antonino

Carreira Governança de Dados: Nível 1 Etapa 4

Por

4ª Etapa – Glossário de negócio, dicionário de dados e diagnóstico de qualidade de metadados

Pergunta-chave: “Como entregar, em um único pacote, um glossário, um dicionário de dados, uma linhagem e um diagnóstico de metadados que permita ao SwiftBank começar a falar a mesma língua sobre seus dados?”

Missão: produzir o arquivo 04_glossario_e_dicionario.xlsx com as abas Glossario, Dicionario_Dados, Linhagem, Diagrama_Linhagem, Diagnostico_Metadados e Plano_Acao, além do diagrama no Draw.io (exportado em PNG) e do script Python no Google Colab.

Missão 1 – Glossário de Negócio (aba Glossario)

Pelo menos 12 termos de negócio do SwiftBank, com: nome, definição, contexto de uso, responsável (Owner), domínio, termos relacionados e status.

Nome Definição Contexto de uso Responsável (Owner) Domínio Termos relacionados Status
Cliente Ativo Pessoa física ou jurídica que realizou ao menos uma transação efetivada nos últimos 90 dias. Segmentação de campanhas, cálculo de receita recorrente, metas comerciais. Ana Ribeiro (Diretora de Clientes) Clientes Cliente PF, Cliente PJ, Transação Efetivada aprovado
Cliente PF Cliente pessoa física, identificado por CPF. Produtos de varejo, crédito pessoal, cartões. Ana Ribeiro (Diretora de Clientes) Clientes Cliente Ativo, Score de Crédito, Dado Pessoal Sensível aprovado
Cliente PJ Cliente pessoa jurídica, identificado por CNPJ. Produtos corporativos, empréstimos, adquirência. Ana Ribeiro (Diretora de Clientes) Clientes Cliente Ativo, Empréstimo aprovado
Conta Corrente Conta de depósito à vista que permite movimentação por meio de transações. Origem de transações, base para cálculo de saldo e receita. Carlos Menezes (Diretor de Produtos) Produtos Transação Efetivada, Receita aprovado
Empréstimo Operação de crédito com valor principal, juros, prazo e parcelas. Gestão de carteira, provisionamento, inadimplência. Patrícia Lima (Diretora de Crédito) Crédito Score de Crédito, Inadimplência, Cliente PJ aprovado
Score de Crédito Pontuação que estima a probabilidade de inadimplência de um cliente. Decisão de concessão, precificação, limite de crédito. Patrícia Lima (Diretora de Crédito) Crédito Empréstimo, Inadimplência, Cliente PF aprovado
Apólice Contrato de seguro que define cobertura, vigência e prêmio. Venda de seguros, sinistros, receita de seguros. Fernanda Souza (Diretora de Seguros) Seguros Cliente PF, Cliente PJ, Receita rascunho
Transação Efetivada Movimentação financeira concluída com sucesso entre contas. Base para receita, antifraude, comportamento do cliente. Carlos Menezes (Diretor de Produtos) Transações Conta Corrente, Cliente Ativo, Receita aprovado
Receita Entrada financeira recorrente ou eventual proveniente de produtos e serviços. Demonstrativos, metas, precificação. Roberto Alves (Diretor Financeiro) Financeiro Transação Efetivada, Empréstimo, Apólice aprovado
Inadimplência Atraso no pagamento de obrigação contratual além do prazo acordado. Provisionamento, cobrança, gestão de risco. Patrícia Lima (Diretora de Crédito) Crédito Empréstimo, Score de Crédito aprovado
Dado Pessoal Sensível Dado pessoal sobre origem racial, convicção religiosa, opinião política, saúde, biometria etc. (LGPD art. 5º, II). Governança de privacidade, bases legais, mascaramento. Juliana Castro (DPO) Privacidade Consentimento de Marketing, Cliente PF aprovado
Consentimento de Marketing Autorização explícita do titular para receber comunicações promocionais. Campanhas, CRM, adequação à LGPD. Juliana Castro (DPO) Privacidade Dado Pessoal Sensível, Cliente Ativo aprovado

Observação: os termos Apólice e Consentimento de Marketing ficaram como rascunho/aprovado conforme revisão pendente com Seguros e DPO.

Missão 2 – Dicionário de Dados (aba Dicionario_Dados)

Uma linha por coluna das tabelas presentes em metadados_tabelas_swiftbank.csv e clientes_swiftbank.csv, agrupadas por tabela e camada.

