Governança e Gestão de dados na prática-Parte V

Canvas-MGD-P´s da Governança e Gestão de dados:

Chegamos nos P´s da Governança. Esse ponto representa o mecanismo complementar do Canvas-MGD, discutido anteriormente. Aqui colocamos os pontos relacionados à Governança de Dados, com aqueles conceitos(coincidentemente) começados pela letra P. É puramente  um artifício mnemônico, para se gravar elementos fundamentais que deverão ser pensados , quando da implementação de um Programa de Governança.

O P de “problemas” já foi, de certa forma, discutido no Canvas anterior, sendo a gênese de tudo isso. Trazido do Canvas MGD, os problemas poderão ser melhor detalhados, conforme a Matriz de problemas de dados, na figura 07, que mostra a sua incidência, de acordo com as áreas mais impactadas. Os problemas são analisados em maior detalhe e identificadas as áreas/domínios de dados que serão contempladas na sua resolução.  

                             Figura 07-Matriz de problemas

A partir dai, começaremos a abordagem pelos P´s do domínio da solução, ilustrados na figura 08.

                                         Fig 08-Canvas dos P´s da Governança de Dados

Os P´s da Governança e Gestão de dados, estão definidos, a seguir :

Patrocínio:

Esse é um dos fatores críticos de sucesso na implementação de um programa de Governança e Gestão de dados nas empresas. Dai a importância de se ter levantado com cuidado os possíveis retornos em termos de negócios, seus impactos, etc. Envolve a conscientização do alto “board” da empresa, principalmente da área de negócios, onde os problemas de dados normalmente repercutem. Um programa dessa natureza deverá ter o apoio da TI mas não deverá ser uma proposição de cunho tecnológico. Deverá ter origem nas áreas de negócios, onde dados sensíveis representem elementos de valor. Os impactos e custos negativos de problemas de dados são itens que devem compor a linha de argumentação e de convencimento. Estudos de casos de negócios específicos podem ser feitos e um deles pode ser a análise atual dos dados críticos, via Profiling, quando se analisa aspectos físicos de integridade, completude, precisão, etc dos dados. Aqui os dados selecionados para o estudo de caso devem ser os mais sensíveis aos aspectos de compliance/aderência ou os que podem trazer impactos de reputação e /ou perdas financeiras. É botar o olho nesses dados e saber da qualidade de seu conteúdo, que por vezes, escondem ao longo de milhões de registros e fontes dispersas, problemas sérios. Também uma avaliação sobre a cultura e propensão da empresa para programas dessa natureza, que implicam mudanças culturais, pode ser feita  para se aferir os possíveis níveis de aceitação do programa. Conversas de “elevador” ou reuniões formais com o alto “board” ajudam a detectar essas tendências. Projetos estratégicos de dados como levantamento da Qualidade de dados das principais fontes de dados, resolução de Compliance, uso de Big Data com Data Science, MDM(Gerência de dados mestres), DW/BI, etc podem servir como elementos alavancadores de iniciativas como essas e são definidos como “projetos triggers da Governança e Gestão de dados”, tornando mais espessos os aspectos de patrocínio necessário.

Exemplo prático:

Comece analisando as gerências envolvidas nos domínios dos problemas apresentados. Olhe bem o “Where” no Canvas passado e a Matriz de Problemas, na figura 07. Esses são os primeiros targets da abordagem de busca pelo patrocínio, pois sentem (ou podem sentir) os problemas mais diretamente. Neste item, os problemas levantados relativos aos riscos de compliance junto à ANSS, associados com os aspectos de impactos de reputação no mercado, através de reclamações de atendimento(pesquisadas, por exemplo via mídias sociais) formam um forte embasamento para a busca de patrocínio de um programa de dados na empresa. Uma verificação anterior sobre a propensão demonstrada pela empresa para aspectos de mudanças pode dirigir a forma de abordagem na busca desse patrocínio. Dados factuais, como indicadores/métricas de qualidade de dados estratégicos(Clientes, Atendimentos, Parceiros, Registros de doenças, etc), detectados por ações de Profiling de dados também podem servir como grande instrumento de convencimento, principalmente se apresentarem discrepâncias e pontos fora da curva. Lembre-se que aspectos de multas vultosas por problemas de “compliance” e arranhão na reputação, principalmente quando se trata de saúde, são dois fatores extremamente “convincentes”. 

