Blog que objetiva a discussão de conceitos de Governança e Gestão de Dados com os serviços de DM (Data Management) associados(Arquitetura,Modelagem de dados,BD,DWBI,MDM,DNE,Qualidade de dados,Metadados,etc) Também aspectos de maturidade via modelos MPS.BR,CMMI(ambos para Eng de SW) e DMM (Dados), além das novas formas e influências dos dados na sociedade digital.
Total de visualizações de página
quinta-feira, 5 de outubro de 2017
Curso de Governança e Gestão de Dados na Prática-Fumsoft&Assespro
Curso: Governança e Gestão de Dados, na prática, Promoção Fumsoft-Assespro, com Carlos Barbieri . Presença de importantes organizações interessadas em como gerir e governar corretamente os dados, na nova fase da sociedade digital(Normal data, Big data e IoT). Presença da Prodabel, Prefeitura de BH, Unimed, A3Data, ATS-Informática, Hekima,Accelor, Cemig, Axxiom, SystemDabase e do consultor João Primo Righi .
Algumas fotos:
quarta-feira, 4 de outubro de 2017
Visão comparativa e comentada do DAMA-DMBOK®V2-Parte III-final
Vamos começar
repetindo o modelo DMBoK®V2-Evoluído
Figura 01-Diagrama DAMA-DMBoK® V2 Evoluído, adaptado pelo autor. Fonte: DAMA-DMBoK® V2
Uma visão sintética e comentada do DAMA-DMBoK®, Carlos
Barbieri, com participação de Fernanda Farinelli, publicado no site da
Fumsoft-2013, acessível em goo.gl/kqVSBk
Figura 01-Diagrama DAMA-DMBoK® V2 Evoluído, adaptado pelo autor. Fonte: DAMA-DMBoK® V2
Observe que:
Com as 11
Áreas de Conhecimento, detalhadas em Introdução(Drivers
de negócios, objetivos& princípios e conceitos essenciais); Atividades; Ferramentas, Técnicas, Guias de implementação, relacionamento com a Governança de dados
e Métricas, o novo framework preenche
lacunas importantes que existiam na versão 1. Além disso, a adição dos novos
conceitos, a serem discutidos separadamente, trouxe uma modernidade impar ao seu
Corpo de Conhecimento. Por exemplo:
Ética(Princípios&Ética): Os aspectos de Ética em tratamento
de dados, expandidos em um capítulo separado(era tratado de forma mais discreta
no DMBOK1), é um dos grandes pontos do DAMA-DMBoK®V2. Hoje, em função da
criticidade de aspectos de Privacidade, Segurança e Regulação(Compliance) e em
função do crescimento de informações na Sociedade Digital, tornou-se
fundamental de ser abordado com maior profundidade, como feito nesta nova
versão. Por exemplo, os conceitos de GDPR-General Data Protection Regulation,
da União Europeia estão amplamente discutidos no DAMA-DMBOK2 e são hoje um tema
de vital importância no domínio da Ética de dados, no sentido da preservação
dos direitos à segurança e privacidade. A importância da discussão dos aspectos
de ética de dados cresce rapidamente na sociedade digital. Por exemplo, recentemente
(setembro de 2017) a Universidade de Stanford publicou um trabalho, divulgado
por toda a imprensa mundial, sobre um método de reconhecimento facial, usando
IA, que tem 81% de precisão na definição de “gays”. O uso do Watson da IBM no
apoio de diagnóstico de câncer também nos leva a um patamar de conceitos
éticos, na medida em que os diagnósticos, feitos por mecanismos de inferência,
como redes neurais,etc, podem sugerir certos resultados não garantidos,
ensejando novos conceitos (como ética) aplicados aos dados. Esse e outros
aspectos sobre ética no uso dos dados deverão, gradativamente, elevar a
importância de se usar os dados com sensibilidade e visões que respeitem as
pessoas, princípios e escolhas. Isso abrirá um novo espaço para a Governança e
Gestão de dados passarem a observar os dados com novo olhar. Por exemplo, com o
crescente uso de AI com algoritmos focados em Machine Learning(ML), a GD já
