Cases e Plano de Ação de Qualidade de Dados

Conteudista: Prof. Me. Artur Marques

Revisão Textual: Prof.ª Dra. Selma Aparecida Cesarin

Contextualização

Material Teórico

Material Complementar

Referências
1/4

Contextualização

 Objetivos da Unidade

Introduzir o aluno em casos em que foi utilizada a Qualidade e a

Governança de Dados;

Saber fazer um Plano de Ação para Qualidade de Dados.

Já aprendemos que a Governança de Dados ajuda a garantir que os dados sejam utilizáveis,
acessíveis e protegidos.

Ela é uma peça-chave para manter a privacidade dos dados dos titulares em Empresas que
trabalham com esse ativo da informação.

Não importa qual Lei ou Norma, se LGPD, GDPR, CCPA ou alguma outra, sem governança,
di cilmente lograremos êxito tanto no controle quanto na resposta às crises e aos pedidos
dos titulares e das autoridades de dados, como a ANPD em nosso país.

Em sua essência, a Governança de Dados leva à melhoria da qualidade dos dados, à redução
dos custos de Gerenciamento de Dados e maior acesso aos dados para todas as partes
interessadas.
O resultado é uma melhor tomada de decisão e melhores resultados de negócios.

Mas como isso ocorre?

Bem, vamos dar alguma luz a essa pergunta!

2/4

Material Teórico

Introdução
O Gerenciamento de Dados inclui todos os processos para coletar, organizar, proteger,
armazenar e compartilhar dados de forma proativa. 

Para se fazer isso, são necessárias Ferramentas e Processos, e claro, pessoas capacitadas.

Mas quão bem essas Ferramentas e Processos funcionam juntos? 

Existem lacunas ou locais de sobreposição? 

Essas atividades de Gerenciamento de Dados estão alinhadas aos objetivos gerais da sua
Empresa? 

Os dados são usados da maneira mais e caz e e ciente possível?

Bem, normalmente, as respostas faladas em uma conversa são sempre: sim, claro! 

Porém, internamente, uma grande nuvem negra de tempestade se forma juntamente com um
sonoro NÃO!
Ser honesto externamente como quando fazemos nossa re exão é importante nos dias atuais,
em que não saber dos dados ou utilizar dados errados que levam você cada vez mais para trás
na corrida contra a concorrência e isso não parece muito smart, não acha?!

“Gerenciamento de Dados é a prática de coletar, manter e usar dados de forma segura,

e ciente e econômica. O objetivo do Gerenciamento de Dados é ajudar pessoas, organizações
e itens conectados a otimizar o uso de dados dentro dos limites da política e da
regulamentação, para que possam tomar decisões e ações que maximizem o benefício para a
Organização. Uma estratégia robusta de Gerenciamento de Dados está se tornando mais
importante do que nunca, já que as organizações dependem cada vez mais de ativos
intangíveis para criar valor.”

- ORACLE, 2021, p. 1

 Mas, para gerenciar qualquer coisa, precisamos, primeiro, logo depois do Planejamento, de
Estratégia.

Simpli cando, uma Estratégia de Gerenciamento de Dados é o roteiro de uma Organização

para usar dados para atingir seus objetivos.

Esse roteiro garante que todas as atividades relacionadas ao Gerenciamento de Dados

trabalhem juntas, de maneira e caz e e ciente para serem o mais úteis o possível e fáceis de
administrar.

A ideia aqui é ao menos evitar alguns desses desa os comuns, feitos pelos bancos de dados:

Dados incompatíveis, duplicados ou ausentes de fontes não documentadas ou

documentadas de forma inconsistente;
 Projetos em silos que usam os mesmos dados, mas duplicam os esforços e os custos
associados a esses dados;

Atividades de dados que consomem tempo e recursos, mas não contribuem para os
objetivos gerais de negócios.

É nesse momento que é necessário um reforço sobre o que é Gestão de Dados:

“O que é gestão de dados?

Gestão de dados é uma disciplina relacionada ao campo dos negócios, que confere às
Empresas a capacitação, recursos e ferramentas necessárias para administrar suas
informações.