   

Princípios e Políticas:

são as grandes regras, definidas por consenso e aprovadas, atualizadas e respeitadas pela organização, legislando sobre os dados. Os Princípios são elementos mais filosóficos e as Políticas mais normativos e regulatórios. As Políticas são aplicadas e exigidas em diversas etapas do ciclo de vida dos dados. Poderemos ter políticas para a criação, replicação, uso, armazenamento principal e secundário, arquivamento e eliminação dos dados. Aspectos mais específicos do ciclo de vida dos dados como segurança, propriedade(ownership), distribuição, documentação, privacidade, qualidade, etc   deverão ser também objetos de regras ou políticas, criadas pela interlocução da Governança de dados, investida dessa autoridade, com as áreas de negócios envolvidas e, logicamente, com a TI. Esses elementos, depois de criados, devem estar armazenados de forma facilmente acessível e constantemente revistos e melhorados. O Portal da GD, por exemplo,  um núcleo de informação e conhecimento sobre Gestão e Governança de dados é uma boa ideia para se iniciar uma GD documentada e conhecida.

Princípios:  Considerações e exemplos:

·       Dado é um ativo e portanto deverá haver  responsabilidade final sobre eles(“accountability”). Os dados e seus conteúdos de todos os tipos  são considerados ativos da mesma forma que os outros tipos como ativos físicos, materiais e financeiros, exigindo, dessa forma, procedimentos de controle organizacional similares;

·       A informação deverá vir de uma fonte autorizada, estar disponível, ser precisa, íntegra e sem ambiguidade, além de passível de ser compartilhada e catalogada(metadados). Soluções de dados/ informação manterão estrito alinhamento com o negócio da empresa respondendo às suas necessidades e às requisições das áreas envolvidas;

·       O valor do dado está no aspecto intrínseco que ele retorna para empresa, agregando e melhorando os seus objetivos operacionais e negociais. A Governança de dados deverá respaldar esse princípio;

·       A Governança de dados é um programa de negócios e como tal suas definições formalmente aprovadas, deverão igualmente governar a interação da TI com dados, da mesma forma que a interação da área de negócios, com esses mesmos ativos;

·       A Governança de dados é responsabilidade compartilhada entre Gestores de dados de áreas de Negócios em parceria com profissionais de TI, que atuam nas diversas gerências de dados(Arquitetura, BD, DW/BI, Segurança,etc) . A união lógica e funcional entre a Governança e a Gerência dos dados, forma o conceito maior de Gestão de Dados;

• Cada programa de Governança e de Gestão de dados é único e deve-se levar sempre em conta as características específicas de cada organização e de sua cultura;
• Os melhores gestores de dados já existem e não são feitos. Devem ser escolhidos entre os que já estão envolvidos com dados nas suas respectivas áreas e demonstram interesse nessa nova forma de tratamento desses ativos;
• A tomada de decisão “compartilhada” é a marca da Governança de Dados, envolvendo as diversas camadas definidas no seu corpo operacional; 
• Há uma separação implícita entre as funções de GD e de Gerência de dados. O Comitê de Governança de dados, o Comitê/Conselho de Gestores de Dados e as equipes de gestores realizam as responsabilidades “legislativas”(definem os P´s)  e judiciária s(julgam sua devida aplicação). As equipes de Gerência de dados(Bancos de dados, BI, Segurança, Qualidade, Operações, etc), em conjunto com os Gestores de dados, realizam as funções executivas(aplicando, administrando, coordenando, servindo e protegendo os dados, respeitando os P´s) através dos preceitos definidos pela Governança;
• A organização deve definir o seu modelo operacional de GD, que deverá conter (em linhas gerais) uma camada executiva de apoio de alta gerência, que garante patrocínio, investimento,etc; um grupo que forma o Board de GD, composto pelos gerentes seniores, CDO, owners de dados, que se posiciona no escalonamento final das pendências(issues), seguido por uma área tática , onde estão os líderes dos gestores de dados e por último, a camada operacional onde se posicionam os gestores de dados de negócios e de TI. Ali também estão os Especialistas(SME-Subject Expert Matter), alguns dos quais são transformados em gestores de dados,  investidos das funções específicas de GD nas suas respectivas unidades de negócios;
• Cada empresa deve ter a sua estratégia de dados, como um guia para as atividades de Governança e de Gerência de Dados na empresa. Normalmente uma estratégia de dados tem os seguintes ingredientes:  
• Missão(o que se pretende que a organização seja, em termos de dados), visão( a imagem do futuro), objetivos gerais, objetivos específicos, com todos os aspectos baseados nos principais objetivos de dados do negócio; Escopo do programa estratégico de dados; Benefícios de negócios; Eventuais  lacunas identificadas no estado atual de tratamento de dados, via pesquisa ou análise de maturidade; Responsabilidades e papéis de alto nível; Lista de envolvidos; escopo da Governança de dados; abordagem usada para o desenvolvimento do programa de dados; medidas/indicadores para  acompanhamento do programa; e um roadmap de alto nível, com os principais passos a serem seguidos.

