sábado, 27 de agosto de 2016
sexta-feira, 26 de agosto de 2016
Governança, Gestão, MDM e correlatos-Uma Visão do EDW-2016-San Diego-Parte I
Como se encontram os conceitos de Governança, Gestão de
Dados, MDM e correlatos, no momento nos EUA-Visão 2016-Parte I
Evento: EDW-2016-San Diego-California, entre 17 e 22 de
Abril
Embora o Blog do Barbi não pôde ter comparecido
pessoalmente, tive acesso a todas os vídeos de todas as palestras. A análise
cuidadosa de todas as palestras, permite essa visão simplificada do estado da
GD, Bancos NOSQL, Gestão de dados e temas correlatos nos EUA, e de certa forma,
reflete a situação no mundo. Fica até mais confortável, pela possibilidade de
se ouvir várias vezes, o que o listening do meu inglês “Joel Santana” dificulta de
primeira....Enjoy..
A)Palestras sobre NOSQL:
O tema foi bastante discutido em várias 13 palestras, que
variaram de visões mais gerais sobre o conceito e outros mais específicos sobre
certos produtos, passando per aplicações dessa tecnologia em projetos muito
interessantes. Vamos comentar algumas:
1)Health
Care Analytics with na Enterprise Data Lake-Parsa Mirhaji-CTO do Montefiore
Health System e Jans Aasman, CTO da
FranzInc, criadora do Allegrograph
A apresentação mostrou uma interessante aplicação na qual
um importante Centro Clínico americano está
montando um grande Data Lake semântico. Data Lake é um conceito emergente para
designar um grande depósito de informações, de natureza variada, com dados de pacientes,
de famílias de pacientes, dados de imagens, prescrições, medicamentos, especificidades sobre doenças e tratamentos, “devices”
, planos de seguros dos pacientes, etc. Algumas informações complementares
também entram como os dados sócio geográficos de pacientes(onde moram, como
moram, etc) e informações genéticas sobre eles. É na realidade o que
chamávamos, nos anos 80 e 90, de ODS-Operational Data Store, agora amplificado
por Big Data e dados não estruturados, formando uma espécie de repositório
gigantesco, um “sopão” de informações
gerais, de onde podem ser extraídos conjuntos de dados para tratamentos
informacionais específicos, via outras plataformas. A ideia central é ter um
conjunto plural de dados, capaz de, rapidamente, produzir informações precisas
e conectadas, por meio de uma camada NOSQL
que aplique estruturas de grafos e relacionamentos semânticos.
Maturidade em tratamento de dados de saúde
A apresentação mostrou um interessante modelo de
maturidade em “Analytics” para á área de saúde, com 9 níveis(de zero a 8),
evidenciando os tipos de degraus que a empresa pode trilhar em direção a um
patamar mais maduro no tratamento de informações médicas. Vai, por exemplo do
nível zero, onde as soluções de informações se baseiam em fontes de dados(data
points) fragmentados, subindo para um EDW-Data Warehouse Empresarial (nível 1),
alcançando registros padronizados e glossário de termos(nível 2). Continua com
a automatização de relatórios internos(nível 3) e de relatórios externos(nível 4). Sobe um degrau
para contemplar a gerência sobre redução do resíduo hospitalar(nível 5), chegando
na camada de Gerência de saúde da
população, com “analytics” sugestivo e inferencial de potenciais
problemas(nível 6). Cresce para o próximo nível analisando riscos clínicos de
intervenções com análise preditiva(nível 7), até alcançar a camada de medicina
personalizada e prescritiva(nível 8). Baseados em sistemas de aprendizado centrados
em evidências clínicas, os níveis 0 e 1, estão fundamentados em relatórios,
dashboards, Data Marts, etc. Os níveis de 2 a 5 se concentram na melhoria dos
EMR(Eletronic Medical records) , com acesso ubíquo a qualquer informação,
aspectos regulatórios, informações de colaboração e parceiros. Os níveis(6 e 7)
focam em ACO-Accountable Care Organization, no fundo uma organização de
provedores de serviços de saúde com um modelo de entrega(de serviços) e de
pagamentos (de fornecedores) que procura definir com rigor os reembolsos
centrados em métricas de qualidade e de redução no custo total para um tipo
definido de população de pacientes. Isso evidencia a forte associação que os provedores de serviços de saúde tem com os
dados e sua gerência, compondo o conceito forte de HIS-Health Information
Systems. Esse modelo claramente , na medida em que evolui nos degraus descritos,
demandará um volume maior de dados, além de, muito importante, os metadados mais
presentes e elaborados. Não esqueçamos que essa dupla(dados e metadados) são os
pilares para se alcançar uma sólida Gerência de Conhecimento, que no fundo a
indústria da saúde americana procura sistematizar, evidenciada neste trabalho
apresentado.
