56
Podemos falar do Excel, né? Que é a ferramenta mais comum.
14:59
É que as pessoas consigam construir tabelas, por exemplo,
15:04
da maneira apropriada. É garantindo que não se percam
15:08
dados durante esse processo, porque.
15:14
É, é impressionante, né? E hoje perdemos muitos dados,
15:17
inclusive depois da coleta, né? Porque não, não, não estamos
15:21
digitalizando esses dados rapidamente, né?
15:24
Muitas vezes temos as fichas e simplesmente as fichas molharam
15:29
EAA tinta da caneta sumiu, então perdemos muito trabalho, então
15:37
precisamos processar esses dados rapidamente, torná Los digitais.
15:42
É, e a partir daí também fazer um manejo apropriado para não
15:46
perder é dados, porque simplesmente foram tabulados da
15:50
maneira errada. É, podemos conseguir manter as
15:54
associações entre os dados, né? EE, partir daí para um
16:00
armazenamento apropriado também, né, que seria o nosso próximo
16:04
passo No No papeline, né? Que é armazenamento adequado.
16:10
É. Vamos falar por etapas, vamos
16:13
imaginar lá na ponta, é não só falando em pesquisa, mas
16:17
imaginando assim, a pessoa que quer acompanhar a saúde, né?
16:22
O desenvolvimento dos lotes. Que aqui você usa bastante o
16:26
suino, que é o teu conhecimento, mas acaba sendo muito parecido,
16:30
então você vai visitar as granjas e aí tem OA pessoa lá no
16:34
na frente, né, aquele colaborador que fica mais tempo
16:38
dentro do galpão e que anota, né?
16:40
A mortalidade, em alguns casos onde não tenha é os aparelhos
16:45
automáticos. Ele também vê temperatura, ele
16:49
vai analisando, vai colocando os os resultados.
16:52
Algumas, no caso de aves, eles fazem pesagens eventuais ou
16:57
fazem até mesmo necropsias. E aí eles vão anotando esses
17:01
dados. E qual que é a recomendação que
17:04
você dá para essa para essa pessoa que tá na no front, né?
17:07
Se se tem um colaborador aqui que tá nos escutando, qual seria
17:11
a tua recomendação? Assim, para ele não perder os
17:15
dados nesse processo ou evitar erros na hora de fazer as
17:20
anotações, você tem algumas? Algumas.
17:22
Umas dicas assim para essas pessoas?
17:26
Sim, é bom, eu diria né, que basicamente é o formato como nós
17:34
é colocamos esses dados, né? Eu o ele, ele precisa.
17:38
Essa coleta precisa ser o mais simples, simples possível.
17:42
É precisamos ter alguns formatos prontos ou faces de preencher
17:48
onde a pessoa. É tenha que digitar o mínimo
17:52
possível, né? É, temos que evitar que a pessoa
17:57
é fique fazendo tabelas diferentes num dia atrás do
18:01
outro, né? Ou porque hoje eu não tenho a
18:05
ficha, né? Vou anotar aqui, enquanto depois
18:07
eu. Eu faço.
18:09
Então assim, é mais uma recomendação talvez pro
18:12
supervisor dessa pessoa que entregar Pra Ele 11 padrão, né?
18:19
De filho. Seja fácil que seja, né?
18:23
Um xizinho ou alguma coisa que não exija que ele perca muito
18:27
tempo fazendo essa anotação. E aí você tem.
18:30
Então essa é a primeira dica aí para o supervisor.
18:34
E aí o supervisor, ele tem que fazer essa, ele vai ter que
18:38
fazer essa, essa, essa planilha. Quais são as dicas para essa
18:45
pessoa que vai ter que se organizar?
18:48
Né, e deixar é o serviço mais fácil pro colaborador a ponto.
18:54
Sim. Bom, eu diria que voltando um
18:57
pouquinho, né? É, você mencionou sobre o
18:59
xizinho, né? E eu gosto muito de do xizinho,
19:03
porque quando estamos preenchendo dados, né, ele me
19:08
permite ter 11, ser muito acertado na hora do da coleta
19:14
dos dados, né? É.
19:17
EE, quando estamos tabular os dados, inclusive podemos é é
19:23
elaborar as variáveis, né, como um xizinho e depois transformá
19:26
Los em informação, né? Então é é muito interessante,
19:31
né, que que tenhamos umas umas planilhas fáceis, onde seja
19:35
apenas é é preencher 11 xizinho, né?
19:39
Voltando é quando permitido, lógico.