Políticas: Considerações e exemplos:

Políticas são regras mais objetivas, diretas e regulatórias, aplicáveis para ajustar comportamentos, reduzir riscos, definir responsabilidades, etc. Devem servir de elementos de criação de elos e parcerias entre as partes da empresa envolvidas na GD. É importante que as políticas sejam criadas estritamente para alcançar controles objetivos, aplicáveis, usáveis e divulgados, evitando excessos e elementos burocráticos que geram impedimentos e desmotivação. As políticas deverão ser criadas, baseadas em processos simples e normalmente se originam de Legislações vigentes e de Políticas organizacionais. Devem ser focadas em objetivos e políticas de negócios, objetivos de dados, objetivos de Governança e Gerência de dados e aspectos culturais e estruturais. Alguns exemplos:

•       Objetivos de negócios:  definir políticas para reduzir riscos, envolvendo as áreas de segurança, compliance, dados sensíveis, relacionamentos com clientes e parceiros,etc; 

•       Objetivos de dados: Políticas para prevenir o uso inadequado de dados, como replicações descontroladas, para garantir a captura, armazenamento, proteção, segurança e privacidade de dados, políticas para promover o entendimento do significado e contexto dos dados e para garantir a qualidade e disponibilidade de dados;

•       Objetivos de Governança de dados e Gerência de dados: Políticas para Governança de dados, como corpo Legislativo e Judiciário dos dados da organização;

•       Políticas para os diferentes elementos que formam os processos de dados(corpos de conhecimento) como Arquitetura de dados, Desenvolvimento de dados, Bancos de dados, Big Data, IoT, Qualidade de dados, DW/BI, Segurança, Metadados, etc. 

•       Exemplos:

•       Qualidade de dados:

–      Toda a informação e os dados da empresa serão seletiva e gradativamente  gerenciados e medidos na sua qualidade. A qualidade será consistentemente aferida para garantir que o dado será usado no seu propósito definido.

–      Haverá gestores de dados responsáveis  pela integridade  e qualidade dos dados e seus conteúdos ao longo das suas unidades organizacionais;  

•       Colaboração no uso dos dados:

–      Dados organizacionais serão compartilhados como um recurso ao longo da empresa. Os dados deverão ter “ownership/accountability” definido, ou seja uma área de negócios que será a responsável final pela sua definição, metadados e regras de negócios.

•       Gerência de Risco:

–      A Governança de Dados acompanhará a análise de riscos dos dados que exigem “compliance” garantindo sua aderência com todas as leis federais, estaduais, municipais, estatutárias, políticas e regulações. Um acompanhamento apropriado e rigoroso será realizado para verificar essa compatibilidade(aderência).

•       Segurança:

–      Todas as senhas (passwords) deverão ser trocadas a cada 3 meses, com alteração completa de seu conteúdo e a proibição do uso das 4 últimas ocorrências;

–      Todas as senhas (passwords) deverão conter até 10 caracteres, com obrigatoriedade de no mínimo 2 dígitos.

•       Privacidade:

–      Os dados da empresa que estiverem sob o efeito regulatório do GDPR-General Data Protection Regulation, da União Europeia, deverão estar no controle estrito da Governança de dados e de seus gestores responsáveis e merecerão um tratamento especializado, via CSO-Chief Security Officer, caso pertinente.

