Curva de aprendizado da governança do Data

Estágio 1 - Incompetência inconsciente: quais são os “sintomas” da falta de data governance?

1. A empresa enfrenta questões comerciais não resolvidas devido ao baixo data governance
2. A empresa é forçado a ficar em um canto por iniciativas existentes que exigem data maduro (caso de uso estratégico, migração de TI etc.)
3. Lidar com esses sintomas ajudará a tornar o ciente dos desafios e do valor crítico de data governance

Etapa 2 - Incompetência consciente: quais são os desafios encontrados por uma empresa ao iniciar uma jornada data governance?

1. Provando que o data governance é de valor: o data bruto é um potencial inexplorado, enquanto o data refinado é ouro
2. Como encontrar o modelo financeiro para lançar as primeiras iniciativas: impulsionadas por casos de uso ou por um órgão central de transformação
3. Mobilização de pessoas para entregar: dentro das equipes federadas do data governance e além

Etapa 3 - Competência consciente: quais são as etapas que as empresas geralmente seguem ao lançar um programa data governance?

1. Primeira etapa - Estruturação dos ativos data governance: domínios, modelo operacional, roteiro, ferramentas
2. Segunda etapa - Implementação do data governance em cada domínio data:data qualidade, padronização e acessibilidade. Seja por meio de uma renovação completa em um período limitado, graças a grandes programas; seja por meio da distribuição do trabalho por um longo período, começando pelos mais críticos e fazendo o restante aos poucos

Estágio 4 - Competência inconsciente: o que acontece quando o data governance se torna o novo normal?

1. Data A governança não é mais uma jornada, mas uma habilidade realizada
2. A governança do Data é responsabilidade de todos: Membros do COMEX, proprietários de negócios, chefes de engenharia, equipes de desenvolvimento de domínio, administradores de Data, equipes de casos de uso e recursos

Entender o que é o data governance, por que ele está no caminho crítico para o valor e como implementá-lo concretamente em sua organização pode ser um longo caminho. Quando as empresas lançaram pela primeira vez grandes programas de transformação com casos de uso de IA e data, elas perceberam rapidamente que esses programas exigiam capacitadores importantes, como data platforms, data lakes, data quality management e MDM, que permitem que o data de qualidade seja exposto a casos de uso. Apenas recentemente o data governance apareceu como uma prioridade em relação à miríade de sistemas complexos criados.

Hoje, quase todos no ecossistema de CDO/CTO entendem que o data governance é um pré-requisito para a transformação da IA. Eles estão familiarizados com todos os conceitos organizacionais e operacionais básicos, mas colocá-los em prática para gerar valor concreto é uma tarefa muito mais complexa. Como resultado, a data governance é frequentemente reduzida a iniciativas de documentação isoladas com pouco impacto. Vemos muitos programas sendo lançados e muitos chefes de data governance surgindo nas organizações de nossos clientes. No início, todos eles enfrentaram as mesmas dificuldades para convencer seus patrocinadores e parceiros comerciais a investir nessas atividades. Por quê? Porque a implementação do data governance é um processo de aprendizado completo pelo qual a organização precisa passar, e cada passo ao longo do caminho é importante.

O objetivo deste artigo é ajudá-lo a entender o que é o data governance na prática, levando-o a uma jornada pelo processo de aprendizagem do data governance que cada empresa inevitavelmente experimenta.

Antes mesmo de iniciar a jornada, o primeiro desafio é identificar o problema do data governance. Nesse estágio, a empresa ainda não percebeu que muitos de seus problemas comerciais estão diretamente relacionados às atividades de data governance. A primeira etapa da jornada é determinar quais são as perguntas fundamentais que ninguém na organização é capaz de responder.

Fazer esse tipo de pergunta conecta o data governance diretamente ao valor comercial em potencial que ele pode gerar e evita a armadilha de uma abordagem orientada pela TI ou pela privacidade, que reduz o data governance ao Master Data ou ao Access Right Management.

Em campo, observamos outras situações típicas que desencadeiam o lançamento de iniciativas data governance:

Para avançar no caminho do aprendizado da data governance, as empresas precisam enfrentar questões comerciais não resolvidas ou serem forçadas a se encurralar. Só então elas se conscientizarão dos desafios que estão enfrentando e compreenderão o valor crítico do data governance.

