Qualidade de Dados / Data Quality

Sintomas semelhantes de má qualidade dos dados surgem repetidamente durante as nossas discussões com os clientes e com os funcionários das filiais especializadas e departamentos. Essencialmente relacionam-se  com baixos padrões de informações de contacto. Nós também achamos que os processos de negócio (ou seja a utilização prevista dos dados) são muitas vezes desconhecidas; e que estes apresentam novos desafios.

Outro problema comum que é mencionado é que os campos não são preenchidos corretamente com a informação desejada. A tabela abaixo dá uma visão geral dos sintomas típicos da má qualidade dos dados, juntamente com suas causas, medidas de optimização e o valor adicional de longo prazo resultante para sua empresa.

Conhece realmente o seu cliente, o Sr Silva? Ou é talvez a Maria Catarina Silva, ou talvez Catarina Silva? Pode ser até que os três nomes se refiram ao mesmo cliente. 

Dados desactualizados ou duplicados e registos imprecisos são muitas vezes a raiz dos problemas que surgem durante o dia de trabalho. Mesmo os melhores sistemas de CRM e as mais elaboradas campanhas de marketing são de pouca utilidade quando têm como base dados de má qualidade. Mas não são apenas os dados mestre de cliente que causam problemas. Quaisquer dados mestre de baixa qualidade representam um risco para toda a empresa. 

Os dados são a matéria-prima para a informação, e é a informação que cria conhecimento. É precisamente este conhecimento que mais tarde formará as bases para para as suas decisões estratégicas de negócio e para o desenvolvimento de metas da empresa, bem como à modelação dos processos de negócio. Dados de alta qualidade, actualizados são essenciais para uma participação de sucesso nos mercados de hoje, e são o foco central do trabalho diário da Uniserv, dos seus produtos e dos serviços que oferecemos. O Serviço Data Quality Hub da Uniserv permite criar e manter altos níveis de qualidade de dados por toda a empresa, mesmo a nível internacional. Todos os departamentos e organizações locais estão incluídos na iniciativa de QD. O nosso modelo flexível permite-lhe usar software instalado e adicionalmente uma solução baseada na cloud, dando-lhe acesso global aos dados mestre de qualidade da a sua empresa. Faça dos seus dados um factor de sucesso para a sua empresa! Vamos mostrar-lhe como! 

A IMPORTÂNCIA DA QUALIDADE DE DADOS 

- Dados de endereço correctos (também a nível internacional) asseguram que a correspondência escrita chega aos devidos endereços. 
- Endereços actualizados para refletir as mudanças de nomes das cidades e das ruas. 
- Registo de deslocalização assegura que a correspondência chega aos endereços numa nova localização. 
- Registo de fusões e outras mudanças nas estruturas das empresas. 
- Desactivação de contacto ou eliminação quando o contato com o cliente não é mais possível, como no caso de falecimento. 
- Conjuntos de dados únicos significam dados sem duplicados - cada registo de cliente na base de dados é completo e aparece apenas uma vez. 

INICIATIVAS DE QUALIDADE DE DADOS 

Os dados mestre da empresa podem ser optimizados com diferentes iniciativas de QD tanto para ganhos rápidos como para ganhos a longo prazo. 

Nós identificamos diversas iniciativas a partir das quais um catálogo de medidas individuais pode ser compilado. 

Estas iniciativas incluem: 

• limpeza inicial dos dados existentes com processamento em batch 
• a criação de um firewall de qualidade de dados para garantir que apenas os conjuntos de dados de alta qualidade entram no sistema 
• medidas de otimização individuais 
• adaptação dos processos e reorganização do sistema até que todos os dados estejam disponíveis na forma exigida 
• treino de funcionários para desenvolver uma consciência para ter dados sustentáveis de alta qualidade 

Estes pontos mostram que a qualidade dos dados não pode ser optimizada exclusivamente com soluções de software. Os processos, sistemas e funcionários desempenham, conjuntamente, papeis fundamentais para a manutenção da qualidade de dados. 

