Dados

 Nota: Para outros significados, veja Dado.
Dados
Diagrama em português mostrando dados geográficos, culturais, científicos, financeiros, estatísticos, meteorológicos, naturais e de transporte
Dados são registros de fatos, observações e medidas. O contexto permite interpretá-los e transformá-los em informações úteis.
ConteúdoFatos, valores, medições e observações
FormasNúmeros, textos, imagens, sons e outros registros
NaturezaQualitativos ou quantitativos
OrganizaçãoEstruturados, semiestruturados ou não estruturados
RepresentaçãoAnalógica ou digital
OperaçõesColeta, armazenamento, processamento e análise
CuidadosContexto, qualidade, segurança e privacidade

Dados são registros de fatos, observações ou medidas, como a temperatura anotada por um termômetro, as respostas a uma pesquisa ou o número de habitantes de uma cidade. Podem ser guardados, compartilhados e analisados, mas um número ou uma palavra isolada só faz sentido quando se sabe o que foi observado e em quais circunstâncias.

Esses registros podem assumir a forma de números, textos, imagens, sons e sequências de símbolos. Quando reunidos em conjuntos de dados e organizados em estruturas, como tabelas, bancos de dados ou outros formatos, podem ser comparados e utilizados em cálculos, pesquisas e atividades cotidianas. A coleta de dados pode ocorrer por observação, medição, consulta a documentos ou experimentos, e os registros geralmente precisam ser conferidos antes da análise.

Uma sequência de temperaturas acompanhada das datas e da unidade de medida permite reconhecer quais dias foram mais quentes ou frios. Quando os registros recebem esse contexto, sua interpretação pode produzir informação, que, reunida a outras experiências e explicações, participa da formação do conhecimento. Os mesmos valores podem levar a conclusões diferentes quando seu contexto é desconhecido ou está incompleto.

Em pesquisas científicas, na economia, nos serviços públicos e nos sistemas digitais, os dados permitem descrever situações, fazer comparações e orientar decisões. À medida que crescem o volume e a diversidade dos registros, surgem novas maneiras de armazená-los e examiná-los, inclusive na ciência de dados. Saber de onde vieram, como foram obtidos, se são confiáveis e quais cuidados exigem para sua conservação ou utilização é parte desse trabalho.

Etimologia e terminologia

A palavra dado vem do latim datum, particípio passado neutro do verbo dare, "dar", e significa algo que foi dado. O plural latino data deu origem à palavra inglesa data. Em textos de geometria escritos em inglês, um dos primeiros usos documentados ocorreu em 1645, em The Trissotetras, de Thomas Urquhart. Ali, data designava os elementos conhecidos de um triângulo, a partir dos quais se poderia trabalhar. No século XX, o termo ganhou o sentido de informações que podem ser armazenadas e transmitidas por computadores, registrado em 1946. A expressão data processing, traduzida por "processamento de dados", começou a ser usada em 1954.

Em inglês, a palavra data pode receber concordância singular ou plural, dependendo do sentido e da convenção adotada. Quando equivale a information, "informação", costuma funcionar como substantivo incontável e aparecer com o verbo no singular. Esse uso se encontra na fala cotidiana, no desenvolvimento de software e na ciência da computação, como na expressão big data. Em textos que tratam de registros separados e de sua análise, data também é empregado como plural, forma frequente nas ciências naturais, nas ciências da vida, nas ciências sociais e na engenharia de software. A preferência pelo plural ganhou espaço nos séculos XX e XXI, mas não é seguida por todos os autores. Alguns manuais de estilo orientam a escolha conforme o público e a área. O manual da American Psychological Association (APA), em sua sétima edição, exige a concordância plural.

Na ciência da informação brasileira, uma definição de dado é "uma sequência de símbolos quantificados ou quantificáveis". Essa formulação inclui registros que podem ser expressos por números ou representados mediante regras precisas, mesmo quando seu conteúdo inicial não é numérico.

Significado

"A Table of the Apertures of Object-Glasses", de Adrien Auzout, publicada em um artigo de 1665 na revista Philosophical Transactions (em inglês).

As palavras dados, informação, conhecimento e sabedoria aparecem muitas vezes próximas, mas não significam a mesma coisa. Dados podem registrar quantidades, qualidades, fatos ou sequências de símbolos. Um dado, também chamado valor de dado, é um valor individual dentro de um conjunto, que pode ser utilizado como variável em cálculos ou em processamento computacional. Quando esses registros são examinados e colocados em contexto, podem fornecer informações para uma decisão. Na vida cotidiana, uma mensagem pode surpreender mais ou menos conforme aquilo que a pessoa já sabe. A teoria da informação trata essa incerteza de outra maneira: a entropia de Shannon é calculada a partir da probabilidade das mensagens possíveis, sem medir seu significado ou sua utilidade para quem as recebe. Em um fluxo de dados, essa medida permite estudar a distribuição estatística dos símbolos transmitidos.

Na estatística, um ponto de dados pode ser um valor individual ou reunir as observações referentes a um único caso estudado.

A altura medida do monte Everest pode ser guardada em um banco de dados como um número. Em um livro, essa medida pode aparecer junto de informações sobre o relevo e o clima da montanha. Para quem planeja uma escalada, saber interpretar essas características envolve mais do que conhecer o valor da altura. O conhecimento reúne aquilo que uma pessoa ou outra entidade sabe sobre seu ambiente, enquanto os dados permitem comunicar parte do que foi observado.

Uma maneira difundida de organizar essas ideias coloca os dados no nível mais concreto, a informação em um nível intermediário e o conhecimento em um nível mais abstrato. Nesse modelo, a altura do Everest é um dado, a reunião de medidas e explicações sobre sua geologia constitui informação, e as orientações de um guia para alcançar o cume podem expressar conhecimento. Informações contextualizadas também podem produzir percepções e formas de inteligência usadas em decisões. A divisão entre os conceitos não é aceita por todos: o significado da palavra informação muda conforme a área, e há interpretações que invertem a sequência, partindo do conhecimento para a informação e, depois, para os dados.

A informação também pode envolver comunicação, controle, instrução, significado, percepção, representação, estímulo mental e reconhecimento de padrões, entre outras ideias. Na distinção proposta por Peter Beynon-Davies, os dados são sequências de símbolos. A informação surge quando esses símbolos passam a ser usados como signos, isto é, quando se referem a alguma coisa.