Quando uma empresa decide iniciar oficialmente sua jornada de data governance, surgem três desafios principais: (1) provar que o data governance é valioso, (2) encontrar o modelo financeiro certo para lançar as primeiras iniciativas e (3) mobilizar as pessoas para a realização.

Um dos primeiros desafios é convencer a diretoria. Os defensores da governança do Data precisam encontrar o argumento certo para provar que, às vezes em detrimento dos casos de uso, o investimento deve ser feito no data governance e o espaço deve ser encontrado nos roteiros de transformação do data.

[DO CAMPO #1] Um líder de data governance no setor de CPG organizou um campo de treinamento com aspirantes a proprietários de data (excom n-1), patrocinado pelo CEO e pelo CFO. Eles apresentaram os débitos de data governance da empresa que precisavam ser resolvidos para que os ganhos de transformação do data fossem mais rápidos (ou seja, questões comerciais não resolvidas de cada departamento e dificuldade de fornecer casos de uso estratégico do COMEX devido à má qualidade ou acessibilidade do data).
[DO CAMPO #2] Para convencer a gerência, os líderes de data governance de uma empresa de telecomunicações desenvolveram um caso de negócios com três tipos de fontes de receita:
> Receita perdida (por exemplo, receita inibida devido a endereços ausentes ou de baixa qualidade nos sistemas de pedidos)
> Economia (por exemplo, aluguel ou assinaturas pagas por sites técnicos ou comerciais que não estão mais em uso)
> Ganhos de eficiência operacional na equipe do data (por exemplo, número estimado de FTEs economizados em questões de qualidade do data).

Duas perguntas chegam com frequência do campo: Quanto custa lançar um programa data governance? Quem deve pagar por ele? Podemos distinguir dois modelos:

O modelo 1 é a meta para o pós-transformação, quando a data governance é incorporada em todos os projetos por design. Antes e durante a transformação, o modelo 2 geralmente se aplica ao estabelecimento de práticas recomendadas.

[DO CAMPO #3] O CFO de uma grande indústria de CPG, convencido do valor do data governance para os negócios, criou um escritório central de data governance sob seu mandato e forneceu a ele um orçamento central. O orçamento estimado foi de cerca de 15 milhões de euros. Outra organização optou por uma estratégia em duas etapas: nos primeiros anos de transformação, eles orçaram 2 milhões de euros por ano para o data governance nas mãos do escritório de data governance, mas planejam aculturar a empresa passo a passo e mudar para o modelo 1.

Mobilizar as pessoas em sua empresa em torno das questões de data governance é o principal desafio.

Nas equipes do data governance, o principal fator de sucesso é a implementação de um modelo de fornecimento federado, no qual as operações são descentralizadas e conduzidas por cada equipe de domínio comercial. Um escritório central ou líder (dependendo do tamanho) é responsável por estruturar o programa, implementar a caixa de ferramentas e definir os padrões. Sua primeira missão é segmentar o data da empresa em domínios do data e nomear um proprietário para cada domínio, que será responsável por nomear as principais funções em seu domínio (administradores, guardiões...).

Além das equipes de data governance, o escritório central deve aculturar e aprimorar as equipes para acompanhar as novas e mais estruturadas formas de interação com o data.

[DO CAMPO #4]
> No nível C: um importante player de CPG organizou várias sessões com a COMEX para aumentar a conscientização sobre as questões de data governance entre seus membros.
> Em nível de caso de uso: outro player de CPG treina todos os seus Product Owners e cientistas de Data para implantar o data governance by design em casos de uso de IA e data (desenvolvimento de verificações de qualidade de data, linhagem de data na Collibra etc.).
>> Em nível de domínio: uma empresa de telecomunicações formaliza o treinamento para a integração do administrador e do proprietário do data (como fazer, ferramentas, etc.).
> Em nível de empresa: uma empresa lança ações de conscientização para que todos divulguem sua cultura de excelência data.

Depois que esses desafios iniciais forem superados, a organização poderá ser considerada competente e madura o suficiente para definir as melhores abordagens para começar e obter os primeiros resultados tangíveis sem muito investimento inicial.

