Performance e desempenho
Representam
os processos especializados para medir e avaliar a intensidade de uso e
aceitação dos preceitos de GD na empresa. No fundo, são processos emprestados
dos modelos consagrados (no mundo de engenharia de software), agora aplicados
aos dados. Basicamente definem métricas acerca da Governança e uso dos dados e
verifica a sua efetiva aplicação. O DMM-Data Management Maturity Model, do CMMI
Institute(hoje, ISACA) trouxe os processos chamados de apoio. Envolvem
MED-Medições, GQA(Garantia de Qualidade), GCO(Gerência de Configuração). São formas
de averiguar o uso correto das definições, processos, padrões, políticas,etc e
que, em última análise, representam o “retorno” do investimento feito na GD. Nesse
contexto, trataremos de MED e GQA. MED-Envolve medições nos domínios de Custo,
Tempo, Qualidade, Issues (Reputação, etc), “Compliance”,etc. De maneira geral
se associam com indicadores de Qualidade de dados(número de erros encontrados
periodicamente nos repositórios de dados mestres), número de “issues” de dados
resolvidas num certo período, etc. Além
de MED, a performance também envolvem os processos de GQA, que estabelecem mecanismos de
auditoria, normalmente presencial, para garantir que os P´s da GD estão sendo
cumpridos. Algumas considerações importantes:
•
As
métricas nesses domínios de GD e QD(Qualidade de dados) tendem a demorar para
produzir visibilidade de retorno;
•
É
importante começar por medir pontos críticos do business(processos críticos de
negócio), que possam trazer visibilidade e sugerir uma percepção de que “valeu a pena”;
•
Genericamente
objetiva-se reduzir custos, aumentar receita e lucro, melhorar “time to market”
, atentar para aspectos de regulação(penas, reputação,etc) , e incidência de
“issues” de qualidade. Deve-se sempre balizar o uso dos dados e o retorno da GD
com esses parâmetros;
•
Pesquisa/Questionário: Algumas métricas são mais difíceis de serem medidas
diretamente. Assim, por vezes, a pesquisa qualitativa de usuários dos dados é
fonte importante. Exemplo: Houve melhora no entendimento dos dados?; Houve
melhora na percepção de qualidade dos dados? Esses pontos não são facilmente
detectados por medidas quantitativas e deverão ser coletadas por levantamento de
percepções;
•
Há
basicamente dois tipos de métricas: Métricas de resultados de negócios e
métricas operacionais(GD, Integração, QD,etc)
•
Métricas
de negócios:
–
Redução em multas penalizações/advertências devido a
documentos regulatórios não aderentes;
–
Penalizações/multas/advertências
por pendências de privacidade;
–
Penalizações/multas/advertências
por pendências de reputação;
–
Possível
perda em crédito devido a pendências de dados;
–
Possível
aumento do custo operacional devido a problemas de dados;
–
Redução
nos custos de desenvolvimento por integração de sistemas;
–
Por
pesquisa junto aos usuários, observar:
• Melhora do entendimento dos dados;
• Melhora na percepção de melhor
qualidade dos dados;
• Melhora na visão preventiva de erros
de dados via data profiling;
• Número de reclamações de clientes
oriundo de erros de dados(baixa qualidade);
• Número de problemas de pendências
regulatórias medidos e gerenciados;
• Houve redução no tempo necessário
para limpeza e correção dos dados;
• Houve redução em tempo despendido
com discussões sobre o significado do dado .
•
Indicadores
de Governança
–
Percentagem
de áreas(assuntos) da empresa sob os domínios da GD;
–
Contador
de acesso aos repositórios de metadados, glossário de negócios e portal de GD,
indicando interesse e comprometimento com os conceitos;
–
Feedback
sobre GD-pesquisas sobre áreas governadas pela GD;
–
Número
de participantes em treinamento de GD e DQ;
–
Uso
de elementos padrões de GD: códigos, processos, modelos, padrões,
procedimentos,etc-MED de GQA;
–
Issues(pendências)
resolvidas pelo Comitê de GD/Issues(pendências) incidentes;
–
Issues(pendências)
escaladas para o Conselho de GD/Issues(pendências) incidentes;
–
Revisões
de desempenho realizadas (nas métricas de GD).
•
Indicadores
de integração
–
Número
de usuários e acessos às fontes MDM;
–
Percentagem
de redução de acesso a Bancos de Dados departamentais e planilhas locais.
•
Indicadores
de QD:
–
Contador
de ocorrências de tipo de erro XX/período;
–
Percentagem
de “accuracy”/precisão dos dados em
arquivos críticos;
–
Perdas
de pedidos on-line ou de produtos retornados devido à gerência com erros de
informações de catálogos(dados mestres);
–
Perdas
de clientes devido a erros de qualidade de dados;
–
Resultado
de Profiling de dados, mostrando os diversos indicadores de completude,
precisão, integridade, etc.
•
Indicadores
de segurança e privacidade
–
Número
de incidentes relativos aos aspectos de segurança de dados(vazamentos,
reclamações , breaches,etc).
Importante: As medidas acima são exemplo. As Medidas/Métricas/indicadores
deverão ser definidas em função de objetivos / diretrizes estratégicas de
negócios.
