Total de visualizações de página

segunda-feira, 18 de junho de 2018

DGIQ-2018-San Diego-Califórnia-11 a 14 de junho-2018 -Parte I


DGIQ-2018-San Diego-Califórnia-11 a 14 de junho-2018 -Parte I


Visão geral sobre o DGIQ-2018, em San Diego-CA.

1)Participantes:

Foi considerado pelos organizadores como o maior DGIQ, desde a sua criação em 2008, com um total de mais de 600 pessoas de várias partes do mundo. Além da presença maciça dos americanos e canadenses, o restante do mundo também apareceu por aqui. A América do Sul começa a despertar para os aspectos de GD e vieram 6 do Chile, 3 da Colômbia e até o Suriname, vizinho das Guianas, esteve com 2 representantes. A África também despertou e há 3 da Nigéria e um da África do Sul. A Europa, depois do GDPR, esteve presente com França, Portugal (com 2), Irlanda, Alemanha, Dinamarca. Há reps da Arábia Saudita, Kuwait, Japão, Cingapura, Qatar, Austrália. O México, coladinho em San Diego, mandou 1 rep somente. O Brasil, como sempre, fica distante deste evento. No ano passado havia além de mim, uma analista do Banco Central. Hoje estou sozinho. OK, Esse ano tem Copa do mundo, eleição, whatever...

2)Assuntos dominantes:

a)Glossário de dados/Metadados:

Houve uma distribuição de temas sobre Governança de dados, em vários níveis, com tutoriais introdutórios, intermediários e outros mais avançados.  Um assunto nitidamente crescente foi sobre Metadados e Glossário de negócios. Assisti um tutorial avançado e uma palestra sobre o tema. O tutorial, muito bom, sobre catálogo de dados, foi de Lowell Fryman, experiente especialista em metadados, com livros escritos e participação nos Livros Vermelhos da IBM(Red Books),  recentemente contratado por uma empresa que vende essa tecnologia(Collibra). Muito profissional, o tema foi tratado de forma agnóstica, sem menção ao produto. Os conceitos apresentados evidenciam o assunto do momento que é a necessidade de se conhecer organizacionalmente os dados existentes, realizar a sua catalogação, mapear sua linhagem, etc. Não estamos falando de Dicionários de Dados atrelados às ferramentas de SGBD, ETL, Modelagem de dados, etc. O conceito é sobre os dados da empresa, catalogados com seus metadados circundantes, dentro da visão de negócios(conceitual/lógica). Com uma tecnologia já relativamente estabelecida, os produtos deste segmento começam a buscar espaços de evolução nas suas plataformas. A IBM , por exemplo, aproveitando o seu  famoso Watson, plataforma de IA, vencedora do programa de TV Jeopardy, encaixou nas camadas de dados do seu Information Server (extração, transformação, profiling, limpeza,etc) a possibilidade de uso dos elementos de  IA-inteligência artificial( machine learning), prometendo mais rapidez e  inteligência no tratamento de dados e de metadados. Assim , a extração de um dado, feita de um schema de BDs, poderá ser acompanhada de uma análise inferencial que apontará seus prováveis relacionamentos, por exemplo. É o conceito de Machine learning se encontrando com o Metadados.

b)GD: 

Ficou a clara constatação de que, com a chegada de Big Data e com a onda de  transformação digital, onde os dados são elementos fundamentais, a GD chegou para ficar. As empresas deverão nesses próximos anos, usar os seus dados, não mais somente como elementos de tomada de decisão, mas fundamentalmente para produzir novos modelos de negócios, onde esses ativos participam. As empresas que apresentaram “cases” já mostram uma GD muito evoluída, citando os obstáculos pelos quais passaram (ou passam). De comum, a clara indicação de que GD é um desafio cultural, que o “P” do Patrocínio é vital para o sucesso e o “P” das Pessoas e Papéis idem. Neste último estão o alinhamento com ideias de colaboração e participação, uma certa flexibilização com relação às mudanças necessárias e a propensão à adesão a um programa que somente visa melhorar a empresa, via a gestão dos dados. Em resumo, os obstáculos que a GD enfrenta não estão somente na camada de dados desorganizados. Para isso há técnicas e ferramentas. O problema é mais relacionado aos conceitos de “proprietarismo dos dados” enraizado por muitos anos. Menos hardware e software e mais Peopleware. Houve até uma palestra especificamente sobre isso (DG meets Psichology-How to influence individuals within organizations). Colocar ordem nos dados de uma empresa, seja de que tamanho for, é algo desafiador. Durante muito tempo, esses elementos de dados, hoje cada vez mais importantes, ficaram à deriva, numa fase, digamos mais orientada aos processos.  Isso produziu o que aqui foi chamado de débito de dados (Data Debt), uma invenção semântica fresquinha, que acabou de sair do forno da indústria da consultoria. No fundo, é uma metáfora baseada no modelo Scrum, onde há o débito técnico. No fundo, de novo, é o sentido de débito produzido quando, por exemplo, as empresas replicaram livre e descontroladamente  os seus arquivos, ou deram pouca atenção à qualidade de seus elementos de dados, produzindo sanções ou multas, além de tomadas de decisões erradas. Com os novos tempos, essas ações indevidas agora mandam a conta, seja na forma de um projeto reparador de Dados Mestres ou a  criação de GD com definição e rigor nas Políticas, Padrões, Processos e Procedimentos.

c)GD e Agilidade

Aqui também tivemos um tema que cresce, pois há a clara necessidade de se conciliar os métodos de desenvolvimentos de sistemas ágeis, com o imperioso controle de dados. De novo, as soluções serão a conscientização das equipes de desenvolvimento, a presença de um gestor de dados no time de Scrum e a aprovação dos dados do projeto, não somente pelo PO ou SM, mas também pela GD.   

d)GD=Negócio: 

O óbvio, que já foi definido como uma das piores formas de distração, apareceu também. Às vezes, o óbvio é tão translúcido que você não atenta para ele. Uma das suas manifestações: A GD deverá ser “vendida” como um programa nas empresas, não somente pelas vantagens conceituais que oferece, mas  principalmente pela resolução direta dos problemas de dados existentes que hoje  as assustam pela força da regulação,  gerando riscos de multas e sanções e incomodam os tomadores de decisão pela inconsistência de seus dados. Por esse motivo é que a grande incidência de empresas com GD muito bem estabelecidas gravitam em torno de Compliance e Risco, como organizações de Health Care e Instituições financeiras.  No próximo post, continuaremos com a visão de futuro da GD.

Nenhum comentário:

Postar um comentário