Governança e Ciência de Dados

GOVERNANÇA DE DADOS

O Ministério da Educação juntamente com a STIC e a SEGAPE, está trabalhando no projeto “Concepção e Implementação de uma Política de Governança de Dados da Educação do Brasil” (TED 13169), com a Universidade Federal de Alagoas (UFAL) como instituição Proponente. O objetivo deste projeto é aprimorar a qualidade e a segurança dos dados educacionais por meio da estruturação de uma Política de Governança de Dados Educacionais. O prazo estimado é de 36 meses, podendo ser prorrogado de acordo com o disposto no art. 10 do Decreto n° 10.426, de 2020.

Benefícios

A Política de Governança de Dados da Educação do Brasil (GDE.BR) oferecerá vários benefícios para as redes educacionais, incluindo:

● Melhor interoperabilidade;

● Melhoria na qualidade dos dados;

● Alocação otimizada de recursos;

● Tomada de decisões baseada em dados e evidências.

Além disso, o Ministério da Educação (MEC) terá subsídios para realizar uma supervisão mais centralizada e personalizada, facilitando a formulação de políticas públicas que atendam às necessidades dos entes federativos, permitindo uma alocação eficiente de recursos e aprimorando as capacidades de monitoramento e avaliação.

Definição

Para definição do TED 13169, será construído:

● Um diagnóstico da situação atual no contexto de Governança de Dados na educação;

● A definição de uma norma técnica com um padrão de interoperabilidade de dados;

● A definição de uma arquitetura conceitual para integração entre sistemas no ambiente da educação.

● Formação e capacitação de recursos humanos e;

● Suporte a implementação, em termos de políticas públicas, junto às redes de educação.

Para um melhor acompanhamento do projeto:

Diário de Bordo Projeto Politica de Governança de Dados

CIÊNCIA DE DADOS

Ciência de Dados é um subconjunto da inteligência artificial (IA) e se refere mais às áreas sobrepostas de estatísticas, métodos científicos e análise de dados - todas as quais são usadas para extrair significado e percepções dos dados. O seu intuito é justamente identificar dados, armazená-los corretamente e realizar a devida análise — e o descarte do que é desnecessário. É possível analisar dados estruturados e não estruturados, visando, sobretudo, à extração de conhecimento para uma tomada de decisão. A CGDA tem como objetivo facilitar e dar suporte às atividades de Gestão e Governança de Dados e à tomada de decisão dos gestores de dados das áreas finalísticas do Ministério da Educação (MEC). Segue a aplicação dos Três (3) níveis dentro da CGDA:

● Em nível estratégico: apoio/aconselhamento na tomada de decisão por parte dos gestores da informação e das demandas estratégicas de melhoria de dados e informações.

● Em nível tático: mentorias aos gestores de dados de negócio em tópicos ligados ao modelo de Governança de Dados utilizado no MEC;

● Em nível operacional: mão-de-obra especializada para execução de projetos e tarefas rotineiras;

Metodologia CRISP-DM

Cross-industry standard process for data mining (Processo padrão inter-industriais para mineração de dados, ou Crisp-DM) é uma metodologia, desenvolvida em 1999 para padronizar processos industriais de mineração de dados, que fornece uma abordagem clara e bem estruturada para processos que envolvem projetos de ciência de dados em geral (mineração, análise, aprendizado de máquina, etc.). Mesmo que não mencionada explicitamente, a maioria das equipes de ciência de dados utilizam alguma metodologia similar a CRISP-DM ou combinação dela com outras metodologias de desenvolvimento de software.

Fases da Crisp-DM

A Crisp-DM é composta por um conjunto de passos que devem ser seguidos no ciclo de vida de um projeto de ciência de dados. Tais passos (ou etapas) ajudam a planejar, organizar e implementar o projeto de ciência de dados. Além disso, cada um desses passos ajuda a encontrar respostas das seguintes questões

● Entendimento do negócio: o que o negócio precisa?

● Entendimento dos dados: que dados temos? quais dados precisamos? os dados estão "limpos"?

● Preparação dos dados: como organizamos os dados para a etapa de modelagem?

● Modelagem: quais técnicas de modelagem podemos aplicar ao nosso problema? e quais devemos utilizar?

● Avaliação: qual modelo atende melhor aos objetivos de negócios?

● Implantação: como as partes interessadas acessem os resultados do projeto? Uma visão geral da Crisp-DM é apresentada na Figura abaixo.

Projetos Desenvolvidos

● TERMÔMETRO DE VOTAÇÃO

● PERFIL DO ALUNO DA JORNADA DO ESTUDANTE

● PERFIL DAS IES DA JORNADA DO ESTUDANTE

● RECONHECIMENTO DE PADRÕES E MONITORAMENTO DO PAGAMENTO DE BOLSAS

● PREDIÇÃO PARA O VOLUME DE INSCRIÇÕES PARA EDIÇÕES FUTURAS DO SISU

● SISTEMA PARA AUXÍLIO NA TOMADA DE DECISÃO

● DASHBOARD JORNADA DO ESTUDANTE [ADMINISTRATIVO, PREVISÃO DE ENGAJAMENTO, PREDIÇÃO DO VOLUME DE SOLICITAÇÕES, AMBIENTE GAMIFICADO COM IA]

● SISTEMA PREDITIVO PARA VOLUME DE PROFISSIONAIS DA ÁREA DA EDUCAÇÃO