Close Menu
Código Simples .NETCódigo Simples .NET
    Facebook X (Twitter) Instagram
    Trending
    • NewSQL em 2025: O Estado Atual, Tendências e o Futuro dos Bancos de Dados Relacionais Escaláveis
    • 12 Regras Essenciais para Reduzir a Latência de Aplicações
    • Cache Hit Ratio: Como uma Simples Métrica Pode Revolucionar sua Arquitetura
    • Como a Uber calcula o tempo estimado de chegada
    • 30 APIs Gratuitas para desenvolvedores
    • Por que escalar escrita é tão mais difícil do que escalar leitura?
    • MongoDB Analyzer para .NET: Visualize e otimize suas consultas de forma simples
    • Cardinalidade: O Conceito que Transforma o Desempenho de Bancos de Dados SQL e NoSQL
    Facebook X (Twitter) Instagram
    Código Simples .NETCódigo Simples .NET
    Código Simples .NETCódigo Simples .NET
    Home»Boas práticas»Porque é tão difícil emplacar uma cultura de dados?

    Porque é tão difícil emplacar uma cultura de dados?

    Jhonathan SoaresBy Jhonathan Soares31 de março de 20246 Mins Read Boas práticas
    Share
    Facebook Twitter LinkedIn WhatsApp Copy Link

    Em um mundo cada vez mais pautado por dados, organizações de todos os setores buscam se tornar “data-driven” – guiadas por dados. Esse movimento, porém, é repleto de desafios, desde a implantação de uma cultura de dados até a escolha das tecnologias adequadas. Neste artigo, exploramos esses desafios com base em uma palestra que oferece insights valiosos sobre a jornada para se tornar uma empresa orientada a dados.

    “Uma pesquisa realizada pela PWC com 2.100 executivos apontou que 58% das decisões são tomadas por intuição, experiência própria ou de terceiros, contra 29% que se baseiam em orientação a dados.”

    Implementar uma cultura de dados pode ser desafiador devido a vários fatores, incluindo:

    1. Resistência à Mudança: Dificuldade em mudar o mindset e hábitos existentes.
    2. Falta de Habilidades: Carência de conhecimento e habilidades em análise e interpretação de dados.
    3. Qualidade dos Dados: Enfrentamento de problemas com dados desorganizados ou de baixa qualidade.
    4. Ferramentas e Tecnologia: Desafios na seleção e implementação das ferramentas certas de dados.
    5. Custos e Investimentos: Necessidade de investimentos significativos em tecnologia e treinamento.
    6. Governança de Dados: Complexidade em estabelecer uma governança de dados eficaz.
    7. Visão de Longo Prazo: Exigência de comprometimento com objetivos de longo prazo e paciência.
    8. Integração Organizacional: Obstáculos na integração de dados entre departamentos devido a silos organizacionais.

    O Caminho para ser Data-Driven

    O que significa ser uma empresa orientada por dados? As empresas geralmente não são criadas desde o início como entidades orientadas e centradas em dados; para a maioria das empresas, é uma evolução na sua cultura e estratégia, uma jornada que pode levar anos.

    De acordo com Christopher S Penn, para se tornarem orientadas por dados, as empresas evoluem através de cinco estágios:

    • Resistente a dados
    • Curioso por dados
    • Consciente de dados
    • Conhecedor de dados
    • Orientado por dados

    A transição para uma cultura orientada a dados não é instantânea, mas sim um processo que pode ser descrito em cinco estágios:

    1. Resistente a Dados: O estágio inicial, onde a mudança é frequentemente resistida com o argumento “sempre fizemos assim”.
    2. Curioso por Dados: Reconhecimento do valor dos dados e foco em sua coleta.
    3. Conscientes dos Dados: Análise e questionamento sobre o que os dados revelam.
    4. Conhecimento de Dados: Compreensão dos dados como um ativo estratégico.
    5. Orientado a Dados: Utilização de dados e insights para guiar decisões futuras.

    Resistente a dados: Empresas resistentes aos dados seguem o mantra “Sempre fizemos assim” e enfrentam obstáculos como a revelação de problemas ocultos e contribuições individuais politicamente sensíveis, prejudicando potencialmente a marca ou estratégia. A transição para superar essa resistência geralmente começa com esforços individuais para melhorar o desempenho através dos dados, sem um mandato oficial da organização.

    Curioso por dados: Organizações curiosas por dados reconhecem o valor dos dados e iniciam a coleta de informações através de análises web, mídia social, CRM, ERP, e sistemas financeiros, explorando o potencial dos dados recolhidos, movidas pelo desejo de desbloquear seu valor implícito.

    Consciente de dados: Empresas conscientes dos dados focam na análise para extrair valor, perguntando-se sobre eventos passados e padrões nos dados. Este estágio é marcado pela experimentação com diversas ferramentas e fornecedores, visando obter vitórias táticas com os dados. A transição para uma fase mais avançada ocorre quando a organização questiona os custos versus os benefícios das ferramentas utilizadas.

    Conhecedor de dados: A fase de conhecimento dos dados destaca a importância de entender não apenas o que aconteceu, mas por que aconteceu, investindo em análise profunda para desenvolver insights. O foco muda para a compreensão interna, usando ferramentas de investigação para decifrar causas e efeitos, levando a uma tomada de decisão mais estratégica.

    Orientado por dados: Na fase orientada por dados, a organização utiliza dados, análises e insights estratégicos para prever e responder à pergunta “o que vem a seguir?”. Os dados tornam-se um recurso central para tomar decisões em todos os níveis, informando estratégias e operações com base em evidências claras, iniciando cada processo de planejamento com dados e garantindo que cada decisão seja medida e avaliada rigorosamente.