Data Lake Semântico e suas camadas
A base conceitual da arquitetura é o Data Lake Semântico,
plataforma composta por uma camada em “analytics”
de Big data e computação Cognitiva(uma
forma de processamento de dados que tenta simular a capacidade de pensamento do
ser humano). A camada básica de software
é formada pelo Hadoop(HDFS), com Spark , uma proposta que vem de encontro ao
MapReduce, com uma intenção de maior performance, focando em processamento em memória e com o mesmo
objetivo básico de processar uma imensidão de dados distribuídos em diversos
clusters de processadores. Processa comandos SQL e dados “in-stream” , com
fluxos constantes. Além disso, o sistema aplica os conceitos de Redes
Semânticas, procurando uma estruturação de dados, baseada em
triplas(sujeito-predicado-objeto), como (Barbieri=sujeito), (operou=predicado),
(a tiroide=objeto). Essa estruturação, no estilo de grafos, se ajusta
perfeitamente na montagem de pedaços de conhecimentos, ligando via nós e arcos,
os átomos de informação e seus relacionamentos. Para tal, os conceitos de metadados e ontologia são usados
e complementam a formação em direção a uma melhor produção de conhecimento. A
Ontologia é aquela parte que formaliza as classificações de “coisas”, no caso
aqui classificações de medicamentos, de doenças, de tipos de atendimento, de
tipos de pacientes, etc, que acabam compondo a camada final de metadados, fundamental
para a codificação e a cristalização do
conhecimento. Parte de repositórios ontológicos já existentes são usados como
o NCI-Thesaurus(National Cancer
Institute), GO-Gene Ontology, para descrições de termos e
conceitos de genéticas, etc. Aproximadamente 183 bases de conhecimento,
ontologias e termos são usados no sistema, formando o Knowledgebase do sistema.
O NOSQL usado neste projeto é o AllegroGraph e
Hive(solução de DW que roda sobre o Hadoop e foi desenvolvido inicialmente pelo
FB e hoje atende ao Netflix). O Datalake, em si, é armazenado no Hive (DW) e os
dados são tratados, na forma de redes semânticas, via o Allegrograph , um BD
NoSQL do tipo grafo. Usam o SPARQL, uma linguagem espécie de SQL like para buscar
informações de nós e arcos. O Allegrographo forma com o Neo4J, a dupla de
destaque dos produtos NOSQL da categoria BD de Grafos.
