Seis mitos e equívocos a respeito do BI - Business Intelligence

É preciso rever atitudes frente à análise de dados e abandonar alguns conceitos ultrapassados

Quantas das nossas crenças são tão profundas que nunca pensaríamos em questioná-las? Na realidade, mais do que julgamos. Os seres humanos não são tão racionais como pensamos, e, de fato, não há tempo para pesquisar cada alegação que fazemos.

Temos o hábito de repetir o que os outros dizem e aceitar o que dizem como verdade. Algumas dessas premissas são verdadeiras, mas é claro que, em alguns casos, podemos estar sendo levados a acreditar em uma mentira.

Por exemplo, é um equívoco comum que a Grande Muralha da China é a única estrutura feita pelo homem visível do espaço; é possível também observar, a partir do espaço, as cidades e alguns edifícios claramente definidos. Da mesma forma, os Vikings são vulgarmente representados como tendo capacetes com chifres; no entanto, este detalhe da indumentária deste povo foi criado pelo compositor Wagner, na sua ópera The Ring Cycle.

Estes equívocos, infelizmente, não estão restritos a curiosidades interessantes. Mitos e equívocos podem ser encontrados também no mundo dos negócios, muito embora nos protegermos deles possa sair muito caro.

Diante das rápidas alterações na indústria de Business Intelligence (BI) nos últimos dez anos, muitas vezes tendemos acreditar em mitos no que diz respeito à análise de dados. Meu objetivo tentar desfazer alguns deles, assim como conceitos ultrapassados, de uma vez por todas.

Vejamos seis mitos sobre BI:

1 - Apenas os gestores responsáveis por decisões precisam de BI

Apesar de anos de esforço e de enorme investimento, o BI não chega às mãos de todos os responsáveis por processos de decisão. O uso de BI é muitas vezes limitado a um certo número de gestores com poder de decisão dentro de uma organização, e este tipo de ferramenta deve ser acessível a todos os tipos de colaboradores, uma vez que o processo de decisão é cada vez mais amplo dentro das organizações e empresas, e ao fato de todas as decisões precisarem de dados.

Curiosamente, este conceito remonta a estruturas hierárquicas antiquadas no século XIX – muito antes da existência do software. Quando implantado pela primeira vez, o BI utilizou estas estruturas, o que significava que o seu objetivo tinha a ver com auditoria e controle, e não com permitir que as pessoas tomassem melhores decisões através da análise.

Hoje em dia, e apesar do BI ter se tornado mais sofisticado, este pensamento ainda está em vigor, muitas vezes, o que significa que a maioria das pessoas não está extraindo benefícios das camadas extra de dados a que têm acesso.

2 - Uma boa ferramenta BI gera bons relatórios

Quase todos os projetos de BI começam com o objetivo louvável de desenvolver relatórios de gestão. Muitas vezes, relatórios financeiros. E, quase sempre,  é indicado ao departamento de TI o que a ferramenta de BI deve fazer. No entanto, o problema é que a informação que se obtém é estática e “fala” pouco ao usuário.

Isto significa que é quase impossível “interrogar” os dados e, no entanto, a capacidade de análise devia ser a característica chave de um bom sistema de BI. Os usuários  precisam ser capazes de interagir, questionar os dados e construir sistemas de BI que possam ajudar a explorar causas profundas, inter-relações, tendências e mudanças nos dados.

3 - O BI In-Memory resolve o problema da adoção

No mundo moderno, qualquer coisa que demore mais do que uma busca no Google para gerar uma resposta corre o risco de ser abandonada por seus usuários. No entanto, há mais na adoção do que a velocidade em si. Mesmo que sejam rápidos, os sistemas de BI podem tornar-se rígidos devido à falta de um poderoso back-end e ao tempo gasto pelos usuários na produção de relatórios ou visualizações. Resultado? O usuário pode deixar de querer usar os sistemas…

Para criar uma cultura de analítica, o software deve ser rápido, simples de usar e flexível o suficiente para permanecer relevante para o usuário.

4 - Não ter em casa as habilidades analíticas necessárias

Por que pagar analistas e cientistas de dados para interpretar informações? Os seres humanos têm capacidades analíticas naturais, incluindo o reconhecimento de padrões (distinguindo entre aglomerados e pontos individuais), detecção de alterações (notando algo diferente em uma sala) e categorização (detecção de relevância).

