Como transformar informações em decisões mais justas, eficientes, transparentes e orientadas por evidências
Índice
A política pública na era dos dados
1.1. Da intuição administrativa à decisão baseada em evidências
1.2. Dados não substituem a política: qualificam a escolha públicaO que são ciências de dados aplicadas ao setor público
2.1. Dados, informação, conhecimento e decisão
2.2. Estatística, computação e ciência social em diálogoO ciclo das políticas públicas orientado por dados
3.1. Diagnóstico do problema
3.2. Formulação de alternativas
3.3. Implementação, monitoramento e avaliação
3.4. Aprendizagem institucional e correção de rotaFontes de dados para a ação pública
4.1. Registros administrativos
4.2. Pesquisas amostrais e censos
4.3. Dados geoespaciais, sensoriamento e plataformas digitais
4.4. Dados abertos e interoperabilidadeMétodos e ferramentas essenciais
5.1. Estatística descritiva e inferencial
5.2. Visualização de dados e painéis gerenciais
5.3. Modelos preditivos e aprendizado de máquina
5.4. Avaliação de impacto e inferência causalAplicações práticas em políticas públicas
6.1. Educação
6.2. Saúde
6.3. Assistência social
6.4. Segurança pública
6.5. Agricultura, meio ambiente e infraestruturaÉtica, privacidade, transparência e vieses algorítmicos
7.1. A LGPD e o tratamento de dados pelo poder público
7.2. O risco da discriminação automatizada
7.3. Explicabilidade, controle social e responsabilizaçãoDesafios brasileiros e agenda de futuro
8.1. Capacidade estatal e formação de servidores
8.2. Qualidade, integração e governança dos dados
8.3. Ciência de dados a serviço da democraciaConclusão
Lide
Governar sempre foi decidir sob incerteza. A diferença é que, no passado, boa parte das decisões públicas dependia quase exclusivamente da experiência dos gestores, da pressão política, de relatórios fragmentados e de diagnósticos lentos. Hoje, governos produzem e recebem diariamente volumes imensos de informações sobre educação, saúde, renda, mobilidade, violência, clima, infraestrutura, produção agrícola e comportamento social. A grande questão, portanto, não é mais apenas possuir dados. É saber transformá-los em conhecimento público, decisões legítimas e políticas capazes de melhorar concretamente a vida das pessoas.
As ciências de dados aplicadas às políticas públicas surgem nesse ponto de encontro entre estatística, computação, administração pública, economia, sociologia, direito e ética. Elas oferecem instrumentos para compreender problemas complexos, identificar desigualdades, prever riscos, avaliar resultados e aprimorar a alocação de recursos escassos. Mas também trazem perigos evidentes: vigilância excessiva, discriminação algorítmica, opacidade decisória e substituição indevida do julgamento democrático por modelos matemáticos aparentemente neutros.
A boa política pública não nasce de uma planilha, de um algoritmo ou de um painel digital. Ela nasce de valores coletivos, diagnóstico rigoroso, participação social e responsabilidade institucional. Os dados podem iluminar o caminho; porém, não podem decidir sozinhos qual sociedade desejamos construir.
1. A política pública na era dos dados
Políticas públicas são conjuntos organizados de decisões, ações, programas, normas e recursos mobilizados pelo Estado para enfrentar problemas coletivos. Educação básica, vacinação, transporte público, combate à fome, preservação ambiental, segurança, habitação e acesso à cultura são exemplos de áreas em que o poder público precisa escolher prioridades, distribuir recursos e avaliar resultados.
Toda política pública carrega uma pergunta essencial: qual problema precisa ser enfrentado? A resposta parece simples, mas raramente é. Quando se afirma que uma cidade possui “problemas na educação”, por exemplo, é necessário perguntar: trata-se de evasão escolar? Baixa proficiência em leitura? Falta de transporte? Déficit de professores? Infraestrutura precária? Ausência de conectividade? Violência no entorno das escolas? Sem um diagnóstico adequado, a política tende a atacar sintomas, não causas.
É justamente nesse ponto que as ciências de dados se tornam estratégicas. Elas permitem organizar grandes volumes de informações, identificar padrões, comparar territórios, observar tendências históricas e estimar os possíveis efeitos de uma intervenção estatal. Em vez de formular uma ação pública baseada apenas em percepções gerais, o gestor pode examinar indicadores, evidências e relações entre variáveis.