Objetivo final:
No fundo, o que o sistema busca, de forma reduzida e
simplificada, é melhorar as ações de diagnósticos, cruzando instantaneamente
sintomas de um certo paciente e
procurando similaridades com outros pacientes que já manifestaram o mesmo problema,
onde um conjunto gigantesco de informações já coletadas, poderá produzir e melhorar
as inferências sobre aquele caso em análise. Foi citado o caso grave de um
garoto internado com alergia a amendoim e que por correlações não diretas descobriu-se
que tinha asma, detectado por uma rede de conhecimento entre alergia a
amendoim, dermatite e asma. O sistema
também poderia responder query do tipo: Quantos pacientes com um diagnóstico
relacionado com dores abdominais (X) , no espaço de 30 dias, retornaram com um
diagnóstico relacionado a pedras na vesícula (Y), depois de 10 dias ? O desenvolvimento da Ciência de dados , numa
ambiente deste tipo, poderá trazer respostas para previsões em torno de
possíveis doenças(a acontecer); a probabilidade de readmissão(reincidência da
doença dentro de x dias), a efetividade dos procedimentos e dos medicamentos
usados; o que poderia ser melhor para um certo paciente, dado o conjunto
particular de doenças e seus aspectos genéticos, a efetividade e a eficiência
dos provedores envolvidos(médicos, enfermeiras, departamentos, etc), etc Os algoritmos de similaridade entre pacientes
são possíveis pelos links definidos no sistema entre ontologias diversas. O
conceito de “data provenance” e “data lineage” são considerados fundamentais
nesse contexto, rastreando-se a origem dos dados (provenance), considerando
todos os passos intermediários por onde o dado transitou (lineage), podendo
analisar a sua qualidade e possíveis erros. Tudo isso é fator fundamental
quando se fala de dados sobre saúde e vida.
Resumo da ópera:
A palestra foi focada especificamente em Health
Information System, onde dados são importantes pelo papel que representam na
saúde e na vida da população. Foi feita, na sua primeira parte pelo Chief
Technical Officer (CTO) da organização médica que desenvolve o sistema, num
centro de excelência em Nova York, A palestra deixou algumas dúvidas, justo pela
alta especialização do tema Na segunda parte falou o CTO da empresa que oferece
o produto(Allegrograph), numa simbiose comum nesses eventos. O entusiasmo de
quem usa e o produtor daquilo que é usado como “tool”, sempre produzem
palestras com visão muito otimista, onde problemas e restrições naturais de
qualquer solução não são trazidas para os PPT´s. Assim, todo filtro é cuidadoso
e sugerido..
quarta-feira, 6 de julho de 2016
GD nas MPME-Governança e Gestão de dados nas micro, pequenas e médias empresas-Parte IV-Final
Fechamos neste post, os conceitos de
Gestão e Governança de dados, com foco em PME. Nas publicações anteriores já
discutimos os pontos principais, seguindo uma espécie de roteiro direcionado
pelos corpos de conhecimentos da DAMA-DMBOK® e ideias de DMM. Hoje concluiremos
com :
6)Integração
e Interoperabilidade em PME
•
Pensar nas camadas da arquitetura e suas formas de
interoperação(formas de integração, mensagens, etc). Documente a arquitetura
usada no seu ambiente e no produto em desenvolvimento, sempre de forma prática
e fácil. Vale pensar em post-its,
desenhos artísticos/lúdicos, etc, desde que devidamente preservados e
identificados.
7)Dados
Mestres e Referências em PME
•
Pensar
na mesma linha já discutida nas partes #2 e #3-Arquitetura e Modelos, atentando
para o registro de dados considerados Mestres e Referenciais, em primeira fase.
Focar nos dados mestres existentes na sua ambiência, priorizando os de maior
criticidade e impacto, como por exemplo, Clientes e Produtos. Focar também nos
principais dados de referência: CEP, Códigos, CID, etc. Pratique essa visão de
dados sempre com a disponibilidade do seu oxigênio.