Antes que máquinas pudessem realizar essas tarefas, a coleta de dados e a procura de padrões dependiam principalmente do trabalho manual. A computação permitiu automatizar a coleta, a classificação e o processamento. Na década de 2010, essas operações já eram comuns em áreas que iam do marketing e do estudo do uso de serviços sociais à pesquisa científica. Encontrar padrões nos registros pode produzir informações e ampliar o conhecimento, mas interpretá-los exige decidir quais afirmações são sustentadas pelas observações. Os critérios para avaliar verdade e conhecimento variam entre as disciplinas. Nas artes e nas humanidades, registros também podem sustentar avaliações estéticas ou éticas. Um acontecimento pode deixar vestígios físicos ou digitais que permitam reconstituí-lo. Quando se perde a relação entre o vestígio e a observação original, fica mais difícil utilizá-lo como evidência.

Um computador analógico utiliza tensão elétrica, distância, posição ou outra grandeza física para representar dados, enquanto um computador digital utiliza símbolos de um alfabeto fixo. Nos computadores digitais mais comuns, esse alfabeto é o binário, formado pelos símbolos "0" e "1". Números, letras e outras representações familiares são codificados por combinações desses dois símbolos.

Um programa de computador também pode ser entendido como dados que, ao serem interpretados pela máquina, passam a ser executados como instruções. Muitas linguagens de programação distinguem claramente os programas dos dados que eles processam. Em Lisp e em linguagens semelhantes, essa separação é muito menor, pois programas e dados podem ter a mesma forma. Há ainda os metadados, que fornecem informações sobre outros dados. O catálogo de uma biblioteca é um exemplo antigo: cada registro informa características do livro a que se refere. A expressão "dados auxiliares" também é utilizada nesse sentido.

Contexto e interpretação

Uma sequência como 21, 23, 24, 25, 22 não permite saber, sozinha, o que foi observado. Se esses valores forem apresentados como "temperaturas máximas diárias, em graus Celsius, registradas de segunda a sexta-feira", passam a formar uma série de observações meteorológicas que pode ser interpretada. O significado do registro depende dos símbolos utilizados e do contexto em que foram obtidos. Informações sobre a variável, a unidade de medida, o local, o período e o método de coleta podem acompanhar o conjunto na forma de metadados.

Exemplo hipotético de contextualização de dados
Dia da semana Segunda-feira Terça-feira Quarta-feira Quinta-feira Sexta-feira
Temperatura máxima (°C) 21 23 24 25 22

Os cinco números não mudaram, mas a identificação dos dias, da temperatura e da unidade de medida tornou possível compará-los. Um resultado obtido depois do processamento também pode ser usado como dado de entrada em outra etapa. Por isso, nem sempre há uma fronteira rígida entre registros iniciais, resultados intermediários e informações preparadas para o usuário.

Classificação e representação dos dados

Uma pesquisa pode classificar os mesmos dados pelo tipo de valor observado, pela forma de organização, pelo suporte utilizado ou pelo nível de detalhamento. Na estatística, a distinção entre valores qualitativos e quantitativos diz respeito ao que está sendo observado: uma categoria, uma contagem ou uma medida. Na ciência da computação, as palavras estruturados, semiestruturados e não estruturados se referem principalmente à organização dos registros e às regras usadas para apresentá-los. Nenhuma dessas classificações exclui necessariamente as demais.

Critérios comuns de classificação dos dados
Critério Classes e características Exemplos
Natureza da variável Qualitativos ou categóricos, quando indicam categorias, que podem ser nominais ou ordinais. Quantitativos, quando indicam quantidades ou medidas, que podem ser discretas ou contínuas. Tipo de transporte e nível de satisfação. Número de passageiros e temperatura do ar.
Organização Estruturados, associados a um esquema previamente definido. Semiestruturados, com marcadores ou elementos que permitem identificar parte de sua organização. Não estruturados, sem um esquema tabular fixo. Tabela de um banco de dados relacional. Documento XML ou JSON. Gravação de áudio ou texto livre.
Representação Analógicos, quando representados por grandezas físicas variáveis. Digitais, quando codificados por símbolos discretos. Tensão elétrica de um sinal analógico. Números e caracteres armazenados em formato binário.
Nível de detalhamento Microdados, registros relativos às unidades observadas. Dados agregados, valores reunidos ou resumidos em grupos. Registros de uma pesquisa domiciliar e total de habitantes de um município.

Um valor escrito com algarismos nem sempre é uma quantidade. O código de um município, por exemplo, pode ter apenas a função de identificar uma localidade, e calcular a média de dois códigos não produz uma medida útil. Da mesma maneira, categorias podem receber números para facilitar o registro, enquanto uma medida quantitativa pode ser anotada com maior ou menor precisão.

A expressão big data é empregada para conjuntos de dados cujo volume, diversidade, variabilidade ou ritmo de produção e processamento exigem formas de armazenamento e análise que possam crescer conforme a necessidade. Não há um tamanho mínimo que defina todos esses casos. Alguns conjuntos chegam à escala dos petabytes, enquanto outros apresentam dificuldades principalmente por misturar formatos ou receber novas informações com grande rapidez. A ciência de dados pode empregar estatística, aprendizado de máquina e outras técnicas de inteligência artificial nesse trabalho, embora tais técnicas não sejam obrigatórias para que um conjunto seja chamado de big data.

Codificação e formatos

A Pedra de Roseta registra um decreto em três sistemas de escrita: hieróglifos egípcios, escrita demótica e grego antigo. O mesmo conteúdo pode ser representado por sistemas distintos de símbolos.

A Pedra de Roseta, exposta no Museu Britânico, contém um mesmo decreto registrado em diferentes sistemas de escrita. Ela oferece um exemplo histórico de como um conteúdo pode ser representado por símbolos distintos.

Na terminologia da ISO/IEC 2382, dados são representações formalizadas de informação, adequadas à comunicação, à interpretação ou ao processamento por pessoas ou máquinas e que podem ser reinterpretadas. Isso abrange tanto ideias abstratas quanto medidas concretas e não exige que o registro seja numérico ou digital. Um texto escrito, uma codificação e a anotação de uma medida também podem cumprir essa função.