No próximo post vou detalhar estes erros e as suas correcções. 

Qualidade de dados a cem por cento é um mito. Comecei mais uma vez com uma afirmação que faço muitas vezes e poderá ser perturbadora, mas considero ser um principio fundamental para conseguirmos obter a melhor qualidade de dados possível. E é essa mesma percepção que deve ser o ponto de partida que precisamos para realmente alcançar uma melhor qualidade dos dados. A segunda percepção é que, sem o compromisso de toda a empresa, a qualidade dos dados fica quase uma causa perdida. A terceira percepção é que é necessário ter e usar todas as ferramentas disponíveis para melhorar os níveis de qualidade dos dados e continuar sempre a usá-las.

Porque é que a qualidade dos dados é importante?

Um pouco ciclicamente vamos ouvindo que a qualidade dos dados é importante porque é fundamental para o CRM,  porque é fundamental para o BI,  porque é fundamental para o BIG DATA, porque é fundamental para o MDM, ... mas na realidade, muitas vezes opta-se pela implementação destes grandes projectos sem a ajuda de ferramentas de qualidade de dados. Sem estas ferramentas é quase o mesmo que querer entrar em competição, mas não querer gastar dinheiro em preparadores físicos. Existe quase tudo para ganhar, a técnica, o conhecimento, a táctica, agilidade e até muita vontade. Mas quando se inicia a competição as coisas até se iniciam bem, mas passado algum tempo começam a notar-se as dificuldades. 

Na utilização dos dados das empresas é precisamente a mesma coisa. Se olharmos para os dados do ponto de vista do "treinador" dos dados, normalmente eles até estão bem, o pior é quando os dados são necessários para o envio por exemplo das declarações do IRS. Aí as coisas começam a não parecer já tão bem assim, porque foram devolvidas muitas cartas. Ou quando tentamos saber quantos cliente únicos existem na realidade. Com algumas perguntas facilmente chegamos à conclusão que o CRM não está a ter is resultados esperados, que os relatórios do BI não são bem iguais à percepção existente pelo negócio, que quando necessitamos de Small data do Big Data não se consegue ter os dados pretendidos, ou que o MDM afinal tem vários dados mestre em vez de ter apenas um Golden Record.

Tal campanhas de marketing para os clientes e prospects existentes são sempre apenas tão boas quanto os dados em que elas se baseiam. Por exemplo, se os seus dados estão desactualizados, as suas campanhas serão incorretamente endereçadas e enviadas para a pessoa errada dentro de uma organização. Isto não só desperdiça tempo e dinheiro, mas também tem o potencial de prejudicar a sua reputação comercial. O que pensaria se já estivesse num cargo há mais de um ano e ainda estivesse a receber convites dirigidos à pessoa que substituiu? O que pensaria se recebesse esses convites em duplicado ou triplicado?

Com os dados de negócios a mudar a um ritmo rápido e com taxas de redução de negócios, manter os seus dados limpos e actualizados pode ser difícil. No entanto, se poder manter essas taxas de decomposição, no mínimo, será recompensado com campanhas mais direcionadas, reduzindo custos e melhorando o retorno sobre o investimento.

1 . Seja realista

A chave para melhorar a qualidade dos dados é entender antes de tudo que os seus dados nunca vão ser tão bons quanto pensa que são. Não existe tal coisa como 100 por cento de dados precisos. Depois de ver a verdade sobre os dados, pode ver os pontos fracos e entender quais os passos que precisa tomar para melhorar os seus níveis de qualidade dos dados.

2 . Defina a propriedade

Se a qualidade dos dados é de responsabilidade do marketing, vendas , atendimento ao cliente ou mais ou menos toda a gente dentro de sua organização, então não existe nenhuma responsabilidade - está a faltar compromisso.