    A Engenharia de Dados na Prática

    A engenharia de dados é fundamental nesse processo, embora sua implementação varie de acordo com a estrutura organizacional. Empresas mais rígidas e hierarquizadas tendem a desenvolver sistemas menos ágeis, enquanto organizações adaptáveis favorecem sistemas flexíveis e descentralizados.

    Um cenário inicial comum para muitas startups inclui uma pequena equipe, orçamento limitado e uma estrutura ainda em definição. Nesse contexto, é desafiador mas crucial estabelecer uma base sólida para a engenharia de dados.

    A Lei de Conway, que diz que “o software é uma cópia da empresa que o desenvolve, sendo assim empresas mal estruturadas consequentemente desenvolvem softwares mal estruturados”.

    Criado por Melvin Conway, ele descreve a Lei de Conway mais ou menos assim: “Qualquer organização que projete um sistema irá desenvolver uma estrutura para esse sistema que será uma cópia de estrutura de comunicação da própria organização”.

    Organizações mais RÍGIDAS / HIERARQUIZADAS tendem a desenvolver sistemas menos ágeis e inflexíveis (monolitos centralizados)

    Organizações mais ADAPTÁVEIS / DESCENTRALIZADAS tendem a desenvolver sistemas mais ágeis e flexíveis (microsserviços distribuídos)

    Logo, em uma relação engenharia de dados, implantar uma área de dados em uma empresa mais rígida, acaba sendo um desafio extra.

    Lições de Tentativas e Erros

    A jornada rumo a uma cultura orientada a dados está repleta de aprendizados, muitos deles fruto de tentativas, erros e ajustes:

    • 1ª Tentativa: Foco em dashboards em tempo real com recursos limitados. Aprendizado: a importância de ferramentas open-source e arquitetura serverless.
    • 2ª Tentativa: Evolução dos relatórios e implementação de um Data Lake. Aprendizado: a necessidade de uma cultura que promova dados e a importância da conformidade regulatória.
    • Descentralização dos Dados: Fornecimento de fontes de dados seguras e promoção de BI self-service. Aprendizado: Gerenciamento de acessos e demandas se torna mais complexo, e a escalabilidade passa a ser uma preocupação.

    Considerações Finais

    Para superar os desafios da engenharia de dados, é essencial investir na fundamentação desde o início, nunca negligenciar um bom catálogo de dados, e reforçar constantemente a cultura de dados na organização. Além disso, é vital adotar práticas de segurança, auditoria, logs e monitoramento para garantir a integridade e a confiabilidade dos dados.

    Resumindo:

    • Invista na fundamentação, desde o início
    • Não nigligencie um bom catálogo de dados
    • Cuidado com acessos soltos e impersonados
    • Adicione auditoria, logs e monitoramento
    • Reforce a cultura de dados
    • Saiba (ou tente ao máximo) saber o propósito daquele dado salvo
    • Use e abuse de ferramentas open-source (já consolidadas)

    Este artigo foi criado através da minha palestra para ao TDC Business 2023: https://thedevconf.com/tdc/2023/business/trilha-engenharia-de-dados

    Share. Facebook Twitter LinkedIn Telegram WhatsApp Copy Link
    Jhonathan Soares
    • Website
    • Facebook
    • X (Twitter)
    • LinkedIn

    Criador do blog Código Simples e com mais 15 anos de experiência em TI, com títulos de MVP Microsoft na área de Visual Studio Development, Neo4j Top 50 Certificate, Scrum Master e MongoDB Evangelist.

    Posts Relacionados

    Como a Uber calcula o tempo estimado de chegada

    Tecnologia 20 de março de 20258 Mins Read

    Como escolher bibliotecas para seu projeto: Uma análise crítica de dependências

    Boas práticas 20 de setembro de 20245 Mins Read

    Comentários no código – Vilões ou Mocinhos?

    Boas práticas 24 de julho de 20246 Mins Read
    Newsletter

    Digite seu endereço de e-mail para receber notificações de novas publicações por e-mail.

    Junte-se a 25mil outros assinantes
    Posts recentes
    • NewSQL em 2025: O Estado Atual, Tendências e o Futuro dos Bancos de Dados Relacionais Escaláveis
    • 12 Regras Essenciais para Reduzir a Latência de Aplicações
    • Cache Hit Ratio: Como uma Simples Métrica Pode Revolucionar sua Arquitetura
    • Como a Uber calcula o tempo estimado de chegada
    • 30 APIs Gratuitas para desenvolvedores
    Categorias
    • Arquitetura (14)
      • Testes (2)
    • Asp.net (120)
      • C# (89)
      • Mvc (13)
    • Banco de dados (90)
      • NoSql (58)
      • Sql (38)
    • Boas práticas (29)
      • Gestão & Produtividade (1)
      • Metodologias Ágeis (6)
    • Cursos (52)
    • Dicas (105)
    • Front-End (92)
    • IA (1)
    • Linux (6)
    • NodeJS (4)
    • Post do Leitor (9)
    • Python (5)
    • Seo (12)
    • Tecnologia (30)
      • ITIL (1)
      • Padrões de Projeto (4)
    • Testes (2)

    VEJA TAMBÉM

    Cursos
    12 de fevereiro de 20166 Mins Read

    1000 livros gratuitos sobre programação!

    Olha que dica bacana! A pagina só com livros sobre programação é mantida no GitHub…

    30 APIs Gratuitas para desenvolvedores

    Facebook X (Twitter) Instagram LinkedIn

    Type above and press Enter to search. Press Esc to cancel.

    Vá para versão mobile