Em sistemas digitais, os valores são guardados como sequências de bits. Para que um programa saiba o que elas significam, precisa conhecer as regras de codificação e o formato dos dados. O Unicode atribui códigos a caracteres de diferentes sistemas de escrita, que podem ser representados por codificações como UTF-8, UTF-16 e UTF-32. Uma mesma sequência binária pode ser interpretada de maneiras distintas conforme o programa, o formato de arquivo e os metadados que orientam a leitura.

Uma tabela bem organizada pode conter valores incorretos, campos vazios ou dados obtidos por um método inadequado. Um arquivo de imagem, por sua vez, não apresenta as linhas e colunas de uma tabela de banco de dados relacional, mas pode conter metadados e informações úteis à análise. A forma de organização, sozinha, não garante a veracidade ou a completude dos registros.

Fontes de dados

Pedidos, faturas, movimentações de estoque e pagamentos formam parte dos dados internos que uma organização produz em suas próprias atividades. Já os dados externos podem vir de levantamentos governamentais, fornecedores, clientes e outras instituições. Essa divisão por origem não é a mesma empregada na pesquisa científica, que distingue fontes primárias e secundárias, nem a classificação comercial usada em publicidade e marketing.

Na coleta e no compartilhamento de dados para marketing e outras atividades empresariais, algumas categorias indicam qual é a relação entre quem utiliza os registros e quem os coletou. Elas ajudam a entender de onde vieram os dados e como chegaram à organização, mas não significam, por si só, que a empresa seja proprietária das informações pessoais envolvidas.

Os dados de parte zero (zero-party data) são fornecidos de maneira intencional e proativa pelos próprios clientes. Isso pode ocorrer em assinaturas, questionários, pesquisas, formulários apresentados em janelas de sites, centrais de preferências ou outras interações digitais. Os dados de primeira parte (first-party data) são aqueles coletados diretamente pela empresa na relação com seus clientes. Quando duas empresas precisam comparar ou compartilhar determinados registros sob regras de acesso e processamento, podem utilizar salas limpas de dados (data clean rooms).

Os dados de segunda parte (second-party data) chegam de outra organização, geralmente parceira, por compra ou outras formas de compartilhamento. Na prática, são dados que a outra organização coletou diretamente de seus próprios públicos. Já os dados de terceira parte (third-party data) vêm de outras organizações, que podem reunir registros de diferentes sites, plataformas e fontes antes de distribuí-los.

Comparação das fontes de dados
Fonte de dados Origem dos registros Precisão Aplicação Risco à privacidade
Primeira parte Coleta direta pela própria empresa Depende do método de coleta, da atualização e da validação Personalização e redirecionamento de anúncios Depende da finalidade e das medidas de proteção adotadas
Segunda parte Coleta direta por uma organização parceira Depende da qualidade dos dados e da documentação fornecida pelo parceiro Campanhas em parceria Depende das condições de compartilhamento e das salvaguardas
Terceira parte Coleta por terceiros e posterior distribuição ou agregação Depende da procedência, dos métodos de agregação e da verificação dos registros Direcionamento amplo de anúncios Depende da origem, da rastreabilidade e das condições de tratamento

A origem, sozinha, não permite concluir quais dados são mais precisos ou apresentam menor risco à privacidade. Uma empresa pode cometer erros ao coletar registros diretamente de seus clientes, enquanto dados recebidos de terceiros podem estar bem documentados e ter passado por verificações. O uso de informações pessoais, em qualquer dessas situações, depende da finalidade, das condições de coleta, das medidas de proteção e da legislação aplicável.

A expressão dados sem parte (no-party data) foi usada pontualmente no comércio de software para se referir a dados sintéticos, mas não integra as categorias de primeira, segunda e terceira parte do IAB nem tem definição técnica universal. Um executivo empregou a expressão em 2023 ao falar de registros produzidos artificialmente. Dados sintéticos podem ser criados por modelos que utilizam dados reais como referência ou por outras regras de geração. Eles podem reduzir o risco de divulgar informações pessoais, mas não garantem a ausência desse risco nem a reprodução fiel de todas as características dos dados originais.

Documentos de dados

Predefinição:Ciência da informação (barra lateral) Os dados podem ser guardados e compartilhados por meio de documentos e recursos destinados à pesquisa e à consulta. Entre esses materiais estão os seguintes:

O índice especializado Data Citation Index, da Clarivate, reúne informações sobre três tipos de material dessa lista: repositórios, estudos de dados e conjuntos de dados. Ele relaciona os conjuntos aos estudos e repositórios correspondentes, sem incluir automaticamente todo programa de computador ou manual usado na pesquisa. Os artigos de dados, por sua vez, também podem aparecer em bases bibliográficas tradicionais, como o Science Citation Index, quando os periódicos que os publicam fazem parte dessas bases.

Coleta de dados

A coleta pode partir de uma fonte primária, quando o pesquisador obtém os registros diretamente, ou de uma fonte secundária, quando utiliza dados já recolhidos por outras pessoas, como os publicados em periódicos científicos. A observação, a medição, as consultas e a experimentação são maneiras de obter esses registros. Os dados de campo vêm de ambientes não controlados, in situ, enquanto os dados experimentais são produzidos em experimentos científicos realizados sob condições controladas. Antes da análise, os dados brutos geralmente passam por verificações de erros de registro e de instrumentos e pelo exame de valores atípicos, que podem ser mantidos, corrigidos ou excluídos conforme o motivo de sua ocorrência e os objetivos do estudo. A análise pode envolver cálculos, raciocínio, discussões, apresentações e visualização de dados.

Entre as formas de examinar registros estão a triangulação de dados e a chamada percolação de dados. Na percolação, coleta, classificação e análise seguem uma proposta que reúne pelo menos três de cinco perspectivas possíveis: métodos qualitativos, métodos quantitativos, revisão de literatura científica, entrevistas com especialistas e simulação por computador. O trabalho passa por etapas definidas, nas quais os registros são examinados por caminhos diferentes para selecionar informações pertinentes à pergunta de pesquisa. A proposta procura reduzir a dependência de uma única forma de observar o fenômeno e ampliar a objetividade da análise.