Uma das primeiras atividades-chave do escritório data governance é a estruturação dos ativos data em domínios data. Essa atividade permite que a empresa:

Após a conclusão do exercício, a próxima etapa é designar proprietários (que priorizarão as atividades e fixarão os objetivos) e administradores (que implementarão operacionalmente as rotinas de qualidade e documentação) para cada domínio. Observamos que os modelos bem-sucedidos de data governance são modelos “federados”, com atividades operacionais descentralizadas nos domínios e um chefe de data governance em uma equipe central de data para impulsionar, coordenar as atividades e capacitar os administradores e proprietários.

As organizações maduras são orientadas para os negócios e criam seu roteiro de data governance em estreita relação com o roteiro de casos de uso de data. Elas mapeiam os domínios do data com os casos de uso estratégicos da empresa e priorizam os domínios que atendem a muitos casos de uso. Um fator crítico de sucesso é começar pequeno e evitar o efeito túnel, identificando dois ou três domínios críticos com proprietários e administradores motivados, e refinar a metodologia antes de implantá-la em outros domínios.

As ferramentas são importantes para sustentar a data governance no longo prazo, mas a data governance é, acima de tudo, uma questão organizacional. Se a organização não estiver convencida da importância da data governance e se o modelo operacional não estiver em vigor, as ferramentas não serão adotadas e serão um desperdício de recursos e tempo para a empresa.

[DO CAMPO #5] Por exemplo, o departamento de TI de uma grande empresa do CAC 40 estabeleceu um contrato com a Collibra sem considerar o modelo operacional necessário para sustentar a implantação de tal iniciativa. Eles adotaram uma abordagem voltada para a TI, examinando todas as bases data para documentar os esquemas data da tabela. Os administradores do Data não estavam preparados para adicionar a camada de negócios sobre o esquema da tabela. O uso da ferramenta foi reduzido a poucos participantes de TI e o ROI não foi demonstrado. Dois anos depois, a equipe do data decidiu relançar uma iniciativa voltada para os negócios com a Collibra, dessa vez priorizando um roteiro com base nos casos de uso estratégico que desejavam oferecer e criando uma comunidade Collibra em torno da ferramenta para impulsionar o uso. A ferramenta passou de uma simples ferramenta de documentação para uma ferramenta de inteligência data, incorporada aos principais processos data, e agora é amplamente utilizada pelos cientistas data para a descoberta data.

A Abordagem 1 é geralmente preferida por grandes empresas que lançaram grandes programas de transformação e estão enfrentando problemas importantes para entregar com sucesso seus casos de data e IA. Também é o caso de empresas que estão atualmente migrando para o cloud e para as quais a estruturação de seus ativos de data em um novo data platform está em jogo. Essa abordagem holística ou de ponta a ponta foi projetada para limpar um domínio data do chão ao teto, trabalhando nas quatro dimensões do data governance: qualidade, padronização, acessibilidade e propriedade.

[Para explicar a metodologia, vamos usar o exemplo de uma empresa de produtos de consumo que lançou um grande programa de transformação do data. A empresa aproveitou a mudança para o cloud para limpar seu data e reestruturar seus ativos de data em 18 domínios de data, facilmente detectáveis e acessíveis pelos usuários finais, com o objetivo de fornecer casos de uso de IA de alto valor. Depois de estabelecer um escritório de data governance para coordenar a iniciativa, eles implantaram uma metodologia abrangente para avaliar a maturidade do data, definir taxonomias de domínio do data e desenvolver novos modelos de data na plataforma Google Cloud, reutilizáveis para muitos casos de uso.

Um aspecto fundamental de um programa de transformação do data tão importante é a capacidade de coordenar esforços em 18 domínios do data. O escritório do data governance desempenha um papel fundamental para garantir a consistência e definir as prioridades gerais entre os domínios do data.

A abordagem dois é mais adequada para empresas que precisam comprovar o valor da data governance antes de lançar grandes programas. No início, essas empresas se concentram em um ponto problemático específico que desejam resolver com o data governance. Às vezes, essas iniciativas nem sequer são marcadas como “data governance”.