19:43
E depois, né, eu diria que. Pra pra esses esses
19:48
supervisores, né? A digitalização dos dados é
19:51
crucial. É e precisamos ter períodos.
19:57
É regulares, né? Pra pra digitalizar esses dados
20:01
e não e não acumular os dados, né?
20:04
Então quando falamos de papel, né, precisamos armazená lo
20:07
apropriadamente que não se perca, que não se molhe, né?
20:13
EE assim que possível digitalizá Los, né?
20:16
Então quando temos 111 planilha já específica, né?
20:22
É, é muito mais fácil digitalizar os dados porque
20:26
temos padrões, inclusive no Excel, né?
20:30
Que é o que a maioria trabalha. E podemos construir uma planilha
20:35
que que também seja apenas preencher esse espaço, né?
20:39
Que é esse espaço que que que está preenchido na mão.
20:43
E nos permite ser mais ágeis. É, eu diria que esse esse é OAA
20:51
chave, né? Quando estamos trabalhando no
20:53
campo, né? Transformar esse o que está no
20:55
papel em digital hoje. Inclusive quando quando temos
21:02
dados, a pessoa é, é, temos ferramentas, vamos dizer assim,
21:06
que permite. Digitalizar os dados a partir de
21:10
uma foto, né? Que isso pode ser possível
21:12
quando fazer um tizinho, por exemplo, é.
21:16
Então podemos explorar mais esse tipo de ferramentas e que esses
21:21
dados venham a nós de uma maneira digital muito mais
21:24
rápida. Assim é quando falamos de uma
21:28
empresas, é ou dados de campo, né?
21:31
Podemos levar em conta de uma maneira geral, dados.
21:35
É mais históricos, mais antigos e podemos tomar melhores
21:41
decisões, né? É, podemos procurar diferentes
21:44
associações entre os dados. Então essa abundância de dados
21:48
de qualidade já faz essa diferença pra nós.
21:52
Então você está falando ter uma boa planilha, uma planilha
21:55
fácil, digitalizar o mais rápido possível, porque às vezes a
21:59
gente vai deixando ali e esses dados não retornam, né?
22:04
Ou eles, quando eles voltam, já não tem mais, é sentido porque
22:09
aquele. Sim.
22:10
Já passou, né? Sempre é válido você analisar
22:14
dados, retrospectivos, mas é a tomada de decisão, né?
22:20
Atrasa um pouco EE depois dessas 2 linhas, né?
22:24
Que seria você colocar dentro do Excel?
22:28
É, e o Excel é realmente o melhor que a gente tem hoje ou
22:32
tem alguma coisa nova aí? Esse é a melhor ferramenta que
22:36
que nós temos disponíveis hoje, Cristian.
22:39
Eu diria que o Excel é o mais amigável, né?
22:45
Não necessariamente o mais robusto.
22:48
Mas o Excel é fantástico porque primeiro as pessoas, muitas das
22:54
pessoas sabem. É Excel, ou pelo menos ele.
22:58
Eles já tiveram contato com o Excel em algum momento, então é
23:04
muito mais fácil trabalhar e é muito mais fácil quando as
23:08
pessoas que tem um conhecimento básico na área de dados estão
23:12
preenchendo planilhas, né? Eles eles se adaptam muito mais
23:15
fácil, né? E é uma ferramenta que traz a
23:18
tabela um pouco mais visual, é. Mas também existem outras
23:24
ferramentas, né, que tem o Power BI, que é mais voltado pra
23:28
visualização de dados, que é excelente, né?
23:32
Nos permite é observar os dados dependendo da da plataforma, né?
23:39
Praticamente ao vivo, né? Do que está acontecendo é, e
23:43
também temos OR ou o sars, né, que são ferramentas mais
23:47
robustas pra maiores volumes de dados e também pra pra análise
23:52
estatística, né? Então a gente é uma vez que tem
23:56
ainda. Você fala que o Excel ainda
23:58
continua sendo amigável também. Muita gente tem acesso, né?
24:02
Sendo dentro dos pacotes, né? Da que a gente compra aí dos
24:06
computadores EE aí é a como que? A pessoa que está ali,
24:13
trabalhando o dia inteiro, cansado, chega e digitaliza
24:17
esses dados de forma rápida. Christian, você tem alguma?
24:22
Esse é um. Esse é um grande desafio, né?
24:25
Um, eu também estou tentando procurar a solução dessa
24:28
fórmula. Porque assim a gente eu mesma,
24:32
né? A gente eu tenho uma.
24:33
Faz parte de uma empresa que a gente digitalizou os dados de
24:36
necropsia, que a ideia é ter um up.
