ARQUITETURA E ESTRATÉGIA DE DADOS - Online

COMPETÊNCIAS DISCIPLINARES 

O curso integra IA em todas as disciplinas como apoio para acelerar atividades práticas, aprofundar conhecimentos e fortalecer o vínculo entre conhecimento técnico, objetivos de negócio e competências comportamentais

Módulo 1: Fundamentos e Estratégia de Dados

Fundamentos de Arquitetura de Dados Corporativa

Ao final da disciplina, os alunos deverão ser capazes de:

• Diferenciar os conceitos de engenharia, arquitetura e estratégia de dados

• Identificar e aplicar os princípios fundamentais da arquitetura de dados corporativa

• Projetar arquiteturas completas com componentes de ingestão, processamento, armazenamento, acesso e consumo

• Avaliar e selecionar tecnologias core como SGBDs relacionais, NoSQL, Data Lakes, Lakehouses e arquiteturas em cloud

• Traduzir requisitos de negócios em especificações técnicas e requisitos arquiteturais

• Utilizar IA para documentação automatizada, validação de arquitetura e análise de requisitos

Estratégia Corporativa de Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos da estratégia de dados e identificar oportunidades estratégicas de uso de dados

• Desenvolver iniciativas para construção de cultura data driven e promoção de data literacy

• Estruturar componentes estratégicos como governança, arquitetura, qualidade, segurança e interoperabilidade

• Aplicar métodos e frameworks para criação, validação e execução de estratégias de dados

• Definir objetivos, indicadores e métricas para avaliação de sucesso e impacto organizacional

• Utilizar IA para diagnóstico estratégico, definição de objetivos e apresentação executiva

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos do tratamento de dados como produto e aplicar o pensamento estratégico (product thinking)

• Planejar e gerenciar o ciclo de vida de produtos de dados, da concepção à evolução

• Identificar oportunidades e definir métricas de sucesso, indicadores de uso e ROI para produtos de dados

• Alinhar stakeholders e promover integração entre áreas técnicas e de negócio

• Aplicar modelos de governança e utilizar ferramentas para gerenciamento de produtos de dados

• Utilizar IA para automação de validações, geração de documentação e personalização de experiências

Liderança Técnica em Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Desenvolver habilidades de liderança técnica em ambientes data-driven e multidisciplinares

• Estruturar e gerir equipes de engenharia e arquitetura de dados com foco em desempenho e alinhamento estratégico

• Planejar e conduzir projetos de dados, considerando escopo, cronograma, riscos e entregáveis

• Promover comunicação eficaz entre áreas técnicas e executivas, gerenciando conflitos e motivando equipes

• Aplicar IA para análise preditiva, geração de planos de ação e gestão de gargalos em projetos técnicos

• Elaborar planos de liderança técnica alinhados aos objetivos de negócio e à estratégia de dados

Projeto de Arquitetura e Estratégia de Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Definir arquiteturas de dados alinhadas aos objetivos de negócio, considerando requisitos funcionais e não funcionais

• Identificar e priorizar atributos de qualidade como escalabilidade, disponibilidade, interoperabilidade, segurança e governança

• Projetar arquiteturas orientadas a domínios e produtos de dados, aplicando padrões modernos como data mesh, lakehouse e event-driven

• Selecionar e aplicar frameworks e tecnologias adequadas, incluindo bancos de dados, plataformas de streaming, ETL/ELT e soluções em nuvem

• Integrar protocolos e especificações técnicas para garantir interoperabilidade entre componentes arquiteturais

• Utilizar IA para geração de documentação, recomendação de padrões, análise preditiva de requisitos e automação de testes
  

Módulo 2: Governança, Compliance e Privacidade

Governança de Dados e Compliance

Ao final da disciplina, os alunos deverão ser capazes de:

• Aplicar o framework DMBoK na estruturação da governança de dados organizacional

• Implementar políticas e procedimentos para gestão de metadados e catálogo de dados

• Avaliar riscos e garantir compliance com LGPD, GDPR e outras legislações

• Utilizar assistentes de IA para automação de políticas e documentação técnica

• Aplicar princípios de Governança 2.0 com foco em ética e agilidade na gestão

• Desenvolver projetos práticos de governança em ambientes data-driven

Governança de Privacidade e Proteção de Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Classificar dados pessoais e aplicar princípios legais de tratamento conforme LGPD

• Elaborar e interpretar o Relatório de Impacto à Proteção de Dados Pessoais (RIPDP)

• Gerenciar consentimentos, preferências e direitos dos titulares de dados

• Implementar práticas de anonimização, pseudonimização e término de dados

• Utilizar IA para avaliação automatizada de riscos e conformidade em privacidade

• Desenvolver e aplicar um Programa de Governança em Privacidade e Proteção de Dados (PGPPD)
  

Módulo 3: Inteligência, Monitoramento e Analytics

Data Discovery e Analytics

Ao final da disciplina, os alunos deverão ser capazes de:

• Aplicar técnicas de análise exploratória de dados (EDA) para identificação de padrões e insights

• Formular problemas de negócio com base em pensamento analítico orientado a dados

• Avaliar a qualidade dos dados e aplicar técnicas básicas de limpeza e transformação

• Criar visualizações eficazes e dashboards interativos para diferentes públicos e objetivos