•       Arquitetura de Dados:

–      Dados organizacionais serão compartilhados como um recurso ao longo da empresa. Dado organizacional não é um recurso que pode ser possuído com exclusividade por áreas específicas da empresa.

–      Todos os modelos de dados no nível lógico deverão estar compatíveis com os modelos conceituais organizacionais e deverão ser aprovados, segundo políticas definidas para tal.

•       Dados Mestres e Referenciais:

–      Os dados considerados Mestres e de Referências somente poderão ser modificados  pelos Owner/Gestores ou por exceção, por decisão da GD, via o Comitê de Gestores de Dados envolvidos nas áreas dos assunto pertinentes. 

•       Compliance:

–      As Políticas para Normas regulatórias deverá contemplar e refletir sobre : O quanto a norma é relevante e importante para a organização; como é a sua interpretação;quais políticas e procedimentos estão envolvidos na norma;se já existe padrões existentes que podem ajudar; se a organização já apresenta “compliance atual com a norma; Como se dá esta conformidade; como deverá ser a conformidade no futuro; como se demonstra e comprova a conformidade; como se monitorar os aspectos de conformidade;com que frequência a norma será revista; como identificar e reportar as não-conformidades; como gerenciar e corrigir as não-conformidades.

•       Alinhamento com aspectos culturais e estruturais:

–      Deverão ser revistos periodicamente os aspectos relacionados ao valor dos dados, do ponto de vista do negócio ou do ponto de vista de mercado e de possível monetização.

–      Dependendo do porte e da geografia da empresa, aspectos relacionados a centralização ou descentralização das funções de GD, com a definição de contexto para a aplicação de suas definições, deverão ser analisadas e /ou revistas.

•       Os dados básicos de uma Política são: identificação, definição(statement), objetivo e racional, escopo, aplicabilidade e exceções, monitoração, violações e escalonamento, papéis e responsabilidades, promulgação, validade e revisão, documentos anexos, procedimentos, caso haja e contatos. 

Padrões: Considerações e exemplos

Padrões são normas e especificações  definidas para regular a forma de nomes e estruturas de elementos em geral, documentos, desenhos, esquemas, dados, metadados, etc. Poderão ser usados padrões de modelos, de nomenclatura de processos e padrões de dados (nome, endereço, telefone,etc). Também poderão ser considerados padrões específicos da indústria (dependendo do negócio), padrões de metadados(ISO 11179, ISO 15836), etc. Os padrões deverão ser definidos em conjunto e aprovados por todos os envolvidos na GD e Gerência de dados.  Os principais tipos de padrões são: padrões de nomes, de metadados, para aspectos regulatórios, para especificação de requisitos de dados, padrões de modelagem de dados, projetos de bancos de dados relacional e NoSQL,padrões para dados em IoT,padrões para replicação e integração de dados, padrões de arquiteturas, padrões de procedimentos de cada área de conhecimento de dados.

Exemplo prático:

Neste item podemos, após o entendimento dos “princípios” de dados da organização,  desenvolver algumas Políticas e Padrões que regularão aspectos relacionados aos dados envolvidos nos problemas apresentados e discutidos no Canvas MGD. Por exemplo, Políticas de Profiling periódicos de dados, poderão ser definidas sobre os dados mais críticos, visando a prevenção e mitigação de erros recorrentes que podem comprometer os aspectos de compliance e/ou reputação no atendimento de consultas. Políticas de “Compliance”, aderentes às normas da ANS deverão ser definidas, visando o acompanhamento das regulações e atendimento às notificações e glosas recebidas,etc. Políticas de Privacidade e Segurança sobre dados de atendimentos, doenças e tratamentos deverão ser analisadas e consideradas, com foco nas regulações existentes e vindouras como GDPR(General Data Protection Resolution) e de proteção aos dados de identificação pessoal(PII-Personal Identifiable Information ).Claro, que outras politicas poderão ser desenvolvidas, aplicadas em outros assuntos pertinentes aos aspectos de dados, comentados dentro desse contexto de problemas apresentado.

