Sua empresa tem feito bom uso de dados? Dizer sim a esta pergunta muitas vezes não é algo fácil, principalmente quando não são adotadas políticas e metodologias específicas para isso. Na prática, a qualidade de dados está relacionada em verificar se um determinado registro é confiável e consistente, para que as melhores ações sejam realizadas com base nele.
Ao longo do texto vamos explicar melhor como a qualidade de dados é crucial nos projetos deBusiness Intelligence. Citaremos as principais vantagens de implementá-la no negócio e, por fim, falaremos como ela pode ser adotada na companhia. Continue a leitura até o final para ficar por dentro do tema!
O que é qualidade de dados?
A qualidade de dados (ou data quality) consiste em um conjunto de tecnologias, pessoas e estratégias, imbuídas em maximizar o aproveitamento dos registros coletados pela companhia. A razão disso é que muitas vezes os dados não vêm devidamente prontos para o uso, precisando passar por limpeza e higienização. Tal procedimento é feito através de softwares dotados de Business Intelligence.
Qual a importância da qualidade de dados em projetos de BI?
Dados limpos e higienizados dão uma clareza maior acerca das ações que precisam ser tomadas na empresa. Portanto, implementar o data quality é fundamental, entre outras coisas, na melhora do relacionamento comclientes e fornecedores, bem como no aumento da competitividade.
Ajuda na tomada de decisões
Sem o data quality os gestores tendem a tomar decisões com base em achismos ou em dados não tratados corretamente. Nesse sentido, quando os registros são tratados e analisados a clareza das ações a serem tomadas passa a ser maior, contribuindo na melhor efetividade delas.
Alta taxa de sucesso
Quando a empresa realiza novos investimentos, por exemplo, as chances de sucesso são maiores. Além disso, ajustes podem ser feitos ao longo do caminho, visto que os gestores têm acesso a métricas e indicadores de performance. A qualidade de dados, portanto, pode gerar impactos em todos os processos do negócio.
Identificação de erros
Erros são passíveis de acontecer em processos e rotinas internas. Conforme os dados são higienizados e analisados, os gestores começam a ter uma visão mais sistêmica e integrada do negócio, contribuindo na mitigação ou redução desses erros. Vale ressaltar que o data quality também atua de maneira preditiva, na identificação de problemas que podem acometer a empresa no futuro.
Como garantir a qualidade de dados?
Existem algumas boas práticas que contribuem para os dados serem aproveitados da melhor forma. Para conhecê-los, acompanhe as subseções a seguir!
Escolher uma metodologia de análise
A metodologia de análise é responsável pela resolução de determinado problema da empresa. Um deles é oCRISP-DM (Cross Industry Standard Processing for Data Mining) ou padrão de processamento de indústrias cruzadas para mineração de dados. Essa escolha depende de fatores como o segmento do negócio, os seus objetivos e o problema que pretende resolver.
Usar ferramentas tecnológicas
É praticamente impossível dissociar data quality e softwares de gestão integrada. Um ponto crucial na efetividade dessa ferramenta é a configuração, de modo que os colaboradores consigam fazer melhores análises e extrair o máximo dos dados coletados em favor do negócio. A importância de usar soluções tecnológicas está também no fato de que elas disponibilizam relatórios com informações precisas e atualizadas em tempo real.
Fazer atualizações constantes
O processo de atualização passa pela escolha de períodos de revisão dos dados. Os gestores devem ter em mente o caráter estratégico desse procedimento, tomando como norte, por exemplo, o uso de uma ferramenta de BI. Isso requer conhecimento acerca das necessidades do negócio e o alinhamento de objetivos.
A qualidade de dados torna registros confiáveis e consistentes. Trata-se de algo indispensável, principalmente quando alinhado a uma ferramenta de BI. Se você deseja otimizar processos e melhorar a análise de dados, saiba que nós da Know Solutions podemos ajudá-lo, pois, temos soluções capazes de integrar com outros sistemas da empresa, como ERP e CRM. Além disso, ajudamos a melhorar a performance do seu negócio através de consultorias e treinamentos em BI.
Para descobrir como a Know Solutions pode promover o data quality na sua empresa e trazer resultados surpreendentes, entre em contato conosco e fale com o nosso time!
Foi aluno de Ralph Kimball, maior referência mundial no assunto, no curso de Modelagem Dimensional realizado pela Kimball University, em Estocolmo – Suécia.
Já ministrou diversas palestras sobre o tema e atualmente mantêm o blog da Know Solutions, com referências sobre Business Intelligence.
Pós Graduado em Gestão de Projetos de Software pela PUC – Paraná. Trabalhou durante 7 anos na empresa Siemens onde participou de projetos em diferentes países.
Materia muito interessante
Obrigada pelo artigo 🙂 Acho que eu tenho uma equipe que pode obter cada sucesso 🙂 Mas sem kanbantool.com, nao conseguimos arranjar e controlar todas tarefas. Ferramentas digitais podem ajudar bastante – tal como manager ou teamledaer, mas mais suave 🙂 Eu planejo o dia do trabalho com kanban e todas tarefas sao cumpridas. Eu sei que nao cada um gosta trabalhar assim, mas comigo funciona 🙂
Parabéns por trazer a CRISP-DM de volta ao tablado. O “produtocentrismo” que assola o mercardo de BI pressiona os players a comprar o último brinquedo, a seguir a última moda, quando quase tudo que tem algum uso prático já existe há décadas – como o CRISP-DM
Seria legal um artigo um artigo comparando-o com SEMMA. Pode ser muito interessante para quem entrou na área há menos de 20 anos.
