Big data é o conjunto de técnicas e tecnologias para coletar, armazenar, processar e analisar grandes volumes de dados, de diferentes tipos e gerados em alta velocidade, com o objetivo de identificar padrões e apoiar decisões. A expressão costuma ser associada às “características dos vs”: volume (muitos dados), velocidade (geração e processamento rápidos), variedade (dados estruturados, como tabelas, e não estruturados, como textos, imagens e vídeos), e, em visões mais amplas, veracidade (qualidade e confiabilidade) e valor (utilidade para decisões). Não se trata de uma ferramenta única, mas de um ecossistema de armazenamento, processamento e análise, que envolve estatística, ciência de dados e inteligência artificial.
Como governos usam big data
- Planejamento urbano e mobilidade: análise de deslocamentos, dados de transporte e trânsito para ajustar linhas, semáforos e rotas.
- Saúde pública: identificação de surtos, previsão de demanda por atendimentos, monitoramento de vacinação.
- Segurança e defesa civil: previsão de áreas de risco, análise de ocorrências.
- Controle e combate à fraude: cruzamento de grandes bases para detectar irregularidades em pagamentos, benefícios e contratos.
- Arrecadação: identificação de inadimplentes, inconsistências cadastrais e potenciais tributários.
- Serviços ao cidadão: compreender padrões de demanda e antecipar necessidades.
- Avaliação de políticas públicas, com uso de dados administrativos (políticas baseadas em evidências).
Big data e prefeituras
Nem toda prefeitura precisa de uma infraestrutura sofisticada de big data. Muitas decisões de gestão podem ser apoiadas por análises simples, com ferramentas acessíveis, desde que os dados estejam organizados. Na prática, o primeiro passo é ter cadastros confiáveis, integração entre sistemas e governança de dados (governança de dados). Só depois faz sentido avançar para técnicas mais complexas, como modelos preditivos e análises em tempo real.
Cuidados com dados pessoais
O uso de dados pessoais em larga escala exige atenção à Lei Geral de Proteção de Dados (Lei nº 13.709/2018). O tratamento deve ter base legal, finalidade específica e legítima, adequação, necessidade e transparência. O poder público pode tratar dados pessoais para a execução de políticas públicas previstas em lei, mas deve informar de forma clara e adotar medidas de segurança. Dados anonimizados, ou seja, aqueles que não permitem identificar o titular por meios técnicos razoáveis, em regra não são considerados dados pessoais pela lei, o que torna a anonimização uma estratégia importante. Mas é preciso cuidado: o cruzamento de bases pode reidentificar pessoas.
Riscos
- Vieses: dados históricos podem refletir desigualdades e levar a decisões discriminatórias se usados sem crítica.
- Privacidade: vazamentos e usos indevidos de dados pessoais.
- Má qualidade: dados errados geram conclusões erradas, mesmo em grande volume.
- Correlação confundida com causa: padrões estatísticos não significam relação de causa e efeito.
- Dependência de fornecedores e plataformas fechadas.
- Falta de transparência: análises “caixa-preta” que ninguém consegue explicar.
Como começar
- Parta de perguntas de gestão específicas: por exemplo, onde estão as maiores perdas de arrecadação? Em quais bairros as faltas escolares são mais altas?
- Organize os dados necessários, integrando bases e corrigindo erros.
- Use dados anonimizados quando possível e defina quem pode acessar o quê.
- Estabeleça governança: responsáveis, qualidade, segurança e documentação.
- Envolva especialistas em estatística, ética e proteção de dados.
- Valide os resultados com técnicos da área, antes de agir.
- Teste em escala reduzida e avalie o impacto.
- Comunique o uso dos dados com transparência.
Um exemplo hipotético: a prefeitura integra dados de matrícula, frequência e transporte escolar e identifica que as faltas se concentram em rotas com atrasos frequentes. Reorganiza o transporte nessas rotas e acompanha a frequência nos meses seguintes. Os dados usados são agregados e anonimizados, e a análise é validada por técnicos da educação.
Relação com inteligência artificial
Big data fornece a “matéria-prima” para modelos de inteligência artificial, que aprendem com grandes conjuntos de dados. Por isso, os cuidados éticos e legais se somam. Veja IA no setor público. Resultados devem ser validados por técnicos da área, e decisões que afetem direitos precisam de supervisão humana.
Erros comuns
- Acumular dados sem objetivo definido.
- Investir em ferramentas antes de organizar cadastros e processos.
- Ignorar a LGPD e os riscos de reidentificação.
- Confiar em análises sem validar a qualidade dos dados.
- Tomar decisões automáticas sem revisão humana.
- Não documentar métodos e fontes.
Exemplo de projeto piloto responsável
Para sair do discurso, escolha uma pergunta de gestão simples e mensurável, como entender quais regiões concentram mais reclamações de zeladoria e quanto tempo leva a resposta. Reúna as bases de ouvidoria e ordens de serviço, padronize datas e endereços, produza mapas e tabelas, valide com os responsáveis em campo e proponha mudanças na escala de equipes. Mostre ao prefeito o antes e o depois. Esse tipo de projeto demonstra o valor dos dados sem exigir plataformas caras, e cria demanda por melhorias na governança dos cadastros.
Estruturas necessárias
Mesmo projetos modestos exigem três elementos: pessoas que entendam de dados (analistas, estatísticos ou parceiros acadêmicos), infraestrutura mínima para armazenar e processar (planilhas robustas, bancos de dados, ferramentas de visualização, serviços de nuvem contratados com segurança) e regras de governança (quem pode acessar, com que finalidade, como proteger). Consórcios intermunicipais e parcerias com universidades podem compartilhar custos e competências.
