O que é a disputa de dados?

A manipulação de dados é o processo de limpeza, transformação e organização de dados brutos em um formato estruturado para análise.

O que significa Data Wrangling?

Data wrangling, também conhecido como data munging, refere-se ao processo de preparação de dados brutos para análise por meio da limpeza, estruturação e transformação em um formato utilizável. Envolve identificar e abordar inconsistências, erros ou lacunas nos dados, como valores ausentes ou entradas duplicadas, e convertê-los em um formato estruturado que pode ser facilmente analisado.

Esse processo normalmente inclui tarefas como padronizar formatos de dados, mesclar conjuntos de dados de diferentes fontes e garantir que os dados estejam alinhados com os requisitos específicos da análise ou modelo a ser aplicado. A manipulação de dados é uma etapa crucial no fluxo de trabalho de análise de dados, pois dados de alta qualidade e bem organizados são essenciais para insights precisos e significativos.

Quais são os principais componentes do Data Wrangling?

Os principais componentes do data wrangling incluem coleta, limpeza, transformação, enriquecimento e validação de dados. Essas etapas trabalham juntas para garantir que os dados brutos estejam prontos para análise:

• Coleção de dados. Isso envolve a coleta de dados de várias fontes, como bases de dados, planilhas ou APIs. É essencial identificar as fontes de dados corretas e garantir que os dados coletados sejam relevantes e precisos.
• Limpeza de dados. Nesta etapa, erros, inconsistências e valores ausentes nos dados são abordados. Isso pode envolver a remoção de duplicatas, a correção de erros de entrada de dados ou o tratamento de registros incompletos. O objetivo é melhorar a qualidade dos dados e garantir sua confiabilidade.
• Transformação de dados. Esta etapa envolve a conversão dos dados em um formato adequado para análise. Pode incluir normalização, dimensionamento, codificação de variáveis ​​categóricas e conversão de tipos de dados. A transformação de dados garante que os dados atendam aos requisitos específicos da análise ou aprendizado de máquina .
• Enriquecimento de dados. O enriquecimento agrega valor ao conjunto de dados ao integrar dados relevantes adicionais, geralmente de fontes externas. Isso pode envolver anexar informações demográficas, geográficas ou outras informações específicas do contexto para aprimorar o conjunto de dados existente.
• Data de validade. Após os dados terem sido limpos e transformados, verificações de validação são realizadas para garantir que os dados sejam precisos, consistentes e alinhados com regras de negócios ou critérios predefinidos. Esta etapa confirma que os dados estão prontos para análise e ajuda a evitar possíveis erros na tomada de decisões.

Exemplos de Data Wrangling

O data wrangling envolve várias técnicas e métodos para preparar dados brutos para análise. Aqui estão alguns exemplos comuns de tarefas de data wrangling:

• Lidando com dados ausentes. Valores ausentes são comuns em conjuntos de dados do mundo real. A manipulação de dados envolve preencher essas lacunas usando métodos como imputação (por exemplo, preenchimento com a média ou mediana) ou remoção de linhas ou colunas com muitos dados ausentes.
• Remoção de duplicatas. Registros duplicados podem distorcer a análise. A manipulação de dados envolve identificar e remover redundante linhas para garantir que cada dado seja único.
• Normalização de dados. Unidades ou escalas inconsistentes em diferentes colunas podem ser problemáticas para análise. A normalização de dados padroniza o intervalo de valores em colunas numéricas, garantindo que sejam comparáveis.
• Convertendo tipos de dados. Dados brutos geralmente vêm em vários formatos que não são adequados para análise. A manipulação de dados inclui a conversão de dados em tipos apropriados (por exemplo, datas, inteiros, variáveis ​​categóricas) para facilitar análises posteriores.
• Mesclando conjuntos de dados. Combinar dados de diferentes fontes é uma tarefa típica de data wrangling. Ela envolve alinhar e unir conjuntos de dados com base em chaves comuns para criar uma estrutura de dados unificada para análise.
• Detecção e remoção de outliers. Outliers podem distorcer a análise estatística. A manipulação de dados envolve identificar valores extremos e decidir se deve removê-los ou transformar os dados para mitigar seu impacto.
• Agregação de dados. Agregar dados, como calcular somas, médias ou contagens, ajuda a resumir e transformar dados brutos em insights mais significativos e acionáveis.