24:39
E a pessoa vai colocando ali os dados e aí ele já sai na forma
24:44
de números, né? Os scores já são transformados e
24:47
eles aparecem automaticamente no computador do supervisor.
24:52
É como é que você vê esse, esse, esse avanço, assim de você sair
24:56
do papelzinho? Pra essa, pra essa condição de
25:00
também os supervisores buscarem essas ferramentas ou
25:04
desenvolverem essas ferramentas próprias dentro de cada empresa.
25:08
Se eles não quiserem comprar, né?
25:10
É pra auxiliar nessa nessa primeira fase.
25:15
Bom, eu diria que é o melhor é podemos hoje, né?
25:21
Temos algumas tecnologias que nos permitem, inclusive, não
25:25
usar o papel, né? Esse dado pode ser coletado e
25:28
diretamente colocado numa plataforma.
25:33
É é. Por exemplo, você deu um exemplo
25:37
de necropsias, né? É, é muito fácil quando temos um
25:42
aplicativo, por exemplo, né? E a pessoa, ao invés de
25:44
preencher uma planilha, já preenche direto no celular, né?
25:47
Todo mundo hoje tem acesso a um, a um smartphone e.
25:54
É inclusive aqui como nosso exemplo, posso dizer que temos é
25:58
granjas que já tem o aplicativo pra pessoa fazer a mortalidade.
26:04
Então eles estão lançando a mortalidade também no
26:06
aplicativo, né? Então quando nós vamos consultar
26:10
também de uma maneira remota, né?
26:12
Podemos observar esses dados também é e também eu diria que
26:18
as a utilizar essas. Claro, né?
26:22
Utilizar as tecnologias conectadas, né?
26:26
Que, por exemplo, se temos 11 aparelho que mede temperatura,
26:30
nem que seja possível conectá lo a uma plataforma onde ele
26:35
consiga armazenar esses dados pra nós, né?
26:38
E não não estar é utilizando as planilhas, né?
26:43
Hoje é muito, há muita resistência, né, porque.
26:48
Eu, eu, eu sempre falo, né, nós gostamos do papel, gostamos
26:52
muito, inclusive eu que trabalho com dados.
26:55
Às vezes vou numa Granja e eu eu me sinto melhor quando tenho uma
26:59
planilha na mão, né? Mas é um eu digo que é uma
27:04
resistência, né? EE, hoje temos tecnologias que
27:08
nos permitem é pular essa parte em alguns casos, né, essa seria.
27:16
Ou diria que que é uma das das soluções, né?
27:18
Utilizar a tecnologia para fazer esse processo mais mais rápido.
27:23
E assim a é a. Você podia esclarecer também
27:27
para o pessoal que tá em casa, né?
27:29
Que de repente tá aí escutando e todo mundo falando de dados.
27:33
A gente faz um Monte de podcast aqui falando de dados e tal,
27:37
porque queremos que as pessoas utilizem e vejam.
27:40
E é. É, qual que é a diferença de
27:45
você digitalizar e inteligência artificial?
27:49
Porque às vezes as pessoas confundem essas coisas, né?
27:51
Entre você só colocar os dados ali no Excel.
27:56
E aí depois a inteligência artificial EOBIEOBI que você
28:01
comentou, aí você podia assim conceitualmente explicar para as
28:05
pessoas essas diferenças para mim também, que a é que às vezes
28:10
a gente escuta e o pessoal tem vergonha.
28:11
Ah, que que é esse tal de BI? Se Obi é inteligência
28:15
artificial, será que se eu já estou digitalizando, eu já estou
28:18
na era da inteligência artificial?
28:20
Então assim, se você pudesse ser um pouco básico, porque às vezes
28:23
o pessoal tem vergonha, porque todo mundo vai falando, vai
28:25
falando. Eu não tenho vergonha de
28:27
perguntar, então vou aproveitar assim.
28:30
Se você pode esclarecer pra gente assim qual que é a
28:32
diferença de digitalizar dados e analisar diferença?
28:37
O que que é OBIO que que é? Seria inteligência artificial?
28:40
Será que tudo isso é inteligência artificial?
28:43
Aceitua pra gente um pouco aí, Cris.
28:45
Bom, eu diria assim, digitalizar os dados, né?
28:48
É mais tornar o que está no papel, né?
28:53
Num formato digital, né? Onde consigamos acessar esses
28:58
dados pelo computador, né? É, é nada mais do que.
29:03
Isso então, então porque você digitaliza não significa que
29:06
você tá na era da. Inteligência?
