Governança e Gestão de dados na prática-Parte III

Canvas-MGD-Melhoria de Gestão e Governança de Dados:

É a abordagem de MGD, usada para discutirmos aspectos de dados, via 5W2H.  Antes observe as figuras 04 e 05. Elas mostram uma síntese dos conceitos 5W2H aplicados em Governança de dados, que detalharemos, a seguir, no exemplo prático aqui desenvolvido. 

Agora a  figura 06 mostra o Canvas MGD, como instrumento visual e colaborativo, baseado nos mesmos princípios e que é usado nas dinâmicas aplicadas sobre problemas de dados. Normalmente no formato A1, serve como driver para discussão dentro de grupos formados nas sessões de diagnóstico e avaliações de problemas de dados.

Observe as seguintes divisões/compartimentos:

a)Porquê(Why):É o Oncotô.  Aqui você convida os participantes a pensarem nos problemas de dados que estão no foco ou no contexto da discussão de negócios, daquela sessão. O assunto já deverá ter sido levantado ou sintetizado, normalmente por um condutor das reuniões de Canvas. Ele terá a missão de introduzir o tema/problema e conduzir as discussões, orientando os grupos, cada qual defronte a um Canvas MGD, por exemplo. Nesse ponto, a indução é para que surjam os problemas, os impactos, as perdas e “dores” observadas no negócio (em função dos dados), seus problemas e possíveis causas  “raízes” geradoras. Aqui estamos aprofundando o contexto do problema, trazido como mote inicial da discussão.

Exemplo prático:

Suponha que estamos num ambiente de uma grande prestadora de serviços de saúde, que opera planos de atendimentos, via rede de hospitais próprios ou conveniados.

Suponha que os grandes problemas, neste momento, sejam as recorrentes ações de fiscalização de “compliance” da ANS-Agência Nacional de Saúde Suplementar, com autuações/notificações sobre dados não condizentes acerca de atendimentos, consultas, protocolos clínicos e também reclamações sobre demora em tempo de atendimento.

Observe que no tratamento dos problemas(via “Why”), pode surgir o elemento disparador para a empresa pensar em melhor gerir e governar os seus dados. Seriam chamadas a participar, as áreas envolvidas no “core” do problema, por exemplo a GOP-Gerência de Operações(envolve consultas, atendimentos/agendamento) e a GCO-Gerência de Compliance, além da TI.

Vamos considerar, por hipótese, que os problemas estão por conta de dados inconsistentes, com lacunas de informações entre os relatórios enviados, além de reclamações sobre atendimentos que ultrapassam o tempo máximo definido pela ANS. Aqui podemos caracterizar quantitativamente ou qualitativamente a incidência e os impactos dos problemas.

Aqui, na essência observa-se, problemas de consistência nos dados de regulação  e necessidade de levantamento de dados sobre  processos de marcação e atendimento de consultas.

Outro ponto sugerido no plano estratégico da organização e que poderia ser trazido à discussão nesta sessão ou em outra, é a proposição sobre “monetização” dos dados da organização. Nessa  linha de novos negócios, visando maior faturamento, há uma ideia  inicial de se comercializar um conjunto de informações de interesse da indústria farmacêutica/seguradoras/entidades do governo, compondo dados  sociodemográficos “totalmente anônimos” de doenças, regiões (estado, cidade, bairro), faixa etária, sexo, profissão, exames realizados, tratamentos sugeridos, etc. Esses dados poderiam ser de interesse desses segmentos citados e esse novo tipo business poderia ser uma fonte a ser discutida, embora os aspectos cuidadosos de “privacidade” e “segurança” devam ser criteriosamente analisados, mesmo com fortes técnicas de “anonimização” dos dados.   

Observe que o detalhamento/discussão  sobre os pontos mencionados  pode também ser feito  numa sessão especial usando o outro Canvas - UAAI-Learning(Canvas-3), para a levantar os  detalhes sobre a sua origem e  consequências específicas do problema. 

b)What: É o Proncovô. Nesse compartimento registra-se o que se espera alcançar. Os objetivos (What/Which) que se espera atingir, resolvendo os problemas ou mitigando as perdas e dores apontadas anteriormente(no Why)  e associadas com o negócio da empresa, impactado pelos dados e seus problemas. Os resultados desejados deverão ser definidos em função de como os dados podem apoiar os negócios da organização. Aqui estamos no contexto da solução.

Exemplo prático:

Nesse nosso exemplo, os objetivos a serem alcançados serão, obviamente, a redução, em proporções acordadas, dos indicadores apontados pelas autuações da  ANS(inconsistência entre os dados enviados e o percentual de consultas realizadas fora do prazo máximo de espera), mitigando os riscos de multas e glosas.

Também objetivaria analisar a gênese dos problemas, buscando  soluções que evitem e/ou minimizem a sua reincidência, analisando densidade de atendimentos, tempos médios de esperas, geografia dos problemas, processos aplicados, qualidade dos dados, etc 

Uma análise do alcance desses objetivos, com a observação dos stakeholders envolvidos já antecipará, em parte, o “Where”, ou seja as áreas/unidades de negócios por onde esses dados observados circulam e tem o seu CRUD efetuado(são definidos/criados,trabalhados/lidos e atualizados/eliminados).