Em vez disso, as empresas precisam de um software que democratize a análise de dados para todos e use as habilidades analíticas inatas que todos temos. As organizações precisam democratizar a análise de dados e colocá-la diretamente nas mãos dos seus colaboradores para gerar melhores resultados.

5 - Precisamos de mais recursos visuais para ajudar as pessoas a “obterem” dados

É verdade que cerca de 60% do nosso processamento neural é dedicado a coisas que vemos e, portanto, as visualizações de dados são muito importantes. No entanto, uma imagem por si só não é suficiente. Algumas ferramentas têm visualizações bonitas, mas não permitem a navegação nos dados e, obviamente, esse fato é uma maldição, dadas as capacidades dos gadgets dos dias de hoje, usados por colaboradores/usuários que procuram cada vez mais informações na Internet, através de diversas aplicações.

É fundamental que os usuários possam interagir com as visualizações, para que possam compreender o seu significado e fazer novas descobertas. Olhar para um relatório limitado estática ou interativamente coloca um fim a este processo.

6 - Melhor acesso aos dados significa melhores decisões

Ter toda a informação do mundo não ajudou os banqueiros a evitar a crise financeira de 2009. O fato de os dados estarem lá não significa que eles estejam sendo usados de maneira correta.

A melhoria na capacidade de tomada de decisões requer prática e competência. Estas aptidões nascem do desenvolvimento de competências que ajudam os usuários a protegerem-se de situações inesperadas e de uma maior frequência de determinadas tarefas.

Malcolm Gladwell escreveu que levamos 10 mil horas para que possamos ser especialistas em qualquer atividade. Assim, também os usuários que trabalham com qualquer sistema de BI precisam continuar a praticar a análise de dados. Essa prática vai ajudá-los a tomar decisões mais inteligentes e a descobrir conceitos mais úteis.

Em 2016, as empresas procuram oportunidades de crescimento e é fundamental que não estejam restringidas pelo peso da crença em mitos. Elas precisam rever as suas atitudes frente à análise de dados e tomar medidas para se moverem na direção certa. Em última análise, tomar essas medidas pode melhorar as operações de negócios – que é o objetivo de qualquer empresa. E nesse fato tenho a certeza que podemos sempre acreditar.

fonte
Escrever um comentário (0 Comentários)

9 truques psicológicos que fazem você gastar mais em restaurantes

MENUS SÃO PENSADOS PARA TOTAL LUCRO DOS RESTAURANTES

Quer gastar menos quando come fora? Ou quer, ao menos, saber a razão de gastar tanto? Veja nossa lista. #Analytics

Sair para jantar é uma das coisas mais comuns – e legais – do nosso cotidiano. Mas, com a mesma frequência que vamos ao nosso restaurante preferido, somos vítimas de truques e peripécias dos donos de restaurantes, que contratam consultores para o desenvolvimento de cardápios mais atraentes e que nos fazem gastar mais.  Lógico, isso não quer dizer que o quilo nosso de todo os dias contrate especialistas - mas algumas dessas práticas, usadas por grandes restaurantes, acabaram se popularizando e se tornando comuns até nos estabelecimentos mais simples.  

Veja abaixo a nossa lista e fique por dentro destes jogos psicológicos

1 – Eles não usam símbolos monetários

De acordo com o estudo realizado pela Cornell University School of Hotel Administration, menus com símbolos relacionados ao dólar vendem menos do que cardápios sem “$” ou algo do tipo. Para a pesquisa, assim que o consumidor nota o símbolo, a lembrança remete ao fato de gastar dinheiro e isso faz com que ele aja com mais cuidado. Então colocar valores só com os algarismos e sem o R$ no cardápio é uma forma de diminuir a cautela com que interpretamos o preço do prato.

2 – Números quebrados são importantes

Os designers de menus afirmam que valores terminados em 9, como 9,99, tendem a signifcar valor e não qualidade. E, segundo algumas pesquisas, valores quebrados podem ser considerados “amigáveis - mas disso você já sabe desde a moda das lojas de R$1,99.

3 – Descrever a comida aumenta o número de vendas

Um meno descritivo sempre anima o consumidor, afirma pesquisa da Cornell University. Especificamente, menus com pratos explicados de maneira até levemente romântica (sabor frutado, textura delicada e suave, etc. etc.) vendem 27% a mais do que menus comuns, diz o resultado do estudo da Universidade de Illinois.

Para o engenheiro de menus Greg Rapp , esse tipo de cardápio “traz o máximo da sensação ao consumidor, aumentando as chances do cliente se sentir satisfeito após a refeição”. Outro fator que também pesa para a formulação dos menus é o uso de grandes marcas dentro dessa descrição (sobremesa feita com sorvete X, por exemplo).