Isso não significa defender uma tecnocracia fria, na qual especialistas e algoritmos substituem a política. A política continua sendo o espaço legítimo de conflito, escolha e deliberação sobre valores. Dados podem mostrar que determinada região tem maior vulnerabilidade social; contudo, não definem por si mesmos qual prioridade orçamentária é moralmente mais justa. Essa escolha depende de princípios constitucionais, participação cidadã, debate público e responsabilidade democrática.
A ciência de dados, portanto, não elimina a política. Ela pode torná-la menos improvisada, mais verificável e mais capaz de aprender com seus próprios resultados.
1.1. Da intuição administrativa à decisão baseada em evidências
A experiência de gestores públicos é importante. Servidores que conhecem profundamente um território, professores que acompanham estudantes, agentes comunitários de saúde e técnicos da assistência social possuem saberes que nenhum banco de dados consegue captar integralmente. O problema aparece quando a experiência individual é tratada como prova suficiente para orientar políticas de grande escala.
Uma decisão baseada em evidências procura combinar diferentes fontes de conhecimento: dados administrativos, pesquisas científicas, indicadores sociais, conhecimento dos profissionais da ponta e participação da população afetada. Não se trata de substituir a experiência pelo número; trata-se de testar percepções, confrontar hipóteses e reduzir decisões baseadas em achismos.
A expansão dos dados digitais tornou esse processo mais viável. Registros escolares, prontuários de saúde, cadastros sociais, sistemas de transporte, dados ambientais e informações orçamentárias podem gerar diagnósticos mais precisos. Contudo, quantidade não é sinônimo de qualidade. Um banco de dados extenso, mas desatualizado, incompleto ou enviesado, pode produzir decisões piores do que uma análise simples e bem construída.
O desafio é transformar dados dispersos em evidências confiáveis. Isso exige método, governança, transparência e capacidade técnica.
2. O que são ciências de dados aplicadas ao setor público
Ciência de dados é um campo interdisciplinar voltado à coleta, organização, análise, interpretação e comunicação de dados. Ela combina estatística, programação, banco de dados, modelagem matemática, visualização de informações e conhecimentos específicos do domínio estudado.
No setor público, esse domínio é particularmente complexo. Um analista que trabalha com dados educacionais precisa compreender não apenas modelos estatísticos, mas também financiamento da educação, desigualdade regional, legislação educacional, currículo, gestão escolar e condições de trabalho docente. Da mesma forma, quem trabalha com dados de saúde precisa entender epidemiologia, organização do SUS, determinantes sociais, ética médica e vigilância sanitária.
A ciência de dados pública não pode ser reduzida a “usar inteligência artificial”. Antes de qualquer algoritmo sofisticado, é necessário perguntar:
Qual problema público será analisado?
Quais dados são necessários?
Esses dados são confiáveis?
Há risco de violação de privacidade?
O resultado poderá ser explicado à sociedade?
Quem será beneficiado ou prejudicado pela decisão?
Essas perguntas tornam o trabalho mais lento? Talvez. Mas a administração pública não pode operar como uma empresa que apenas otimiza cliques, vendas ou lucro. O Estado lida com direitos, dignidade, desigualdades históricas e recursos que pertencem à coletividade.
2.1. Dados, informação, conhecimento e decisão
É útil distinguir quatro níveis.
Dados são registros brutos. Uma lista com idade, renda, endereço, frequência escolar e condição de saúde de milhares de cidadãos é um conjunto de dados.
Informação surge quando esses registros são organizados e contextualizados. Saber que determinada região apresenta taxa de evasão escolar de 12% é uma informação.
Conhecimento aparece quando se compreende o significado daquela informação. Por exemplo: identificar que a evasão é maior entre estudantes que moram longe da escola, trabalham informalmente ou não possuem acesso regular ao transporte.
Decisão pública é a ação tomada a partir desse conhecimento. Pode envolver ampliação de transporte escolar, busca ativa, reforço da assistência estudantil, reorganização de horários ou criação de programas de permanência.
A passagem do dado para a decisão é semelhante à transformação de minério em estrutura metálica. O dado bruto possui valor potencial, mas precisa ser extraído, limpo, processado, interpretado e integrado a uma finalidade pública. Sem essa cadeia, acumular dados é apenas acumular arquivos.