começa a se posicionar. Esses algoritmos, alguns em forma de caixa preta,
deverão merecer a observação da GD na medida em que as decisões tomadas, os
resultados obtidos ou as opções escolhidas não são necessariamente reveladas
pelos algoritmos de ML. Formados pelo refinamento sucessivo dos modelos,
através de variadas simulações, torna-se um desafio da GD entender quais foram
os caminhos de decisões tomados para se chegar naquela inferência. Talvez ai
esteja surgindo novos processos de GD, como QA(Quality Assurance) de resultado
de dados inferenciais. Considerando que podemos entender o ecossistema de ML
como composto de 3 camadas vitais: dados , modelos e decisões tomadas, a GD
deverá estender seu olhar em direção aos outros dois(modelos e resultados), já
que os dados sempre estarão sob a sua capa. Mesmo assim , os dados e metadados
deverão ser bem conhecidos, com seu grau de qualidade definido, e suas
possíveis tendências e distorções de conteúdo conhecidos. Os modelos, embutidos
em algoritmos caixa-pretas, por sua vez, exigirão conhecimento dos coeficientes
de calibração das variáveis que conduziram ao resultado inferencial. Por vezes,
os algoritmos serão desvendados através dos registros parciais de seus caminhos
escolhidos até a conclusão final. Para cada decisão intermediaria, teremos o
mapeamento do seu racional, numa espécie de log interno dos seus -ifs- e
-elses-.
Veja no link a reportagem sobre inferência de “gêneros” por
análise de imagens: goo.gl/871sR9 . ou no goo.gl/EnW1hi. Copy
short URL
Governança de Dados: A função de Governança de dados,
além de já ser uma AC separada, também foi colocada dentro de cada Área de
Conhecimento, com olhar específico de controle sobre aquela gerência específica,
facilitando a implementação da GD. Isso enriquece cada Área de Conhecimento, já
sugerindo pontos que a Governança(como Legislativo e Judiciário dos dados) tem
que observar. Por exemplo, dentro da nova AC DII-Integração e
Interoperabilidade de dados, a Governança de dados deverá estender sua visão
para acordos de compartilhamento de dados, Linhagem de dados e métricas de
integração de dados.
Gerência de Mudanças: Aspectos de Gerência de mudança
organizacional também são discutidos em um capítulo separado e mencionados em
algumas AC(Áreas de Conhecimento), como em Governança de dados, quando há a
necessidade de se perceber qual a propensão da empresa para mudanças
organizacionais e culturais, fatores preponderantes no sucesso de GD. Os
cuidados que se deve ter com a introdução de GD, quebrando fatores
cristalizados como “proprietarismo dos dados” é de suma importância e um dos
grandes FCS-Fatores críticos de sucesso da empreitada.
Uma recente
pesquisa feita pela FSFP-First San Francisco Partners (State fo Data Governance
Survey-Agosto de 2017) , agora em setembro de 2017, sobre a situação de
Governança de dados nas empresas americanas, mostra alguns pontos interessantes
acerca destes aspectos de mudanças:
a)Sobre a função de GD ser praticada de forma dedicada da
empresa: 70% responderam que sim e 27,08 responderam que não(funciona só
parcialmente).
b)Sobre os maiores obstáculos para o estabelecimento da
estratégia de GD: Quase 40% disseram que é a falta de recursos(staff,TI,etc) vindo com
20,83% a dificuldade de se comprovar o
valor(business case) e 18,75 dizendo que GD não é considerada importante.
Também os
aspectos acerca das variadas estruturas organizacionais para GD( Centralizada,
Descentralizada, Híbrida e Federada), se valem de aspectos culturais, além de
geográficos e negociais e estão relacionados com mudanças.