4 - Eles ligam comida à família

Consumidores gostam quando nomes os nomes dos estabelecimentos têm ligações familiares. Com esse tipo de conexão com o cliente, a meta dos restaurantes é apelar para a nostalgia. Então desconfie quando você encontrar a "Macarronada da Mama" ou o "Filé do Tio".

5 – Restaurantes usam termos étnicos para parecerem mais autênticos

De acordo com o experimento realizado pela Oxford, um termo étnico ou geográfico pode atrair a atenção do consumidor para  o tipo de comida daquele local, evocando sabores e texturas. 

6 – Itens extremamente caros chamam a atenção para os mais baratos

De acordo com Greg Rapp, restaurantes usam artigos muito caros para destacar os baratos. A ideia é fazer com que você não compre o caro, mas crie razões para levar o “baratinho”, que nem sempre é tão barato quanto parece ao lado de um valor mais elevado.  De acordo com um artigo da New York Magazine, a única função de um prato com valor de três dígitos no cardápio é dar a impressão de que todo o resto é uma grande barganha - mesmo que não seja.

7 – Restaurantes oferecem dois tamanhos de porções para um mesmo produto

Essa é uma estratégia chamada bracketing, em que o consumidor não possui ideia do tamanho da porção menor, mas assume que o valor vale a pena. Porém, a intenção do restaurante é a de que o cliente realmente compre a menor, para isso inflacionam a porção maior.

8 – Eles analisam os nossos padrões de leitura

Os restaurantes analisam padrões chamados scanpaths - pontos onde as pessoas fixam os olhos para a leitura.

De acordo com um estudo coreano, um terço das pessoas está suscetível a pedir o que lhe chamou a atenção de primeira. Por isso, restaurantes colocam os itens mais caros no canto superior esquerdo, já que é o caminho natural tomado pela nossa vista. 

Essa estratégia também se dá em relação aos valores dos pratos. Colocando um primeiro item com maior valor, todos os outros poderão parecer ótimos preços, como explicamos no item 7.

9 – Eles criam um clima para gastar

De acordo com um estudo da Universidade de Leicester, tocar música clássica em um restaurante pode encorajar o cliente a gastar mais. No entanto, música pop faz com que pessoas gastem 10% a menos.

fonte
Escrever um comentário (0 Comentários)

IBGE publica Plano de Dados Abertos

Pesquisas, estatísticas e indicadores serão disponibilizados em formato aberto

Pesquisadores, professores universitários, estudantes, empresários, representantes de Organizações da Sociedade Civil e demais cidadãos serão beneficiados com a publicação de dados abertos pelo Instituto Brasileiro de Geografia e Estatística (IBGE). Todas as pesquisas, estatísticas e indicadores elaborados pelo instituto serão publicados em formato aberto. Divulgado na última semana, o calendário de disponibilização está no Plano de Dados Abertos (PDA) do IBGE para o próximo biênio.

“A missão do IBGE é retratar o Brasil com informações necessárias ao conhecimento de sua realidade e ao exercício da cidadania. Portanto, para o instituto é fundamental dar transparência aos dados que são produzidos”, explica Arnaldo Barreto, diretor substituto de Informática do IBGE. Para ele, a elaboração do PDA pelo órgão é um marco para a implantação de um instrumento de planejamento e coordenação de ações de divulgação de dados.

Dados e metadados do Cadastro Central de Empresas, do Censo Agropecuário, do Censo Demográfico e do Índice Nacional de Preços ao Consumidor Amplo (IPCA) são exemplos de pesquisas e indicadores que já foram disponibilizados em formato aberto pelo IBGE. Encontram-se também divulgados dados abertos da Contagem da População, da Classificação Nacional de Atividades Econômicas, Pesquisa Anual de Serviços e da Pesquisa das Características Étnico-raciais da População.

Segundo Barreto, a publicação de dados abertos para a sociedade é um ganho para a elaboração e desenvolvimento de ações governamentais. “A discussão de políticas públicas entre o cidadão e o governo fica mais madura, pois se baseia em fatos e dados oficiais, construídos com metodologias internacionalmente aceitas e coletadas de maneira transparente”, afirma o diretor substituto.

