Latest / O Aviário Podcast · by PPGVET / Dr. Cristian Martinez Garcia: Inteligência de Dados a Campo | Ep. 113

Transcript

Dr. Cristian Martinez Garcia: Inteligência de Dados a Campo | Ep. 113 · O Aviário Podcast · by PPGVET

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