Para a qualidade de dados ter hipótese real de vingar, o compromisso tem de vir de cima e de ser atribuído a um indivíduo nomeado - quanto mais alto da "cadeia alimentar" melhor.  Mais que um projecto a qualidade de dados deveria ser um departamento, com um responsável.

3 . Receba os processos correctamente

Já ouviu o "ditado" "entra lixo, sai lixo"? Quando se trata de qualidade de dados, precisa para ter os melhores processos para garantir que todos os dados capturados são recolhidos e armazenados de forma consistente.

Normalmente os dados vêm de muitas fontes diferentes, por isso é essencial que esta informação seja sempre adicionada nas suas base de dados num formato correcto. Isso pode ser tão simples como garantir que todos os campos relevantes são inseridos, como o nome do contacto, o endereço, incluindo o código postal correto e número de telefone. Se houver informação em falta, deve ser verificada e adicionada. Este é sempre o ponto fundamental onde se pode com menores custos assegurar a qualidade dos dados. É nesta fase que ao estar em contacto com o cliente, podemos dissipar duvidas, evitando que entrem no sistema, porque depois desta fase, já só com custos muito elevados poderemos reverter a falta de qualidade dos dados.

4 . Gerir as interações com clientes

Todos os contactos que ocorrem dever ser tomados em consideração quando uma empresa considera esses contactos de negócios como parte dos processos de negócios regulares. Estes contactos proporcionam oportunidades para a aquisição de novos dados, para a qualificação dos contatos existentes, adicionando informações complementares aos seus registos, a verificação ou atualização dos dados existentes. Eles oferecem uma proteção importante contra o atrito dos dados. Deve considerar todos esses contactos dentro dos seus processos de negócios, onde eles ocorrem e como a oportunidade pode ser maximizada.

5 . Auditoria aos seus dados

Auditorias de dados são uma boa maneira de verificar se os dados que tem, como actualizar e que lacunas precisa para preencher. A auditoria de dados também ajuda a identificar que partes dos seus processos de dados estão a funcionar e quais precisam de atualização. Por exemplo, onde estão a ser criados os erros? É quando as informações estão a ser introduzidas, ou os erros resultam da falta de formação?

De qualquer forma, é importante identificar onde os erros ocorrem, de modo que os processos possam ser corrigidos para evitar os erros que ocorrem em primeiro lugar - de modo que os dados estejam correctos logo na primeira vez que são adicionados.

Auditorias de dados podem ser realizadas tanto interna como externamente, e em combinação. Por exemplo, fornecemos "exames de saúde" gratuitos de dados para que possa verificar a qualidade dos dados. Com o relatório do "exame de saúde" completo poderá entender algumas das questões que estão presentes nos seus dados, pode então, utilizar fontes de dados internas e externas para melhorar a formatação dos seus dados e para combinar e melhorar os seus dados. 

6 . É melhor prevenir do que remediar

É mais rentável e eficiente para manter seus dados logo no ponto de entrada ao invés de efectuar uma revisão a cada dois anos, quando eles já vão estar completamente desactualizados, obrigando assim a um esforço humano e financeiro muito grande para a sua actualização.

Também é importante compreender a qualidade dos dados no contexto de como os dados são para ser usados ​​e como eles são recolhidos em primeiro lugar. Qualidade para uma finalidade não significa qualidade para outra. Por exemplo, a recolha e uso de endereços de uma sede de uma companhia só pode ser útil num contexto, mas não se os detalhes que realmente interessam são os de algum departamento especifico que está fisicamente em outro local.

Nos próximos posts irei detalhar cada um dos diferentes problemas e formas de os resolver. 

Depois de um interregno demasiadamente longo, vamos tentar retomar o ritmo de colocação de post's.      

Há um sem número de tópicos que quero abordar, mas para iniciar este novo ciclo, optei pelo MDM, logicamente em conjunto com a Qualidade de Dados.