Dados Abertos

A divulgação do PDA pelo IBGE atende ao estabelecido pelo Decreto nº 8.777, de maio de 2016, que criou a Política de Dados Abertos da Administração Pública Federal (APF). Os dados são abertos quando podem ser tratados e trabalhados por pessoas e máquinas. Qualquer cidadão pode livremente usá-los, reutilizá-los e redistribuí-los, estando sujeito, no máximo, à exigência de creditar a sua autoria.

“De acordo com o decreto, todos os órgãos federais têm de elaborar o seu planejamento e a equipe de Dados Abertos do Ministério do Planejamento está à disposição para auxiliar os órgãos neste trabalho”, afirma Marcelo Pagotti, secretário de Tecnologia da Informação do Ministério do Planejamento, Desenvolvimento e Gestão (MP).

O Portal de Dados Abertos (dados.gov.br) conta atualmente com 1.122 conjuntos de dados em formato aberto.

fonte
Escrever um comentário (0 Comentários)

Melhores práticas: Dados Na Web – #4 Forneça metadados com informações estruturais

Metadados - Medialab Prado

E chegou a vez da quarta melhor prática que vai ser recomendada no documento de Melhores Práticas para Dados na Web, que ainda é sobre metadados. Se você ainda não leu as primeiras melhores práticas, elas estão aqui: BP1, BP2, BP3.

BP4: Forneça metadados com com informações estruturais

Forneça metadados que descrevam o esquema e a estrutura interna dos datasets que você vai distribuir.

O fornecimento de informações sobre a estrutura interna de uma distribuição é essencial para outros que desejem explorar ou consultar o conjunto de dados. Fornecer metadados com informações estruturais também ajuda as pessoas a compreender o significado dos dados.

Resultado esperado

Humanos serão capazes de interpretar o esquema de um conjunto de dados, bem como os software agents serão capazes de processar automaticamente estas informações.

Possível Implementação

Mas o que são metadados sobre a estrutura?

Metadados com informações estruturais que humans podem ler facilmente geralmente pfornecem propriedades ou nomes das colunas do esquema do dataset. Já dados com informações sobre a estrutura que são legíveis por máquina podem ser fornecidos em documentos separados, ou embedados dentro do próprio documento. A documentação do Tabular Metadata, do JSON-LD, do XML-SCHEMA ou do Datacube apresenta explicações completas e alternativas para uso na descrição da estrutura dos seus datasets.

Exemplos de uso desses metadados:

Legíveis por máquina:

John usou o Modelo para dados Tabulares e Metadados na Web para a publicação do CSV (dataset) sobre paradas de ônibus (stops-2015-05-05.csv). Veja como foram escritos os metadados para as estruturas dos dados no exemplo abaixo:


{
	"@context": ["http://www.w3.org/ns/csvw", {
		"@language": "en"
	}],
	"url": "http://data.mycity.example.com/transport/dataset/bus/stops-2015-05-05.csv",
	"dc:title": "CSV distribution of stops-2015-05-05 dataset",
	"dcat:keyword": ["bus", "stop", "mobility"],
	"dc:publisher": {
		"schema:name": "Transport Agency of MyCity",
		"schema:url": {
			"@id": "http://example.org"
		}
	},
	"dc:license": {
		"@id": "http://opendefinition.org/licenses/cc-by/"
	},
	"dc:modified": {
		"@value": "2015-05-05",
		"@type": "xsd:date"
	},
	"tableSchema": {
		"columns": [{
			"name": "stop_id",
			"titles": "Identifier",
			"dc:description": "An identifier for the bus stop.",
			"datatype": "string",
			"required": true
		}, {
			"name": "stop_name",
			"titles": "Name",
			"dc:description": "The name of the bus stop.",
			"datatype": "string"
		}, {
			"name": "stop_desc",
			"titles": "Description",
			"dc:description": "A description for the bus stop.",
			"datatype": "string"
		}, {
			"name": "stop_lat",
			"titles": ["Latitude"],
			"dc:description": "The latitude of the bus stop.",
			"datatype": "number"
		}, {
			"name": "stop_long",
			"titles": "Longitude",
			"dc:description": "The longitude of the bus stop.",
			"datatype": "number"
		}, {
			"name": "zone_id",
			"titles": "ZONE",
			"dc:description": "An identifier for the zone where the bus stop is located.",
			"datatype": "string"
		}, {
			"name": "stop_url",
			"titles": "URL",
			"dc:description": "URL that identifies the bus stop.",
			"datatype": "string"
		}],
		"primaryKey": "stop_id"
	}
}

Para um exemplo desse mesmo tipo de metadados com dados legíveis por humanos, veja esta página.

