Data Lakes Orientados por Metadados: um Estudo Exploratório sobre Governança e Proveniência
Resumo
A crescente centralidade dos dados nas atividades organizacionais impulsionou a adoção de arquiteturas flexíveis como os data lakes, que permitem o armazenamento de dados em estado bruto para múltiplos fins analíticos. Contudo, a ausência de estratégias sistemáticas de metadados compromete a interoperabilidade e o reuso, levando frequentemente à degradação desses ambientes em data swamps onerosos e ineficientes. Este artigo investiga o papel da governança de metadados não apenas como suporte informacional, mas como driver fundamental de FinOps para a otimização do Custo Total de Propriedade (TCO). Articulando fundamentos da Ciência da Informação e da Engenharia de Dados, a pesquisa analisa o impacto de motores de consulta otimizados, como o Photon, e frameworks de alocação elástica, como o BigOPERA, na redução de custos operacionais. Os resultados sugerem que abordagens orientadas por metadados semânticos e proveniência ampliam a transparência e a confiabilidade dos dados, permitindo que otimizações técnicas atinjam seu potencial máximo de economia. Conclui-se que a integração entre governança rigorosa e eficiência de processamento é o único caminho para a evolução de data lakes em infraestruturas analíticas financeiramente sustentáveis.
Palavras-chave:
Data Lake, Governança de Metadados, Proveniência de Dados, FinOps, Custo Total de Propriedade
Referências
Almeida, J. M., Braganholo, V., and Oliveira, D. (2025). Governança de dados em sistemas-de-sistemas: Uma abordagem orientada à dados de proveniência. In Anais do 40º Simpósio Brasileiro de Bancos de Dados, Fortaleza, CE, Brazil.
Behm, A., Palkar, S., Agarwal, U., Armstrong, T., Cashman, D., Dave, A., et al. (2022). Photon: A fast query engine for lakehouse systems. In Proceedings of the 2022 International Conference on Management of Data (SIGMOD ’22), pages 2326–2339, New York, NY, USA. ACM.
Bezerra, A. L. d. S., Batalha, I. S., Filho, L. R. A., Almeida, C. M., Dantas, M. I. N., and Gouvêa, N. A. (2025). Rpas e data lakes para a indústria 4.0: Um estudo de caso de ecossistema de dados integrados. In Anais do 40º Simpósio Brasileiro de Bancos de Dados, Fortaleza, CE, Brazil.
Caderno, P. V., Awaysheh, F., Cabaleiro, J. C., and Pena, T. F. (2025). Bigopera: An opportunistic and elastic resource allocation for big data frameworks. Cluster Computing, 28(383):1–16.
da Silva, F. I. (2025). Proveniência de dados e metadados em repositórios de dados de pesquisa. Dissertação (mestrado), Universidade Federal de São Carlos, São Carlos, SP, Brasil.
Giebler, C., Gröger, C., Hoos, E., Eichler, R., Schwarz, H., and Mitschang, B. (2021). The data lake architecture framework: A foundation for building a comprehensive data lake architecture.
Gil, Y. and Miles, S. (2013). Prov model primer. [link]. Acesso em: 25 mar. 2026.
Jordão, T., Bedo, M., and Oliveira, D. (2025). Arani: Uma abordagem baseada em linha de experimento para preservação de privacidade em data lakes. In Anais do 40º Simpósio Brasileiro de Bancos de Dados, Fortaleza, CE, Brazil.
Lima, D. M. et al. (2021). Uma proposta de data lake para pesquisa em saúde a partir de data pools multicêntricos interoperáveis. In Anais do Simpósio Brasileiro de Bancos de Dados, Brasil.
Lis, D. and Otto, B. (2020). Data governance in data ecosystems-insights from organizations. In Americas Conference on Information Systems (AMCIS).
Madera, C. (2018). L’évolution des systèmes et architectures d’information sous l’influence des données massives: les lacs de données. Tese (doutorado em informática), LIRMM, Université de Montpellier, Montpellier, France.