29:08
Não, não. Inclusive eu dou um exemplo aqui
29:11
que é nas finanças pessoais, né? É muitas, eu conheço, tenho
29:17
alguns amigos que fazem é tabela de Excel com os gastos diários,
29:22
inclusive do café, né? E no final do mês eles tem ali
29:27
essas planilhas muito boas. Mas eles eles não olham
29:33
definidamente para aquela planilha, né?
29:36
Então o dado foi digitalizado, né?
29:40
Mas o dado. Está aí, se não exato.
29:49
Então, ele apenas digitalizou os dados, né?
29:52
Agora, quando partimos para análise, já existem maneiras
29:57
diferentes de analisar esses dados, né?
29:59
Pode ser de uma maneira mais visual, né?
30:02
Onde fazemos gráficos é, podemos fazer gráficos por categorias
30:09
pensando nesses dados financeiros, né?
30:11
Poderíamos analisar ou em que que eu estou gastando mais
30:15
dinheiro ou. Ou sim, tem categorias
30:18
diferentes de dinheiro. Então fazendo esses gráficos,
30:21
por exemplo, sem pensar em análise estatística, eu tenho um
30:25
ambiente onde posso já ter uma ideia da das melhores, o que que
30:31
estou gastando mais e talvez é poupar mais dinheiro nesse nesse
30:37
nessa categoria, né? Então os gráficos, eles eles
30:41
permitem a gente também tomar decisão, né?
30:44
As decisões não se tomam apenas com estatística.
30:48
E o Power BI é uma ferramenta de visualização de dados, onde ele
30:54
nos permite fazer ambientes de visualização de dados.
31:01
É sem não necessariamente ter uma análise estatística.
31:06
É claro, podemos criar um modelo, mas também podemos
31:09
apenas visualizá Los. Por exemplo, é dentro do.
31:14
Do uma empresa de aves podemos visualizar dados de de
31:19
desempenho ou num teste podemos visualizar dados de acordo com o
31:22
tratamento é é apenas uma ferramenta voltada para
31:27
visualização de dados, o Power BI.
31:30
O que que é Power BI? Você consegue descrever pra
31:33
gente até a palavra pro pessoal que tá em casa?
31:36
É o Power BI, é o programa da da Microsoft, né?
31:40
É Business intelligence. Bom, é, o programa foi criado,
31:44
né? Eles deram esse nome, esse nome
31:46
pro pro programa, né? E Eu Acredito, né, que seja,
31:49
porque é um programa de de persinance intelligence, né, de
31:53
inteligência de negócios, e Eu Acredito que seja daí que partiu
31:58
esse. Colocaram um nome no programa.
32:01
Subi, então eles é a ideia era pegar os dados e conseguir
32:06
rapidamente desenhar gráficos. É é EE você visualmente
32:11
conseguir ter essas diferenças de forma rápida, que pode ou não
32:16
ter estatística. Quer dizer, eu posso ver que um
32:19
gráfico, um frango pesou mais que outro frango, mas eu não
32:23
quer dizer que isso seja estatisticamente diferente.
32:27
Né? Exato, exato, né?
32:29
Eu tenho essa, essa, esses dados.
32:31
E também é importante dizer assim para as pessoas, porque
32:34
fica muito essa questão de estatística.
32:36
O que que é estatística e o que que não é, né?
32:38
E a estatística, você vai fazer aquilo e vai repetir.
32:42
E a tendência é que aquilo aconteça várias vezes igual, né?
32:47
Quanto mais significativo for agora, quando não tem.
32:51
Quando não tem estatística, o que que significa aquele aquela,
32:55
aquele gráfico? Como é que a gente pode
32:58
interpretar os cuidados e as vantagens de um e de outro?
33:01
Christian? Sim, bom, é, é.
33:06
Eu diria que pensar nesse nessa inteligência de negócios, né?
33:11
É, precisamos tomar decisões mais ágeis e não necessariamente
33:16
é. As todas as decisões precisam
33:19
ter. Estatística, né, que é colocar
33:22
um modelo. É, não sei de machine learning,
33:25
alguma coisa assim, né? É, é apenas visualizando, é onde
33:32
as diferenças, porque nós somos muito visuais, né?
33:36
Então é muito, é interessante ver as categorias, né?
33:42
Que esses dados sejam mais amigáveis para o usuário.
33:47
E as decisões podem tomar muito de maneira mais ágil, né?
33:52
Então, quando se fala de negócios, né, precisamos tomar
33:56
decisões acertadas e de maneira rápida, né?
