Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Big data: tendências e oportunidades - Palestrante: Alexandre G. Evsukoff

621 views

Published on

Rio Info 2013
Tecnologias Inovadoras
17 de setembro - 14h às 18h
Big data: tendências e oportunidades
Palestrante: Alexandre G. Evsukoff

Published in: Technology
  • Be the first to comment

Big data: tendências e oportunidades - Palestrante: Alexandre G. Evsukoff

  1. 1. Big Data: Tendências e Oportunidades Alexandre G. Evsukoff alexandre.evsukoff@fgv.br
  2. 2. Google Trends Acessado em 17/09/2013 http://www.google.com/trends/
  3. 3. Hype Cycle for Emerging Technologies 2013 http://www.gartner.com/newsroom/id/2575515
  4. 4. http://www.slideshare.net/ofermend/data-science-with-hadoop-a-primer-24112930
  5. 5. http://www.hedonometer.org/index.html
  6. 6. Mitchell L, Frank MR, Harris KD, Dodds PS, et al. (2013) The Geography of Happiness: Connecting Twitter Sentiment and Expression, Demographics, and Objective Characteristics of Place. PLoS ONE 8(5): e64417. doi:10.1371/journal.pone.0064417 http://www.plosone.org/article/info:doi/10.1371/journal.pone.0064417
  7. 7. http://newsroom.fb.com/Trends/701/2013-NCAA-College-Football-Season-Kicks-Off-on-Facebook
  8. 8. http://www.websci11.org/fileadmin/websci/Papers/92_paper.pdf
  9. 9. http://www3.weforum.org/docs/WEF_TC_MFS_BigDataBigImpact_Briefing_2012.pdf
  10. 10. http://www.mckinsey.com/insights/americas/us_game_changers
  11. 11. http://www.mckinsey.com/insights/americas/us_game_changers
  12. 12. http://www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_for_innovation
  13. 13. FGV Big Data Analytics  Gestão e Qualidade de Dados  Qualidade de Dados  Gestão baseada em Dados  Direito e Privacidade de Dados  Análise e Modelagem de Dados  Estatística  Mineração de Dados  Mineração de Textos  Análise de redes sociais  In-database anaytics  Escalabilidade  Hadoop/Map reduce  NoSQL
  14. 14. Padrões de Mobilidade Humana na Região Metropolitana do RJ Apoio: Instituições:
  15. 15. “Call detail records” (CDRs) OPERATOR A OPERATOR B OPERATOR A DATABASE NETWORK A NETWORK B OPERATOR B DATABASE http://en.wikipedia.org/wiki/Call_detail_record
  16. 16. Área de estudo  Os registros são do DDD 21, que corresponde aproximadamente à Região Metropolitana do Rio de Janeiro. http://pt.wikipedia.org/wiki/Regi%C3%A3o_Metropolitana_do_Rio_de_Janeiro
  17. 17. A base de dados Apenas chamadas realizadas
  18. 18. Atividade diária (seg-sex) 0 1,000,000 2,000,000 3,000,000 4,000,000 5,000,000 6,000,000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Horas Númerodechamadas
  19. 19. 6:00 Concentração de usuários
  20. 20. 12:00 Concentração de usuários
  21. 21. 18:00 Concentração de usuários
  22. 22. 24:00 Concentração de usuários
  23. 23. Equipe  Alexandre G. Evsukoff (Coppe/EMAp)  Nelson F. F. Ebecken (Coppe)  Moacyr Alvim (EMAp)  Antonio C. S. Branco (EMAp)  Júlio Cesar Chaves (EMAp)  Carlos André R. Pinheiro (KU Lueven)  Nuno Crokidakis (PUC-Rio)  Marta Gonzalez (MIT)  Serdar Colak (MIT)

×