Ou seja, a gestão de dados tem a ver com sua identi cação, armazenamento, acesso,
compilação, proteção e uso para fortalecer a estratégia de uma companhia.

Signi ca que, em vez de manter seus registros dispersos ou limitados a uma única equipe, por
exemplo, a Organização que aposta em seu gerenciamento os torna disponíveis de forma
otimizada e dinâmica, facilitando a comunicação interna.

Também obtém embasamento para tomar decisões mais assertivas ao longo do tempo, já que
os dados fornecem insights sobre os funcionários, mercado de atuação e sobre o público-
alvo.

Embora tenha ganhado relevância diante dos avanços tecnológicos e da popularização da

internet, a gestão de dados é anterior a esses fenômenos.

Desde que passaram a zelar pela competitividade, e ciência de processos e segurança da

informação, as Empresas já investiam na área.

O principal objetivo do Gerenciamento de Dados é alcançar a Governança de Dados, conforme

explicamos nos próximos tópicos.
Gestão de dados ou gestão da informação?

É bastante comum confundir esses dois segmentos, já que muita gente considera dados e
informações como sinônimos.

Mas, na verdade, são conceitos diferentes.

Conforme descreve Valdemar W. Setzer no artigo “Dado, Informação, Conhecimento e

Competência“, um dado pode ser de nido como uma sequência de símbolos quanti cados ou
quanti cáveis.

“Portanto, um texto é um dado. De fato, as letras são símbolos quanti cados, já que o alfabeto
por si só constitui uma base numérica. Também são dados imagens, sons e animação, pois
todos podem ser quanti cados a ponto de alguém que entra em contato com eles ter
eventualmente di culdade de distinguir a sua reprodução, a partir da representação
quanti cada, com o original”.

Já a informação é abstrata, pois se refere ao signi cado de um dado para uma pessoa que o
observa, ouve ou lê.

A informação parte da interpretação do dado.

É por isso que uma gura, por exemplo, pode ser entendida de maneira distinta por pessoas
diferentes.

Com a introdução das máquinas na rotina humana de trabalho, foi necessário arquivar
informações em um formato que pudesse ser lido por esses equipamentos.

Assim, elas passaram a ser armazenadas em formato de dados, que são quanti cáveis e
podem ser lidos pelas máquinas, mas não compreendidos por elas.

Então, é possível que um computador altere a representação de uma informação (seus dados),
mas nunca o seu conteúdo, que é abstrato e incompreensível para uma máquina.

Voltando à questão inicial, sobre a gestão de dados ou de informação, vale dizer que a primeira
lida com os registros iniciais, nas etapas que abrem as operações Empresariais.
Assim, gerir dados engloba as ações desde sua coleta até o seu descarte.

Já a gestão da informação acontece no nal dos processos, quando os dados já foram

interpretados e compreendidos pelas equipes, gerando orientações que podem nortear
estratégias inovadoras e certeiras para a Organização.”

- FIA, 2020, p. 2

Portanto, você já sabe que uma estratégia de Gerenciamento de Dados será a base sólida
necessária para abordagens de Projeto consistentes, integração bem-sucedida e, como
consequência, crescimento dos negócios.

Introdução aos Planos de Ação

em Qualidade de Dados
Então, como começamos?

Bem, há macro etapas que devem ser respeitadas. 

Vamos conhecê-las agora:

Identi car os objetivos de negócios:

Quais são os objetivos gerais da sua Organização?

Quais dados são necessários para atender a esses objetivos?

Que tipo de insights e informações são necessários para fazer progresso com relação
a essas iniciativas?

Criar processos de dados forte:

Aquisição/Coleta:

Quais serão as suas fontes de dados?

 Você precisará de acesso a ativos externos e internos?

Você precisa de dados estruturados, dados não estruturados ou uma

combinação de ambos?

Como os dados serão coletados?

Esta é uma tarefa que será realizada manualmente conforme necessário ou

você con gurará o agendamento da extração?

Preparação:

Como você limpará e transformará os dados brutos para prepará-los para

análise?

Como você identi cará dados incompletos ou díspares?

Quais serão as diretrizes para nomear dados, documentar a linhagem e

adicionar metadados para aumentar a capacidade de descoberta?

Armazenagem:

Onde você armazenará seus dados?