3. O ciclo das políticas públicas orientado por dados
As políticas públicas costumam ser estudadas como um ciclo composto por agenda, formulação, decisão, implementação, monitoramento e avaliação. Na prática, essas etapas não são perfeitamente lineares. Problemas reaparecem, prioridades mudam, recursos diminuem, governos se alternam e novas evidências exigem correções.
A ciência de dados pode contribuir em todas essas fases.
3.1. Diagnóstico do problema
O diagnóstico é o alicerce da política pública. Antes de construir uma ponte, é preciso saber onde está o rio, qual a população atendida, quais rotas são utilizadas e quais impactos ambientais podem ocorrer. Da mesma forma, antes de criar um programa social, é necessário identificar quem precisa, onde está e quais barreiras enfrenta.
Dados podem revelar desigualdades invisíveis em análises superficiais. Uma média municipal de desempenho escolar pode parecer razoável, mas esconder diferenças profundas entre bairros, escolas rurais e urbanas, grupos socioeconômicos ou estudantes com deficiência.
A média é uma fotografia geral; a desagregação dos dados revela as fissuras da realidade.
3.2. Formulação de alternativas
Depois de identificar o problema, o gestor precisa formular alternativas. É nesse momento que análises comparativas, simulações, estudos de custo-benefício e experiências anteriores ganham relevância.
Imagine um município com alto índice de faltas em consultas médicas. A causa pode estar no transporte, no horário de atendimento, na dificuldade de comunicação, na distância da unidade ou na ausência de acolhimento. Uma boa análise não parte diretamente para a compra de um software. Ela investiga as causas, compara soluções e estima impactos.
A ciência de dados ajuda a responder perguntas como:
Qual grupo é mais afetado?
Qual território deve ser priorizado?
Quanto custa cada alternativa?
Qual intervenção possui maior potencial de impacto?
Quais indicadores devem ser acompanhados?
3.3. Implementação, monitoramento e avaliação
Uma política não deve ser considerada bem-sucedida apenas porque foi criada, regulamentada ou recebeu orçamento. A implementação precisa ser acompanhada. Recursos chegaram? Os profissionais foram capacitados? O público-alvo foi alcançado? Houve redução do problema?
Monitoramento é acompanhar a execução continuamente. Avaliação é investigar se a política produziu os resultados esperados e em que medida ela foi responsável por tais resultados.
Essa diferença é decisiva. Um programa pode cumprir metas operacionais e, ainda assim, não melhorar a vida das pessoas. Distribuir mil computadores, por exemplo, não garante aprendizagem digital. É necessário verificar conectividade, formação docente, uso pedagógico, manutenção dos equipamentos e resultados educacionais.
O Instituto de Pesquisa Econômica Aplicada destaca que o uso de evidências nas políticas públicas exige compatibilizar diferentes fontes de informação, mecanismos de transparência e proteção de dados pessoais, especialmente quando se trata de populações vulneráveis. (Repositório IPEA)
4. Fontes de dados para a ação pública
As fontes de dados governamentais são diversas e precisam ser tratadas com responsabilidade.
4.1. Registros administrativos
São dados produzidos pela própria administração pública durante a execução de serviços e políticas: matrículas escolares, atendimentos de saúde, benefícios sociais, registros tributários, boletins de ocorrência, licitações, despesas públicas e cadastros de usuários.
Esses dados têm grande valor porque são produzidos continuamente e podem permitir acompanhamento quase em tempo real. Porém, também carregam limitações. Um registro administrativo reflete aquilo que o sistema foi desenhado para registrar. Aquilo que não entra no formulário, na plataforma ou no procedimento burocrático pode desaparecer da análise.
Uma pessoa sem acesso digital, por exemplo, pode ficar invisível em bases que dependem de autodeclaração on-line. Uma população em situação de rua pode aparecer de forma incompleta em cadastros convencionais. Portanto, a ausência de registro não deve ser confundida automaticamente com ausência de necessidade.
4.2. Pesquisas amostrais e censos
Pesquisas domiciliares, censos demográficos, levantamentos educacionais e inquéritos de saúde complementam os registros administrativos. Elas permitem compreender a sociedade para além dos usuários já atendidos pelo Estado.
O IBGE, o Inep, o Datasus e diversos órgãos públicos produzem informações essenciais para a formulação de políticas. O Ipea observa que estatísticas públicas, como o Censo, a PNAD Contínua e pesquisas educacionais, constituem fontes decisivas para orientar a ação estatal. (Repositório IPEA)
4.3. Dados geoespaciais e sensoriamento remoto
Mapas, imagens de satélite, sistemas de geolocalização e dados territoriais ampliaram enormemente a capacidade de análise governamental. Eles podem ser usados para identificar desmatamento, áreas de risco, expansão urbana irregular, vazios de infraestrutura, rotas de transporte e distribuição territorial de serviços públicos.