34:02
Então, é basicamente esse conceito que o Power BI traz
34:06
para a gente, né? Que nós não, não, não colocamos
34:09
11 modelo estatístico, né? Onde temos é.
34:18
Por exemplo, estamos na estatística.
34:20
Me vai testar alguns produtos específicos, né?
34:24
Pra pra ver qual é o melhor produto, né?
34:28
Mas às vezes é nos negócios, né? Quando estamos vendo os dados no
34:34
Power BI, é, a gente pode tomar uma decisão apenas baseada na
34:39
visualização desses dados, né? Que.
34:44
Que envolva? Não sei que sejam as diferenças
34:46
muito gritantes, vamos dizer assim, né?
34:49
Um rápido lembrete para você que nos acompanha, se você se
34:52
interessa pelo tema deste episódio, nós disponibilizamos
34:56
um ebook gratuito sobre os avanços na nutrição de artes.
35:00
Neste e book foi criado para te ajudar a entender os pilares da
35:04
produção de rações e como eles podem impactar diretamente o
35:08
desempenho das artes. Baixa agora esse material de
35:11
forma gratuita e transforme os seus conhecimentos em soluções
35:15
práticas para o futuro da nutrição agrícola.
35:18
Lembrando que o link para acessar está na descrição deste
35:23
episódio. Aproveite o material que nós
35:26
preparamos para você e nos conte o que você achou.
35:30
E também é é tem 11 questão muito diferente, né, que quando
35:35
a gente tá fazendo experimento, nós normalmente temos bastante
35:39
controle das condições. Enfim.
35:42
E no campo não, né? No campo assim, pra você
35:45
desenhar um modelo estatístico, claro, ele ele tem essas
35:50
interferências. Então, às vezes decisões de
35:53
campo podem ser tomadas sem, sem estatística e mesmo assim ter
35:58
bastante. Bastante lucidez, como diria.
36:04
E existem cenários onde nós estamos interessados em fazer
36:09
111 experimento, né? Um projeto de pesquisa é, por
36:15
exemplo, quando falamos de de dados financeiros assim, onde
36:20
você quer visualizar apenas onde está gastando dinheiro demais,
36:24
né? Você não quer fazer um teste?
36:27
Onde é? Qual é a estratégia que te
36:31
permite gastar menos, né? Você simplesmente quer ver qual
36:35
a categoria que te está que está fazendo o dinheiro sair, né?
36:41
E você quer cortar ela, né? Então é nesse sentido que que
36:45
talvez os gráficos ou essas ferramentas nos.
36:47
Nos também padrões, né? Por exemplo, assim que não deixa
36:50
de ser estatística, porque a gente fala muita estatística
36:53
comparativa, mas também tem muita estatística descritiva que
36:56
ajuda. Né?
36:57
Exato ali. Traz muito AA estatística
36:59
descritiva, por exemplo, assim, AA frequência com que eu vejo
37:03
aquela lesão, a frequência como eu vejo aquele aquela situação
37:08
acontecendo, a diarreia ou sei lá é.
37:13
Exato. Questão de frequência ajuda
37:16
bastante mesmo sem você colocar nenhum teste ali, né?
37:19
Sim, sim, acaba você diz todo você.
37:24
É muito acertado essa, essa essa informação, né?
37:27
Nós acabamos tendo estatística, né?
37:30
Eu eu falo que não tem estatística complexa, né?
37:34
Mas sim, com certeza tem essa estatística descritiva, né?
37:40
EE aí assim, pra quem também está escutando a gente aqui e
37:44
eles escutam falar assim desses programas, não fazem pessoal que
37:48
não está muito ligado a academia e fica falando assim, AI, mas eu
37:51
rodei esse teste com SAS, esse aqui eu rodei com r então assim
37:57
é mais importante porque foi com um com outro.
37:59
E você mencionou aqui ORO SAS, que são programas, né, que fazem
38:05
essas comparações, estatísticas, né?
38:08
É e será que se alguém te apresentar um programa 11 dado
38:12
que rodou com r ou com SAS, tem diferença?
38:16
É melhor, é pior. Será que então explica um pouco
38:20
pro pessoal que não tá na academia e que escuta a gente
38:23
falando essas coisas? O que que isso significa?
38:26
E se eles tem que se preocupar com isso também?
38:30
Sim, bom, aí já depois de falarmos da da da parte de.
38:36
De visualização de dados, né? Partimos pra umas análises mais
38:40
complexas, né? Os modelos estatísticos que
38:43
utilizamos nos projetos de pesquisa, né?
