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!!
Nenhum comentário:
Postar um comentário