Você usará XML, CSV ou Bancos de Dados relacionais para dados estruturados?

Você precisa de um DATA LAKE para dados não estruturados?

Como você manterá seus dados protegidos?

Analise e distribuição:

Quais Equipes ou Departamentos precisam colaborar?

Como você pode tornar o acesso aos dados e análises mais fáceis para o usuário
nal?

Como você comunicará quaisquer insights de dados?

Pesquisar e testar a tecnologia mais adequada:

Identi car as Ferramentas, as Plataformas ou as soluções de Tecnologia;

Qual hardware ou software você precisa para estabelecer uma forte infraestrutura de

dados?

Estabelecer a Governança de Dados:

 Qualidade dos dados: como você garante que os dados sejam precisos, completos e
atuais?

Segurança de dados: quais etapas você está realizando para armazenar dados com
segurança?

Privacidade de dados: quem tem permissão para coletar e usar dados?

Transparência de dados: como promover um ambiente de dados éticos?

Treinar exaustivamente e executar num ciclo de PDCA

Como percebemos, para planejar algo, é necessário que saibamos fazer as perguntas certas.

Cases de Qualidade de Dados

Vamos acompanhar um exemplo de case simples em Qualidade de Dados para você re etir e
evoluir programas dessa natureza, nos quais trabalha ou presta serviço. 

Claro que os modelos podem ser muito so sticados e utilizar ferramental caro. Todavia, nosso
interesse aqui é mostrar a você que podemos fazer iniciativas muito simples e obter
resultados. 

Além disso, a ideia é mostrar algumas Quadros 5W2H e outros para que você veja como é
simples e dá resultados.

Então, vamos lá!

Vamos supor que você está em um Projeto chamado Projeto Per l Cliente Ideal.

Objetivo
Identi car dentre os nossos clientes e Contratos quais são as variáveis relevantes e comuns
que identi cam os clientes com maior tempo de contrato e rentabilidade. 
As variáveis identi cadas serão utilizadas para buscar Leads com alta probabilidade de
conversão.

Como resultado, queremos sair do estado atual que represento como “antes” e chegarmos ao
estado “depois”, ambos representados como resumo do escopo na Figura a seguir:

Figura 1 – Escopo sumarizado (situação antes e situação

depois da aplicação dos processos de Qualidade de Dados)

A partir de reuniões com as partes interessadas e depois com os especialistas, chegamos à

seguinte composição da nossa estrutura de trabalho, desejada para esse Plano de Ação:
 Figura 2 – Estrutura Analítica do Projeto com Expansão na
Entrega: análise de Qualidade de Dados

Para esse exemplo, zemos apenas a expansão do nível pertinente aos trabalhos referentes à
Qualidade de Dados. 

Como se pode ver, os focos são:

Analisar/estudar/de nir os dados que serão úteis para o projeto;

Criticar/lapidar o escopo para que ele possa estar factível no tempo e nos custos e que
seja prático;

Criar os Key Perfomance Index para que possamos medir para termos controle e corrigir
rumos ou atuar de forma rápida para corrigir algo fora de parâmetros.

Mas, para começar a evoluir, temos de olhar para os dados que possuímos, mais
precisamente, as fontes de dados que possuem os atributos alvo.

Para tanto, trataremos os dados e utilizaremos um dataset de tal maneira que consigamos ver
de forma crítica o que possuímos.

Faremos algo parecido com o que segue:

 Objetivo: avaliar a Qualidade de Dados das informações de Clientes e Contrato;

Responsável:  recurso interno responsável pela carga da base de Dados do BI;

Massa de dados utilizada:  contratos ativos, vencidos e cancelados. Clientes que já

tiveram contratos ativos vencidos ou cancelados;

Ferramentas utilizadas: checagem visual de valores válidos, checagem de padronização e

formatação, checagem de con abilidade das fontes de dados, resultado da efetividade na
pesquisa de satisfação de cliente e pesquisa da área de inteligência comercial sobre *% de
Empresas baixadas em 12 Meses.

Portanto, nesse nosso exemplo, o acima descrito será o nosso mote. Então, criamos uma
extração descritiva dos nossos dados em status de OK e NOK em números de registros e em
percentual relativo quanto ao que temos status OK.

