Incoerência dos dados compromete a implantação de Data Discovery

A adoção de plataformas de Data Discovery (DD) generalistas demais pode trair um dos objetivos mais desejados com a implantação da tecnologia: conseguir disponibilizar a informação específica para cada gestor, como subsídio para a tomada de decisões, sem inundá-los com dados desnecessários.

“A facilidade de integração de dados e a alteração de regras de negócio são obtidas através de uma gestão de metadados não integrada e centralizada”, explica Tiago Durão, da Deloitte Consulting.

O problema é que que a quantidade de indicadores semelhantes disponíveis, oriundos de outros repositórios além das ferramentas de DD, pode gerar incoerências, diz o consultor. Existe “um elevado risco” de as plataformas não traduzirem “a visão única da verdade”, e acabarem por funcionar como um conjunto de ilhas informacionais.

“Esta é uma das principais razões pelas quais muitas das vezes soluções de DD são adotadas apenas nos departamentos e não como ferramenta de Business Analytics corporativa”, considera Durão.

Há também outra razão que concorre para este problema: a especificação incorreta de requisitos, diz Miguel Mancellos, da Capgemini. “As abordagens ‘bottom up’ acabam por recriar o que já existe (quando existe), ou implementar uma longa lista de requisitos dos usuários.

Isto, sem a análise crítica dos indicadores efetivamente necessários para gerir a organização no seu atual ciclo de vida e contexto econômico”, explica o consultor.

Outro problema é a tentação de fazer implantações meramente tecnológicas. Nestas abordagens ignoram-se as especificidades das empresas. E impõem-se “modelos de informação generalistas, sejam eles setoriais ou funcionais, mas que acabam por implantar um elevado número de indicadores e relatórios desnecessários”, alerta o consultor da Capgemini.

A falta de “incorporação dos processos de Business Intelligence (BI) nos processos de gestão e rituais da empresa”, obriga os gestores a terem o ônus da análise das informações sempre que necessitam delas. Há empresas que implementaram soluções de BI para analisar desempenhos nas vendas, mas continuam a usar planilhas Excel nas reuniões comerciais, ou no cálculo dos prêmios e comissões, exemplifica o consultor.

Arquitetura de dados é crítica
A qualidade dos dados é um imperativo. Não só por afetar as decisões mas também por poder levar ao descrédito
das soluções, se for de má qualidade, envolvendo vários sistemas, além de processos.

Assim, na adoção de ferramentas de Data Discovery, acaba por ganhar especial importância: “a uniformidade dos conceitos subjacentes à produção dos indicadores”.

“É frequente encontrar em uma organização métodos de cálculos diferentes para o mesmo indicador. A consequência típica é gastar mais tempo nas reuniões com a discussão dos métodos de cálculo do que com os resultados propriamente ditos”, ilustra Miguel Mancellos, da Capgemini.

Na mesma linha, e como boa prática, Tiago Durão (Deloitte), defende que as organizações deem atenção especial ao modelo de informação na base da solução. Ao mesmo tempo tem de haver uma forte preocupação com toda a estratégia de governança
de dados.

Para Mancellos, o envolvimento da gestão de topo no processo de definição de requisitos é fundamental. Importa não só definir os indicadores mais relevantes, como também alinhar os restantes requisitos em função destes: por exemplo, estabelecer o nível
de detalhe e a periodicidade de atualização da informação.

Desde o início “é preciso definir um conjunto de processos e regras explícitas para a criação e evolução das soluções desenvolvidas”, recomenda o responsável da Deloitte. O consultor da Capgemini, por sua vez, acrescenta que “se há um sistema corporativo responsável por disponibilizar determinada informação, só este deve ser aceito como fonte”. Trata-se, na sua visão, de assegurar uma única fonte (ou “verdade”) para a informação.

Assim, estabelecer ou clarificar uma arquitetura de dados e aplicada torna-se crítico. “As facilidades disponíveis nestas soluções podem conduzir a desenvolvimentos de funcionalidades na camada de informação incorreta”, alerta.

Isto significa que os processos de limpeza e correção de valores têm de ser feitos nos processos de integração de dados nos repositórios dos mesmos, e não nas camadas de apresentação e sem criar um processo paralelo –  esqueça aquela planilha Excel.

Autonomia aumenta o potencial da informação

Face às vicissitudes da adoção de tecnologias de Data Discovery, importa perguntar em que medida as facilidades de “self-service” são importantes? “Ter autonomia no acesso à informação, sem dependências da informática, ou de outros, é fundamental independentemente da função do utilizador”, responde Miguel Mancellos, da Capgemini.

Tiago Durão, da Deloitte, lembra que a descoberta de tendências, correlações e oportunidades de negócio ocorre através da capacidade de observar os dados de diferentes formas.

No processo analítico, “dificilmente o utilizador final sabe desde o início todas as combinações e cruzamentos de informação de que irá necessitar”, explica este consultor.

O que não invalida a necessidade de partir de um universo de informação bem definido e coerente.

“A maioria dos usuários precisa apenas da informação relevante para a sua função, ou que lhe cheguem alertas sobre as situações”, explica Miguel Mancellos.

Mas existem nas organizações outros utilizadores que “precisam de ser capazes de compor novas análises, ou ajustar as análises predefinidas”, acrescenta.

Segundo Tiago Durão, a democratização do Business Analytics conduziu a um aumento exponencial do número de usuários e das necessidades dos mesmos. “Os processos de decisão e respectivas necessidades de informação estão cada vez mais integrados com os processos mais operacionais de negócio, obrigando a respostas imediatas, caso contrário deixam de ser pertinentes e úteis”, explica.

Por isso, defende a necessidade de minimizar o número de intervenientes no referido processo de aquisição de conhecimento.