No campo agrícola, por exemplo, dados climáticos, imagens de satélite e informações de solo podem apoiar políticas de extensão rural, prevenção de perdas, planejamento hídrico e monitoramento ambiental. Na educação, dados georreferenciados podem ajudar a identificar regiões sem cobertura adequada de transporte escolar ou conectividade.
O território deixa de ser apenas um mapa administrativo e passa a ser compreendido como rede de desigualdades, oportunidades e barreiras concretas.
5. Métodos e ferramentas essenciais
5.1. Estatística descritiva e inferencial
A estatística descritiva organiza dados por meio de médias, medianas, percentuais, frequências, dispersões e gráficos. Ela ajuda a responder perguntas básicas: quantas pessoas foram atendidas? Qual foi a evolução da evasão escolar? Quais bairros concentram maior vulnerabilidade?
A estatística inferencial permite ir além da descrição e estimar comportamentos de uma população a partir de amostras. Ela é fundamental para pesquisas de opinião, estudos de impacto e análises de associação entre variáveis.
Mas é preciso cuidado. Correlação não é causalidade. Se duas variáveis aparecem juntas, isso não significa que uma cause a outra. Um município pode apresentar simultaneamente maior investimento em saúde e maior taxa de internações. Isso não quer dizer que o investimento provoque internações; talvez ele esteja sendo ampliado justamente porque a população possui maior necessidade.
5.2. Visualização de dados e painéis gerenciais
Painéis de dados, mapas interativos e indicadores visuais são ferramentas importantes para gestores e cidadãos. Um bom painel traduz complexidade sem simplificar excessivamente a realidade.
A visualização deve responder a uma pergunta clara. Um painel cheio de gráficos coloridos, mas sem propósito decisório, é apenas decoração tecnológica. O melhor painel é aquele que permite perceber rapidamente onde está o problema, qual tendência merece atenção e quais decisões precisam ser tomadas.
5.3. Modelos preditivos e aprendizado de máquina
Modelos preditivos utilizam dados históricos para estimar eventos futuros. Podem ajudar a prever demanda por vagas escolares, risco de abandono, incidência de doenças, necessidade de medicamentos, áreas suscetíveis a enchentes ou inadimplência tributária.
O aprendizado de máquina é útil quando há muitos dados e relações complexas entre variáveis. Contudo, sua aplicação precisa ser proporcional ao problema. Não faz sentido usar redes neurais profundas para responder uma questão que poderia ser resolvida com uma regressão simples e transparente.
No setor público, modelos mais interpretáveis costumam ter vantagens. Um modelo menos sofisticado, mas compreensível pelos gestores e auditável pela sociedade, pode ser preferível a uma “caixa-preta” com maior precisão estatística, porém impossível de explicar.
5.4. Avaliação de impacto e inferência causal
Avaliar impacto significa investigar se uma política realmente causou uma mudança. Isso é mais difícil do que parece.
Suponha que uma cidade implemente reforço escolar e, meses depois, observe melhora nas notas. A melhora foi causada pelo programa? Pode ter sido resultado de recuperação econômica, mudança no perfil dos estudantes, revisão curricular ou outros fatores.
Métodos como grupos de controle, diferenças em diferenças, regressão descontínua, pareamento estatístico e experimentos controlados ajudam a aproximar respostas causais. Eles não eliminam completamente a incerteza, mas tornam a análise mais rigorosa.
6. Aplicações práticas em políticas públicas
6.1. Educação
Na educação, a ciência de dados pode apoiar a identificação de estudantes em risco de evasão, a distribuição de transporte escolar, a análise de distorção idade-série, o planejamento de vagas e a avaliação de políticas de permanência.
Entretanto, é preciso evitar transformar estudantes em meros indicadores. Um algoritmo pode apontar maior risco de abandono, mas não deve servir para rotular alguém como “caso perdido”. Seu uso adequado é o oposto: orientar apoio pedagógico, escuta, acolhimento e intervenção preventiva.
6.2. Saúde
Na saúde pública, dados são fundamentais para vigilância epidemiológica, controle de epidemias, planejamento de vacinação, gestão de leitos, distribuição de medicamentos e identificação de desigualdades territoriais.
