1. Introdução
Na última década, testemunhamos uma “corrida do ouro” em direção à Ciência de Dados, impulsionada pelo volume massivo de informações geradas diariamente. Porém, em meio ao surgimento de novas ferramentas e linguagens como Python e R, uma tecnologia da década de 1970 permanece inabalável como o alicerce da manipulação de dados: a Structured Query Language (SQL).
Para o analista de dados contemporâneo, dominar o SQL não é apenas um diferencial, mas uma competência estrutural obrigatória. O objetivo deste texto é desmistificar a ideia de que bancos de dados relacionais são tecnologias legadas e demonstrar a sua vitalidade na extração de inteligência de negócios.
Desenvolvimento
A ilusão de que as ferramentas NoSQL ou o processamento em memória substituiriam os bancos relacionais já foi superada pela realidade do mercado. A grande maioria dos dados corporativos, especialmente, os transacionais, que registram vendas, estoques e operações financeiras, reside em Sistemas Gerenciadores de Banco de Dados Relacionais (SGBDR). Segundo Elmasri e Navathe (2011), a integridade e a consistência garantidas pelo modelo relacional são insubstituíveis para dados críticos.
Para o analista, a proficiência em SQL vai além do comando Select*. Envolve a capacidade de realizar a “engenharia da pergunta”. Transferir a lógica de processamento para o banco de dados, utilizando agregações, window functions e joins complexos, é computacionalmente mais eficiente do que trafegar gigabytes de dados brutos pela rede para tratá-los em uma aplicação local. Date (2004) argumenta que a dissociação entre a lógica dos dados e a lógica da aplicação é o que permite a escalabilidade dos sistemas de informação.
Contudo, a democratização dos dados nas organizações modernas passa, invariavelmente, por Data Warehouses e Data Lakes. Curiosamente, mesmo tecnologias de Big Data como Apache Spark e Google BigQuery adotaram dialetos de SQL como interface principal. Isso prova que a lógica declarativa do SQL, onde dizemos ao computador o que queremos, e não como buscar, é a abstração mais eficiente já criada para interação humano-dado. Ignorar essa base teórica resulta em profissionais que sabem treinar modelos preditivos complexos, mas falham na etapa primária de extrair e limpar o dataset corretamente.
Conclusão
Como visto, a longevidade do SQL na área de computação aplicada não é fruto de inércia, mas de eficiência comprovada. Para acadêmicos e profissionais que almejam excelência na análise de dados, o estudo aprofundado de bancos de dados relacionais deve ser encarado com a mesma seriedade dedicada à estatística ou à programação. A tecnologia evolui, mas os fundamentos lógicos de como organizamos e recuperamos informações permanecem. O analista que domina o SQL possui a chave mestra para transformar repositórios estáticos em insights dinâmicos.
REFERÊNCIAS BIBLIOGRÁFICAS
DATE, C. J. Introdução a Sistemas de Bancos de Dados. 8. ed. Rio de Janeiro: Elsevier, 2004.
ELMASRI, R.; NAVATHE, S. B. Sistemas de Banco de Dados. 6. ed. São Paulo: Pearson Addison Wesley, 2011.
Prof. Me. Paulo César Monteiro Nunes
Docente do Curso de Análise e Desenvolvimento de Sistemas do Centro Universitário Ateneu.
Mestre em Computação Aplicada, especialista em Análise de Dados, em Segurança da Informação e em Educação a Distância e graduado em Pedagogia e Sistemas de Informação.
Saiba mais sobre o Curso de Análise e Desenvolvimento de Sistemas da UniAteneu.