38:46
E existem alguns modelos específicos pra cada pra cada
38:52
teste, né? E o que eu diria, o mais
38:57
acertado é escolher o modelo apropriado, né?
39:01
Independente da ferramenta que estamos utilizando, né?
39:05
O Excel, por exemplo, é uma ferramenta muito robusta.
39:08
Ele me permite fazer estatística.
39:11
Eu posso fazer modelos é para análise estatística no Excel.
39:19
E a resposta será exatamente a mesma que se eu fizesse com OR
39:24
ou com o sars, né? Então é a experiência do do, de
39:29
quem está analisando os dados é mais importante do que o
39:32
programa. Que está sendo utilizado, né?
39:36
O que? Que você está fazendo?
39:38
Exato, exato. Então assim, não, No No.
39:43
Não é porque meus dados foram feitos com o SAS ou com OR que
39:46
eles são mais acertados, né? O uma das, vamos dizer assim,
39:52
uma das vantagens e desvantagens do r né?
39:55
Que é o programa livre, né? Então.
39:59
Eu posso criar um pacote, carregar No No r pra que alguém
40:03
utilize, né? Então esse esse pacote é é uma
40:07
ferramenta de análise estatística, né?
40:10
Então ela me permite é fazer todas as análises do projeto,
40:15
né? E é, eu posso cometer um erro na
40:20
hora do desenvolvimento desse pacote, então.
40:24
Aí já é importante, por exemplo, que quando se utiliza OR ele,
40:30
ele tem milhares de de ferramentas, né?
40:34
Mas quando utilizemos alguma ferramenta do r que ela esteja
40:39
publicada, que exato que ela esteja revisada e que que alguns
40:48
outros trabalhos já venham utilizando essas ferramentas,
40:51
então aí muito mais. Mas acertado, né?
40:54
Porque senão não teríamos o mesmo resultado entre os as Oreo
40:59
Excel, né? Mas daí tem algum erro, né?
41:04
Na Na, Na Na fórmula ou no pacote ou.
41:07
No, exato. Isso é, é a vantagem e a
41:11
desvantagem que ele tá comentando de ser um livre, né?
41:16
Livre tem essa, essa situação. Mas é, olha só, a gente já
41:21
conversou aqui, já estamos 40 minutos conversando e o pessoal
41:26
normalmente eu tenho um Monte de dúvida, um Monte de
41:29
questionamento e eu sei, Cristian, que você montou um
41:32
curso, né? Você montou um curso de é de
41:36
análise de dados, comenta. Para gente, como é que é para
41:40
quem tem mais interesse, assim como eu, de saber.
41:44
É mais sobre esse aspecto de processamento dos dados,
41:49
explica. É como é que você montou, como é
41:52
que ele vai ser oferecido? É bom.
41:55
É um curso que, ao meu ver, é muito interessante, porque é nós
42:01
estamos abordando essa, essa todo, toda essa questão que vem
42:06
antes do da análise de dados, né?
42:09
É? Inclusive, quando eu estive
42:12
trabalhando como cientista de dados, né?
42:17
Eu gostava de colocar o exemplo, que o meu trabalho se resumia a
42:22
um 80% de manejo de dados e 20% de análise estatística.
42:28
Então é muito. Tem um trabalho muito grande,
42:33
né? Por trás desse desse
42:35
processamento dos dados, né? Tanto na coleta quanto.
42:39
É, é na hora de de trabalhar com esses dados, né?
42:44
Corrigir talvez ou procurar os missing Oo talvez corrigir
42:51
alguns dados, né? É o armazenamento apropriado
42:55
desses dados. Então, toda essa questão é, para
42:58
mim, 80%, né? E já apenas o 20 é a questão de
43:03
análise mesmo. É estatística ou quando
43:07
aplicamos alguns modelos complexos, né?
43:10
Sim, deixar ele organizado pra pra colocar no programa, correr
43:16
algum risco de porque está aquela, aquele aquele número num
43:21
lugar que não deveria estar e que ele vai.
43:23
Influenciar. Né?
43:25
Então são são detalhes que fazem total diferença, né?
43:28
Na tua. Então, com base nisso, foi que
43:31
que a gente decidiu montar esse curso, né?
43:35
É pra pra que o profissional ele tenha essas capacidades, né?
43:40
De, de de fazer uma boa coleta, de fazer um mamejo apropriado
43:44
dos dados. É, a gente fez um curso muito
43:48
mais prático. Então é claro, né?
43:51
Temos que ter um conteúdo teórico.
43:54
Que é a nossa primeira unidade, né?