Primeiro que tudo o que é o MDM? Se formos ver a definição da Wikipédia, teremos: "master data management (MDM) compreende um conjunto de processos e ferramentas que definem consistentemente e gerenciam os  dados mestres  (i.e.  não transacionais) de uma organização  (que pode conter  dados referenciais). MDM tem o objetivo de prover processos para coletar, agregar, combinar, consolidar, garantir a qualidade, persistir e distribuir estes dados a toda a organização para garantir a consistência e o controle nas futuras manutenções e uso desta informação."

Logo de seguida temos uma explicação mais simples: "Basicamente, MDM procura garantir que uma organização não utilize múltiplas (potencialmente inconsistentes) versões de um mesmo dado mestre em diferentes partes de sua operação, o que ocorre normalmente em grandes organizações."

Acrescento um exemplo que todos já devem ter tido, que é a alteração de uma morada num fornecedor de serviços que continua a enviar a correspondência para a morada anterior, com todos os problemas que daí podem advir. Mas o MDM não se fica apenas pelo chamado CMDM (customer master data management). 

Existem mais domínios em que podemos ter necessidade um MDM, aqui ficam alguns dos principais:

- MDM para Dados repartidos (Party Data)
Gerir e controlar hierarquias complexas de várias fontes.

- MDM para Dados do Produto
Gerir e controlar informações complexas sobre o produto

- MDM para Recursos Humanos
Gerir e controlar os dados dos seus empregados e as hierarquias de RH

- MDM no sector Financeiro e Contabilidade
Gerir e controlar hierarquias financeiras

No próximo post abordarei o CMDM em conjunto com a qualidade de dados, como factor essencial para o sucesso.

*Por opção do autor, este artigo não foi escrito de acordo com o novo Acordo Ortográfico

Desta vez trago-vos uma reflexão sobre um tema de que muito se fala na atualidade. O "chavão" é o termo "big data".

Podemos atribuir-lhe muitas definições, defini-lo do ponto de vista tecnológico, do ponto de vista conceptual, etc. Não pretendo compilar aqui uma sua definição. No meu entendimento, refiro-me ao "Big Data" como um conceito que tem como foco o armazenamento de um grande volume de dados, promovendo, apesar do volume, velocidade na sua utilização.

A primeira dúvida que me ocorre é tentar diferenciar este conceito do chamado "mundo relacional" que conhecemos e no qual estruturamos e mapeamos o nosso negócio. As plataformas relacionais visam o armazenamento e uso de informação estruturada em modelos bem definidos e têm um limite na quantidade de dados que armazenam. Falo em limite não no sentido da quantidade que podem armazenar mas sim no equilíbrio entre volume e performance. Também, as plataformas relacionais não são, definitivamente, ideais para armazenamento e consulta de informação não estruturada e, neste aspeto, todos sabemos que se produzem todos os dias Petabytes (notem que já nem sequer falamos em Gibabytes) de informação não estruturada. Vejamos o caso da chamada "Social Media". Sites  como o Facebook, Twitter e outros são disto o perfeito exemplo. Por curiosidade, já quantificamos a importância de um evento social em TPS (Tweets per second - Nº de tweets por segundo). Em 2011, quando a famosa cantora Beyonce anunciou a sua gravidez durante os MTV Video and Music Awards, produziram-se mundialmente 8.868 TPS! São números impressionantes!

Definitivamente, plataformas como o Hadoop vieram alavancar a importância do "Big Data" com a sua escalabilidade, capacidade de armazenamento de informação não estruturada em grandes volumes e alta disponibilidade na consulta da mesma.

Mas, se estas plataformas são tão boas, como fica o "mundo relacional" ? Não se iludam os que pensam que as plataformas relacionais estão condenadas. Eu acho que não. Vieram para ficar e cá continuarão por muitos anos. Vejo o "Big Data" como um irmão mais novo do "mundo relacional". Quando este irmão mais novo crescer, vão trabalhar os dois em equipa e serão imbatíveis. Seguramente, as empresas que melhor os souberem combinar terão grandes vantagens competitivas.

