*Por Michelle Carneiro
O que o mercado está dizendo?
Dados da última Pesquisa Global de Qualidade de Dados da Experian revelam que as prioridades das empresas brasileiras atualmente são melhorar o gerenciamento de riscos, crescer globalmente, transitar para a transformação digital e, a principal delas, melhorar a experiência do consumidor. Para que as empresas consigam chegar lá, a matéria-prima mais básica são os dados: 91% das empresas brasileiras que responderam à pesquisa veem os dados como parte integrante da formação de uma estratégia de negócios. Ou seja, para que seja possível melhorar a experiência do cliente no futuro, uma estratégia baseada nos dados existentes deve ser estruturada e a confiança nos dados é imprescindível nesse momento. Afinal, como essas ações terão uma boa performance com dados incorretos?
Isso significa que o risco da tomada de decisão errada causado por dados desatualizados é muito alto, já que, sem confiar nesses dados, sem a garantia de que eles estejam de acordo com a padronização, preenchimento e atualizações necessárias, é impossível planejar ações e tomar decisões estruturadas.
Principais dificuldades no uso dos dados
Segundo a pesquisa lançada em 2018, as principais dificuldades das empresas para transformar dados em informações úteis, quando se deparam com este cenário da busca pela confiança nos dados, estão relacionadas aos 3 V’s a seguir:
- 1. Grande volume de dados gerados a cada segundo, conhecido como “infobesidade”.
- 2. Alta demanda por velocidade, seja com relação à validade do dado (dados podem se tornar desatualizados em tempo real) ou velocidade quanto ao desempenho, já que o mercado exige cada vez mais processamento em um menor tempo;
- 3. Variedade relacionada às inúmeras fontes e tipos de dados disponíveis sendo combinados e potencializados, então os responsáveis pela gestão dos dados devem ser versáteis o bastante para trabalhar com todas essas possibilidades (de dados e tecnologia).
Como resolver de forma prática?
Com tanta volatilidade no universo de gestão de dados, 91% dos C-level que responderam à pesquisa acreditam que a responsabilidade pela gestão dos dados deve ser da área de negócio com a ajuda ocasional de TI, o que significa que essas áreas de negócio precisam ter autonomia, e daí vem a necessidade e demanda por ferramentas com características específicas para esse usuário, diferentemente de tecnologias clássicas voltadas para usuários técnicos.
Pensando nisso, as empresas devem buscar ferramentas no mercado que sejam fáceis de manusear, que apresentem autonomia e agilidade na gestão dos dados e que ofereçam conectividade com os diversos serviços e sistemas externos e internos da empresa. Desta forma, o próprio usuário de negócio deve ser o gestor das suas informações e será capaz de manuseá-las e aprimorar sua qualidade ao longo do tempo, garantindo a confiança nos dados tão necessária como meio para atingir o objetivo de melhorar a experiência do cliente.
A área de TI pode e deve estar presente no projeto para garantir que o novo software seja instalado e que esteja de acordo com todas as políticas internas, por exemplo, mas o patrocinador e dono desse projeto deve ser o próprio departamento de negócio (marketing, faturamento, compliance, etc.), ou seja, deve ser um projeto em nível departamental então terá custo e tempo de implementação menores do que se comparados a projetos de TI, que tendem a envolver os dados da companhia como um todo, corporativamente.
Por mais que o mundo ideal das estratégias de qualidade de dados seja pensar nos dados da companhia de forma completa, em vez de abordagens de departamentos individuais, isso pode demorar, pois depende do nível de maturidade das empresas e de como elas usam os dados, portanto, para algumas organizações, um nível menor de sofisticação na qualidade também pode significar operações mais eficientes e inteligentes.
Os recursos da Gestão de Dados
As principais características que estão presentes nos processos de data management estão abaixo e são capabilities importantes para melhorar a experiência do seu cliente a partir de níveis de serviço melhores (processos de faturamento e cobrança mais eficientes ou experiências do consumidor mais personalizadas baseadas em insights, por exemplo):
- Extração de dados: os dados precisam ser extraídos de uma ampla variedade de sistemas de origem – de diferentes formatos e tamanhos;
- Profiling: entendimento das deficiências na base é uma etapa essencial antes de qualquer tratamento, merge ou validação;
- Padronização: é necessário um padrão para garantir a normalização do conjunto de dados (data-set);
- Validação e Transformação: tratamento de dados usando uma série de transformações para que regras de validação personalizadas sejam criadas, que podem ser orquestradas em workflows, por exemplo;
- Enriquecimento: adicione novos dados à sua base para melhorar a cobertura e qualidade;
• Match: regras e lógicas para comparar registros de uma ou mais fontes para identificar/remover duplicidades.
*Michelle Carneiro é Gerente Sênior de Data Quality da Serasa Experian