43:56
Onde explicarmos esses conceitos de variáveis, seus diferentes
44:00
tipos de variáveis? Que que de Adão, essa nação
44:04
básica, né? Vamos falar com esses conceitos
44:07
básicos sobre é processamento, armazenamento dos dados e depois
44:15
aí a gente passa para o Excel, onde abordamos essa questão, né,
44:21
de como tabular dados apropriadamente.
44:24
É como fazer essas estatísticas descritivas, né?
44:27
É algumas fórmulas chave, né? É filtros.
44:33
Eu falo um pouco também sobre tabelas dinâmicas, gráficos
44:36
dinâmicos. A gente está criando um
44:38
dashboard, é. E é super importante, né?
44:42
Porque se você ficar bastante complexo e se você não souber
44:46
mexer ali. Exato, exato.
44:49
A gente também vai para o Power BI, onde eu ensino um pouco
44:52
também esse Mané dos dados no Power BI.
44:55
Como criar os os gráficos, os dashboard?
45:00
É como criar fórmulas No No Power Bia, gente faz algumas
45:04
formulinhas bem interessantes. É também fomos para OR.
45:11
Onde trabalhamos essa noção básica da programação?
45:16
É pra pessoa entender, né? Como escrever, como conversar
45:20
com OR, né? É, eu acho que é um é
45:24
interessante que antes de querermos aprender, fazer
45:28
estatística, né? Entendamos como, como conversar
45:31
com esses programas, né? E é isso que a gente ensina no
45:35
curso, né? Como fazer essa esse
45:37
processamento dos dados? É como importar dados, por
45:41
exemplo, é armazená Los ou colocá Los num ambiente de
45:46
desenvolvimento e trabalhar com as variáveis.
45:52
E a gente faz isso no RE. Depois fizemos basicamente a
45:55
mesma coisa, não sabe, né? Então, toda essa importação,
45:58
processamento e visualização. Então, bem legal esse curso.
46:02
Eu acho que ele é um curso que serve para qualquer pessoa, né?
46:05
Você precisa ter uma formação antes ou a gente pode.
46:10
Pode ser uma qualquer pessoa que saiba usar o Excel pode já fazer
46:15
o curso, né? Claro, eles podem fazer o curso,
46:18
inclusive, por isso que o que OA gente quis fazer esse curso
46:23
porque é ele te dá a noção básica.
46:26
Então, quem quiser estiver interessado em aprender
46:30
estatística, ele vai ter uma noção muito boa, né?
46:33
Porque ele já vai entender como conversar com os programas, né?
46:37
Então. Eu acho que vai ser uma
46:39
diferença, né? E também para aqueles que estão
46:43
é no campo, né, ou que estão fazendo a execução de projetos,
46:47
ele, ele vai dar uma noção muito boa, né?
46:50
Vocês vão conseguir organizar os dados de uma maneira correta e
46:56
também, né, vai ajudar a tomar inclusive decisões, né?
47:00
Porque vocês, vocês têm essa, essa noção básica, né, do de
47:05
entender os dados. E a gente está falando que é um
47:09
curso online, né, que o pessoal pode se inscrever.
47:12
Sim, é. Você tem alguma?
47:15
É. Você tem os dados, alguma coisa
47:17
para o pessoal que quer se inscrever no curso?
47:20
Sim, não. Eles podem encontrar OOO curso
47:23
Na Na plataforma da whice anelix é da academia suína, né?
47:28
E? Aqui no aviário também já vão
47:31
receber chamadinhos. Isso aqui No No aviário também,
47:36
então? É, eles podem.
47:39
Eles podem encontrar o curso lá. Ele está com desconto?
47:43
É, ele está com desconto pelo lançamento EE podem aproveitar
47:48
essa oportunidade que que vai ser fantástica.
47:52
Eu vou fazer o curso porque realmente é um curso que a gente
47:55
acaba aprendendo muitas coisas que não é só na parte de de
47:59
trabalho, mas também muita coisa pessoal, né?
48:02
Como você falou, você começa AAA pensar e organizar melhor tudo,
48:07
todas as informações que você tem.
48:09
Então convido todo. Mundo.
48:11
Que participe, depois a gente vai fazer aí as chamadas EE
48:16
lembrar vocês de vim pro curso do Christian.
48:19
Que vai dar o tempo dele ali com esse conhecimento bem legal.
48:23
Cristian, a gente já tá chegando aqui no final a gente falou um
48:26
Monte, ainda tem um Monte para falar, mas como é normal no
48:30
final assim eu deixo um espaço para o nosso convidado deixar os
48:35
a sua mensagem assim para para os nossos seguidores.