Diz-se que, nas empresas, se aplica a regra dos 20-80 no que toca ao uso de informação, ou seja:

• Do volume total de dados gerados por todos os sistemas de suporte ao negócio, apenas 20 % destes são, de alguma forma, utilizados em sistemas de BI que visem o suporte á decisão. Os restantes 80% são desprezados, quer porque não trazem valor á tomada de decisão, quer porque não há capacidade de os processar em tempo útil;
• Na empresa, apenas 20 % de toda a "informação" gerada e em circulação se apresenta num formato estruturado. Os restantes 80% apresentam-se sob uma forma não estruturada (Email's, Folhas de cálculo, etc.). Se aqui ainda contarmos com toda a informação gerada pelo normal funcionamento dos sistemas (ficheiros de log, ficheiros de erros, alertas, etc.) tipicamente numa forma semiestruturada ou não estruturada, facilmente compreendemos que, no "mundo relacional" não há capacidade de armazenar e tratar todo este volume. Mesmo que haja tal capacidade, tentem convencer o vosso director de IT a fazer esses investimentos e verão do que falo!

Os mais atentos perguntarão: "Mas porquê guardar esta "tralha" toda?" e a minha resposta é "Porque um dia poderemos precisar dela!!!". Notem que sublinhei a palavra "poderemos", porque, se realmente precisarmos deles, nessa altura essa informação valerá ouro!

Escrevi, em ar de graça, o último parágrafo com o intuito de vos passar uma ideia. A "tralha" que nos é difícil guardar / processar e que duvidamos que nos seja útil pode "valer ouro" algum dia se soubermos quando procurar e "o que" procurar nela, por isso mais vale começarmos a guardá-la e analisá-la. É precisamente aqui que uma plataforma de "Big Data" é útil. Armazenar grande volume de dados não estruturados e permitir-nos a capacidade de "cavar" neles na tentativa de acharmos algo de útil.

Deixemos o "mundo relacional" continuar a alimentar-nos os sistemas de Suporte ao negócio, de suporte á decisão e outros de uso comum e comecemos a guardar e analisar aqueles dados que não usamos.

Suponhamos que a nossa empresa lança uma campanha para o mercado, com o intuito de vender um novo produto ou serviço. Na era da web, não faz sentido não promover o produto / serviço no nosso site, nas nossas páginas do Facebook ou do Twitter. Porém, lanço as seguintes perguntas:

• Temos capacidade de saber o que pensam de nós ? 
• O nosso produto será bom ? tem aceitação ?
• Quantas pessoas dizem bem ? quais são as críticas para melhorarmos ?

Tudo isto lá está, sob a forma de posts, de "like's" de "share's". Apenas não temos forma de tratar tanto volume (ou potencialmente tanto volume) e muito menos a capacidade de os guardar num formato estruturado. Mas não será essa informação vital para quem decide ? Não serão as opiniões dos nossos "amigos" a forma mais eficaz de "tomar o pulso" ao sucesso da campanha? Eu acho que sim. É por este caminho que o mundo empresarial caminhará e estou convicto que a Qualidade dos dados será um "tema quente" nas plataformas de "Big data".

Quanto maior o volume de dados que guardamos e trabalhamos maior será a procura de soluções que garantam a qualidade dos mesmos. Se já nos é difícil endereçar temas de falta de qualidade dos dados no "mundo relacional" entendo que mais difícil será validar dados em massa em formatos não estruturados ou semiestruturados. Acho que, nos próximos anos, haverá grandes progressos neste tipo de ferramentas e estaremos a falar em garantir a qualidade dos dados em áreas inimagináveis até agora.

Este será um tema a acompanhar nos próximos anos. De uma coisa estou certo: Ainda agora estamos a dar os primeiros passos... 