Para ter certeza de que está fazendo uso da 4a melhor prática, verifique sempre se os metadados do dataset estão em formato que humanos consigam interpretar. Confira se os metadados incluem informações sobre a estrutura dos seus datasets em formatos que sejam legíveis por máquina e sem erros de sintaxe, de preferência. :-)

fonte

Escrever um comentário (0 Comentários)

Melhores práticas: Dados Na Web – #3 Forneça metadados com parâmetros de localidade

Exemplo de imagem de localização

Continuando a série de posts (que iniciou com as BP1 e BP2) sobre o documento do grupo do W3C, o WG DWBP, vou comentar traduzindo a terceira melhor prática.

BP3: Forneça metadados com parâmetros de localidade

Forneça metadados com parâmetros de localidade, ou seja, que descrevem data, hora e formatos de número, bem como linguagem em que os dados estão publicados.

Fornecer parâmetros de localidade ajuda humanos e aplicações de computador a funcionarem com precisão na hora de interpretar dados que identificam datas, moedas e números que podem parecer semelhantes, mas têm significados diferentes em diferentes localidades. Por exemplo, o ‘date’ 4/7 pode ser lido como 07 de abril ou 04 de julho, dependendo de onde os dados foram criados. Da mesma forma € 2.000 é ou dois mil euros ou uma representação de dois Euros com zeros em excesso. Tornando o local e linguagem explícita você dá a chance dos usuários descobrirem quais são os dados e a que se referem, interpretando-os de acordo com normas locais. Isso também tem o mesmo efeito sobre os serviços de tradução automática.

Ao lado, um exemplo de imagem de aplicativo que utiliza metadados de parâmetros de localidade para identificar funções para o usuário. Retirado de: https://flic.kr/p/68xJNx

Resultado esperado

Os seres humanos e os agentes de software vão poder interpretar o datasets que contem datas, horas, moedas,  números etc, com precisão. 

Possível Implementação

Alguns exemplos de parâmetros de localidade são:

O(s) idioma(s) do conjunto de dados;

Os formatos utilizados para valores numéricos, datas e hora. A versão legível por máquina dos metadados pode ser fornecida de acordo com o vocabulário recomendado pelo W3C para descrever conjuntos de dados, ou seja, o catálogo para vocabulários de dados, ou VOCAB-DCAT.

Veja o exemplo abaixo que traz metadados de localidade:

O dataset abaixo traz dados das paradas de ônibus (stops-2015-05-05) com a inclusão de metadados de parâmetros de localidade. A propriedade dct:language é utilizada para declarar as linguagens nas quais um dataset está publicado. Se o dataset está disponível em múltiplas linguagens, use múltiplos valores para esta propriedade. A propriedade dct:conformsTo é utilizada para especificar o padrão adotado para formato de data e hora.


:stops-2015-05-05
      a dcat:Dataset ;
      dct:title "Bus stops of MyCity" ;
      dcat:keyword "transport","mobility","bus" ;
      dct:issued "2015-05-05"^^xsd:date ;
      dcat:contactPoint <http://data.mycity.example.com/transport/contact> ;
      dct:temporal <http://reference.data.gov.uk/id/year/2015> ;
      dct:spatial <http://www.geonames.org/3399415> ;
      dct:publisher :transport-agency-mycity ;
      dct:accrualPeriodicity <http://purl.org/linked-data/sdmx/2009/code#freq-A> ;
      dcat:theme :mobility ;
      dcat:distribution :stops-2015-05-05.csv ;
      dct:language <http://id.loc.gov/vocabulary/iso639-1/en> ;
      dct:language <http://id.loc.gov/vocabulary/iso639-1/pt> ;
      dct:conformsTo <http://www.iso.org/iso/home/standards/iso8601.htm> ; 
.

Aqui você confere um exemplo com esse tipo de metadados em formato legível por humanos.

Antes de publicar seus dados, tenha a certeza de que os metadados incluem informação sobre os parâmetros de localidade em formato que seja legível por humanos. Além disso, cheque também se o dataset tem informação sobre localidade em formato legível por máquinas. Isso é importante para permitir a integração de produtos que utilizam estes dados em múltiplas plataformas (aplicativos, sites web, redes sociais), facilitando na entrega de dados ao usuário consumidor.

fonte

Escrever um comentário (0 Comentários)

Melhores práticas: Dados Na Web – #2 Forneça Metadados Descritivos!