Governança e Gestão de dados na prática-Parte IV

No texto anterior, analisamos as partes relativas a Why e What do Canvas-MGD. Neste, detalharemos o  Where e  o Who além dos H´s , fechando o entendimento do Canvas MGD-Melhoria de Gestão de Dados.

e)O “Where”  nos aponta para o contexto daqueles problemas e das soluções previstas. Em outras palavras diz respeito às áreas ou assuntos que estarão envolvidos na solução daqueles problemas de dados, discutidos via Canvas-MGD. Os dados envolvidos já foram identificados de acordo com suas classificações: Mestres, Referenciais ou Transacionais e colocados no slot específico. Sugestões de áreas apareceram. Agora, aprofunda-se nos  potenciais “owners” dos dados , ou seja as áreas mais afetadas ou para cujo “business” aqueles dados são os mais críticos. Ou quem sabe, as áreas onde os dados são definidos e criados. Também os potenciais gestores e/ou responsáveis, normalmente surgido nas figuras dos  especialistas de negócios que trabalham com aqueles dados, começam a ser identificados. Também aqui nasce a visão de DLCM-Ciclo de vida dos dados, dando a ideia sobre o fluxo que os dados seguem ou seja por onde eles circulam e a quais processamentos são submetidos. Isso facilita a identificação da linhagem dos dados, ou a sua trilha de “vida”, desde a  origem e criação até o armazenamento final, elencando pontos de potenciais inserções de problemas. Esses pontos serão elementos fundamentais de análise e detalhamento  quando do aparecimento de problemas de dados.  O elemento “Where” tem tangência com o “Who”, porém fica mais centrado em áreas ou unidades de negócios, enquanto o “Who” fica mais para papeis e pessoas.

Exemplo prático:

Nesse ponto, na nossa  hipotética operadora, já estamos com a visão dos problemas desenvolvida em certo estágio e conhecemos os principais dados merecedores da atenção. Nesse espaço, busca-se a formalização das  áreas principais (unidades de negócios) que se envolvem com aqueles dados , no contexto do problema. Lembre-se que os dados são capilares e perpassam várias unidades organizacionais da empresa. Algumas gerências já foram mencionadas e a seguir busca-se o cruzamento de seus processos com os dados envolvidos.

Uma matriz de Processos x Dados pode ser útil neste momento, mostrando o fluxo dos dados por entre os processos da área. Isso dará uma visão sobre o ciclo de vida dos dados(onde são definidos, nascem, são modificados, são consumidos e são aposentados). 

Uma matriz RACI é um outro elemento importante que ajuda nesta abordagem, mostrando os R- responsáveis pelo processo, os A- apontando os que tem “accountability ou responsabilidade final”,  os C  que são consultados,  normalmente associado com os especialistas no assunto e os que são “informados” I, ou sejam os que  participam somente recebendo informações.

O “Where”  facilita a identificação da organização/área que será (ou já é) forte candidata ao papel de  “Owner ” dos dados. A palavra “owner”, evitada por muitos especialistas, pode sugerir um retorno ao “proprietarismo” indesejável. Na realidade ele sugere o sentido de “accountability”, ou responsabilidade final e formal sobre aqueles elementos de dados. Por esse motivo, a palavra “Governor”  pode ser usada.  Caso haja duas ou mais áreas, deve-se atribuir  à área mais envolvida/sensível , o papel de “Owner/Governor” ou “Accountable for”  dos dados.

No exemplo hipotético em desenvolvimento, vemos que há certa  afinidade de áreas com os dados Mestres e Transacionais. Por exemplo a GOP-Gerência de operações, com os dados transacionais de consultas e atendimentos, a GCO-Gerência de Convênio com os Convênios e seus prestadores(Dados mestres de Prestadores de serviços), a GPM-Gerência de Procedimentos médicos e protocolos clínicos, com controle sobre dados de referência de códigos de atendimento, de doenças e protocolos,etc . Assim vamos explorando o universo das inter-relações dos dados com o negócio da organização e convertendo os dados em elementos fundamentais e conhecidos do negócio da organização. Isso é ponto fundamental.