Novos capítulos:
Novos temas que
eram incipientes no momento de criação do DMBOK1 foram incorporados. Exemplo:
Big Data&Ciência de dados: Esses conceitos, que em 2009
existiam em outra proporção e com denominações diferentes (Big Data era
representado por VLDB-Very Large Data Bases, unicamente com dados estruturados)
e Ciência de Dados era representada por tratamentos estatísticos computacionais,
agora ganham profundidade dentro do DAMA-DMBoK®V2, tornando-o atualíssimo no
atual ecossistema de dados.
Maturidade: O conceito de Avaliação de Maturidade, que em 2009 já era
forte em processos, como CMMI e MPS.BR(no Brasil), mas incipientes em dados,
mereceu um capítulo à parte. Havia naquele momento(2009), algumas proposições
de Avaliação de Maturidade de dados, sugeridas mais por empresas de
tecnologia/consultoria, como IBM, Gartner,etc, mas o assunto somente ganhou
corpo(no domínio de dados) a partir da chegada do DMM-Data Management Maturity
Model, em 2014, lançado pelo CMMI Institute, hoje pertencente ao ISACA, forte
em Cobit, ITIL e Governança de TI. O DMM e o Cobit 5 hoje já oferecem uma espécie
de ferramenta (Cobit5/DMM Practices Pathway Tool) que permite mapear os
resultados de seus componentes, introduzindo a melhoria de Gestão de dados,
agora diretamente em empresas que usam o Cobit5.
O novo
framework da DAMA ressalta esse importante conceito para a mesa dos decisores,
que podem pensar em iniciar um Programa de GD, conhecendo antes o estado atual
das práticas de dados nas empresas.
Princípios de Gestão de Dados: Foi reformulado com ênfase em
elementos que devem servir de balizamento para a definição de Estratégias e
Políticas que subsidiarão a organização em busca de maior valor através dos
dados. Esses princípios continuam coerentes nos 2 modelos.
Resumo da ópera:
Dessa forma,
o DAMA-DMBoK®V2 chega e ganha contornos de maturidade e modernidade, se posicionando
como o mais completo framework disponível para apoiar a implementação de Gestão/Governança
de dados nas empresas, com conceitos imprescindíveis no tratamento dos ativos
organizacionais de dados. Traz assuntos recentes como Big Data, Ética nos
dados, Avaliação de maturidade, etc , tudo no entorno do contexto do Diagrama
evoluído do DAMA-DMBoK®V2. Esse novo
framework , dessa forma, se posiciona como fonte obrigatória para todas as empresas que
vislumbram a busca de uma Gestão e Governança de dados moderna, consistente e
efetiva, sintonizada com os últimos conceitos emergentes de dados. Se você pensa
em caminhar em direção à GD, não deixe de ler o DAMA-DMBoK® V2.
Nota:
DAMA-DMBoK®
e DAMA-DMBoK®V2 são marcas da DAMA International e DAMA Brasil.
Referências:
DAMA-DMBoK®-Data Management Body of
Knowledge-2nd Edition-2017- Technics
Publications
DAMA-DMBoK®V2-Framework-Patricia
Cupoli; Susan Earley; Debora Henderson-Set. 2012, publicado no site
www.dama.org.
Data Management Maturity Model(DMM)
Model.CMMI Institute August 2014-version 1.0.
Data Management
Maturity(DMM). CMMI Institute-Agosto de 2014-versão 1.0 (em português).
The DAMA Guide to Data Management
Body of Knowledge(Dama-DMBoK® Guide)-First Edition 2009.
Vaughan, J. Machine learning
algorithms meet data governance. TechTarget-Search Data management, acessado em
01 de Outubro de 2017.
sábado, 16 de setembro de 2017
Visão comparativa e comentada do DAMA-DMBoK®V2-Parte II
Vamos começar a parte II
repetindo o Diagrama adaptado do DMBoK® V2.