Qualidade, validação e integridade

A qualidade dos dados depende do que se pretende fazer com eles, e um conjunto adequado a uma finalidade pode não ser suficiente para outra. A exatidão indica quanto o registro corresponde ao valor que deveria representar. A completude diz respeito à presença das informações esperadas, enquanto a consistência trata da compatibilidade entre os registros, sem contradições. A atualidade permite avaliar se os dados ainda são adequados ao período ou à atividade em questão. Essas características podem ter pesos diferentes conforme o uso dos registros.

Na coleta e no processamento, a garantia da qualidade procura evitar problemas desde o início, com procedimentos definidos, equipamentos calibrados e treinamento. O controle da qualidade examina os registros obtidos para encontrar e corrigir falhas. Isso pode envolver a verificação de valores impossíveis, registros duplicados, diferenças em relação a observações anteriores e resultados inesperados. Um valor atípico merece atenção, mas não deve ser eliminado automaticamente: ele pode corresponder a um acontecimento real, e não a um erro.

Registrar como os dados foram coletados e transformados, bem como sua proveniência, ajuda a distinguir observações originais de resultados produzidos por processamento. Quando esse histórico falta, torna-se difícil comparar métodos empregados por diferentes fontes, reconhecer possíveis vieses e repetir uma análise. Na publicação de dados pela internet, as boas práticas recomendam informar a origem dos registros, sua qualidade, as condições de acesso e as mudanças feitas ao longo do tempo.

Longevidade, acessibilidade e confiabilidade dos dados

Conservar dados de pesquisa por muitos anos exige mais do que guardar os arquivos. A longevidade dos dados interessa à ciência da computação, à tecnologia e à biblioteconomia, sobretudo em áreas que produzem grandes volumes de registros, como a genômica, a astronomia e as ciências da saúde, que também trabalham com imagens médicas. Durante muito tempo, resultados e dados científicos circularam principalmente em artigos impressos e livros mantidos em bibliotecas. Com os meios digitais, passaram a ser guardados também em discos rígidos, discos ópticos, unidades de estado sólido, fitas magnéticas, servidores e serviços de computação em nuvem.

Os dispositivos físicos podem falhar, envelhecer ou deixar de ser legíveis, e programas podem perder a capacidade de abrir formatos antigos. Por isso, a preservação digital de longo prazo exige cópias redundantes, verificações de integridade, documentação e, quando necessário, a transferência de arquivos para novos suportes ou formatos. Bibliotecas e editoras científicas enfrentam essas dificuldades há décadas. Mesmo com manutenção contínua, não há garantia absoluta de que um conjunto de dados possa ser conservado por séculos ou indefinidamente.

A acessibilidade dos dados também depende de sua publicação e de sua conservação, pois uma parte dos registros produzidos em pesquisas científicas nunca chega a um repositório ou banco de dados público. Em um levantamento que procurou informações de 516 estudos publicados de dois a 22 anos antes, apenas 101 conjuntos solicitados foram entregues, o equivalente a 19% do total. Outros 20, ou 4%, ainda existiam, mas não foram disponibilizados. Entre os casos em que os autores informaram o estado dos registros, as chances estatísticas, chamadas odds, de os dados ainda existirem diminuíam em média 17% por ano adicional transcorrido desde a publicação.

Mesmo quando os arquivos estão em um repositório, nem sempre podem ser usados para repetir a pesquisa. Em uma análise de 100 conjuntos depositados no Dryad e ligados a trabalhos de ecologia e evolução, 56% estavam incompletos. Em 64% havia obstáculos parciais ou totais à reutilização, como registros ausentes, metadados insuficientes ou formatos inadequados para novas análises.

A perda de acesso não ocorre no mesmo ritmo em todas as áreas nem sob todas as formas de compartilhamento. Outra análise, com dados associados a 875 artigos de nove disciplinas publicados nas revistas Nature e Science, estimou uma queda anual de 3,5% na disponibilidade inicial e de 5,9% na possibilidade de obter os arquivos por solicitação aos autores. As amostras e os critérios empregados diferem dos do levantamento anterior. Por isso, nenhum desses percentuais deve ser aplicado como regra geral a todos os dados científicos.

Para avaliar a confiabilidade dos dados, não basta verificar se um arquivo está disponível. É preciso saber se os registros são autênticos, se a qualidade permite utilizá-los e se sua proveniência foi documentada. Como nem todos os repositórios exigem informações detalhadas sobre a origem dos arquivos, podem receber registros fabricados, dados sintéticos apresentados como observações reais ou material obtido de maneira antiética.

Um caso na pesquisa médica envolveu dois conjuntos publicados no Kaggle com registros sobre acidente vascular cerebral e diabetes. O exame desses arquivos encontrou lacunas graves na documentação, padrões suspeitos e falta de informações confiáveis sobre a coleta. Não foi possível verificar a autenticidade dos dados, mas tampouco se comprovou que tivessem sido fabricados. Pelo menos um dos conjuntos foi utilizado em 125 estudos de modelos de predição clínica, e três modelos apresentaram indícios de uso clínico possível ou relatado. Esses indícios não bastavam para confirmar a utilização clínica em todos os casos.

Para favorecer a reprodutibilidade das pesquisas, os princípios dos dados FAIR orientam a preparação de conjuntos que possam ser encontrados, consultados, combinados com outros e reutilizados. A sigla reúne as palavras inglesas Findable, Accessible, Interoperable e Reusable, correspondentes a localizáveis, acessíveis, interoperáveis e reutilizáveis. Seguir esses princípios prepara os registros para pesquisas futuras, mas seu uso continua dependendo da documentação e das condições de acesso, especialmente quando contêm informações sensíveis.

Gestão, reutilização e proteção de dados

Gestão, integração e interoperabilidade

Organizar, armazenar, atualizar, preservar e disponibilizar registros faz parte da administração de dados, assim como controlar quem pode consultá-los. Em sistemas digitais, essas tarefas podem envolver bancos de dados, sistemas de gerenciamento, catálogos e repositórios. Quando dados de sistemas diferentes precisam ser reunidos, é necessário conferir se os campos se referem às mesmas entidades, utilizam formatos compatíveis e têm o mesmo significado.

Para que programas, organizações e pesquisadores consigam usar registros produzidos em sistemas diferentes, é necessária a interoperabilidade. Ela pode ser favorecida pela publicação de esquemas de dados, vocabulários padronizados, identificadores persistentes, informações sobre versões e licenças e interfaces de programação de aplicações. Com essas informações, quem recebe um conjunto tem melhores condições de encontrá-lo, compreender seus campos e reutilizá-lo sem depender de quem o produziu.