A pandemia demonstrou que dados podem salvar vidas, mas também revelou que informação sem coordenação, transparência e confiança social produz pouco efeito. Não basta divulgar números; é necessário transformá-los em comunicação compreensível, ação coordenada e proteção dos grupos mais vulneráveis.
6.3. Assistência social
A integração responsável de dados pode melhorar a identificação de famílias vulneráveis, reduzir duplicidades, qualificar a busca ativa e orientar políticas de segurança alimentar, habitação e proteção social.
No entanto, essa área exige prudência máxima. Dados sobre pobreza, deficiência, saúde, composição familiar e violência são extremamente sensíveis. O Estado precisa usar essas informações para ampliar direitos, não para vigiar, punir ou estigmatizar cidadãos.
6.4. Agricultura, meio ambiente e infraestrutura
No campo, ciência de dados pode apoiar previsão de safras, monitoramento climático, identificação de áreas degradadas, planejamento de irrigação e acompanhamento de cadeias produtivas. Em infraestrutura, pode auxiliar a prever manutenção de estradas, riscos de acidentes, consumo energético e expansão urbana.
O Plano Brasileiro de Inteligência Artificial estabelece como uma de suas finalidades o desenvolvimento de soluções capazes de melhorar a qualidade de vida, otimizar serviços públicos e promover o desenvolvimento nacional. (Serviços e Informações do Brasil)
7. Ética, privacidade, transparência e vieses algorítmicos
Nenhuma discussão séria sobre ciência de dados no Estado pode ignorar ética e direitos fundamentais. Quanto maior o poder de coleta, cruzamento e análise de dados, maior deve ser a responsabilidade institucional.
A Lei Geral de Proteção de Dados Pessoais, Lei nº 13.709/2018, disciplina o tratamento de dados pessoais e busca proteger liberdade, privacidade e livre desenvolvimento da personalidade. (Planalto)
No setor público, a LGPD não impede o uso de dados. Ela exige finalidade legítima, necessidade, segurança, transparência e respeito aos direitos dos titulares.
7.1. O risco da discriminação automatizada
Algoritmos aprendem com dados históricos. Mas a história social é marcada por desigualdades de raça, gênero, território, renda e acesso a direitos. Se um modelo é treinado com dados produzidos em contextos discriminatórios, pode reproduzir ou até ampliar essas distorções.
Imagine um sistema de priorização de fiscalização baseado em registros históricos. Se determinadas áreas foram mais policiadas no passado, elas naturalmente terão mais registros. Um algoritmo pode interpretar isso como “maior risco”, reforçando o ciclo de vigilância sobre as mesmas comunidades.
O dado não é neutro porque a sociedade que o produz também não é neutra.
7.2. Explicabilidade e controle social
Decisões públicas que afetam direitos não podem ser tomadas por sistemas inexplicáveis. Um cidadão precisa saber por que teve um benefício negado, por que foi classificado em determinada categoria ou por que recebeu determinado atendimento.
Transparência não significa apenas publicar códigos de programação. Significa oferecer explicações compreensíveis, permitir auditorias, estabelecer canais de contestação e responsabilizar autoridades por decisões automatizadas.
A Estratégia Nacional de Governo Digital para 2024-2027 estabelece como objetivo a construção de um Estado mais inclusivo, eficaz, proativo, participativo e sustentável, com atenção às desigualdades sociais, ao reuso seguro de dados e à transparência pública. (Serviços e Informações do Brasil)
8. Desafios brasileiros e agenda de futuro
O Brasil possui enorme potencial para ampliar o uso responsável de dados em políticas públicas. Há instituições sólidas de produção estatística, sistemas administrativos abrangentes, universidades, institutos federais, centros de pesquisa e crescente infraestrutura digital.
Mas persistem desafios relevantes.
O primeiro é a qualidade dos dados. Bases desatualizadas, incompletas, incompatíveis ou sem padronização dificultam análises confiáveis.
O segundo é a interoperabilidade. Órgãos públicos frequentemente armazenam informações em sistemas isolados. Dados que poderiam ajudar a construir diagnósticos integrados permanecem fragmentados por barreiras técnicas, burocráticas ou institucionais.
O terceiro desafio é a formação de servidores. Não basta contratar especialistas em programação. É necessário formar equipes multidisciplinares capazes de compreender dados, políticas públicas, legislação, ética e comunicação.