Gostaria de entender se a utilização da Big data nas empresas gera algum tipo de desvantagem nas pessoas que lá trabalham ?
Sobre o comentário do João Kechichian, concordo em relação às empresas não terem claro o que querem, e concordo com o Leandro sobre a abordagem de “Qual o seu problema” para dar as sugestões.
Mas vale ressaltar que as empresas não conseguem identificar o que querem por não terem claro um Planejamento Estratégico e objetivos bem descritos. Isso facilita muito perceber quais indicadores serão necessários acompanhar para atingir os resultados esperados.
Bom dia,
Há muita diferença das versões do livro The Data Warehouse Toolkit?
Vejo que ele esta na 3 edição.
Posso comprar apenas a 3 ou devo comprar todas?
Oi Marcos!
Há algumas atualizações com conceitos mais atuais. Não precisa comprar todas as edições não, apenas a 3a já cobre tudo que precisa.
Sim e não. A maior diferença é entre a primeira edição e as restantes. Da segunda edição em diante, quando a Margy Ross assumiu o livro, é tudo mais ou menos o mesmo.
A primeira edição, que por acaso chegou a ser publicada em português, é a melhor, na minha opinião. Ela é mais concreta, menor e mais focada. Se conseguir achá-la, compre. Vale ouro.
eu precisava para compor você uma pouco de note ajudar diga obrigado again com o extraordinário conselhos você compartilhado nesta página . Foi certamente maravilhosamente generoso com você dando abertamente tudo o que muitas pessoas {poderiam ter | poderiam possivelmente ter | poderiam ter | teriam | distribuído para um ebook para gerar alguma massa para eles mesmos , especialmente considerando que you poderia ter tried it se você nunca desejado . Those estratégias também agido como outras pessoas tenha semelhante desire como my own entender bom negócio mais relacionado este assunto . Eu tenho certeza há alguns mais agradáveis ocasiões ahead para pessoas que ver seu site
[…] de BI — Business Intelligence ou, traduzindo, Inteligência Empresarial — é justamente o diferencial que uma empresa precisa para tratar dados gerados por vários meios. Veja alguns contextos que podem servir de […]
[…] para aumentar seu lucro ou diminuir seus custos operacionais. Esse é o conceito básico de Business Intelligence utilizado como diferencial […]
Olá Leandro.
Acredito que o potencial da área de Business Intelligence dentro das empresas pode ser maior do que se imagina hoje.
Trabalho com consultoria de B.I. para agencias e empresas, e enfrentamos diariamente dois grandes problemas.
1- Padronização dos dados: Como utilizamos muitas fontes de dados, todo o processo, desde o que a implementação, até a parte operacional, precisa ser muito bem estruturada. Sem o padrão das informações perde-se muito tempo com “correção”, sendo que “tempo” não é o que temos para identificar um padrão, pois no dia seguinte ele pode mudar se não o tratarmos.
2- Pessoas que não sabem o que querem: Corporações não sabem o que querem, logo querem tudo. O problema é que sabemos que não tudo não é necessário, se consegue identificar padrões e otimizações com metade do volume. Sendo assim o processo de otimização passa a ser inteligente para ser operacional.
O futuro da área esta encaminhando para segmentações e clusterizações dinâmicas para analise de Big Data, mas se o processo de todos envolvidos precisa ser muito bem desenhado e a área de B.I. precisa ter este knowhow também.
Obrigado e muito bom seus artigos.
Oi João, obrigado pelo seu comentário! Concordo com você!
Realmente, a padronização dos dados é o ponto mais sensível mesmo. Aqui estimamos em torno de 60% a 70% do tempo em um projeto de BI apenas para esta parte.
Sobre as pessoas não saberem o que querem, aqui vemos como uma certa vantagem. Muitas vezes não é nem exatamente não saber o que querem, mas não saberem o que é possível fazer. Com isso, parte do nosso trabalho aqui é exatamente entender do que o cliente sofre aí então sugerir algumas coisas. Tentamos não ir para uma abordagem de “o que você quer” mas sim de “quais são seus problemas”.
Isso me deu até a ideia de criar um post focado nisso, vou deixar anotado para o futuro!
Existe uma técnica chamada Árvore de Realidade Presente, da Teoria das Restrições, que lida justamente com essa barafunda de problemas e entendimentos. Eu experimentei a mesma frustração que você, João, e decidi resolver esse problema. A imagem https://geekbi.files.wordpress.com/2020/10/bi_toc-crt-x.png é um resumo do que eu tenho até agora.
Adoraria uma contribuição. “O cliente não sabe o que quer” já está lá. “Dados são sujos” e “Dados são bagunçados” me parecem boas adições.
O que você acha? E você, Leandro?