Cada correção de um registro, inclusão de novas observações ou alteração do método de cálculo pode criar uma nova versão de um conjunto de dados. Quando essas mudanças ficam documentadas, é possível comparar análises realizadas em momentos diferentes e descobrir qual versão foi utilizada em cada resultado. Sem esse histórico, até mesmo duas tabelas com o mesmo nome podem não corresponder ao mesmo material.

Dados pessoais e proteção jurídica

Registros sobre pessoas identificadas ou identificáveis exigem cuidados de privacidade e proteção de dados pessoais. No Brasil, a Lei Geral de Proteção de Dados Pessoais (LGPD), Lei n.º 13.709, de 2018, chama de dado pessoal a informação relacionada a uma pessoa natural identificada ou identificável. A lei também define os dados pessoais sensíveis, que abrangem, entre outros, informações sobre saúde, origem racial ou étnica, convicção religiosa e dados biométricos ligados a uma pessoa. A proteção pode alcançar informações digitais e registros mantidos em papel ou outros suportes físicos.

A Agência Nacional de Proteção de Dados (ANPD) fiscaliza e orienta a aplicação da LGPD. Com a Lei n.º 15.352, de 25 de fevereiro de 2026, passou à condição de agência reguladora, sem que essa mudança alterasse a definição básica de dado pessoal na legislação.

Em Portugal, aplica-se o Regulamento Geral sobre a Proteção de Dados (RGPD), vigente na União Europeia. O regulamento utiliza a expressão "pessoa singular" para definir os dados pessoais como informações relativas a uma pessoa identificada ou identificável. A identificação também pode ocorrer de forma indireta, a partir de dados de localização ou identificadores eletrônicos. Por isso, encontrar informações sobre alguém em uma página pública da internet não significa que elas possam ser coletadas e reutilizadas sem restrições.

Dados abertos e estatísticas públicas no espaço lusófono

Os dados abertos são publicados em condições que permitem acessá-los, utilizá-los, modificá-los e compartilhá-los, em geral mediante formatos e licenças abertos. Um conjunto pode estar disponível para consulta e, ainda assim, não ser aberto, caso as condições de uso impeçam essas atividades. No Brasil, o Decreto n.º 8.777, de 2016, instituiu a política de dados abertos do Poder Executivo federal. O Portal Brasileiro de Dados Abertos reúne conjuntos oferecidos por órgãos e entidades públicas. O Instituto Brasileiro de Geografia e Estatística (IBGE) também permite consultar dados de pesquisas e censos, inclusive pelo Sistema IBGE de Recuperação Automática (SIDRA).

Nas pesquisas estatísticas, os microdados reúnem registros mais detalhados do que as tabelas que apresentam totais ou médias. O IBGE publica microdados acompanhados de documentos que explicam as variáveis, os códigos e as categorias empregados. Essa divulgação, porém, precisa respeitar o sigilo estatístico e evitar a identificação individual dos informantes. Publicar quantas pessoas vivem em um município, por exemplo, não equivale a liberar sem restrições as respostas individuais usadas para produzir o resultado. Entre outros conjuntos de dados utilizados na economia e nas políticas públicas estão os índices de preços, como o índice de preços ao consumidor, as taxas de desemprego e alfabetização e os dados de censos.

O portal português dados.gov.pt reúne dados abertos de órgãos públicos e fornece informações sobre a origem dos conjuntos, sua cobertura no tempo, a frequência de atualização e as licenças de uso. O Instituto Nacional de Estatística permite consultar indicadores estatísticos para diferentes recortes geográficos. Esses serviços dão acesso a registros administrativos e resultados de pesquisas que podem ser usados para acompanhar políticas públicas, realizar estudos e produzir novas análises.

Em outros campos

Em áreas que dependem muito da interpretação, a ideia de que os dados são simplesmente algo "dado" pode ser questionada. Peter Checkland propôs a palavra latina capta, derivada de capere, "tomar", para destacar que o observador escolhe quais aspectos de um fenômeno serão examinados. Entre todos os dados possíveis, apenas uma parte entra efetivamente na pesquisa. Para Johanna Drucker, o conhecimento produzido nas humanidades depende da posição e das escolhas de quem observa. Chamar os registros de dados pode fazer parecer que eles existem de forma inteiramente separada dessas escolhas, como unidades discretas e independentes. O termo capta também foi proposto para representações visuais nas humanidades, justamente por dar mais atenção ao ato de selecionar e interpretar o que foi observado.

Os estudos críticos de dados (critical data studies) examinam as escolhas envolvidas na coleta, classificação, conservação e análise de registros e suas relações com a sociedade, a cultura e a política. As perguntas dessa área alcançam aquilo que os métodos conseguem registrar e aquilo que fica de fora, as categorias usadas para separar pessoas e acontecimentos e as decisões tomadas a partir dos resultados. Também entram nessa discussão o poder de organizações que controlam grandes conjuntos de dados e a forma como diferentes grupos sociais são apresentados nesses registros.

Quando a coleta e a análise de registros orientam principalmente uma atividade, usa-se em inglês a expressão data-driven, geralmente traduzida como "orientado por dados". A programação orientada a dados e o jornalismo de dados são exemplos de aplicação dessa ideia, que pode conviver com outros critérios de decisão.

Na economia digital, os dados chegaram a ser chamados de "o novo petróleo", uma metáfora para seu valor econômico e para o interesse em coletá-los e utilizá-los. A comparação faz parte do debate público sobre o uso de informações, embora dados e petróleo tenham características muito diferentes.

