Diversos cientistas tem migrado seus experimentos para a nuvem. Esses experimentos podem ser modelados como workflows científicos, e muito deles são intensivos em dados/computação. Os dados produzidos pelas execuções dos workflows são armazenados na nuvem, o que levanta a preocupação da confidencialidade dos dados, i.e., o risco do acesso não autorizado aos arquivos por conta de usuários maliciosos. Mecanismos como a dispersão dos dados e criptografia podem ser adotados para aumentar a confidencialidade dos dados. Entretanto, a adoção desses mecanismos não pode ser desacoplada do escalonamento do workflow, pois pode aumentar o tempo de execução e seu custo financeiro. Nesse artigo, apresentamos uma heurística de escalonamento de workflows denominada SaFER-GCH (workflow Scheduling with conFidEntiality pRoblem - Greedy random Constructive Heuristic), que considera restrições de confidencialidade dos dados enquanto executa o escalonamento das ativações. Experimentos com traces reais de workflows apresentaram resultados promissores.