f)Who: Trabalhando o “Where”, certamente encontramos o “Who”,  ou quais serão as pessoas (“Who”) envolvidas nas estruturas (“Where”), que conhecem os dados, fazem a sua gestão(mesmo que informal). Aqui já começamos a pensar nos potenciais papéis que comporão uma estrutura de GD. Começamos pelo Conselho de GD, com representantes do alto “board” para as decisões mais organizacionais, um Comitê de Gestores para no nível tático, conduzindo essas ações de dados nas diversas áreas envolvidas, e os Gestores de dados em si, de diferentes tipos(de negócios, de projetos, de operação, por assunto, etc). Assim, você já vai montando as visões de quem participará no domínio da solução dos (problemas) de dados, identificando os potenciais SME(Subject matter experts), como denominados nas práticas de GD das empresas americanas. Uma abordagem sugerida por Bob Seiner (KIK Consulting), via sua GD não invasiva, é justamente observar e aproveitar os recursos já existentes, provendo a complementação para a sua formação no tratamento dos dados. Há uma máxima que diz que os gestores de dados já existem na sua organização. Você é que ainda não os identificou e formalizou!!

Exemplo prático:

Nesse ponto já estamos com a visão das áreas que tem envolvimento forte com os dados no contexto dos problemas e já criamos possíveis participações na solução que se deseja.

Os chamados SME já podem ser identificados nas gerências discutidas anteriormente. Esses poderão ser(se já não são, mesmo que informalmente) os potenciais gestores de dados, responsáveis pelo recurso naquele contexto gerencial.  

Mecanismos de formalização dessas posições deverão ser pensados e um conjunto de treinamento em conceitos de GD serão obviamente planejados  e desenvolvidos.

Na formalização das posições de GD poderá haver “conflito’, quando os dados são fundamentais e tratados(até com atributos diferentes) por UO(unidades organizacionais) diferentes. Nesse momento, as decisões sobre uma gestão de dados compartilhada, alinhavada por um Grupo/Comitê de Gestores , no plano tático pode ser pensada, e/ou pela definição de um Gestor de dados por Assunto, que englobaria a autoridade sobre aquele dado, válida para todas as UO que o utilizam.

g)When: Identificadas as principais ações, mesmo que em visão inicial, traçaremos o conjunto das realizações na linha do tempo, estabelecendo prioridade em função da criticidade dos dados e dos problemas circundantes. Surge assim, um cronograma das primeiras atividades de GD para a resolução dos problemas elencados.

Exemplo prático:

Nesse ponto já estamos com a visão definida sobre prioridades de ação , que se transformarão em itens e prioridades de um plano de ação de Dados. Por exemplo, em função das multas resultantes das atuações e dos aspectos de reputação, a prioridade será sobre “compliance” dos dados inconsistentes enviados à ANS e a resolução dos problemas de marcação de consultas, onde os dados apoiarão nas soluções. Os  aspectos sobre possíveis ações de monetização dos dados, serão analisados em segunda prioridade. 

h)”How much”: Nesse ponto, já poderemos ter uma ideia sobre os custos aproximados envolvidos nas ações de implementação, ou pelo menos subsídios para procurar por mais detalhes de investimentos necessários.

Exemplo prático:

Aqui podemos desenvolver, numa visão inicial, aspectos de custos e prazos, em função das definições dos requisitos a serem desenvolvidos. Isso, claro, será detalhado em planos subsequentes. O custo parcial dos “gestores de dados”, que dedicarão parte do  seu tempo às funções de GD, poderão ser inicialmente discutidas.

i)Finalmente chegamos no “How”: Esse ponto será detalhado e aprofundado nos diferentes conceitos de Governança e Gestão de dados (Os P´s da GD), analisados no outro Canvas. Nele poderemos mergulhar  em cada item fundamental da estratégia de GD, chegando a uma visão próxima de sua proposta para implementação.

Exemplo prático:

Aqui passamos a detalhar aspectos relacionados aos P´s da GD, alguns dos quais já identificados, a serem detalhados no outro Canvas, em função de todos os elementos coletados e “consensados”  nesta primeira etapa.

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!!

Governança e Gestão de dados na prática-Parte II

No texto anterior, falamos sobre os principais problemas de dados que ocorrem numa organização e , de maneira geral, algumas abordagens para tratá-los. A partir de agora, continuaremos com a Parte II até a Parte VII, detalhando a aplicação prática de Gestão e Governança de Dados nas empresas, e exemplificando com um caso real.