Casos de uso de Data Wrangling

O data wrangling é essencial em vários setores e campos para preparar dados brutos para análise e tomada de decisão. Abaixo estão alguns casos de uso importantes em que o data wrangling desempenha um papel crítico:

• Inteligência de negócios e relatórios. No reino de inteligência de negócios, data wrangling é usado para limpar e organizar dados de várias fontes, como vendas, comportamento do cliente e campanhas de marketing. Ao garantir que os dados sejam precisos e consistentes, os analistas podem criar relatórios e painéis significativos que ajudam as empresas a tomar decisões baseadas em dados.
• Aprendizado de máquina e modelagem preditiva. O data wrangling é uma parte fundamental do pipeline de machine learning. Dados brutos geralmente precisam ser limpos e transformados antes de poderem ser usados ​​para modelos de treinamento. Isso inclui lidar com valores ausentes, codificar variáveis ​​categóricas e dimensionar recursos numéricos para melhorar o desempenho e a precisão do modelo.
• Análise de dados de saúde. Na área da saúde, o data wrangling é usado para limpar e integrar dados de diversas fontes, como registros de pacientes, sistemas de diagnóstico e ensaios clínicos. Ao preparar dados para análise, os profissionais de saúde podem identificar tendências, melhorar os resultados dos pacientes e conduzir planos de tratamento mais eficientes.
• Analise financeira. O data wrangling é amplamente usado em finanças para pré-processar dados transacionais, dados do mercado de ações e relatórios financeiros. Analistas limpam e mesclam conjuntos de dados de várias fontes para garantir que modelos financeiros e avaliações de risco sejam baseados em dados confiáveis ​​e consistentes, facilitando melhores decisões de investimento.
• E-commerce e insights do cliente. Plataformas de e-commerce dependem de data wrangling para integrar dados de web analytics, transações de vendas e comportamento do cliente. Ao preparar esses dados para análise, as empresas podem entender melhor as preferências do cliente, melhorar as recomendações de produtos e otimizar estratégias de marketing.
• Governo e políticas públicas. No setor público, o wrangling de dados é usado para limpar e preparar conjuntos de dados para análise em tópicos como demografia, saúde pública e economia. Agências governamentais usam dados wrangled para tomar decisões informadas, elaborar políticas e alocar recursos de forma eficiente.
• Mídias sociais e análise de sentimentos. O data wrangling é frequentemente usado na análise de sentimento de dados de mídia social. Ao limpar e estruturar dados, os analistas podem avaliar a opinião pública, rastrear tendências e medir o sentimento da marca.

Etapas de manipulação de dados

O data wrangling envolve uma série de etapas que transformam dados brutos em um formato estruturado adequado para análise. Abaixo estão as principais etapas do processo de data wrangling:

1. Coleção de dados. O primeiro passo na manipulação de dados é reunir dados brutos de várias fontes. Isso pode incluir bancos de dados, planilhas, APIs, web scraping ou fluxos de dados. É importante garantir que os dados coletados sejam relevantes, completos e apropriados para a análise que se seguirá.
2. Limpeza de dados. Uma vez que os dados são coletados, eles precisam ser limpos para resolver problemas como valores ausentes, duplicatas e inconsistências. A limpeza inclui tarefas como remover ou preencher dados ausentes, eliminar linhas duplicadas e corrigir entradas errôneas (por exemplo, formatos de dados incorretos ou outliers). Esta etapa é crucial para garantir que os dados sejam confiáveis ​​e livres de erros.
3. Transformação de dados. Após a limpeza, os dados podem exigir transformação para serem utilizáveis ​​na análise. Transformação envolve converter dados em um formato ou estrutura desejada. Isso pode incluir normalizar valores numéricos, converter variáveis ​​categóricas em numéricas (por exemplo, usando codificação one-hot) e alterar o tipo de dados das colunas para corresponder à análise ou modelo pretendido.
4. Integração de dados. Em muitos casos, os dados vêm de várias fontes e precisam ser combinados em um único conjunto de dados. A integração de dados envolve mesclar ou juntar conjuntos de dados com base em chaves ou atributos comuns. Esta etapa garante que os dados estejam alinhados e possam ser analisados ​​de forma coesa.
5. Enriquecimento de dados. O enriquecimento de dados adiciona informações adicionais ao conjunto de dados, geralmente de fontes externas, para aumentar seu valor. Isso pode envolver adicionar dados demográficos, informações geográficas ou dados de mercado externo para fornecer mais contexto e melhorar a qualidade dos insights.
6. Data de validade. Depois que os dados são limpos, transformados e enriquecidos, é importante validá-los. As verificações de validação garantem que os dados sejam consistentes, precisos e estejam em conformidade com o formato necessário. Isso pode incluir a verificação de inconsistências lógicas ou a garantia de que os dados atendem às regras de negócios ou critérios predefinidos.
7. Formatação de dados. Por fim, o conjunto de dados é formatado para uso em análise ou relatórios. Esta etapa pode envolver a estruturação dos dados em tabelas, a configuração de índices apropriados e a garantia de que o conjunto de dados seja fácil de ler e acessar para a análise pretendida, seja para relatórios manuais ou para alimentação em modelos de machine learning.