Ver também

Notas

  1. ↑ Na gramática latina, "neutro" é um gênero gramatical, e "particípio passado" é uma forma verbal. Datum corresponde, aproximadamente, a "aquilo que foi dado".
  2. ↑ Um manual de estilo reúne orientações sobre como escrever e apresentar textos. Revistas científicas e editoras costumam adotar manuais próprios para manter a mesma terminologia e a mesma formatação.
  3. ↑ Algo é quantificável quando pode ser expresso por números ou por regras precisas de registro. Uma resposta como "satisfeito" pode, por exemplo, ser codificada em uma categoria de uma pesquisa.
  4. ↑ Um fluxo de dados é uma sequência de registros que chegam ao longo do tempo, como as leituras enviadas por um sensor a cada minuto ou as mensagens recebidas por um sistema.
  5. ↑ Em uma pesquisa com estudantes, a idade, a altura e a série escolar de uma pessoa podem formar, juntas, um único ponto de dados.
  6. ↑ "Abstrato", aqui, não significa complicado. Um número de temperatura é bastante concreto; compreender como as temperaturas variam ao longo das estações envolve uma ideia mais geral.
  7. ↑ No sistema binário, cada posição admite apenas dois valores. Ao combinar várias posições, o computador consegue representar números, letras, imagens e outras informações.
  8. ↑ A data em que uma fotografia foi tirada, o nome do autor de um documento e a unidade usada em uma medição são exemplos de metadados. Eles ajudam a compreender o registro principal.
  9. ↑ Categorias nominais não têm uma ordem natural, como as cores de um objeto. Categorias ordinais podem ser ordenadas, como os níveis "baixo", "médio" e "alto" de satisfação.
  10. ↑ Uma contagem de pessoas é discreta, pois não existem frações de pessoa nessa contagem. Uma medida de temperatura é contínua porque pode assumir valores com diferentes casas decimais.
  11. ↑ Um esquema indica quais campos são esperados e como devem ser preenchidos. Em uma planilha escolar, por exemplo, cada linha pode representar um aluno e cada coluna, uma informação sobre ele.
  12. ↑ Em um levantamento domiciliar, cada registro pode representar uma pessoa ou uma família. Mesmo quando os nomes são retirados, é necessário avaliar se alguém poderia ser identificado pela combinação das respostas.
  13. ↑ Em vez de divulgar a nota individual de cada aluno, uma escola pode publicar a média de uma turma. Essa média é um dado agregado.
  14. ↑ Códigos desse tipo funcionam como identificadores. Somar ou calcular a média dos códigos de dois municípios não produz uma medida geográfica com significado.
  15. ↑ O formato indica como os registros são organizados em um arquivo; a codificação define como determinados símbolos são representados. Um programa precisa conhecer essas regras para ler o conteúdo corretamente.
  16. ↑ Por exemplo, uma pessoa pode informar diretamente a uma loja digital que prefere receber ofertas de livros, sem que essa preferência seja deduzida de seu histórico de navegação.
  17. ↑ O histórico de compras mantido pela própria loja é um exemplo. A expressão descreve a relação com a origem da coleta, não significa que os dados possam ser usados sem observar as regras de privacidade.
  18. ↑ Esses ambientes permitem comparar conjuntos de registros sob regras de acesso e processamento. Sua utilização não elimina automaticamente os riscos de identificação ou o dever de proteger dados pessoais.
  19. ↑ Um conjunto sintético pode conter registros fictícios criados para testar um programa, sem reproduzir exatamente os casos originais. "Sintético" não significa, por si só, "falsificado" ou "seguro".
  20. ↑ A palavra "percolação" lembra a passagem de água por um filtro. Nesse método de pesquisa, a ideia é examinar os registros por diferentes caminhos e selecionar o que ajuda a responder à pergunta estudada.
  21. ↑ Se um cadastro precisa registrar a idade de cem participantes, mas esse campo ficou vazio em quarenta fichas, há um problema de completude, mesmo que os demais dados estejam corretos.
  22. ↑ Um cadastro que informa 16 anos de idade e uma data de nascimento de muitas décadas atrás provavelmente contém uma inconsistência. A conferência deve determinar qual informação precisa ser corrigida.
  23. ↑ Guardar um arquivo não basta para conservá-lo: no futuro, também será preciso ter um dispositivo e um programa capazes de abrir seu formato e interpretar seu conteúdo.
  24. ↑ A expressão estatística odds compara a probabilidade de um acontecimento com a probabilidade de ele não ocorrer. Uma redução de 17% nas odds não significa que a probabilidade diminua 17 pontos percentuais por ano, nem que esse ritmo se aplique a todas as áreas de pesquisa.
  25. ↑ Dados fabricados são apresentados como se tivessem sido observados de verdade. Dados sintéticos, por outro lado, podem ser criados de forma legítima para simulações; o problema é omitir sua origem ou empregá-los como se fossem observações reais.
  26. ↑ Acessível não quer dizer necessariamente público para qualquer pessoa. Um conjunto com informações sensíveis pode seguir os princípios FAIR e, ainda assim, exigir autorização para consulta.
  27. ↑ Dois sistemas podem ter uma coluna chamada "idade", mas um registrar anos completos e o outro, faixas como "15 a 19 anos". Juntar as tabelas sem perceber isso pode causar erros.
  28. ↑ "Pessoa natural" é a expressão jurídica usada no Brasil para uma pessoa humana, em contraste com uma empresa ou outra pessoa jurídica. Também pode haver identificação indireta, pela combinação de informações aparentemente comuns.
  29. ↑ Em Portugal, "pessoa singular" equivale ao que a legislação brasileira chama de "pessoa natural". As duas expressões se referem a seres humanos, e não a organizações.
  30. ↑ Uma tabela estar disponível em um site não significa que sua reutilização seja livre. É preciso verificar as condições de uso e, quando houver informações pessoais, as regras de proteção de dados.
  31. ↑ Desagregar por território significa mostrar números para áreas menores. Por exemplo, um total nacional pode ser dividido por regiões, estados, distritos ou municípios, dependendo dos dados disponíveis.
  32. ↑ A diferença proposta está na escolha do observador: entre tudo o que poderia ser registrado, o pesquisador seleciona certas características. Uma pesquisa sobre clima que mede apenas chuva deixa outras condições de fora.
  33. ↑ Uma pesquisa feita apenas pela internet, por exemplo, pode deixar de fora pessoas sem acesso à rede. O resultado descreve os participantes alcançados, mas não necessariamente toda a população.
  34. ↑ Na prática, significa usar registros e indicadores para escolher um caminho. Uma prefeitura pode analisar a quantidade de passageiros antes de alterar horários de ônibus, sem deixar de considerar outros fatores.