8)DW
e BI em PME
•
Considerar
que esse Corpo de conhecimento poderá ser demandado numa fase mais adiante, a
menos que a empresa startup esteja desenvolvendo o seu core em DW/BI;
•
Pensar
em estruturas mais simples, como Data Marts, ou cubos dinâmicos para serem
usados em registros e tratamento de métricas, como em ambientes de lean
startups, por exemplos;
•
Pensar
em informações gerenciais, com visualização “friendly” de dados, usando
ferramentas “frees” existentes, como por exemplo Pentaho, ou via assinatura de
produtos na nuvem(QlikView, Tableau, PowerBI);
9)Documentos
e Conteúdo em PME
•
Considerar
a gestão de dados documentais, criando estruturas de Pastas para armazenamento
de emails, contratos, regras de compliance relativos ao produto, ou relativo às
regras da Aceleradora ou Incubadora, etc. Considerar uma forma de classificação
de diretórios e pastas que mapeie a realidade da sua empresa ou setor;
10)Metadados
em PME
•
Já
discutido no tópico de Arquitetura. Considerar um repositório simplificado com
glossário de negócios, com termos principais e suas definições. Buscar algo
simples, com eficiência de busca, como ferramentas livres, planilhas Excel,
etc. Se tiver capacidade, a PME poderá focar em outros níveis de
metadados(lógico, físico, operacional), mas nesse momento valem os metadados de
negócios;
11)Gestão
de Qualidade de Dados
•
As
empresas emergentes e PME devem refletir que aqui se fala de algo que
transcende o tamanho das empresas. A qualidade de dados é fator fundamental nas
tomadas de decisões, ambiente de “compliance”
e gerência de riscos, independentemente do porte da organização.
Empresas PME e nascentes, que vivem num ambiente de alta incerteza deverão,
ainda mais, estar atentas a esse item da GD. Para tal, auditoria de qualidade
via processos de “Profiling” e correções
via “Cleansing” são fundamentais. De
novo, é importante priorizar os dados mais críticos e sensíveis da empresa,
para realizar, de início, uma gestão de qualidade que seja factível. Não tente “boil
the ocean” e foque nos dados mais sensíveis;
•
Auditoria
por QA. As auditorias eventuais, realizadas por alguém com chapéu de QA(Quality
assurance) poderá instilar nas empresas(mesmo nas menores) o senso de tentar
fazer certo pela primeira vez(princípio do Lean), evitando desperdícios e
retrabalhos. As funções de QA(Garantia de qualidade), presentes nos modelos DMM
e MPS podem ser uma boa ideia para um início de vida organizacional com mais
apuro na realização dos processos importantes da empresa.
Resumo: Uma PME pode e deve se
preocupar com seus dados, mesmo com recursos limitados. Não é necessário ter uma
estrutura de Gestão e Governança de uma grande empresa para começar a dar os
primeiros passos em direção à uma organização que pode sustentar os seus
negócios, conhecendo um pouco mais os seus dados. Dentre os corpos de
conhecimentos discutidos, alguns são mais exequíveis do que outros numa PME e,
por isso, deverão ser priorizados. Pense naqueles que podem ajudá-lo na
gerência dos seus riscos mais ameaçadores. Veja , por exemplo, o link http://goo.gl/IJ6QaF , onde se evidencia a
fragilidade das PME(SMB´s) com relação à
invasões de dados. Considere os seus dados como elementos organizacionais e não
como elementos colaterais de códigos e de Create tables e veja onde a sua PME
poderá se valer desses conceitos de GD. No futuro, você se certificará que
valeu a pena.... A figura 01, a seguir ,
mostra na forma de Post-IT, um resumo prático de como as PME podem começar a
pensar nos seus dados, num conceito de MGD-Ágil, associado aos aspectos de
UAAI-Learning(Para detalhes, veja no Slideshare link http://goo.gl/ijSzcX).
Isso foi colocado na apresentação que fizemos para as PME´s na Fumsoft, acerca
de Gestão e Governança de dados, na primeira de uma série de interlocuções que
pretendemos desenvolver com esse segmento de organização.