Na parte II falaremos da introdução aos métodos de aprendizados baseados em 5W2H

Nas partes III e IV falaremos sobre o Canvas MGD, tratando de todos os seus detalhes, com exemplo prático

Nas partes  de V a VII falaremos do Canvas do P´s da GD.

Conceito de GD:

Há dezenas de definições sobre Governança de Dados. Para todos os gostos e visões. De forma bem simplificada, a Governança de dados é um conjunto de práticas, dispostas num framework, com o objetivo de organizar o uso e o controle adequado dos dados, como um ativo organizacional. Seria, por assim dizer, uma forma de botar ordem na casa com relação aos aspectos de dados, visando disponibilidade, integridade, consistência, usabilidade, segurança, controle etc. A figura 01 mostra, essa definição, fundamental para iniciarmos as discussões sobre sua aplicação prática, destacando os P´s(conceitos) que embasam a Governança de dados.

                                                 Figura-01-Governança e Gestão de Dados

Implantação de GD:

A implantação de Governança de Dados numa empresa exige alguns aspectos de cuidados, por um motivo muito simples. Essa abordagem implica numa mudança cultural muito acentuada, na medida em que os dados nunca foram considerados ativos organizacionais, como foram o conjunto de imóveis de uma organização, a frota de seus veículos, as pessoas que lá trabalham, ou o maquinário existente. Esses tipos de recursos, classicamente considerados como ativos, sempre mereceram um olhar ou uma gestão particular, com estruturas, processos e gestores dedicados a eles. Com relação aos dados, somente agora, houve esse despertar. Com o crescimento da sociedade digital, o aparecimento dos conceitos de Big Data, o surgimento da Internet das coisas (IOT) e a portabilidade crescente, começou-se a repensar o problema. Com os dados circulando em yotta-volumes por smartphones, tablets, notes e agora por devices diversos, como utensílios domésticos (appliances)  e sensores, parece que, definitivamente, os dados passaram a merecer um olhar diferenciado. A tendência  é a que passem para um status de ativo organizacional, merecendo mais atenção, deixando o patamar de coadjuvantes de processos, onde sempre estiveram gerencialmente controlados, para ganharem uma visão de gestão própria. Isso, como se percebe, implica desafios grandes, na medida em que muda o sentido de propriedade e de uso desses elementos, outrora definido sem critérios organizacionais e sem políticas maiores. Em grande parte das empresas, adotava-se(ou adota-se) o “proprietarismo” e certa miopia gerencial com relação a esse fenômeno, o que sugere que o tema deverá ser bem intensamente discutido no âmbito organizacional, a partir de agora.

Por outro lado, na minha visão, agora também cresce a aplicação de abordagens de aprendizado e discussões interativas, com reuniões e recursos lúdicos, que permitem sessões ricas e não cansativas sobre tratamento de problemas organizacionais. Os métodos 5W2H usando Canvas e equivalentes do pensamento visual, trazidos inicialmente para discussão de modelos de negócios, gerência de projetos, proposição de valores, etc também podem ser usados para a discussão sobre dados, sua importância, seus valores e a possibilidade de sua gestão e governança com um foco mais organizacional. Reuniões dessa natureza, ricas em interações entre participantes e inserções lúdicas e visuais são ótimas para a discussão de problemas culturais solidificados, como os dados e os efeitos de seu “proprietarismo”. Esses métodos se juntam a outros, mais tradicionais, onde levantamentos são feitos, em entrevistas individuais ou grupo, para o entendimento particular de problemas e a proposição de soluções focadas. Isso tudo pode ser adotado como alternativas para se começar uma abordagem de Governança de dados sustentável numa empresa, evitando as falhas  que normalmente nascem nas definições de  propostas  “de cima para baixo”, em que não participaram os que estão diretamente afetados pelos problemas em discussão.