• Utilizar ferramentas OLAP e IA Generativa para geração automatizada de insights e storytelling

• Desenvolver narrativas analíticas com suporte de engenharia de prompt e dashboards inteligentes

Monitoramento e Observabilidade

Ao final da disciplina, os alunos deverão ser capazes de:

• Diferenciar os conceitos de monitoramento e observabilidade e aplicar seus pilares fundamentais

• Projetar arquiteturas observáveis em ambientes cloud-native e microsserviços

• Utilizar ferramentas como OpenTelemetry, Observability Stacks e pipelines de observabilidade

• Integrar práticas de SRE e estratégias de SLO/Error Budgeting na gestão de confiabilidade

• Aplicar logs, métricas e tracing para gerar alertas, dashboards e relatórios de performance

• Utilizar IA para predição de falhas, análise de anomalias e resposta autônoma

IA Generativa na Arquitetura de Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos da IA Generativa e seus impactos na arquitetura e gestão de dados corporativos

• Aplicar engenharia de prompt para geração de SQL, documentação técnica e recomendações arquiteturais

• Projetar pipelines ETL/ELT automatizados com suporte de IA, incluindo otimização de queries e debugging inteligente

• Utilizar IA para catalogação, documentação e validação arquitetural, com identificação de padrões e anti-padrões

• Empregar técnicas de IA para análise de qualidade de dados, como detecção de anomalias e geração de regras de validação

• Avaliar e aplicar conceitos de AI-as-a-Service, AI Gateways e práticas de governança de IA em ambientes de dados
  

Módulo 4: Arquiteturas e Tecnologias de Dados

Orquestração e Integração de Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Identificar tipos de dados e montar conjuntos de dados aplicando técnicas de enriquecimento, limpeza e feature engineering

• Projetar pipelines de dados utilizando abordagens ETL e ELT integradas a Data Lakes, Data Warehouses e Lakehouses

• Implementar orquestração de fluxos de dados com escalonamento de jobs e reprocessamento baseado em eventos

• Selecionar e aplicar orquestradores open-source e soluções em cloud para automação de pipelines

• Desenvolver estratégias de resiliência em migração e correção de dados, como expurgo, deduplicação e reconciliação

• Utilizar IA para enriquecimento automático, geração de metadados, documentação inteligente e identificação de inconsistência

Arquiteturas de Data Lakes, Lakehouses e Warehouses

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos e diferenças entre Data Lakes, Lakehouses e Data Warehouses, incluindo suas arquiteturas e aplicações

• Projetar arquiteturas de dados com alta disponibilidade e escalabilidade, organizando camadas e fluxos de dados

• Aplicar conceitos de schema on-write e schema on-read, avaliando implicações técnicas e estratégicas

• Desenvolver modelagem dimensional e construir dimensões para engines de Data Warehousing com foco em performance

• Comparar soluções on-premise e em nuvem, considerando trade-offs técnicos e operacionais

• Utilizar IA para modelagem automática, otimização de queries, documentação e automação de processos em arquiteturas de dados

Arquiteturas de Streaming e Processamento em Tempo Real

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos de processamento de data streams e os principais conceitos de latência, throughput e trade-offs em sistemas distribuídos

• Diferenciar modelos de processamento como batch, streaming, micro-batching e processamento contínuo, aplicando-os conforme o contexto

• Projetar arquiteturas orientadas a eventos integradas com Data Lakes e Data Warehouses, utilizando serviços gerenciados e soluções serverless

• Aplicar padrões de design para processamento de data streams, como filtragem, agregação, enriquecimento e junção

• Implementar práticas de governança, segurança e monitoramento em arquiteturas de streaming

• Utilizar IA para detecção de anomalias, automação de decisões e otimização de arquiteturas em tempo real

Data Mesh e Arquiteturas Distribuídas de Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos do Data Mesh e das arquiteturas descentralizadas de dados

• Planejar e implementar estratégias de Data Mesh em ambientes corporativos, incluindo serviços de consumo e contratos de dados

• Avaliar alternativas arquiteturais distribuídas, considerando aspectos de governança, segurança e conformidade

• Selecionar tecnologias e ferramentas para habilitação de Data Mesh e integração entre domínios de dados

• Identificar desafios técnicos, organizacionais e culturais na adoção de arquiteturas distribuídas

• Utilizar IA para recomendação de produtos de dados, geração de documentação, análise de dependências e automação de políticas de governança

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos da arquitetura de dados em ambientes cloud e multicloud, incluindo seus componentes essenciais

• Projetar arquiteturas escaláveis, resilientes e orientadas a produtos de dados, utilizando plataformas e tecnologias modernas

• Aplicar práticas de segurança, conformidade e governança em ambientes distribuídos

• Definir políticas de backup, recuperação, replicação e versionamento de dados em soluções baseadas em nuvem

• Utilizar ferramentas de orquestração e IA para automação de processos, recomendação de configurações e geração de documentação

• Avaliar custos, elasticidade e trade-offs entre diferentes modelos de implantação em nuvem

Humanidades

Ao final da disciplina, os alunos deverão ser capazes de:

• Refletir sobre o papel da ética e da espiritualidade no contexto científico e tecnológico

• Avaliar os impactos sociais e humanistas do uso de dados e tecnologia

• Desenvolver uma ética profissional sólida em ambientes de trabalho colaborativos e tecnológicos