Dados
como Business-Alternativas em PME
Um outro aspecto importante a se considerar na relação
startups e dados é justamente o fato dessas empresas emergentes poderem fazer
dos dados o seu “core business”. Nos EUA, com o governo Obama, foram colocados
à disposição, como Open Data, diversos arquivos sobre assuntos variados de
interesse da comunidade. Em 2013, por exemplo, 389.000 arquivos foram
disponibilizados para uso público. Ver detalhes no endereço http://www.kdnuggets.com/datasets/government-local-public.html
. Nesse endereço há inúmeros data sets disponibilizados, com dados de âmbito
nacional, estadual e municipal de todo os EUA.
É justamente nesta brecha que muitas startups estão começando a sua
vida, com sucesso. Aplicações como Crimespotting.org,
que mapeia os crimes da cidade de Oakland, na Califórnia, via um aplicativo que
se tornou referência na cidade. No Reino Unido, o site data.gov.uk, tem mais de 15.000 arquivos disponibilizados, nos mais
diferentes ramos do interesse público: saúde, transporte, meio-ambiente, etc.
Mais de 270 startups de lá já desenvolvem aplicativos usando esses dados. Uma
das áreas menos exploradas e com um apelo forte e sedutor para uma startup
seria, por exemplo, um produto que possibilite a gerência de dados de água(water
management). No Brasil há o site dados.gov.br,
onde podem ser encontrados dados públicos de qualquer natureza e agora o
retorno do Data Viva, lançado pela Fapemig em colaboração com a UFMG (dataviva.info) .
Data
VIVA e as PME
O DataViva é uma base de informações de natureza variada.
Contempla dados sociais, econômicos, escolares, vocação industrial, tipos de
produtos por setor econômico, dados da RAIS(informações de natureza
trabalhista), etc. Inicialmente focado no estado de MG, o programa gradativamente
está agregando outros estados da
federação. O programa prevê a incorporação gradativa de novas bases de
dados como o DataSus (dados do sistema
único de Saúde). Possui hoje cinco grandes bases de dados, com 11
aplicativos de visualização de dados e tem dados de todos os municípios
brasileiros.
Esse projeto se apresenta como uma grande fonte de
oportunidades para startups e PME que podem desenvolver “apps” inteligentes, baseados em mining e analytics,
a fim de se prospectar correlações escondidas e necessárias entre diversas
fontes de dados, com alto valor
potencial de mercado. A riqueza de informação escondida numa fonte desta natureza
está longe de ser conhecida e explorada no Brasil. Seria o momento de uma
esquadrilha de startups/PME partirem para a criação de produtos de inteligência
inferencial, incrementando as áreas de inovação em dados. Hoje, o sistema
oferece um conjunto de buscas que mostra os dados sobre fatos que já passaram.
O momento é a busca inferencial, tentando adivinhar o futuro, via esses
preciosos ativos...
Conclusões:
A Gestão e governança de dados em empresas PME ou nascentes
deverá ser buscada, se não com o intuito de uma implementação plena, mas com o
objetivo de aculturamento e preparação para o futuro. Há espaços para
movimentos construtivos em direção a um maior controle de dados, mesmo com
certas limitações de recursos e com um foco reduzido e simplificado. Patrocínio
atrelado à motivação, atribuições pessoais ao invés de estruturas formais,
controles realizados de forma coloquial em reuniões periódicas já existentes
(“data meetups”), poderão tirar as empresas menores de um limbo , onde os dados
continuam como elementos acessórios. Empresas que ousarem ter um controle
melhor de seus dados ganharão na sua gestão e desenvolverão práticas que as
conduzirão a um futuro melhor controlado. Quando este chegar, os fantasmas de
Big Data e IoT(Internet das coisas) já
não serão tão amedrontadores. Outro caminho de afinidade com os dados será o
seu uso como elemento core de seus negócios, através da infinidade de
arquivos abertos e franqueados por
instituições públicas. Nos EUA e Europa
se diz: Data is the new oil, data is the new soil(Dado é o novo petróleo, dado
é o novo solo). Pense nisso...
Referências:
Amazon Web Services. Disponível em
aws.amazon.com.Acesso em : 01 mai 2016.