Magagna, B., Goldfarb, D., Martin, P., Atkinson, M., Koulouzis, S., and Zhao, Z. (2020). Data provenance. In Towards Interoperable Research Infrastructures for Environmental and Earth Sciences: A Reference Model Guided Approach for Common Challenges, pages 208–225. Springer.
Moreau, L. and Lebo, T. (2013). Prov-links. [link]. Acesso em: 25 mar. 2026.
Moreau, L. and Missier, P. (2013). Prov-dm: The prov data model.
Nargesian, F., Zhu, E., Miller, R. J., Pu, K. Q., and Arocena, P. C. (2019). Data lake management: Challenges and opportunities. Proceedings of the VLDB Endowment, 12(12):1986–1989.
Rodrigues, J. and Mello, R. (2022). Um estudo sobre arquiteturas e metadados em data lakes. In Anais da XVII Escola Regional de Banco de Dados, pages 131–134, Porto Alegre, RS, Brazil. SBC.
Rolim, T. V. et al. (2024). An approach to construct a metadata graph for specifying enterprise knowledge graphs. In Anais do Simpósio Brasileiro de Bancos de Dados, Brasil.
Silva, F. and Mattoso, M. (2023). Integrador de metadados modular para aprendizado de máquina com visualização em tempo de execução. In Anais do Simpósio Brasileiro de Bancos de Dados, Brasil.
Silva, H. A. B. et al. (2024). Uma proposta baseada no dublin core para catalogação de metadados de fontes de dados governamentais. In Anais do Simpósio Brasileiro de Bancos de Dados, Brasil.
Simmhan, Y. L., Plale, B., and Gannon, D. (2005). A survey of data provenance in e-science. SIGMOD Record, 34(3):31–36.
Suriarachchi, I. and Plale, B. (2016). Crossing analytics systems: A case for integrated provenance in data lakes. In 2016 IEEE 12th International Conference on e-Science (e-Science), pages 349–354. IEEE.
Vasconcelos, F. F. and Coutinho, F. J. (2024). Data lakehouses para a análise de dados geoespaciais em larga escala. In Anais do Simpósio Brasileiro de Bancos de Dados, Brasil.
Yamada, H., Kitsuregawa, M., and Goda, K. (2024). Lakeharbor: Making structures first-class citizens in data lakes. In 2024 IEEE 40th International Conference on Data Engineering (ICDE), pages 5583–5592. IEEE.
Yuan, J. et al. (2021). Data lakehouse: A new generation of data architecture. Proceedings of the VLDB Endowment, 14(12):xxxx–xxxx.
Zhao, J., Miles, A., Klyne, G., and Shotton, D. (2009). Linked data and provenance in biological data webs. Briefings in bioinformatics, 10(2):139–152.
Behm, A., Palkar, S., Agarwal, U., Armstrong, T., Cashman, D., Dave, A., et al. (2022). Photon: A fast query engine for lakehouse systems. In Proceedings of the 2022 International Conference on Management of Data (SIGMOD ’22), pages 2326–2339, New York, NY, USA. ACM.
Bezerra, A. L. d. S., Batalha, I. S., Filho, L. R. A., Almeida, C. M., Dantas, M. I. N., and Gouvêa, N. A. (2025). Rpas e data lakes para a indústria 4.0: Um estudo de caso de ecossistema de dados integrados. In Anais do 40º Simpósio Brasileiro de Bancos de Dados, Fortaleza, CE, Brazil.
Caderno, P. V., Awaysheh, F., Cabaleiro, J. C., and Pena, T. F. (2025). Bigopera: An opportunistic and elastic resource allocation for big data frameworks. Cluster Computing, 28(383):1–16.
da Silva, F. I. (2025). Proveniência de dados e metadados em repositórios de dados de pesquisa. Dissertação (mestrado), Universidade Federal de São Carlos, São Carlos, SP, Brasil.
Giebler, C., Gröger, C., Hoos, E., Eichler, R., Schwarz, H., and Mitschang, B. (2021). The data lake architecture framework: A foundation for building a comprehensive data lake architecture.
Gil, Y. and Miles, S. (2013). Prov model primer. [link]. Acesso em: 25 mar. 2026.