Ferramentas de manipulação de dados

Ferramentas de data wrangling são softwares e plataformas que auxiliam na limpeza, transformação e preparação de dados brutos para análise. Essas ferramentas simplificam o processo de data wrangling, permitindo que os usuários manipulem grandes conjuntos de dados de forma mais eficiente e eficaz. Aqui estão algumas ferramentas de data wrangling comumente usadas:

1. Pandas (Biblioteca Python). Pandas é uma das bibliotecas de manipulação de dados mais populares em Python. Ele fornece estruturas de dados poderosas como DataFrames e Series, permitindo que os usuários limpem, mesclem, remodelem e analisem dados com facilidade. É especialmente útil para tarefas de manipulação de dados, como remoção de duplicatas, manipulação de dados ausentes e aplicação de transformações.
2. Trifacta Wrangler. Trifacta é uma plataforma de data wrangling projetada para simplificar o processo de preparação de dados para análise. Ela oferece uma interface intuitiva e visual onde os usuários podem limpar e transformar dados por meio de uma série de etapas. Trifacta é particularmente útil para lidar com conjuntos de dados grandes e complexos e suporta criação de perfil de dados automatizada e verificações de qualidade.
3. Alterix. Alteryx é uma plataforma popular de análise de dados que fornece recursos de manipulação de dados por meio de uma interface de arrastar e soltar. Ela permite que os usuários limpem, transformem e misturem dados de várias fontes sem a necessidade de codificação. O Alteryx também se integra a várias ferramentas de visualização e análise de dados para um fluxo de trabalho completo de processamento de dados.
4. Talend. Talend é uma ferramenta de integração e transformação de dados de código aberto que oferece uma ampla gama de recursos de manipulação de dados. Ela fornece ferramentas para extração, transformação e carregamento (ETL) dados de várias fontes, limpeza de dados e integração em bancos de dados ou cloud ambientes. O Talend também oferece uma interface visual para os usuários criarem fluxos de trabalho de dados.
5. Consulta de energia (Microsoft Excel). O Power Query é uma ferramenta de transformação e manipulação de dados integrada ao Microsoft Excel e ao Power BI. Ele permite que os usuários importem, limpem, remodelem e mesclem dados de várias fontes em uma interface visual amigável. O Power Query simplifica tarefas complexas de manipulação de dados com seu conjunto de funções integradas.
6. AbrirRefinar. OpenRefine (anteriormente Google Refine) é uma ferramenta de código aberto projetada para limpeza e transformação de dados desorganizados. Ele suporta exploração, limpeza e transformação de dados com uma interface amigável. OpenRefine é particularmente útil para trabalhar com grandes conjuntos de dados e transformações complexas, como agrupar entradas de dados semelhantes.
7. Preparação de dados (Google Cloud). Google CloudO Dataprep é uma ferramenta de manipulação de dados totalmente gerenciada que permite aos usuários limpar e preparar dados para análise ou aprendizado de máquina. Ele fornece uma interface intuitiva com criação de perfil de dados, detecção de anomalias e recomendações de transformação automática. O Dataprep integra-se com o Google Cloud Armazenamento e BigQuery para processamento de dados perfeito.
8. FACA. KNIME é uma plataforma de análise de dados de código aberto que oferece recursos robustos de manipulação de dados. Ela fornece um ambiente de fluxo de trabalho visual para usuários limparem, transformarem e analisarem dados. KNIME suporta uma ampla gama de formatos de dados e integra-se com várias ferramentas de aprendizado de máquina e visualização de dados.
9. Gerenciamento de dados SAS. A SAS fornece um conjunto de gestão de dados e ferramentas de wrangling para preparar grandes conjuntos de dados. O SAS Data Management inclui recursos de integração, transformação e limpeza de dados, juntamente com ferramentas para automatizar fluxos de trabalho de dados e melhorar a qualidade dos dados para análise.
10. DadosRobot. A DataRobot oferece uma plataforma orientada por IA que automatiza fluxos de trabalho de data wrangling e machine learning. Seus recursos de data wrangling focam na automação das etapas de limpeza, transformação e engenharia de recursos, facilitando para os usuários preparar dados para modelos de machine learning sem codificação extensiva.