Referências

  1. 1 2 «data | Origin and meaning of data» (em inglês). Online Etymology Dictionary
  2. ↑ Thomas Urquhart (1645). The Trissotetras. Londres: James Young. p. 94
  3. ↑ Victoria Baines (25 de fevereiro de 2025). «Data: A Love Story for the Ages» (em inglês). Gresham College
  4. ↑ American Psychological Association (2020). Publication Manual of the American Psychological Association: the official guide to APA style. [S.l.]: American Psychological Association. ISBN 978-1-4338-3216-1
  5. ↑ Valdemar W. Setzer (1999). «Dado, informação, conhecimento e competência». DataGramaZero: Revista de Ciência da Informação (0)
  6. ↑ Valdemar W. Setzer (25 de maio de 2015). «Dado, Informação, Conhecimento e Competência» (PDF). Universidade Federal do Paraná, cópia do texto do autor da Universidade de São Paulo. Consultado em 31 de outubro de 2026
  7. ↑ OECD Glossary of Statistical Terms. [S.l.]: OECD. 2008. p. 119. ISBN 978-92-64-02556-1
  8. ↑ «Statistical Language - What are Data?». Australian Bureau of Statistics. 13 de julho de 2013. Consultado em 9 de março de 2020. Cópia arquivada em 19 de abril de 2019
  9. ↑ «Joint Publication 2-0, Joint Intelligence» (PDF). Joint Chiefs of Staff, Joint Doctrine Publications. Department of Defense. 23 de outubro de 2013. pp. I–1. Consultado em 17 de julho de 2018. Cópia arquivada (PDF) em 18 de julho de 2018
  10. ↑ Claude E. Shannon (1948). «A Mathematical Theory of Communication». The Bell System Technical Journal (em inglês). 27 (3): 379–423. doi:10.1002/j.1538-7305.1948.tb01338.x
  11. ↑ Russell L. Ackoff (1989). «From Data to Wisdom». Journal of Applied Systems Analysis (em inglês). 16: 3–9. ISSN 0308-9541
  12. ↑ Tuomi, Ilkka (1999). «Data Is More than Knowledge: Implications of the Reversed Knowledge Hierarchy for Knowledge Management and Organizational Memory». Journal of Management Information Systems. 16 (3): 103–117. doi:10.1080/07421222.1999.11518258
  13. ↑ P. Beynon-Davies (2002). Information Systems: An introduction to informatics in organisations. Basingstoke, Reino Unido: Palgrave Macmillan. ISBN 0-333-96390-3
  14. ↑ P. Beynon-Davies (2009). Business information systems. Basingstoke, Reino Unido: Palgrave. ISBN 978-0-230-20368-6
  15. ↑ Sharon Daniel (2007). «The Database: An Aesthetics of Dignity». Database Aesthetics: Art in the Age of Information Overflow. [S.l.]: University of Minnesota Press. pp. 142–182. ISBN 9780816641192
  16. ↑ «Data on the Web Best Practices» (em inglês). World Wide Web Consortium. Consultado em 31 de outubro de 2026
  17. ↑ «Data on the Web Best Practices: Best Practice 31, Enrich Data by Generating New Data» (em inglês). World Wide Web Consortium. Consultado em 31 de outubro de 2026
  18. ↑ «Variables» (em inglês). Australian Bureau of Statistics. Consultado em 31 de outubro de 2026
  19. ↑ «Structured vs. Unstructured Data: What's the Difference?» (em inglês). IBM. Consultado em 31 de outubro de 2026
  20. ↑ «Variables» (em inglês). Australian Bureau of Statistics. Consultado em 31 de outubro de 2026
  21. ↑ «Big Data» (em inglês). National Institute of Standards and Technology. Consultado em 31 de outubro de 2026
  22. ↑ «Egyptian sculpture: Museum missions» (em inglês). British Museum. Consultado em 31 de outubro de 2026
  23. ↑ «ISO/IEC 2382:2015: Information technology — Vocabulary» (em inglês). International Organization for Standardization. Consultado em 31 de outubro de 2026
  24. ↑ «ISO/IEC 15944-1:2025, item 3.13: data, definição extraída da ISO/IEC 2382:2015» (em inglês). International Organization for Standardization. Consultado em 31 de outubro de 2026
  25. ↑ «ISO/IEC 2382:2015: Information technology — Vocabulary» (em inglês). International Organization for Standardization. Consultado em 31 de outubro de 2026
  26. ↑ «FAQ: UTF-8, UTF-16, UTF-32 & BOM» (em inglês). Unicode Consortium. Consultado em 31 de outubro de 2026
  27. ↑ «What Is Unstructured Data?» (em inglês). IBM. Consultado em 31 de outubro de 2026
  28. ↑ «Data on the Web Best Practices: Data Quality Vocabulary» (em inglês). World Wide Web Consortium. Consultado em 31 de outubro de 2026
  29. ↑ «Chapter 2: Secondary Sources of Information». Marketing Research and Information Systems (em inglês). Food and Agriculture Organization of the United Nations. Consultado em 31 de outubro de 2026
  30. 1 2 3 4 5 6 7 «Defining the Data Stack: How the Power of Data Is Impacting the Rise of the Direct Brand Economy» (PDF) (em inglês). Interactive Advertising Bureau. 2018. pp. 6–8. Consultado em 31 de outubro de 2026
  31. ↑ Liu, Stephanie (30 de julho de 2020). «Straight From The Source: Collecting Zero-Party Data From Customers» (em inglês). Forrester. Consultado em 31 de outubro de 2026
  32. ↑ «Data Clean Rooms Guidance» (em inglês). IAB Tech Lab. Consultado em 31 de outubro de 2026
  33. ↑ «Perguntas frequentes sobre proteção de dados pessoais». Agência Nacional de Proteção de Dados. Consultado em 31 de outubro de 2026
  34. ↑ Adrian Bridgwater (21 de abril de 2023). «Third-Party Data Is Now First-Class». Forbes (em inglês)
  35. ↑ «Synthetic data policy» (em inglês). Office for National Statistics. Consultado em 31 de outubro de 2026
  36. ↑ «Data Citation Index» (em inglês). Clarivate, Web of Science Help. Consultado em 31 de outubro de 2026
  37. ↑ Olivier Mesly (2015). «More on Data Percolation». Creating Models in Psychological Research. Cham: Springer. pp. 37–46. ISBN 978-3-319-15752-8. doi:10.1007/978-3-319-15753-5_5