DAMA-DMBOK®-Guide
to the Data Development Body of Knowledge-First edition.
DAMA-DMBOK2-Framework-Março de 2014.
Data
Management Maturity (DMM) Model-CMMI Institute-2014-version 1.0.
Governança
Corporativa para pequenas e médias empresas”, Coordenação de Bernardo Portugal
e organizado por Lúcia Zimmermann. Editora LTR.
What
is cloud computing? A beginners guide. Microsoft
Azure. Disponível em azure.microsoft.com.Acesso em: 15 mai 2016.
quarta-feira, 22 de junho de 2016
GD nas MPME-Governança e Gestão de dados nas micro, pequenas e médias empresas-Parte III.
Modificações de modelos e alterações de Arquitetura em PME-Daily
data meetup
•
Alguns
processos de controles sobre os dados, como modificações de modelos e
alterações de arquiteturas também ficariam no radar da GD. Isso tudo poderia,
por exemplo, ser discutido, em reuniões diárias/periódicas (data meetups),
juntamente com o daily scrum, ou em frequências menores. Como nas PME´s o daily scrum é quase uma reunião da empresa
toda, isso alcançaria os propósitos de
se elevar o tema “dados” para um patamar mais “organizacional”. Os conceitos
emergentes de DataOps tocam nesse ponto, visando justamente uma aproximação(no
estilo DevOps), dos dados com a operação da empresa. Com relação aos padrões, provavelmente
já há alguns definidos e as ações de GD focariam na sua documentação, divulgação,
juntamente com um olhar conjunto sobre sua real adoção, numa espécie de QA de
dados. Assim, neste contexto, perguntas sobre mudanças em processos de dados,
em políticas de dados, em arquiteturas (novos tipos de clientes, novos tipos de
serviços), em aspectos de segurança, compliance, etc seriam encaminhadas
e discutidas. Tudo isso, repito, de forma enxuta. Essa visão rápida poderá
trazer benefícios de se manter um controle sobre as ações, pendências e , mais
importante, trazendo para a bancada o foco sobre os ativos de dados;
Compliance com agentes reguladores ou com aceleradoras /incubadoras
•
Sobre
regulamentações demandadas no assunto “core business” da empresa PME/Startup(como
gestão na área de saúde, energia elétrica, exigências do Banco Central, ou de
qualquer entidade reguladora) torna-se fundamental a observação dos aspectos de
“compliance”, ou exigências formais requeridas. A empresa PME ou startup
também deve controlar os seus próprios aspectos de “compliance” ou regulação
juntamente com a Aceleradora/Incubadora ou organismos assemelhados, por quem
são controladas. Por exemplo, a área da Qualidade da Fumsoft, com 3 pessoas na
equipe, controla as regras de regulação que devem ser observadas com relação à Softex, Certics, CMMI Institute,
Prefeitura de BH e outras instituições
com as quais a Fumsoft tem (teve) obrigações de prestação de contas(que são
sempre feitas por envio de dados e informações), e claro, exigem desses
elementos um certo grau de qualidade;
•
Embora
não diretamente relacionado com busca por certificações nessas empresas, alguns
frameworks existentes podem apoiar como referências de boas práticas de governança/gestão de dados: DMM (CMMI Institute-ISACA), DAMA-DMBOK®,
ISO-8000, Governança Corporativa (COSO ERM); Governança de TI (ISACA-COBIT); Arquitetura
Corporativa (Zachman Framework, TOGAF); Ciclo de vida de desenvolvimento de
sistemas (Rational Unified Process, SWEBok); Melhoria do Processo de
Desenvolvimento de Sistemas (MPSBr e CMMI); Gestão de Projetos (PRINCE II, PMI
PMBOK); Gestão de Serviços de TI (ITIL, ISO 2000),etc.
2)Arquitetura
de dados em PME.