Figura
01-Visão geral do DAMA-DMBoK® V2, adaptado pelo autor. Fonte: DAMA-DMBoK®V2
Pode-se
observar que:
–
O
Diagrama DAMA(Dama Wheel), agora aparece com 11 áreas de conhecimento
(AC), trazendo como novidade a fatia de
Integração
e Interoperabilidade de dados(inexistente explicitamente no DMBOK1,
embora fosse tratado em várias disciplinas, como MDM, DW, QD, etc), além de
mudanças cosméticas nos nomes das fatias/disciplinas, que perderam a palavra
Management. Somente a AC(Área de Conhecimento) Documento e Conteúdo, permaneceu com a palavra “Management”. No
texto a AC Metadados é referenciada também como Gerência de Metadados. Para
conhecer melhor essa nova disciplina do DAMA-DMBoK®V2, assista o vídeo de Chris
Bradley, no link a seguir: goo.gl/4CY88G
–
Os
Fatores Ambientais , representados pelos hexágonos, sofreram algumas
modificações. No DAMA-DMBoK® apareciam: Organização&Cultura; Atividades;
Entregáveis; Papéis&Responsabilidades; Práticas&Técnicas e Tecnologia. No DAMA-DMBoK®V2 permanecem
Papéis&Responsabilidades; Atividades, surge Ferramentas; Organização&Cultura; Técnicas(sem
práticas) e Entregáveis. A palavra Tecnologia entra com Processo e Pessoas, num
nível de agregação acima, ficando Pessoas(Papéis e Responsabilidades);
Processos(Atividades e Técnicas) e Tecnologia(Ferramentas e Entregáveis).
Figura
02-Fatores Ambientais, adaptado pelo autor- Fonte: DAMA-DMBoK®V2
Os
Diagramas de Contexto de áreas de conhecimento(AC), também foram modificados:
–
No
DAMA-DMBoK® apareciam, para cada disciplina/fatia: Definição, Missão,
Objetivos, Entradas, Fornecedores, Participantes, Ferramentas, Entregáveis
primários, Consumidores e Métricas. No miolo, as Funções daquela fatia,
– No
DAMA-DMBoK®V2 aparecem: Definição, sai Missão, Objetivos,
Entradas, Fornecedores, Participantes, Entregáveis, sai primário,
Consumidores . As Métricas, Técnicas e Ferramentas aparecem como direcionadores
técnicos, enquanto dos objetivos saem os direcionadores de negócios. Aparecem também, para cada fatia(Área de
Conhecimento) um ciclo de vida composto de : Planejamento( P ), Controle ( C ),
Desenvolvimento (D) e Operações(O).
Figura
03-Diagrama de Contexto, adaptado pelo autor- Fonte: DAMA-DMBoK®V2
- O
DAMA-DMBoK® V2 resolveu trazer também algumas concepções de autores famosos na
seara de Dados e que sempre estiveram na proximidade do Modelo. Por exemplo, a Pirâmide
de Peter Aiken (ex-presidente da Dama International), que procura usar
as áreas funcionais para descrever a situação em que muitas empresas se
encontram. Não chega a ser um diagnóstico de dados, mas serve, principalmente
para empresas que começaram o processo de adoção de GD sem uma estratégia muito
definida. Muitas empresas começam essa incursão em direção à melhoria dos
dados, levadas por impulsos ou projetos isolados. A compra de uma aplicação com
Bancos de dados, por exemplo, pode levar a empresa a colocar os olhos sobre
modelagem e projeto de dados, armazenamento, segurança etc. A essa fase
seguirão outras, por exemplo, como uma preocupação com a qualidade dos dados,
que dependerá de Metadados e de uma arquitetura estável e bem definida. A
seguir, para que essas práticas sejam disciplinadas, aparecerá a necessidade de
Governança de dados, que poderá alavancar a gerência de dados mestres,
referenciais e de documentos. Essa é a visão da pirâmide de Aiken , apresentada
no DAMA-DMBoK® V2, ou seja uma costura progressiva e temporal das diversas disciplinas
do DMBoK®, pelo gradativo aparecimento de suas necessidades de dados. A empresa
começa por uma das áreas de conhecimentos (fatias), por um motivo específico e
segue, com certa lógica, realizando uma conexão com as outras, tecendo dessa
forma a malha da Gestão de dados;
–
O
DAMA-DMBoK®V2 também trouxe uma proposição semelhante, desenvolvida por Sue
Geuens(presidente da DAMA International e agora na Infosys-Inglaterra), na qual
se estabelece também necessidades iniciais de dados(como um projeto de BI ou
Analytics, etc) que vai , progressivamente, demandando outras áreas de
conhecimento e montando um diagrama em camadas com certa dependência funcional
entre as fatias do DAMA-DMBoK®V2. Tem similaridade com a proposta de Aiken;
–
Nesse
contexto, o próprio DAMA-DMBoK®V2 apresenta um framework mais evoluído, quando
comparado à frieza do antigo Diagrama DAMA(Dama Wheel). Nesse diagrama há o
aparecimento de novos conceitos, além das 11 disciplinas/fatias tradicionais.