Uso do MGD Canvas e dos “P´s”  da Governança e Gestão de Dados

A prática de aplicação de abordagens visuais e colaborativas, centradas em discussão de vários grupos, em torno de modelos do tipo Canvas, é uma das propostas que adotamos. Elas se utilizam dos conceitos basais e centenários  de 5W2H, com os quais pode-se abordar qualquer tipo de problema, independentemente de sua área. O conceito de 5W2H foi aplicado nos anos 70/80 por John Zachman, quando criou os seus famosos frameworks, focados em arquitetura empresarial e arquitetura de sistemas de informação. Atrelado a isso, Zachman desenvolveu no seu framework a aplicação de técnicas de tradução de ideias abstratas em elementos materializados, criando matrizes de duas dimensões, que facilitam o seu pleno entendimento e a discussão em grupo. Essas técnicas foram recentemente aplicadas, com os devidos ajustes, em abordagens para discussão de problemas de negócios, de forma ampla. Surgiu com Business Model Generation, de Alexander Osterwalder e Yves Pigneur, seguido por Project Model Canvas, desenvolvido por José Finocchio Júnior e com outros, como Learning 3.0, de Alexandre Magno Figueiredo. Hoje há diversas proposições de Canvas para diferentes assuntos. O site canvanizer.com, por exemplo, permite o desenvolvimento de seus próprios Canvas para aplicações gerais, projetos de serviços, negócios e gerência de projeto. Aliado a isso, vivemos a época da comunicação e do pensamento visual, onde desenhos, croquis, gráficos e cartoons  são fortes aliados no processo de ilustração, transmissão e retenção de conceitos e ideias. No contexto de dados, ainda sem algo proposto nessa linha, desenvolvemos  três Canvas para uma abordagem visual e interativa, com o objetivo de discutir as aplicações de  conceitos de Governança e Gestão nas empresas:

1-O MGD-Canvas para Melhoria de Gestão de dados é uma abordagem baseada nos conceitos de 5W2H com o objetivo de facilitar discussões de problemas e aprendizados sobre os dados. Tem o propósito de fazer a primeira abordagem para se tratar aspectos de dados na empresa, levantando problemas de negócios gerados pelos eventuais “descontroles” que gravitam em torno desse tipo de recurso na organização. Muitos desses problemas de dados foram discutidos na Parte I, deste trabalho.

2-Canvas-P´s da Governança e Gestão de dados: É uma ferramenta complementar, usada juntamente com o primeiro, e tem o objetivo de registrar os conceitos “core” de Governança e Gestão de dados, coincidentemente manifestados em palavras começadas com a letra “P”. O primeiro, o  Canvas-MGD, vai conduzir a discussão do problema de negócios aos elementos estruturantes de dados, que serão  contextualizados nas práticas de Governança  e Gestão de Dados, detalhados neste segundo diagrama, com as especificações dos P´s. 

3-O UAAI-Learning, é um canvas voltado também para a discussão de temas gerais, baseado nos conceitos de 5W2H e inspirado no  modelo Learning 3.0, de Alexandre Magno Vasconcelos, da Happy Melly-BR. O modelo  foi modificado, com a inclusão de elementos de linguagem visual e do linguajar “mineirês”  e objetiva ser uma ferramenta que pode ser aplicada para a discussão mais particular de problemas, inclusive de dados, antecedendo ou sucedendo os anteriores. Por exemplo: “Por que adotar um CDO na nossa empresa?” , ou   “Problemas de “compliance” de dados na área do nosso agente regulador- Como mitigar”?  

É importante enfatizar que nenhuma ferramenta tem poder mágico de realizar transformações. Essas proposições, simples nas suas essências, estão aí para facilitar a aplicação dos conceitos de Governança e Gestão de dados. Mas não serão elas, por si só, as produtoras dessas soluções. O peopleware continua, como sempre mais importante.

A figura 02, mostra esses três elementos de Canvas que temos aplicados ao longo das consultorias e treinamentos em GD, com muito sucesso.

                                                Figura-02-Canvas-Governança e Gestão de Dados

                                               

A figura 03, mostra um exemplo de ilustração desenvolvido no exercício sobre os problemas de dados de um grande Museu de BH, ilustrando os 5W2H, num “cartoom” do autor. Observe que destacamos os principais tipos de dados observados no ambiente de um importante Museu de BH (What), com suas classificações(Mestres, Referenciais e Transacionais).Os outros W e H também aparecem, como Where, How,When( a estampa de tempo da visita, registrada pelo crachá com RFID, além de possíveis Why, How much e How many.

                                               Figura-03-Os 5W2 H-Museu de BH

Nos exemplos práticos, mostrados a seguir,  centraremos nos dois primeiros Canvas(MGD e P´s), com alguns conceitos herdados do UAAI-Learning.