Devemos escolher quais dimensões da Qualidade de Dados utilizaremos, e isso se relaciona ao

que efetivamente precisamos saber. Então, não preciso usar todas as dimensões da Qualidade
de Dados oferece.

Assim, para esse caso:

Preenchimento correto;

Padronização e formatação;

Fonte, origem e con abilidade.

Vejamos como cou:

 Figura 3 – Data setting Cadastro do Cliente com visão
quantitativa
Fonte: Reprodução

A partir desses Quadros quantitativos para cada base estudada, chegamos a apresentações
grá cas que podem aproximar as partes interessadas para que eles entendam os níveis do que
elas utilizam em seus Sistemas Transacionais.

Vejamos alguns exemplos da visualização desses dados, para servir de norteador:

Figura 4 – Grá co com a dimensão preenchimento
Fonte: Reprodução

Figura 5 – Grá co com a dimensão Fonte/Origem e

Con abilidade
Fonte: Reprodução
 Figura 6 – Grá co com a dimensão
Padronização/Formatação
Fonte: Reprodução

Como já havia mencionado, é necessário que elaboremos ou utilizemos os indicadores criados

com o intuito de balizamento e também a promoção de ciclos de melhoria contínua.

Vejamos algumas Figuras:

 Figura 7 – Resultado do Contato de Satisfação de Cliente
por motivos. Só temos valores em 2 itens, sendo que o item
vermelho (Contato não efetivado, congrega os 4 itens
dispostos no quadro cinza ao lado da imagem)

Figura 8 – Alguns indicadores quantitativos referentes ao

atributo (Contato de Satisfação do Cliente)
Fonte: Reprodução

Sem dúvida, faremos isso para cada atributo e o avaliaremos. Sim, é trabalhoso e, às vezes,
não há muitas Ferramentas senão o Excel. Portanto, o índice de automação é baixo, assim
como podemos ter automação maciça com o uso de Qlick Sense, Tableau, Rapid Miner e tantos
outros. 
Depende do nível de maturidade e, claro, da verba disponível.

Depois de analisarmos todos os atributos e visto os indicadores, podemos criar painéis ou

visões de dados contanto suas histórias. 

Assim, construímos uma história desses dados e a expomos como Conclusão.

Vejamos como procedemos.

Conclusões
Fazemos sempre reuniões para discutirmos o que faremos e escolhemos os melhores
caminhos e cursos de ação para darmos respostas aos desa os de qualidade dos dados e
podermos continuar num ciclo de melhoria contínua. 
 Figura 9 – Categorias e Dimensões da Qualidade de Dados
avaliadas para Clientes/Contratos
Fonte: Reprodução

Como são muitas dimensões, acabamos por escolher, nesse caso, um grá co de radar com
camadas temporais (hoje, maio, junho e julho) sobre o tema.

Portanto, seguindo o histórico e os outros meses, eles demonstram se a qualidade e as ações

estão funcionando.

Construímos da forma apresentada a seguir.

Proposta de Melhorias
 Figura 10 – Grá co de Radar com KPIs
Fonte: Reprodução

Figura 11 – Exposição de Dados

Fonte: Reprodução

Os dados de Clientes e Contratos são extremamente relevantes para a análise do Per l de

Cliente Ideal. Assim, de nimos com a Equipe Comercial qual % de cada dimensão de QD
seria relevante para o nosso Projeto;

Foi elaborado um Plano de Melhorias para que possamos alcançar a % de QD de nido.

Então, o que faremos depois?

Simples: o 5W2H, como apresento a seguir:

 Figura 12 – 5W2H das atividades do Plano de ação de
Melhoria de Qualidade de Dados – Parte 1
Fonte: Reprodução

Esse é o Relatório esperado como saída para um Plano de Ação para Qualidade de Dados.

O que está Impulsionando a

Governança de Dados no Mundo
Em todo o mundo, as estruturas regulatórias que lidam com dados e os requisitos de
conformidade relacionados impostos pelos Governos obrigaram as Organizações a re etirem
sobre seus métodos de coleta, armazenamento, uso e descarte de dados. 