Há uma camada superior de Supervisão que é a Governança de dados(que na roda DMBOK
ficava no centro), com elementos novos como Valoração de dados, Princípios e Ética
sobre os dados, além das conhecidas Políticas e Stewardship. São aspectos
fortemente ligados à mudança cultural, como lembra o primeiro bloco deste
framework. No meio, aparece um outro
bloco, com ênfase na gerência de ciclo de vida, por onde desfilam as Áreas de
Conhecimento, separadas por Planejamento e projeto(Arquitetura e
Modelagem e Projeto de dados); Uso e Melhoria(Armazenamento e
Operação de dados, Integração e Interoperabilidade, MDM, RDM,DW e aparece Big
Data, como novidade) e Ativação e manutenção(BI, Uso de Dados Mestres,
Gerência de Conteúdo e Documento, Monetização de dados, Análise Preditiva e Data
Science). Observe que os conceitos
emergentes e atualíssimos de Big data, Data Science, Monetização, etc agora já
aparecem no radar detalhado do DAMA-DMBoK®V2.
–
Finalmente,
como Bloco de atividades pilares, aparecem: Gerência de Riscos englobando
Segurança, Privacidade e Compliance, Gerência de Metadados e Gerência de
Qualidade de dados.
–
Esse
novo diagrama do DAMA-DMBoK®V2, agora em blocos e camadas, estende a antiga
Dama Wheel e incorpora conceitos que se faziam necessários nesse novo
ecossistema de dados. Dessa forma, o novo framework apresenta a sua Dama Wheel
evoluída, com todos os elementos anteriormente descritos e elementos entrantes
como Data Science, Visualização de dados, Monetização de dados, Análise preditiva, Stewardship e Ownership(gestão e propriedade dos dados), drives para
mudança cultural, princípios e ética sobre os dados, Classificação de dados, Valoração de dados e Avaliação de maturidade em dados. Esses
conceitos são fundamentais no novo ambiente de dados onde pontos como
Monetização estão a reclamar estudos e visões acadêmicas mais profundas para se
designar valores diretos sobre os dados.
Figura 04-Diagrama DAMA-DMBoK® V2
Evoluído, adaptado pelo autor. Fonte: DAMA-DMBoK® V2
Notas:
DAMA-DMBoK®
e DAMA-DMBoK®V2 são marcas da DAMA International e DAMA Brasil.
DCAM é marca
do EDM-Council
DMM é marca
do CMMI-Institute
quarta-feira, 6 de setembro de 2017
Visão comparativa e comentada do DAMA-DMBoK® V2-Parte I
Objetivo:
Esse
trabalho objetiva analisar os pontos de evolução do DAMA-DMBoK® V2-Data
Management Body of Knowledge, 2nd edition, lançada em Julho de 2017 nos EUA,
pela DAMA-Data Management Association.