48:38
Aí do aviário. Qual é a mensagem do Cristian
48:42
para os nossos seguidores? Bom, eu eu diria que é.
48:49
Acreditem em vocês mesmos, né? É acreditem que o estudo né?
48:56
E o esforço individual da pessoa, ele sempre acaba
48:59
desenvolvendo nós e que cada talvez dificuldade que nós se
49:04
encontrarmos na vida, ela apenas vai nos formar e nos irá fazer
49:10
mais Fortes pra pra o futuro, né?
49:14
Então essa seria a minha mensagem, né?
49:18
Essa, essa, esse trabalho e formação individual.
49:22
Aprender com as dificuldades e saber que tem coisa que é só a
49:25
gente que pode fazer, né? Cristian, é preciso de ajuda,
49:28
mas ninguém pode fazer exercício para você, ninguém pode estudar
49:32
por você. Isso aí é uma coisa que você que
49:35
pode fazer por você mesmo, né? Então é bem legal esse teu, esse
49:40
teu conselho, essa tua mensagem. Obrigada mesmo pelo teu tempo
49:45
aqui de estar com a gente nesse aviário.
49:47
E pela tua, pela tua disponibilidade até de fazer
49:51
esse curso e apresentar essa essa oportunidade para o pessoal
49:56
aprender. Porque às vezes na universidade,
49:59
às vezes não. Na verdade, na universidade a
50:00
gente não tem tempo de pegar um aluno e explicar para eles essas
50:04
coisas básicas. E às vezes sai o pessoal indo
50:07
para o campo e não conseguindo nem se organizar numa planilha,
50:11
né? E você tá dando oportunidade
50:13
para as pessoas aprenderem. E tem muita.
50:17
Tem uma coisa assim que eu que eu percebo muito na minha
50:19
formação mesmo, sabe? Você vai aprendendo uma coisa
50:22
assim, às vezes lá na frente. E você não teve uma base, né?
50:27
Então. Você ficou?
50:28
Assim ficou com aquela lacuninha ali que sempre vai te dar uma
50:32
certa dificuldade e você ter a paciência e de voltar e
50:38
preencher aquela lacuna, pode te dar 11 Salto assim muito grande.
50:44
Pra uma próxima aprendizagem ou até pra tua vida como um todo
50:50
profissionalmente. Então acho bem legal a gente ter
50:54
essa oportunidade de de de preencher essa lacuna contigo.
50:59
Obrigada mesmo, Christian. A gente está aqui num programa
51:02
de dezembro, né? O pessoal pode assistir isso em
51:05
qualquer época do ano, mas também aproveitar aí pra te
51:08
desejar um Feliz Natal. Com certeza breve, né?
51:12
Que você vai ter. EEA?
51:16
Gente, fica aqui para vocês que estão nos seguindo.
51:19
Agradeço esse tempo, esse ano todo que a gente ficou aqui
51:23
conversando, trazendo esses nossos entrevistados.
51:26
E você que está nos seguindo. A gente está também super aberto
51:32
para receber alguma dica, informação ao quem que vocês
51:36
querem que a gente chame aqui? Quem que vocês querem ver do
51:40
outro lado da telinha? Ali é respondendo perguntas para
51:44
vocês em qualquer área que vá ajudar esses profissionais que
51:49
trabalham na área de agricultura.
51:50
Então, se vocês tiverem alguma sugestão, manda para gente aqui
51:55
no aviário. Os próximos convidados.
51:57
Obrigada, Christian. Obrigado.
51:59
Agradeço muito pelo convite. É, espero que esse tempinho aqui
52:04
seja de muito aprendizado, né? Muitas coisas que que
52:08
gostaríamos de falar e que não tem tempo, mas.
52:12
Mas Eu Acredito que conseguimos enxugar o suficiente nós.
52:21
Gostaríamos de reforçar um convite a todos vocês que tenham
52:24
nos acompanhado que se interessam pelos temas do
52:26
aviário podcast. Para que nos enviem sugestões de
52:29
convidados para participar dos nossos episódios, indiquem
52:33
pessoas que tenham relação com qualquer área da agricultura.
52:37
E uma das formas que nós temos de receber essas indicações é
52:40
através do e-mail OE mail vai passar na tela para vocês se
52:44
chama hello@wensenerix.com.br. Fiquem à vontade para indicar
52:50
profissionais que vocês gostariam de ver por aqui, para
52:53
que nós possamos ampliar o nosso material e também a nossa rede
52:56
de Contatos. Nós ficaremos muito felizes com
53:00
as indicações de vocês, muito obrigada.