A regulamentação mais proeminente a esse respeito é o GDPR europeu, considerado o padrão

de fato para o resto do mundo.
Em geral, a conformidade exige que as Empresas imponham auditorias de dados programadas
e tenham medidas práticas e con áveis em vigor para garantir a segurança e a privacidade
adequadas dos dados. 

Além disso, essas regulamentações evoluem com o tempo, agregando ainda mais em termos
de Áreas abordadas e recomendações de melhores práticas.

Tendo isso em mente, o foco renovado na segurança de dados de conformidade é um dos

fatores mais importantes que impulsionam a necessidade de Governança de Dados.

Ela também é crucial à medida que mais e mais Empresas migram para arquiteturas de dados
mais complexas, como data lakes e data warehouses. 

Com um conjunto bem pensado de estratégias de integridade, os dados podem se tornar e

permanecer utilizáveis ao longo do tempo, levando a uma análise mais fácil e a uma visão mais
crítica.

A padronização de dados é parte integrante da Governança de Dados e a necessidade de

processos padronizados em um cenário de dados cada vez mais complexo é um dos principais
impulsionadores para uma Governança de Dados competente. 

Em cenários complexos de armazenamento e análise de dados, é fundamental ter um modelo

de Governança padronizado, que cuide de todo o acesso aos dados, armazenamento de dados
e segurança dos dados, ao mesmo tempo em que fornece os processos e as políticas mais
ideais em todo o ciclo de vida dos dados.

A padronização garante que os dados sejam internamente consistentes, devido a serem

transformados em um formato de dados consistente e organizados de maneira consistente. 

Quando os dados são armazenados em Sistemas e formatos diferentes, pode haver pequenas
inconsistências e diferenças que podem causar imprecisões e má interpretação na análise. 
Para fornecer uma visão con ável e acionável para a Gerência, é crucial evitar esses erros
mantendo a consistência por meio da padronização.

Garantir de forma proativa a padronização dos dados pode ajudar muito a preservar a alta
qualidade dos deles e pode dar mais importância aos dados.

Como a Qualidade dos Dados é parte integrante da Governança de Dados, a padronização se

torna uma parte inegável do uxo de trabalho de Governança de Dados.

Governança de Dados tem vínculos diretos com o processo de tomada de decisão de uma
Empresa, especialmente, quando se trata de remover obstáculos de decisões imediatas
baseadas em insights. 

A falta de Governança pode criar uma falta de procedimentos padronizados para lidar com
dados e de nir funções-chave, levando a atrasos desnecessários e evitáveis na tomada de
decisões que podem ser prejudiciais ao progresso de longo prazo dos negócios.

Cases para Estudo

Vamos entender alguns cases lendo seus documentos originais:

Saiba Mais

Abordagem Ontológica na Gestão de Dados: Estudo de Caso CGU

ACESSE
Governança de Dados Abertos Governamentais: Framework Conceitual para as Universidades
Federais

ACESSE

Governança de Dados aplicada à Ciência da Informação: Análise de um Sistema de Dados

Cientí cos para a Área da Saúde 

ACESSE

The Need for Data Governance: A Case Study

ACESSE

Data management and use: case studies of technologies and governance

ACESSE
3/4

Material Complementar

Indicações para saber mais sobre os assuntos abordados

nesta Unidade:

Vídeos
LGPD: impactos e desa os no tratamento de Dados Sensíveis. 2020

LGPD: IMPACTOS E DESAFIOS NO TRATAMENTO DE DADOS SEN…

Realizando um DPIA (Data Protection Impact Assessment)

 Realizando um DPIA (Data Protection Impact Assessment)

Como a ISO 27701 pode ajudar na Adequação LGPD

Como a ISO 27701 pode ajudar na Adequação LGPD

Como iniciar um programa de Governança de Dados?

Como iniciar um programa de Governança de Dados?

4/4

Referências

FIA. Gestão de Dados: o que é, princípios e 7 táticas e cientes. 2020.

Disponível em: <https:// a.com.br/blog/gestao-de-dados/>. Acesso em:
22/09/2021.

ORACLE. Gerenciamento de Dados. Disponível em:

<https://www.oracle.com/br/database/what-is-data-management/>.
Acesso em: 22/09/2021.