Por que as medidas de Performance
são importantes?
· As métricas , devidamente escolhidas,
devem ajudar no alcance de objetivos de negócios
· As métricas não têm valor se não
estiverem alinhadas com o interesse dos envolvidos na GD, seja de negócios ou de
tecnologia
· Sempre definir as métricas a partir
dos objetivos de negócios dos envolvidos e da GD
· Sempre traduza os resultados das
métricas numa linguagem dentro do alcance dos envolvidos
· Embora existem exemplos de métricas,
como mostradas anteriormente, é fundamental que cada empresa (e cada programa
de GD) tenha um processo de definição desses indicadores e métricas. Sempre
parta dos objetivos a serem alcançados, dos problemas a serem resolvidos, entendendo
claramente esses elementos(de novo o Why e o What do processo da medição).
Conceitualmente uma métrica é uma medida estabelecida sobre algum processo ou
elemento. Uma KPI é uma métrica mais elaborada que , por exemplo, será aplicada
para se medir a evolução e o desempenho do programa de GD.
· Observe que uma medida deverá ter
metadados: nome, descrição, objetivo, fórmula/cálculo, unidade, mecanismos para
coleta de dados, periodicidade, meios de armazenamento, formas de
interpretação, com faixas e valores e critérios de aceitação.
Palavras(Comunicação)
Representam
os processos de comunicação do que está sendo feito sobre os dados na empresa.
Por se tratar de um desafio cultural, a comunicação é um dos fatores críticos
de um programa de GD. Através dele, as diversas áreas partícipes observam o seu
grau de contribuição no movimento, as outras áreas são notificadas de
Processos, Políticas, Padrões e outras definições institucionalizadas e a GD
percebe a receptividade de suas ações e produtos. Todas as formas de eventos
que dizem respeito aos dados são divulgadas e a cultura “data driven” se
capilariza por entre o tecido estrutural da organização, via processos de
comunicação.
Por que a Comunicação é importante?
· A comunicação pro-ativamente
encaminha as possíveis mudanças a serem realizadas
· Ajuda na sensibilização e
conscientização da importância dos movimentos da GD na organização
· Cria alinhamento de expectativas e
de ações entre áreas
· Estabelece um mecanismo de feedback
e de envolvimento entre os participantes
· Ajuda a responder alguns W e H dos
5W2H
· Pense num Plano de comunicação,
envolvendo informações qualitativas, quantitativas(métricas de performance,
discutidas anteriormente), a frequência , os alvos(targets) da comunicação, os
mecanismos usados e os responsáveis pela comunicação.
Exemplo prático:
o
Neste exemplo “driver”, há
incidência de problemas de dados que deverão ser medidos efetivamente pelo
processo de Performance. Os dados de possíveis erros existentes nos arquivos
envolvidos (Mestres, Referenciais ou Transacionais), detectados por análises de
profiling poderão ser indicadores importantes para confirmar os problemas
levantados no Why do Canvas MGD. As medidas levantadas acerca de problemas de
agendamento e cancelamento de consulta também poderão ser medidas definidas. Os
aspectos de “compliance” com a agência reguladora sugerirá indicadores de
autuações e glosas incidentes. Essas métricas deverão ser analisadas, definidas,
implantadas e acompanhadas durante períodos estabelecidos para verificar a
consistência estatística da informação. Deverão produzir tomadas de ação. Toda
métrica deverá ter ações associadas com os seus limites definidos(acima ou abaixo
dos thresholds)
o
Os aspectos de comunicação, nesse
exemplo driver, deverá se iniciar, com um evento envolvendo as áreas que estão no
domínio do problema e da solução (GOP, GPC, riscos, etc). Essa ação e outras,
deverão estar definidas num plano de comunicação, com informações recorrentes
sobre o andamento das medidas adotadas e dos resultados retornados, o que servirá
de elemento de apoio às mudanças propostas e efetuadas.
Referências:
Baker, B. How to design visual
templates: and 99 examples. Creative Commons license. 2016.
Canvas-MGD-Melhoria de Gestão de Dados-Carlos
Barbieri-CBCA-Material treinamento (2014-2015).
Canvas-P da Governança de Dados-Carlos
Barbieri-CBCA-Material treinamento (2014-2015)
DAMA-DMBOK2-Framework-Patricia
Cupoli; Susan Earley; Debora Henderson-Set. 2012.
Giordano,A. Performing Information
Governance-A Step-by-Step to making Information Governance work. IBM Press.2015.
Ladley, J. Data Governance-How to
design,deploy and sustain effective Data Governance Program. Elsevier-2012.
Learning 3.0-Alexandre Magno-Happy
Melli-Material de Treinamento-Junilson Souza (Facilitador)-2015.
Soares, S. Data Governance
tools-Evaluation criteria, Big Data Governance and alignment with Enterprise
Data Management. MC Press-2014.
The DAMA Guide to Data Management
Body of Knowledge(Dama-DMBOK Guide)-First Edition 2009.
Williams,B. Data Governance by
Example.Databaseanswers.org.2012 .
Nenhum comentário:
Postar um comentário