Observe que, pela decomposição e análise dos problemas mencionados e as suas possíveis soluções, os dados emergem e serão anotados no compartimento Dados(M,R,T), classificados como Mestre, Referencial, Transacional ou outros.  

c)Ainda atrelado  a esse contexto, focamos nos resultados e obtemos os requisitos  de dados (What), vistos como  uma forma de detalhamento dos Resultados desejados. Mostra os requisitos, na forma de elementos e soluções de dados, detalhando ainda mais o contexto da solução. Por exemplo, um relatório analítico de dados, com consultas marcadas, canceladas e realizadas, dimensionadas por local e tempo, poderia ser um requisito de dados com maior detalhe. Dessa forma, alguns dados começam a aflorar na análise e sugerir soluções. Aqui pode se ganhar alguns “insights” iniciais sobre o How Much/How many, por exemplo, vislumbrando possíveis quantificações aproximadas ainda (custo ou expectativas de investimento) com  soluções de BI ou Analytics.

Exemplo prático:

Nesse ponto, dentro da nossa Operadora de Saúde, partimos para o detalhamento das soluções nas formas de requisitos de dados e de sistemas. Nesse ponto, já é possível termos a  percepção inicial dos principais dados envolvidos nos problemas(registrados em Dados-MRT) e potencialmente na solução a ser desenvolvida. Os dados normalmente são categorizados em (M)estres, ( R ) eferenciais e (T)ransacionais. De acordo com os problemas apresentados identificamos dados de consultas médicas realizadas (classificados como Transacionais), cuja responsabilidade é da GOP-Gerência de Operações, dados inconsistentes relativos a clientes atendidos(classificados como Mestres), tipos de planos usados (classificados como Referenciais), especialidades médicas envolvidas(Referenciais), CID(Referenciais),etc cuja responsabilidade seria da GPC-Gerência de Planos e Convênios, etc. Aqui você pensa sobre os tipos e busca uma classificação para ele. A classificação, entenda, aponta dados com comportamentos diferentes dentro dos negócios. E comportamentos diferentes, sugerem ciclos de vidas diferentes. Assim, você começa a entender melhor os dados em que se baseiam os seus negócios.

A garimpagem dos dados envolvidos nesse contexto da solução sugere uma análise semântica mais detalhada sobre eles(os dados) e seus significados. É necessário o entendimento semântico dos dados. Glossários iniciais de dados poderão ser definidos, visando a melhoria semântica dos (significados) dos dados (Por exemplo, o que é uma consulta cancelada?). Falamos dos metadados. Os dados, suas definições, regras de formação. Se o dado definido está mais generalizado ou especializado na sua definição. Aspectos de qualidade do dado, bem os regulatórios ou de segurança daquele dado podem ser observados aqui. Essa visão conceitual dos dados, nesse substrato da solução, é um dos primeiros ganhos da GD nesse momento, permitindo um entendimento melhor dos dados que existem, além de um  check contra a arquitetura formal de dados existente, por exemplo. Aqui já nasceria a ideia de um “processo” formal para catalogação de dados (mais um P para o Canvas de GD).

Com os problemas analisados nesse nível, já podemos pensar em requisitos na forma  de soluções  de Governança e/ou de Tecnologia.  As de Governança entrarão na revisão/elaboração/aprovação/divulgação de Políticas, Processos, Procedimentos e Padrões que ajustem os aspectos de inconsistência dos dados e marcação de consultas, evitando a sua reincidência. Serão detalhadas no Canvas P.

Os primeiros “insights” sobre os possíveis responsáveis pelos dados, no sentido de “owner/governors”, Gestores e SME(Especialistas) já iluminam o Where do nosso levantamento. Há uma grande chance de que as áreas envolvidas sejam as candidatas formais a se tornarem as “Owners/Governors” ou se revestirem da responsabilidade formal pelos dados(accountability), quando o Processo de Governança for definido e aprovado. 

Os requisitos de tecnologia poderão passar por sistemas de BI com maior controle sobre os indicadores de defasagem das consultas, ou ainda sistemas preditivos que possam antecipar o potencial de consultas, em função de históricos de atendimento, doenças,etc dos clientes, além de outras proposições que poderiam ser um novo repositório de informações na forma de um DW ou Data Lake(contendo dados de imagens ou outros não estruturados, ou soluções de integração de dados, via MDM).

Nesse momento estamos imaginando alternativas, que obviamente, deverão ser aprofundadas a posteriori. Assim , vamos construindo  um “croquis” do contexto da solução.

d)Associado ao “Why” e ao “What”, também há os benefícios que se obterá na resolução dos problemas e no alcance dos resultados de negócios. O que se espera produzir aqui seriam as prioridades de solução (dos problemas), em função dos ganhos, além de se estabelecer elementos de forte convencimento para a atuação juntamente à alta gerência. Isso, todos sabemos, é altamente crítico no apoio aos movimentos de Governança e Gestão de dados. Também aqui há traços de “How Much/How Many”, de ganhos e custos, nesse momento, não tangíveis e se tornam fundamentais na busca do P de Patrocínio(a ser anotado no Canvas P).

Exemplo prático:

Nesse ponto estamos consolidando, na nossa Operadora,  os potenciais ganhos vislumbrados para apresentar à alta gerência, como elementos de convencimento de  como ações de Governança e gestão de dados podem melhorar problemas de negócios. Lembre-se do poder de síntese e traduza isso em um “elevator speech”, para eventuais encontros informais com o alto board. Ou planeje mais formalmente um ciclo de apresentações que busque o P do Patrocínio, caso ele esteja em horizonte distante. Não saia de casa sem ele!!