Recomendamos fortemente a aquisição
do Modelo Completo, que poderá ser feito no site da DAMA-Brasil(versão em
português-www.dama.org.br), ou no site da Technics Publications(versão em
inglês https://technicspub.com).
No evento DMC-LATAM 2017-Data Management Conference (18-19 de outubro,SP) a presidente
da DAMA International, Sue Geuens dará uma
palestra sobre DAMA-DMBoK® V2.
O objetivo, claro, não é detalhar o
modelo mas sim enfatizar os pontos de evolução que o colocam, na minha visão,
acima das melhores práticas mundiais de Gestão de dados, como DMM-Data
Management Maturity Model (CMMI Institute-ISACA) e DCAM-Data Management
Capability Assessment Model (EDM Council), além de analisar o seu upgrade com
relação ao DMBoK® de 2009. A objetivo central é fornecer uma visão sintética e
comentada tal como foi feito no trabalho publicado em 2013 (Uma visão sintética
e comentada do DMBOK, disponível no site da Fumsoft e acessível neste link: goo.gl/kqVSBk ).
Para a
realização deste trabalho, foram usadas as referências citadas no final,
respeitando os aspectos de direitos das publicações originais. Os textos foram
traduzidos pelo autor e não representa a tradução oficial da DAMA-BR. Alguns
diagramas aqui apresentados foram baseados nos existentes no DAMA-DMBoK® V2 e
adaptados pelo autor. Para
efeitos práticos esse trabalho faz referência ao DAMA-DMBoK® de 2009 como DMBoK1.
Esse
trabalho será dividido e publicado em partes:
A primeira parte
será uma análise introdutória sobre os novos conceitos trazidos pelo DAMA-DMBoK®
V2 e uma rápida comparação com os frameworks existentes.
DAMA-DMBoK® V2-Introdução:
•
Lançado
em julho de 2017, o DAMA-DMBoK® V2 foi escrito com uma grande gama de
colaboradores, inclusive do Brasil (Ademilson Monteiro, Antônio Braga, Carlos
Barbieri, Manoel Francisco Dutra, Mário Faria, Luciana Bicalho e Rossano
Tavares - Presidente da DAMA-Brasil e -Primary Contributor- do capítulo de
Qualidade de dados). Também mereceram destaque figuras importantes do ambiente
de Dados dos EUA, como Melanie Mecca(DMM), April Reeve, Danette McGilvray,etc,
•
Diferente
da versão DMBOK1, oficialmente The Dama Guide to the Data Management Body of
Knowledge(DAMA-DMBOK Guide), first edition que tinha os nomes de Mark Mosley, Michael Brackett, Susan
Earley e Debora Henderson, como destaques de capa, o DAMA-DMBoK® V2 não cita
autores específicos na capa. Todos os créditos foram referenciados internamente,
•
Há
uma justa menção em homenagem à Patrícia Cupoli, falecida em Julho de 2015, num
acidente automobilístico. Patrícia esteve várias vezes no Brasil (evento DMCLatam-SP)
onde aplicou as provas de CDMP-Certified Data Management Professional (quando
me submeti à elas em 2013 e 2014) e foi umas das grandes contribuidoras do
Modelo DMBoK®, em ambas as versões e também forte incentivadora das
certificações CDMP no Brasil.