Aqui as empresas startups ou PME´s poderão pensar em
documentos simplificados que ajudem no entendimento de pontos como:
•
Mapeamento
das principais Áreas, Processos e Dados do produto ou da PME;
•
Classificação
simplificada dos dados em: Dados Mestres,
Transacionais, Referenciais, Funcionais e Informacionais como forma de melhor
entendê-los e explicá-los. Os dados informacionais, por exemplo, poderão
abrigar as métricas fundamentais para as empresas startups/PME acompanharem os
ciclos de seus produtos e as medidas de sua viabilidade. O DropBox, citado como
exemplo de empresa que aplicou o conceito de Lean startup para desenvolver os
ciclos de seu produto de armazenamento de dados, certamente manteve, durante
seu “lean” repositórios com indicadores vitais, que transmitiam o alcance do
produto minimamente viável. Certamente dados produziam indicadores sobre número
de assinantes gratuitos, número de assinantes pagos, número de assinantes por
convite de amigos, número de uploads efetuados, etc;
•
Manter
a documentação dos dados num nível elevado(sem exagero de detalhes) no início e depois ir
melhorando gradativamente, na medida em que houver necessidade/recursos para
fazê-lo. Porém lembre-se: detalhe somente no nível das necessidades e da
praticidade compatível com os seus objetivos. Busque um equilíbrio entre a
necessidade de documentar e gerir os dados da PME e o custo e tempo que isso
implica. Principalmente numa empresa com escassez de recursos humanos. Procure
encontrar um equilíbrio aqui;
•
Criação
de esquemas simplificados de dados em ferramentas free (Bizagi, por ex). Podem
se ater a um modelo conceitual mais simplificado, que sirva como base para os
modelos físicos relacionais ou NOSQL;
•
Pensar
na forma de implementar um Glossário de
negócios: Considere usar ferramentas existentes como Wikimidia, Excel; Google
Docs, Google sites, Trello, etc para registras as definições de termos de
negócios, de tal forma que os conceitos fiquem padronizados e entendidos por
todos, e além disso, de forma “searchable”. O DMM faz menção direta ao
Glossário de negócios e metadados, na sua categoria Governança de dados. O
Glossário de negócios endereça os principais termos (de negócios) da empresa e o processo de metadados foca nas
visões de documentação dos dados nos planos lógico, físico e operacional. Uma
PME deverá criar o seu Glossário de negócios como prioridade principal da ação
de metadados. Os outros níveis de documentação dos próprios dados deverão se
ater ao plano físico (em função do apoio das ferramentas) e , caso possível, no
âmbito operacional e lógico.
3)Modelagem
e Projetos de dados em PME
•
Analisar
a pertinência de ter uma visão mais detalhada dos dados, com foco nos
aplicativos em uso ou em desenvolvimento;
•
Separar
as tecnologias de dados adotadas em : Relacional-Bancos NOSQL-Hadoop/MapReduce,
ou processadores InStream (Spark,Splunk), para Big Data em tempo real. Você provavelmente
usará uma ou mais delas;
•
Considerar
a retenção de informação mínima sobre a tecnologia usada, principalmente no caso
de “NOSQL”, com racional de objetivos e motivações de escolha daquela opção.
Lembre-se que diferentemente do modelo relacional, que pode ser usado para uma
variada gama de aplicações, os bancos NOSQL são mais especializados, com uma variedade
de opções por tipos(Chave-valor, Multicolunar, Documentos, Grafos, etc).
Portanto, antes de comprar/buscar um, faça a pergunta fundamental -Why(Por quê)
eu preciso de um? Preciso de Escalabilidade?, Consistência? Disponibilidade?
Volume?. Qual é o eu problema?
•
A
representação gráfica, conceitual, lógica e física dos dados poderá ser feita
de forma otimizada, escolhendo-se o devido nível de abstração que se deseja
para cumprir a missão de transmitir informação para a equipe/empresa. Não
documente por documentar, mas sim pelo seu potencial uso prático;
•
A
documentação por ambiente, envolvendo objetos em Teste ou Produção é
fundamental para se ter o princípio mínimo de gerência de configuração. Veja se
isso cabe no seu oxigênio..