O quarto é a governança. Quem define quais dados serão coletados? Quem pode acessá-los? Quem audita os modelos? Quem responde por danos? Essas perguntas precisam estar previstas em normas, comitês, protocolos e mecanismos de controle social.
A Estratégia Federal de Governo Digital 2024-2027 e a Infraestrutura Nacional de Dados foram instituídas para orientar a transformação digital do governo federal e aprimorar a oferta de políticas e serviços públicos por meio de tecnologias digitais. (Planalto)
Entretanto, infraestrutura técnica não basta. Um Estado digitalmente eficiente, mas socialmente insensível, pode aprofundar desigualdades. O desafio brasileiro é construir uma inteligência pública que seja simultaneamente tecnológica, democrática e humanizada.
Conclusão
Ciências de dados para políticas públicas não devem ser entendidas como uma moda tecnológica nem como a promessa de que algoritmos resolverão problemas históricos da sociedade. Elas constituem, antes de tudo, uma capacidade estatal: a capacidade de observar melhor a realidade, formular diagnósticos mais precisos, acompanhar resultados, corrigir erros e prestar contas à população.
Quando usadas com rigor metodológico, ética e participação social, as ferramentas de dados podem ajudar a identificar desigualdades invisíveis, antecipar riscos, ampliar a eficiência administrativa e melhorar a qualidade dos serviços públicos. Podem contribuir para que recursos escassos sejam destinados onde são mais necessários e para que políticas deixem de ser guiadas exclusivamente por improviso, pressão episódica ou interesses particulares.
Mas há uma fronteira que não pode ser ultrapassada: dados não possuem consciência moral, não conhecem sofrimento, não compreendem dignidade humana e não substituem a deliberação democrática. Um modelo pode estimar probabilidades; não pode definir sozinho quem merece cuidado, proteção ou prioridade. Essa é uma responsabilidade política, ética e constitucional.
A verdadeira maturidade de um Estado orientado por dados não será medida pelo número de algoritmos que utiliza, mas pela sua capacidade de transformar informação em justiça, eficiência em direitos e tecnologia em emancipação social.
Referências
BRASIL. Decreto nº 12.069, de 21 de junho de 2024. Dispõe sobre a Estratégia Nacional de Governo Digital e a Rede Nacional de Governo Digital. Brasília, DF: Presidência da República, 2024. Disponível em: https://www.planalto.gov.br. Acesso em: 27 jun. 2026.
BRASIL. Decreto nº 12.198, de 24 de setembro de 2024. Institui a Estratégia Federal de Governo Digital para o período de 2024 a 2027 e a Infraestrutura Nacional de Dados. Brasília, DF: Presidência da República, 2024. Disponível em: https://www.planalto.gov.br. Acesso em: 27 jun. 2026.
BRASIL. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais. Brasília, DF: Presidência da República, 2018. Disponível em: https://www.planalto.gov.br. Acesso em: 27 jun. 2026.
BRASIL. Ministério da Ciência, Tecnologia e Inovação. Estratégia Brasileira de Inteligência Artificial. Brasília, DF: MCTI, 2021. Disponível em: https://www.gov.br/mcti. Acesso em: 27 jun. 2026.
BRASIL. Ministério da Ciência, Tecnologia e Inovação. Plano Brasileiro de Inteligência Artificial. Brasília, DF: MCTI, 2026. Disponível em: https://www.gov.br/mcti. Acesso em: 27 jun. 2026.
BRASIL. Ministério da Gestão e da Inovação em Serviços Públicos. Estratégia Nacional de Governo Digital 2024-2027. Brasília, DF: Governo Digital, 2024. Disponível em: https://www.gov.br/governodigital. Acesso em: 27 jun. 2026.
DAVENPORT, Thomas H.; HARRIS, Jeanne G. Competição analítica: vencendo através da nova ciência. Rio de Janeiro: Elsevier, 2007.
IPEA. Evidências e dados nas políticas públicas. Brasília, DF: Instituto de Pesquisa Econômica Aplicada, 2024.
JANNUZZI, Paulo de Martino. Indicadores sociais no Brasil: conceitos, fontes de dados e aplicações. 6. ed. Campinas: Alínea, 2017.
KITCHIN, Rob. The data revolution: big data, open data, data infrastructures and their consequences. London: SAGE, 2014.
OECD. The path to becoming a data-driven public sector. Paris: OECD Publishing, 2019.
Nenhum comentário:
Postar um comentário