DAMA-DMBoK® V2-Estrutura:
O modelo DAMA-DMBoK® V2 está estruturado em 17 capítulos, sendo que 11
estão relacionados com ás áreas de conhecimento (houve acréscimo de uma com
relação ao DMBOK1-Integração e Interoperabilidade), além de outros assuntos
relevantes, como Ética no tratamento de dados, Big Data&Ciência
de dados; Avaliação de maturidade em gestão de dados; Possíveis papeis
e organização da gestão de dados e Gerência de mudanças na gestão de
dados. Alguns desses capítulos, pelo aspecto temporal, são praticamente novidades,
quando comparados com o DMBOK1 (Big Data&Ciência de dados e Modelos de
maturidade) e outros foram expandidos e enriquecidos, transformando o DAMA-DMBoK®
V2 numa fonte, quase incomparável de referência em Gestão de Dados. Alguns pontos importantes para entendermos o
modelo:
–
O
DAMA-DMBoK® V2 apresenta uma formatação de ideias na forma de frameworks e se
vale de alguns exemplos como o Modelo de alinhamento estratégico e
o Modelo
de Informações de Amsterdam. O primeiro, proposto por Henderson e
Venkatraman, no fundo, fundamenta os direcionadores para uma abordagem de
implementação de gestão de dados. Tratam da dualidade Dado e Informação e de
seus relacionamentos e tem um forte conteúdo conceitual, com tangências entre Estratégias
de negócios, Estratégias de TI, Organização&Processo e Sistemas de
Informação. No fundo, versa sobre algo fundamental: a dificuldade de percepção
de valores de investimentos em TI, justamente pela falta de alinhamento desta
com os objetivos de negócios, somado com a falta de processos que mantenham
vivos esses laços de conexão entre os dois. Isso vem ao encontro do que temos
falado sobre a importância do Why(O Porquê), dos 5W2H em projetos de dados, que
deve vir sempre atrelado aos aspectos de negócios. Antes, por exemplo, da
empresa partir para um grande projeto de Big Data, pergunte sobre o “porquê” e
busque retornos convincentes para o “business” da empresa. Nunca crie um Data
Lake porque ele é algo diferente de um DW ou de um ODS;
–
O
Modelo
de Informações de Amsterdam, desenvolvido na Universidade de Amsterdan,
em 1997, tem como objetivo ser uma ferramenta de posicionamento e interrelação
entre funções de gerência de informação. Tem um eixo horizontal onde aparecem
três domínios de Governança, como Negócio,
Informação/Comunicação e Tecnologia e um eixo vertical onde aparecem os
níveis de profundidade da governança, como Estratégia, Estrutura e Operação.
–
Esses
dois modelos estabelecem alguns dos pilares conceituais do DAMA-DMBoK® V2, e
aparecem mais, na minha opinião, para dar uma certa tonalidade negocial e acadêmica
na proposição, que se centra mesmo no conhecido Framework do DMBOK1, com os
elementos já estudados até então, como o Diagrama DAMA(Dama Wheel) estendido
por outros elementos, além dos fatores Ambientais e do Diagrama de Contexto de
áreas de Conhecimento, este expandido.
DAMA-DMBoK® V2-Comparação:
O DAMA-DMBoK® V2 quando comparado com outros
modelos de referência em Gestão de dados apresenta algumas vantagens nítidas.
Vejamos os principais guias existentes, propostos por organizações neutras e
sem fins(diretamente) lucrativos:
– EDM-Council: O Modelo do EDM Council, da
Comunidade bancária/financeira, tem absoluta concentração nesta área. Fazem
parte do EDM Council, dentre outros, ABN AMRO Bank, Accenture, Abu Dhabi
Investment Authority, JP Morgan Chase&Co, Banco do México, Banco Santander,
Bank of America, Bank of Tokyo Mitsubishi UFJ, Ltd, etc. Oferece o
FIBOS-Ontologia para negócios da indústria financeira, além de um modelo de
avaliação(assessment) também com foco em processos dessa esfera. O EDM Council
chegou a fazer parceria com o DMM do CMMI Institute na elaboração das primeiras
versões do DMM, mas o casamento “desandou” e o DMM acabou nascendo sozinho, sem
o genoma do DCAM-EDM. As figuras 01 e 02
ilustram o EDM-Council e o DCAM.