4)Armazenamento
e Operações de dados em PME
•
Os
padrões de operações de dados(backup, tipo, frequência, retenções/archiving),
privacidade(quem pode fazer o quê, onde) também são pontos que podem ser
discutidos no âmbito desta visão geral de gestão periódica, onde teríamos os
meetups de dados, com freqüências e assuntos distribuídos, de acordo com a
priorização dada. No caso de operações nas nuvens, o controle seria com o foco
nos níveis de SLA, conforme discutido anteriormente. O DMM possui categorias
próprias para tratar tanto Arquitetura quanto Operações de dados. Na
arquitetura o foco vem juntamente com a visão sobre plataformas usadas. Nas
operações de dados , o foco é sobre os requisitos e o ciclo de vida dos dados.
Os requisitos de dados são necessários, por serem o ponto de partida,
independentemente do porte das empresas. Já o detalhamento dos processos e de
como os dados circulam por eles, exigiria mais maturidade e oxigênio de
empresas com recursos limitados. Entretanto, algumas definições simplificadas,
na forma gráfica, acerca de processos de negócios e de GD, bem como outros
controles podem ser feitas em diagramas do Bizagi, uso do Trello, ou Googledocs, Google sites, etc;
•
Como
já falado, deve-se ter uma documentação mínima do ambiente tecnológico de
dados, com tipos e versões de SGBD´s ou equivalentes e com arquiteturas e
camadas registradas; Se você estiver em Cloud, documente os recursos que você
contratou em termos de Máquinas e processadores, memória, disco, banda, etc,
conforme discutido anteriormente. Controle as aplicações de correções nos
produtos envolvidos, garantindo a sua estabilidade. Se você estiver em Cloud,
registre e garanta que o SLA do serviço está sendo cumprido;
•
Governe
e cuide das políticas, processos e procedimentos de backup, recovery dos
bancos, retenção de dados históricos, etc, assegurando a continuidade
operacional dos serviços e os acordos definidos com seus usuários. Se você
estiver em Cloud, registre e garanta que o SLA do serviço está sendo cumprido;
5)Segurança
de Dados em PME
•
A
Segurança de dados é outro ponto da gestão de dados que as empresas startups e
PME deverão observar com cuidado. Pesquisa da Verizon(2013) indica que esse
tipo de empresa é a mais vulnerável dentre todas. Uma espécie de presa fácil
para os hackers, segundo a pesquisa, dada à possível exposição e fragilidade,
próprias das estruturas ainda em formação. Assim a Gestão e Governança de
dados, nessas empresas passará por definições de Políticas de Segurança(Quem
pode acessar o quê, onde e como, aspectos de ID e senhas, de troca de senhas,etc),
de Criptografia, de Sync and Share (como DropBox/ Google Driver,com aspectos de
granularidade, segurança,integração com dados on-premises,etc);
•
Pensar
em registros históricos de problemas, breaches/invasões, quebras,etc, visando
aumentar a camada de proteção.
•
Se
a empresa estiver em cloud, vale a discussão anteriormente feita;
Referências:
• Amazon Web Services. Disponível em
aws.amazon.com.Acesso em : 01 mai 2016.
•
DAMA-DMBOK®-Guide to the Data
Development Body of Knowledge-First edition.
•
DAMA-DMBOK2-Framework-Março
de 2014.
•
Data Management Maturity (DMM)
Model-CMMI Institute-2014-version 1.0.
• Governança
Corporativa para pequenas e médias empresas”, Coordenação de Bernardo Portugal
e organizado por Lúcia Zimmermann. Editora LTR.
• What
is cloud computing? A beginners guide. Microsoft
Azure. Disponível em azure.microsoft.com.Acesso em: 15 mai 2016.
Assinar:
Postagens (Atom)