Quais são os benefícios e desafios do Data Wrangling?

O data wrangling é uma etapa crucial no processo de análise de dados, transformando dados brutos e desorganizados em um formato limpo e estruturado. Embora ofereça benefícios significativos em termos de qualidade de dados e precisão de análise, ele também vem com seu próprio conjunto de desafios. Esta seção explora as principais vantagens e dificuldades associadas ao data wrangling, destacando seu impacto no sucesso geral de projetos orientados a dados.

Benefícios da Confusão de Dados

O data wrangling oferece vários benefícios importantes que melhoram a qualidade e a eficiência da análise de dados. Ao transformar dados brutos em um formato utilizável, as organizações podem desbloquear insights valiosos e tomar decisões mais informadas. Aqui estão os principais benefícios do data wrangling:

• Melhor qualidade dos dados. O Data Wrangling ajuda a limpar e refinar dados removendo duplicatas, manipulando valores ausentes e corrigindo erros. Isso garante que os dados usados ​​para análise sejam precisos, consistentes e confiáveis, levando a insights mais confiáveis.
• Tomada de decisão aprimorada. Com dados limpos e estruturados, os tomadores de decisão podem confiar nas informações com as quais estão trabalhando. O data wrangling permite que as organizações tomem decisões mais informadas e baseadas em dados, o que pode melhorar a eficiência operacional, as experiências do cliente e o planejamento estratégico.
• Melhor desempenho do modelo. Em machine learning e modelagem preditiva, dados limpos e formatados corretamente impactam diretamente a precisão do modelo. O Wrangling garante que os dados estejam prontos para análise, levando a modelos mais confiáveis ​​e melhor desempenho em tarefas como classificação e regressão.
• Eficiência de tempo. Embora a manipulação de dados possa consumir muito tempo, automatizar o processo ou usar ferramentas eficazes economiza um tempo significativo a longo prazo. Dados manipulados são mais fáceis e rápidos de analisar, reduzindo a quantidade de tempo gasto na preparação de dados e permitindo que os analistas se concentrem na geração de insights.
• Maior acessibilidade de dados. Wrangling data envolve transformá-los em um formato estruturado, tornando-os mais fáceis de acessar e analisar. Dados estruturados são mais acessíveis a analistas, cientistas de dados e tomadores de decisão, garantindo que todos em uma organização possam trabalhar com os dados de forma eficaz.
• Integração de múltiplas fontes de dados. O data wrangling geralmente envolve a combinação de dados de diferentes fontes, como bancos de dados, APIs e planilhas. Essa integração permite uma visão holística dos dados, permitindo que as organizações analisem informações de diversas áreas em um conjunto de dados consolidado.

Desafios de Confrontação de Dados

O data wrangling, embora essencial para uma análise de dados eficaz, apresenta vários desafios que podem complicar o processo. Esses desafios surgem da natureza dos dados brutos, da necessidade de precisão e da complexidade de transformar dados em um formato utilizável. Aqui estão alguns desafios comuns no data wrangling:

• Lidando com formatos de dados inconsistentes. Dados brutos geralmente vêm em vários formatos (por exemplo, texto, números, datas), dificultando a integração e a análise. Padronizar formatos de dados em conjuntos de dados pode ser demorado e propenso a erros, especialmente quando os dados são de várias fontes com estruturas diferentes.
• Dados ausentes. Valores ausentes são comuns em conjuntos de dados do mundo real e podem ocorrer por vários motivos, como erros na coleta de dados ou registros incompletos. Decidir como lidar com dados ausentes — seja imputando valores, removendo registros ou usando outras estratégias — pode impactar a precisão da análise.
• Problemas de qualidade de dados. Dados brutos geralmente contêm erros, como erros tipográficos, outliers ou duplicatas. Limpar os dados para corrigir esses problemas é uma parte crítica do processo de wrangling, mas pode ser trabalhoso, especialmente com grandes conjuntos de dados.
• Escalabilidade com grandes conjuntos de dados. À medida que os conjuntos de dados crescem em tamanho e complexidade, as tarefas de manipulação de dados se tornam mais desafiadoras. O processamento de grandes conjuntos de dados requer algoritmos eficientes e poder computacional suficiente para lidar com o volume e a velocidade da manipulação de dados.
• Integração de dados de múltiplas fontes. Quando os dados vêm de diferentes fontes, como bancos de dados, APIs ou planilhas, integrá-los em um único conjunto de dados coeso pode ser difícil. Diferenças na estrutura de dados, convenções de nomenclatura ou campos ausentes podem complicar o processo de mesclagem.
• Processo demorado. A manipulação de dados é frequentemente a parte mais demorada do fluxo de trabalho de análise de dados. Mesmo com as ferramentas certas, pode ser necessário um esforço significativo para limpar, transformar e organizar os dados para garantir que estejam prontos para análise.
• Falta de padronização. Sem padrões de dados consistentes, a disputa de dados de várias equipes ou departamentos pode levar à confusão e a erros. Diferenças em como os dados são coletados, armazenados ou interpretados podem criar inconsistências que exigem tempo extra para reconciliação.
• Manter a privacidade e a segurança dos dados. Em alguns casos, a disputa de dados envolve lidar com informações pessoais ou sensíveis. Garantir que os regulamentos de privacidade sejam seguidos e que os dados estejam seguros durante a transformação e o armazenamento é um desafio, particularmente em setores como saúde e finanças.

Comparação de Data Wrangling

Aqui está uma comparação de manipulação de dados com outros métodos de gerenciamento de dados.

Data Wrangling vs. Limpeza de Dados

Data wrangling e data cleaning são processos intimamente relacionados, mas distintos, na preparação de dados. Data wrangling se refere ao processo mais amplo de transformar dados brutos em um formato estruturado e utilizável, que inclui tarefas como mesclar conjuntos de dados, remodelar dados e lidar com valores ausentes.

A limpeza de dados, por outro lado, é um subconjunto específico de data wrangling focado unicamente em identificar e corrigir erros, inconsistências e imprecisões nos dados, como remover duplicatas, corrigir entradas incorretas ou preencher valores ausentes. Embora a limpeza de dados seja uma parte essencial do data wrangling, o wrangling abrange uma gama mais ampla de tarefas que vão além de apenas limpar os dados.

Qual é a diferença entre extração de dados e manipulação de dados?

A raspagem de dados e a manipulação de dados são dois processos distintos no fluxo de trabalho de preparação de dados. A raspagem de dados se refere ao processo de extração de dados brutos de sites, APIs ou outras fontes on-line, geralmente em um não estruturado or Semi-estruturado formato. Envolve a coleta de dados que podem não estar prontamente disponíveis em um estruturada base de dados.

Por outro lado, a manipulação de dados é o processo de limpeza, transformação e organização de dados brutos em um formato estruturado e utilizável para análise.

Organização de dados vs. mineração de dados

A extração de dados e a mineração de dados são técnicas usadas para coletar e analisar dados, mas diferem em sua abordagem e propósito.

Data scraping refere-se ao processo de extração de dados brutos de sites, documentos ou outras fontes, normalmente por meio de ferramentas automatizadas que coletam informações estruturadas ou não estruturadas para uso posterior. Ele se concentra em reunir dados de forma rápida e eficiente, geralmente de fontes disponíveis publicamente.

Por outro lado, a mineração de dados envolve analisar grandes conjuntos de dados para descobrir padrões, tendências, correlações ou insights usando algoritmos e técnicas estatísticas. A mineração de dados visa extrair conhecimento significativo dos dados, geralmente para análise preditiva ou tomada de decisão, e requer técnicas sofisticadas para identificar relacionamentos ocultos dentro dos dados.