[DO CAMPO #7] Alguns exemplos de iniciativas data governance pragmáticas:

“Orientado pela fonte” abordagem: Uma empresa farmacêutica lançou uma iniciativa de harmonização do CRM data para resolver o problema da qualidade limitada e da harmonização do data capturado por seus representantes de vendas nas afiliadas. Essa iniciativa foi desencadeada por reclamações das equipes centrais de marketing, que não conseguiam fazer comparações entre as afiliadas ou ter visibilidade do desempenho geral (exemplo: seis maneiras diferentes de designar um cardiologista no Veeva).
“Abordagem ”orientada pelo painel": uma empresa de serviços públicos aproveitou o Collibra Catalog para explicar como os KPIs de seu painel COMEX foram calculados e para alinhar toda a organização sobre como calcular esses KPIs estratégicos.
“Gerenciamento de acesso”: no contexto de uma mudança para o cloud, um de nossos clientes relançou sua iniciativa data governance, que havia fracassado dois anos antes, definindo o nível de acessibilidade do data em sua nova plataforma cloud.
“Orientado por casos de uso”Abordagem: um dos principais players de CPG decidiu padronizar seu data esgotado para atender às necessidades de um caso de uso de planejamento de demanda muito crítico. Eles identificaram os objetos do data necessários para realizar os casos de uso, selecionaram e qualificaram as fontes de data e padronizaram seu data para criar um único modelo de data que eles usaram para desenvolver qualquer caso de uso que exigisse esse data.
“Orientado para a qualidade”Abordagem: um de nossos clientes implementou um processo de avaliação e correção da qualidade para identificar os principais pontos problemáticos da qualidade data, priorizá-los em um comitê de qualidade data e acompanhar a resolução dos problemas com as equipes técnicas.

Antes de começarmos, é importante enfatizar que, além dos operadores puros ou das empresas mais novas que foram projetadas em torno do data, relativamente poucas empresas chegaram a esse último estágio, quando o data governance se tornou automático.

A governança do Data não é mais vista como uma jornada de transformação demorada que exige grande esforço das partes interessadas. Agora é uma habilidade totalmente incorporada ao processo da empresa e todos que trabalham com o data são afetados em seu nível.

Membros da COMEX facilitam a circulação do data dentro da empresa. Eles dependem de uma visão unificada do data (fonte única de verdade) para tomar todas as decisões estratégicas e monitorar o desempenho da empresa.

Proprietários de empresas reconhecem que a data governance é um fator-chave de sucesso para a transformação de seus negócios. Cada iniciativa comercial inclui um componente data governance “por design”.

Chefes de Engenharia são os líderes de um data platform orientado por domínio. Eles são responsáveis pela criação das funcionalidades comuns da plataforma e pela definição de padrões globais para garantir a interoperabilidade entre os domínios. A responsabilidade de fornecer produtos data de alta qualidade para as equipes de casos de uso é descentralizada entre os equipes de desenvolvimento de domíniomais próximo do data.

Para garantir que os produtos data sejam de qualidade, as equipes de desenvolvimento de domínio contam comData comissários de bordo para garantir um alto nível de qualidade e disponibilidade do data. O administrador do Data não é uma função, é um trabalho em tempo integral no cruzamento entre as equipes de negócios, TI e data. Ele coordena os esforços para recuperar o débito do data governance e garante que os novos serviços sejam regidos “por design”.

Equipes de casos de uso e recursos que consomem o data são tratados como clientes com direitos e deveres:

Embora a maioria dos atores de hoje ainda se encontre entre o segundo e o terceiro estágios, todos eles sentem a urgência comercial de avançar nesse processo de aprendizado.

Três argumentos principais justificam essa urgência. Primeiro, a transformação do data/IA é uma alavanca fundamental para atingir metas ambiciosas de novos impulsionadores de crescimento e para permanecer na vanguarda, e a transformação do data não é sustentável sem o data governance. Em segundo lugar, estamos em um mundo em rápida evolução, em que obter acesso rápido ao data e analisá-lo e explorá-lo rapidamente é essencial para reagir com rapidez. E, por fim, as empresas precisam atrair novos talentos que estejam cada vez mais dispostos a ser data-driven.

Um dos primeiros desafios de qualquer empresa no início de sua jornada de data governance é demonstrar essa urgência e convencer as partes interessadas internas do valor de lançar concretamente um programa de data governance.

Contribuintes: Muito obrigado a Justine Nerce, Killian Gaumont, Violaine Berland, Sophie Xu, Alexandra Coillard, Marc-Antoine Paing - o senhor é o senhor. Artefact