Jordão, T., Bedo, M., and Oliveira, D. (2025). Arani: Uma abordagem baseada em linha de experimento para preservação de privacidade em data lakes. In Anais do 40º Simpósio Brasileiro de Bancos de Dados, Fortaleza, CE, Brazil.
Lima, D. M. et al. (2021). Uma proposta de data lake para pesquisa em saúde a partir de data pools multicêntricos interoperáveis. In Anais do Simpósio Brasileiro de Bancos de Dados, Brasil.
Lis, D. and Otto, B. (2020). Data governance in data ecosystems-insights from organizations. In Americas Conference on Information Systems (AMCIS).
Madera, C. (2018). L’évolution des systèmes et architectures d’information sous l’influence des données massives: les lacs de données. Tese (doutorado em informática), LIRMM, Université de Montpellier, Montpellier, France.
Magagna, B., Goldfarb, D., Martin, P., Atkinson, M., Koulouzis, S., and Zhao, Z. (2020). Data provenance. In Towards Interoperable Research Infrastructures for Environmental and Earth Sciences: A Reference Model Guided Approach for Common Challenges, pages 208–225. Springer.
Moreau, L. and Lebo, T. (2013). Prov-links. [link]. Acesso em: 25 mar. 2026.
Moreau, L. and Missier, P. (2013). Prov-dm: The prov data model.
Nargesian, F., Zhu, E., Miller, R. J., Pu, K. Q., and Arocena, P. C. (2019). Data lake management: Challenges and opportunities. Proceedings of the VLDB Endowment, 12(12):1986–1989.
Rodrigues, J. and Mello, R. (2022). Um estudo sobre arquiteturas e metadados em data lakes. In Anais da XVII Escola Regional de Banco de Dados, pages 131–134, Porto Alegre, RS, Brazil. SBC.
Rolim, T. V. et al. (2024). An approach to construct a metadata graph for specifying enterprise knowledge graphs. In Anais do Simpósio Brasileiro de Bancos de Dados, Brasil.
Silva, F. and Mattoso, M. (2023). Integrador de metadados modular para aprendizado de máquina com visualização em tempo de execução. In Anais do Simpósio Brasileiro de Bancos de Dados, Brasil.
Silva, H. A. B. et al. (2024). Uma proposta baseada no dublin core para catalogação de metadados de fontes de dados governamentais. In Anais do Simpósio Brasileiro de Bancos de Dados, Brasil.
Simmhan, Y. L., Plale, B., and Gannon, D. (2005). A survey of data provenance in e-science. SIGMOD Record, 34(3):31–36.
Suriarachchi, I. and Plale, B. (2016). Crossing analytics systems: A case for integrated provenance in data lakes. In 2016 IEEE 12th International Conference on e-Science (e-Science), pages 349–354. IEEE.
Vasconcelos, F. F. and Coutinho, F. J. (2024). Data lakehouses para a análise de dados geoespaciais em larga escala. In Anais do Simpósio Brasileiro de Bancos de Dados, Brasil.
Yamada, H., Kitsuregawa, M., and Goda, K. (2024). Lakeharbor: Making structures first-class citizens in data lakes. In 2024 IEEE 40th International Conference on Data Engineering (ICDE), pages 5583–5592. IEEE.
Yuan, J. et al. (2021). Data lakehouse: A new generation of data architecture. Proceedings of the VLDB Endowment, 14(12):xxxx–xxxx.
Zhao, J., Miles, A., Klyne, G., and Shotton, D. (2009). Linked data and provenance in biological data webs. Briefings in bioinformatics, 10(2):139–152.
Publicado
08/09/2026
Como Citar
ORTOLAN, Márcio; DA SILVA, Felipe Ivo; SANTOS, Marilde Terezinha Prado.
Data Lakes Orientados por Metadados: um Estudo Exploratório sobre Governança e Proveniência. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 41. , 2026, São Carlos/SP.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 169-182.
ISSN 2763-8979.
DOI: https://doi.org/10.5753/sbbd.2026.249161.