Data Wrangling vs. ETL

A raspagem de dados e ETL (extrair, transformar, carregar) são métodos para adquirir e processar dados, mas diferem em seu escopo e propósito. A raspagem de dados envolve extrair dados brutos de sites ou fontes online, normalmente por análise HTML ou usando APIs, para coletar informações que não estão prontamente disponíveis em formatos estruturados. É frequentemente usado para reunir dados publicamente disponíveis para análise.

Por outro lado, ETL é um processo de integração de dados mais amplo que envolve extrair dados de várias fontes (por exemplo, bancos de dados, arquivos simples), transformá-los para atender a requisitos específicos (como limpeza, formatação ou agregação) e carregá-los em um sistema de destino (como um data warehouse).

Perguntas frequentes sobre organização de dados

Aqui estão as respostas para as perguntas mais comuns sobre manipulação de dados.

Qual linguagem de programação é usada para Data Wrangling?

Vários linguagens de programação são comumente usados ​​para manipulação de dados, com Python e R sendo os mais populares. Python, com suas bibliotecas poderosas como Pandas, NumPy e Matplotlib, é amplamente usado devido à sua versatilidade e facilidade de uso para limpeza, transformação e análise de dados. R é outra escolha popular, particularmente em análise estatística e visualização de dados, com pacotes como dplyr e tidyr que oferecem recursos eficientes de manipulação de dados.

Outras línguas, como SQL para consulta de banco de dados e JavaScript para web scraping, também são usados ​​em contextos específicos de data wrangling. No entanto, Python continua sendo a linguagem preferida para a maioria das tarefas de data wrangling devido ao seu amplo ecossistema e suporte para várias tarefas relacionadas a dados.

Quanto tempo demora a transformação de dados?

O tempo necessário para a manipulação de dados varia significativamente dependendo de vários fatores, incluindo o tamanho e a complexidade do conjunto de dados, a qualidade dos dados brutos, as tarefas específicas de manipulação necessárias e as ferramentas ou técnicas usadas. Para conjuntos de dados pequenos e relativamente limpos, a manipulação de dados pode levar algumas horas ou alguns dias.

No entanto, para conjuntos de dados maiores com inúmeras inconsistências, valores ausentes ou transformações complexas, o processo pode se estender por semanas ou até mais. Além disso, a habilidade e a experiência da pessoa que realiza o wrangling, bem como a automação de tarefas, podem impactar a velocidade do processo. Em geral, o wrangling de dados é frequentemente a etapa mais demorada no fluxo de trabalho de análise de dados, tornando-se uma consideração importante ao planejar projetos de dados.

A manipulação de dados é difícil?

A manipulação de dados pode ser desafiadora, especialmente ao lidar com conjuntos de dados grandes, confusos ou complexos. O processo requer atenção aos detalhes, habilidades de resolução de problemas e um forte entendimento dos dados com os quais se está trabalhando. Dificuldades comuns incluem lidar com valores ausentes, identificar e corrigir erros, integrar dados de diferentes fontes e transformar dados em um formato adequado para análise.

A complexidade aumenta quando os conjuntos de dados são desestruturados ou inconsistentes. Embora várias ferramentas e linguagens de programação ajudem a simplificar o processo, a manipulação de dados ainda requer uma sólida compreensão de técnicas de manipulação de dados e a capacidade de lidar com problemas imprevistos. Para aqueles com experiência em análise de dados, o processo se torna mais gerenciável, mas para iniciantes, pode ser demorado e difícil.

Qual é o futuro da organização de dados?

O futuro da manipulação de dados provavelmente será moldado pelos avanços na automação, inteligência artificial (AI), e machine learning. À medida que os volumes de dados crescem e se tornam mais complexos, a demanda por soluções eficientes de data wrangling aumentará.

Espera-se que ferramentas de automação assumam tarefas mais rotineiras, como limpeza, transformação e integração de dados, permitindo que analistas se concentrem em insights de nível mais alto e tomada de decisão. Ferramentas alimentadas por IA se tornarão mais hábeis em identificar padrões, lidar com dados ausentes e fazer sugestões de transformação de dados, reduzindo ainda mais o tempo e o esforço necessários.

Além disso, cloud-soluções baseadas em permitirão processos de wrangling mais escaláveis ​​e colaborativos. Com esses avanços, o processo de wrangling de dados se tornará mais rápido, mais eficiente e acessível, tornando mais fácil para as organizações prepararem e alavancarem seus dados para análise e tomada de decisão.