Metadados são um recado de amor pro futuro

Ontem saiu o post sobre a Primeira Melhor Prática, que é Forneça Metadados. A segunda melhor prática do documento Melhores Práticas para Dados na Web, produzidas pelo WG DWBP, comento hoje.

BP2: Forneça metadados descritivos

Forneça metadados que descrevam as funcionalidades em geral dos datasets e distribuições.

Fornecer informação descritiva sobre os datasets permite que os user agents descubram automaticamente os datasets disponíveis na Web, além de permitir aos humanos entender a natureza do dataset e suas distribuições.

Resultado esperado

Fazendo isso os humanos serão capazes de interpretar a natureza dos dados no dataset e suas distribuições. Além disso os software agents vão descobrir automaticamente os datasets e suas distribuições.

Dados em uma publicação WEB

Possível Implementação

Metadados descritivos podem incluir as seguintes funcionalidades de um dataset:

  • O título e a descrição do dataset
  • Palavras-chave que descrevem o conteúdo
  • A data da publicação do dataset
  • A entidade responsável por tornar os dados disponíveis
  • O ponto de contato sobre o dataset
  • A cobertura geográfica do dataset
  • O período temporal que o dataset cobre
  • os temas ou categorias de um determinado dataset

Metadados descritivos podem incluir as seguintes funcionalidades de uma distribuição:

  • O título e a distribuição da distribuição
  • A data da publicação da distribuição
  • o tipo de mídia da distribuição

A versão legível por máquinas dos dados descritivos pode ser fornecida utilizando algum vocabulário recomendado pelo W3C, feito específicamente para descrever datasets. Por exemplo o Data Catalog Vocabulary. Ele fornece um framework para descrever no qual datasets podem ser descritos como entidades abstratas.

Veja o exemplo abaixo que traz dados legíveis por máquinas:

Ele mostra como utilizar o Data Catalog Vocabulary(DCAT) para fornecer dados que possam ser lidos por máquina para o dataset sobre paradas de ônibus (stops-2015-05-05). O dataset tem uma distribuição em .csv (stops-2015-05-05.csv) que também é descrita utilizando o >Data Catalog Vocabulary(DCAT).O dataset está classificado sobre o domínio representado pela URI relativa “mobilidade”.
Este domínio pode ser definido como parte de um set de domínios identificados pelos temas da URI. Para descrever ambos os conceitos e os conceitos do esquema, John utilizou o SKOS. Para expressar frequência de atualização, uma instância das “Content-Oriented Guidelines”, desenvolvidas como parte do vocabulário do W3C “Data Cube” foi utilizada. John escolher descrever a cobertura espacial e temporal do dataset usando URIs do Geonames e o Interval dataset, do data.gov.uk, respectivamente.

:stops-2015-05-05
a dcat:Dataset ;
dct:title "Bus stops of MyCity" ;
dcat:keyword "transport","mobility","bus" ;
dct:issued "2015-05-05"^^xsd:date ;
dcat:contactPoint <http://data.mycity.example.com/transport/contact> ;
dct:temporal <http://reference.data.gov.uk/id/year/2015> ;
dct:spatial <http://www.geonames.org/3399415> ;
dct:publisher :transport-agency-mycity ;
dct:accrualPeriodicity <http://purl.org/linked-data/sdmx/2009/code#freq-A> ;
dcat:theme :mobility ;
dcat:distribution :stops-2015-05-05.csv ;
.
:mobility
a skos:Concept ;
skos:inScheme :themes ;
skos:prefLabel "Mobility"@en ;
skos:prefLabel "Mobilidade"@pt
.
:themes
a skos:ConceptScheme ;
skos:prefLabel "A set of domains to classify documents" ;
.
:stops-2015-05-05.csv
a dcat:Distribution ;
dct:title "CSV distribution of stops-2015-05-05 dataset" ;
dct:description "CSV distribution of the bus stops dataset of MyCity" ;
dcat:mediaType "text/csv" ;
.

Aqui você pode também dar uma olhada em um exemplo de metadados descritivos direcionados ao entendimento de humanos.

Viu? A segunda melhor prática do documento também não é um bicho de sete cabeças. Na verdade, a prática do uso de metadados descritivo é promessa de ganho ao longo do tempo, uma vez que, quanto mais metadados, quanto mais ricos eles são e quanto mais padronizados, mais fácil de utilizá-los para fazer cruzamentos e leituras dos mesmos.

fonte

Escrever um comentário (0 Comentários)