  38. ↑ «Data on the Web Best Practices: Data Quality Vocabulary» (em inglês). World Wide Web Consortium. Consultado em 31 de outubro de 2026
  39. ↑ «Manage Quality» (em inglês). United States Geological Survey. Consultado em 31 de outubro de 2026
  40. ↑ «Quality Control (QC) - Detecting and Repairing Data Issues: Recommended Practices» (em inglês). United States Geological Survey. Consultado em 31 de outubro de 2026
  41. ↑ «Data on the Web Best Practices» (em inglês). World Wide Web Consortium. Consultado em 31 de outubro de 2026
  42. ↑ «Glossary: Digital Collections Management Compendium» (em inglês). Library of Congress. Consultado em 31 de outubro de 2026
  43. ↑ «Backup & Secure» (em inglês). United States Geological Survey. Consultado em 31 de outubro de 2026
  44. ↑ Timothy H. Vines; Arianne Y. K. Albert; Rose L. Andrew; Florence Débarre; Dan G. Bock; Michelle T. Franklin; Kimberly J. Gilbert; Jean-Sébastien Moore; Sébastien Renaut; Diana J. Rennison (6 de janeiro de 2014). «The availability of research data declines rapidly with article age». Current Biology. 24 (1): 94–97. Bibcode:2014CBio...24...94V. ISSN 1879-0445. PMID 24361065. arXiv:1312.5670Acessível livremente. doi:10.1016/j.cub.2013.11.014
  45. ↑ Dominique G. Roche; Loeske E. B. Kruuk; Robert Lanfear; Sandra A. Binning (2015). «Public Data Archiving in Ecology and Evolution: How Well Are We Doing?». PLOS Biology. 13 (11): e1002295. ISSN 1545-7885. PMC 4640582Acessível livremente. PMID 26556502. doi:10.1371/journal.pbio.1002295
  46. ↑ Leho Tedersoo; Rainer Küngas; Ester Oras; Kajar Köster; Helen Eenmaa; et al. (2021). «Data sharing practices and data availability upon request differ across scientific disciplines». Scientific Data (em inglês). 8 (1). PMC 8381906Acessível livremente. PMID 34315906. doi:10.1038/s41597-021-00981-0
  47. ↑ Alexander D. Gibson; Nicole M. White; Gary S. Collins; Adrian G. Barnett (4 de junho de 2026). «Evidence of unreliable data and poor data provenance in clinical prediction model research and clinical practice». BMC Medicine (em inglês). 24 (1). ISSN 1741-7015. PMC 13352761Acessível livremente. PMID 42243840. doi:10.1186/s12916-026-04981-y
  48. ↑ Mark D. Wilkinson; Michel Dumontier; IJsbrand Jan Aalbersberg; Gabrielle Appleton; Myles Axton; Arie Baak; Niklas Blomberg; Jan-Willem Boiten; Luiz Bonino da Silva Santos; Philip E. Bourne; et al. (2016). «The FAIR Guiding Principles for scientific data management and stewardship». Scientific Data (em inglês). 3. 160018 páginas. doi:10.1038/sdata.2016.18
  49. ↑ Eisenstein, Michael (abril de 2022). «In pursuit of data immortality». Nature. 604 (7904): 207–208. Bibcode:2022Natur.604..207E. ISSN 1476-4687. PMID 35379989. doi:10.1038/d41586-022-00929-3
  50. ↑ «Data on the Web Best Practices» (em inglês). World Wide Web Consortium. Consultado em 31 de outubro de 2026
  51. ↑ «Data on the Web Best Practices» (em inglês). World Wide Web Consortium. Consultado em 31 de outubro de 2026
  52. ↑ «Data on the Web Best Practices: Best Practices 7 and 8» (em inglês). World Wide Web Consortium. Consultado em 31 de outubro de 2026
  53. ↑ «Perguntas Frequentes: Dados pessoais». Agência Nacional de Proteção de Dados. Consultado em 31 de outubro de 2026
  54. ↑ «Lei n.º 15.352, de 25 de fevereiro de 2026». Senado Federal. Consultado em 31 de outubro de 2026
  55. ↑ «Institucional». Agência Nacional de Proteção de Dados. Consultado em 31 de outubro de 2026
  56. ↑ «Regulamento (UE) 2016/679 do Parlamento Europeu e do Conselho, de 27 de abril de 2016». EUR-Lex. Consultado em 31 de outubro de 2026
  57. ↑ «Dados Abertos». Governo Digital, Governo Federal do Brasil. Consultado em 31 de outubro de 2026
  58. ↑ «Dados Abertos». Governo Digital, Governo Federal do Brasil. Consultado em 31 de outubro de 2026
  59. ↑ «SIDRA: Sistema IBGE de Recuperação Automática». Instituto Brasileiro de Geografia e Estatística. Consultado em 31 de outubro de 2026
  60. ↑ «Censo Demográfico 2022: Microdados». Instituto Brasileiro de Geografia e Estatística. Consultado em 31 de outubro de 2026
  61. ↑ «Catálogo de dados dos dados.gov.pt». dados.gov.pt. Consultado em 31 de outubro de 2026
  62. ↑ «Base de Dados: Lista de Indicadores». Instituto Nacional de Estatística. Consultado em 31 de outubro de 2026
  63. ↑ P. Checkland; S. Holwell (1998). Information, Systems, and Information Systems: Making Sense of the Field. Chichester, West Sussex: John Wiley & Sons. pp. 86–89. ISBN 0-471-95820-4
  64. ↑ Johanna Drucker (2011). «Humanities Approaches to Graphical Display». Digital Humanities Quarterly. 005 (1)
  65. ↑ Andrew Iliadis; Federica Russo (2016). «Critical data studies: An introduction». Big Data & Society (em inglês). 3 (2). doi:10.1177/2053951716674238
  66. ↑ «data-driven adjective» (em inglês). Oxford Advanced Learner's Dictionary
  67. ↑ «The world's most valuable resource is no longer oil, but data». The Economist (em inglês). 6 de maio de 2017
  68. ↑ Victoria Baines (25 de fevereiro de 2025). «Data: A Love Story for the Ages» (em inglês). Gresham College

Leitura adicional

Ligações externas

O Commons possui uma categoria com imagens e outros ficheiros sobre Dados
Procure por dado no Wikcionário, o dicionário livre.
O Wikilivros tem um livro chamado Probabilidade e Estatística
O Scholia tem um perfil de tópico para Dados.