Figura
01-Visão geral do EDM-Council, com os 3 grandes objetivos, adaptado pelo autor. Fonte: EDM-Council
Figura
02-Visão geral do EDM-Council-DCAM-Data Management Capability Model , com as
áreas de Gestão de dados, foco no ecossistema financeiro, adaptado pelo autor. Fonte: EDM-Council
–
DMM-Data Management Maturity Model: O Modelo DMM foi gestado no mesmo berço de onde saíram os
famosos modelos CMM e CMMI. (CMMI Institute da Universidade Carnegie Mellon) e
por isso prometia certo vigor. Acontece que por motivos não esclarecidos, o
CMMI Institute se desligou da Universidade Carnegie Mellon e foi adquirido e
tornado organização subsidiária do ISACA(Associação de Controle e Auditoria de
Sistemas de Informação), reconhecida pela paternidade do COBIT-5. Pelas
conversas que tenho tido nos Seminários e Conferências nos EUA, a impressão é a
de que o DMM ainda se encontra tímido e não decolou totalmente, como era de se
esperar. Lançado em 2014, no seu site aparecem somente dois casos de uso: Um da
Microsoft e outro da brasileira Neoway, de Florianópolis. Tendo sido o primeiro
modelo neutro de avaliação de maturidade em gestão de dados (os outros
existentes gravitavam em torno de instituições de consultoria e de software), o
DMM tem potencial de crescimento, inclusive no Brasil, mas esbarra no alto
custo de mão de obra para formação de especialistas, toda ela obrigatoriamente
formada em vários treinamentos nos EUA, com valores quase proibitivos. Na
essência, o DMM apresenta uma correta proposta de gestão de dados, oferecendo,
conforme a figura 03, seis (6)
Categorias e 25 Áreas de processos. O seu foco, entretanto, como os seus primos
mais antigos(CMM e CMMI) é mais de um guia para assessment(avaliação), embora
através dos suas práticas funcionais e práticas de infraestrutura divididas em
níveis, sugira possíveis formas de implementação. Mas, mesmo assim, continua
com forte sabor de um método para se saber onde estamos (ONCOTÔ) em termos de
Gestão de Dados, e não de como, diretamente, podemos chegar lá (PRONCOVÔ). Pode
ser usada com o DMBOK®V2 como elemento de verificação inicial, antes de se
aplicar as práticas da DAMA.
Figura
03-Visão geral do DMM-Data Management Maturity Model, com as 6 Categorias e os
níveis de capacidade, adaptado, pelo
autor. Fonte: DMM-Data Management Maturity Model-CMMI Institute
Figura
04-Visão geral do DMM-Data Management Maturity Model, com as 6 Categorias e 25
áreas, adaptado pelo autor. Fonte: DMM-Data Management Maturity Model-CMMI Institute-Versão
Português.
DAMA-DMBoK® V2-Resumo:
–
Por
esse prisma, baseado na figura 05, observa-se que o DAMA-DMBoK®V2, além de
trazer o guia estruturado agora em 11 Áreas de Conhecimentos, amplamente
discutidas e detalhadas, também traz uma luz sobre novos conceitos pouco(ou
nada) tangenciados nos outros modelos. A discussão sobre Ética no tratamentos
dos dados (fundamental com o crescimento da sociedade digital cheia de Big
data, IoT com riscos de possíveis problemas em Segurança e Privacidade), os
impactos culturais nas mudança exigidas por sua implementação(um dos fatores
críticos de GD), além de temas técnicos novos, como Big Data e Ciência de Dados,
o colocam, sem dúvida, numa posição de destaque com relação aos outros frameworks existentes.
A figura 05, a seguir, ilustra essa nova visão
do DAMA-DMBoK® V2, que detalharemos no próximo post
Figura 05-Visão
geral do DAMA-DMBoK®V2, adaptado pelo autor. Fonte: DAMA-DMBoK® V2
Notas:
DAMA-DMBoK®
e DAMA-DMBOK® V2 são marcas da DAMA International e DAMA Brasil.
DCAM é marca
do EDM-Council
DMM é marca
do CMMI-Institute
Assinar:
Postagens (Atom)


