Sobre a Datalab

A Datalab é uma empresa Portuguesa que atua no mercado das tecnologias de Informação, especializada em Soluções de Qualidade de dados. Saiba mais em www.datalab.pt

Qualidade dos dados. Muito se escreveu e continua a escrever sobre o tema. Trabalho como Consultor nesta área já faz 13 anos. Recordo-me que, nessa altura, falar do tema numa reunião com um cliente ou potencial cliente era quase um trabalho de evangelho. Pouco se sabia sobre o tema e, mesmo para os mais sensíveis á problemática, não havia argumentos que convencessem alguém a gastar dinheiro com isto. Felizmente, 13 anos depois, o "mercado" aprendeu sobre o tema e, nos nossos dias, abordá-lo numa reunião provoca respostas diferentes. Hoje, mesmo os mais sépticos sabem reconhecer as vantagens destas iniciativas, mesmo que continue a ser igualmente difícil convencer os clientes a gastar dinheiro nisto e, acima de tudo, justificar o retorno do investimento deste tipo de iniciativas.

Do lado de quem tem por missão "vender" ou convencer alguém a empreender iniciativas nesta área, o discurso também mudou. Na altura, limitávamo-nos a um discurso maioritariamente técnico, tentando demonstrar a maravilha que a ferramenta X ou Y conseguia fazer com as suas funcionalidades de parsing ou com os seus algoritmos de matching. Hoje, estas funcionalidades tornaram-se um standard de qualquer ferramenta moderna na área, por isso o nosso discurso tornou-se mais tático. Falamos em Master Data Management, em Data Governance e em outros tantos "chavões" mais atuais e mais virados para negócio.

Pretendo, com este texto, transmitir uma ideia fundamental baseada na minha própria experiência ao longo deste tempo: Melhorar a qualidade dos dados é muito mais do que tecnologia. É um processo (bastante penoso) de mudança de mentalidades que poucos têm a capacidade, visão e coragem de tentar liderar e levar a cabo. Demora tempo, custa dinheiro e trás esforço. Mas, no final e a longo prazo, esta aposta pode bem ser uma enorme vantagem competitiva na empresa.

Enquanto consultor, não duvido que a componente tecnológica é importante. Porém, sem uma estratégia e metodologias adequadas, não é suficiente para garantir o sucesso das iniciativas.

De facto, a "estratégia" de que falo  vai bem além do plano tecnológico necessário: passa por um processo de mudança organizacional, de mudança de hábitos e costumes na forma e processos de trabalho da organização. Como sabemos, gerir esta mudança é um processo complexo. Superar este desafio torna qualquer organização mais ágil, mais apta para enfrentar as inevitáveis e rápidas mudanças na conjetura dos mercados.

Liderar uma iniciativa de sucesso passa, na minha opinião, pela capacidade de conseguir mobilizar toda a empresa na procura da excelência de serviço, excelência essa que não se consegue sem que todos se unam na recolha, tratamento e uso de informação verdadeira, válida ,coerente e atualizada: Em duas palavras, informação "de Qualidade".

Abraçar esta estratégia passa, na minha opinião, por endereçar eficazmente os seguintes vetores basilares:

Definir claramente quem são os "owners" da informação

Temos vindo a assistir a uma mudança de paradigma: o ownership dos dados está a transitar do departamento de TI (tradicionalmente apontado como "dono" dos dados ou responsabilizado pelas suas inconsistências) para as unidades de negócio. São elas os "consumidores" da informação, quem beneficia (ou sofre) com a boa (ou fraca) qualidade dos dados que utiliza e dos quais depende. Entendemos que, se são as áreas de negócio o público-alvo dos dados, deverão, também, ser estas a assumir para si o papel de donos da informação. Ser "dono" da informação não implica assumir mais uma responsabilidade. Implica, também, ter os meios (orçamento, calendário e recursos) para gerir as ações sobre os mesmos, garantindo que se gere a qualidade dos dados exatamente da mesma forma como se gere qualquer projeto: Definindo prioridades de atuação, possuindo um orçamento, calendário e recursos afetos e funcionando coordenado com os outros departamentos da empresa. Numa frase, pretendo transmitir a ideia de que devem ser os departamentos com funções de negócio os dinamizadores das iniciativas e não só os "clientes" destas. Deverão ser estes os responsáveis pela execução das mesmas, possuir um orçamento, elaborar o calendário e afetar recursos, com uma coordenação perfeita com todos os departamentos "de suporte" na empresa;

Definir os segmentos de informação a controlar e implementar os mecanismos de monitorização periódica da qualidade desses dados

Sabemos que ninguém em nenhum departamento da empresa é levado a sério quando aponta inconsistências nos dados ou explica o quanto os seus processos de negócio "sofrem" com essas inconsistências. Se, numa reunião com decisores, não formos munidos dos números que quantifiquem essas inconsistências, é certo e sabido que aquele tema que nos levou a reunir depressa cairá no esquecimento. Mais... Nem conseguiremos o objetivo de captar a atenção de quem decide.

É óbvio que, de uma forma qualitativa, devemos entender as causas e os impactos que um menor nível de qualidade dos dados nos impõe. Porém, esta nossa análise deve estar fundamentada pelo aspeto quantitativo: Sermos capazes de "medir" eficazmente a extensão dos problemas. Selecionar a informação a controlar e implementar os processos de medição periódica dos níveis de qualidade desses mesmos dados é fundamental. Superado este objetivo, o passo lógico seguinte será a definição de objetivos a atingir e a classificação da qualidade da informação como "suficiente" ou "insuficiente" para utilização no processo de negócio A ou B da empresa;

Gerir a qualidade dos dados de forma ativa

Uma significativa parte das empresas é reativa no que toca a assuntos relacionados com a qualidade dos seus dados. Quando o fraco nível de qualidade dos mesmos já afetou (em grande parte dos casos, grandemente) as operações da empresa, quando nos vimos perante impactos consumados, reagimos com a tentativa de correção desses mesmos dados. Entendo que esta tendência tem de mudar do capítulo reativo para o capítulo ativo: Aprender que a qualidade dos dados deve passar a ser um processo gerido onde, o mais possível, é a empresa que tem o controlo e que é capaz de determinar e prioritizar o que deve ser corrigido e quando se devem levar a cabo tais intervenções.

Criar um centro de competências na área da qualidade dos dados

Criar, internamente, as competências de "know how" técnico e metodológico reunidas em torno de uma equipa de profissionais que assume a responsabilidade de liderar a implementação dos mais variados processos de auditoria e limpeza dos dados da empresa. Essa equipa deverá misturar as variadas competências técnicas necessárias para estes trabalhos e atuar como veículo de divulgação metodológica, definindo "Boas práticas" de desenvolvimento, formando outras áreas da empresa, etc.;

Implementar e fomentar uma cultura de responsabilização

Por fim, mas não menos importante, é preciso fomentar uma cultura de excelência nos "produtores" dos dados, premiando quem gera informação de qualidade e fomentando um maior nível de exigência nos restantes. Este é, na minha opinião, um dos aspetos mais difíceis de atingir mas, a longo prazo, dos objetivos mais críticos: Sensibilizar quem gera informação para deixar de ser "parte do problema" para passar a ser "parte importante da solução". Globalmente, todos os intervenientes beneficiam com a existência de informação de qualidade. Todos deverão ser parte ativa na melhoria e proteção de um dos mais preciosos activos da empresa: Os seus dados.

Sobre a Datalab

A Datalab é uma empresa Portuguesa que actua no mercado das tecnologias de Informação, especializada em Soluções de Qualidade de dados. Saiba mais em www.datalab.pt