Dica de troubleshooting: ao ler o CSV no Python, use encoding='utf-8' e confira o separador com sep=','. Células vazias devem ser tratadas como nulos (isna() ou fillna('')).
Camada Tabela Coluna Tipo Descrição Confidencialidade Dado Pessoal Responsável
bronze bz_clientes id_cliente string Identificador único do cliente Interno Sim Ana Ribeiro
bronze bz_clientes nome string Nome completo do cliente Restrito Sim Ana Ribeiro
bronze bz_clientes data_nascimento date Data de nascimento do cliente Restrito Sim Ana Ribeiro
bronze bz_clientes cpf_cnpj string CPF ou CNPJ do cliente Restrito Sim Ana Ribeiro
bronze bz_clientes tipo_pessoa string PF ou PJ Interno Não Ana Ribeiro
bronze bz_clientes data_cadastro date Data de cadastro do cliente Interno Não Ana Ribeiro
bronze bz_transacoes id_transacao string Identificador único da transação Interno Não Carlos Menezes
bronze bz_transacoes id_cliente string Cliente que realizou a transação Interno Sim Carlos Menezes
bronze bz_transacoes valor decimal Valor da transação Restrito Não Carlos Menezes
bronze bz_transacoes moeda string Moeda da transação (ISO 4217) Interno Não Carlos Menezes
bronze bz_transacoes data_transacao timestamp Data e hora da transação Interno Não Carlos Menezes
bronze bz_transacoes status string Status da transação Interno Não Carlos Menezes
bronze bz_emprestimos id_emprestimo string Identificador único do empréstimo Interno Não Patrícia Lima
bronze bz_emprestimos id_cliente string Cliente tomador do empréstimo Interno Sim Patrícia Lima
bronze bz_emprestimos valor_principal decimal Valor principal emprestado Restrito Não Patrícia Lima
bronze bz_emprestimos taxa_juros decimal Taxa de juros do empréstimo Restrito Não Patrícia Lima
bronze bz_emprestimos data_contratacao date Data de contratação Interno Não Patrícia Lima
bronze bz_emprestimos status string Status do empréstimo Interno Não Patrícia Lima
bronze clientes_swiftbank id_cliente string Identificador único do cliente Interno Sim Ana Ribeiro
bronze clientes_swiftbank nome string Nome completo Restrito Sim Ana Ribeiro
bronze clientes_swiftbank email string E-mail de contato Restrito Sim Ana Ribeiro
bronze clientes_swiftbank telefone string Telefone de contato Restrito Sim Ana Ribeiro
bronze clientes_swiftbank renda_mensal decimal Renda mensal declarada Restrito Sim Ana Ribeiro
bronze clientes_swiftbank score_credito integer Score de crédito do cliente Restrito Sim Patrícia Lima
silver sl_clientes id_cliente string Identificador único do cliente Interno Sim Ana Ribeiro
silver sl_clientes nome string Nome padronizado (title case) Restrito Sim Ana Ribeiro
silver sl_clientes idade integer Idade calculada a partir da data de nascimento Interno Sim Ana Ribeiro
silver sl_clientes tipo_pessoa string PF ou PJ harmonizado Interno Não Ana Ribeiro
silver sl_clientes flag_ativo boolean Indica se o cliente está ativo Interno Não Ana Ribeiro
silver sl_transacoes id_transacao string Identificador único da transação Interno Não Carlos Menezes
silver sl_transacoes id_cliente string Cliente da transação Interno Sim Carlos Menezes
silver sl_transacoes valor_brl decimal Valor convertido para BRL Restrito Não Carlos Menezes
silver sl_transacoes data_transacao timestamp Data e hora da transação Interno Não Carlos Menezes
silver sl_transacoes status string Status padronizado Interno Não Carlos Menezes
gold gd_clientes_ativos id_cliente string Identificador único do cliente ativo Interno Sim Ana Ribeiro
gold gd_clientes_ativos nome string Nome do cliente ativo Restrito Sim Ana Ribeiro
gold gd_clientes_ativos segmento string Segmento comercial (PF/PJ) Interno Não Ana Ribeiro
gold gd_clientes_ativos data_referencia date Data de referência da apuração Interno Não Ana Ribeiro
gold gd_metricas_credito id_cliente string Identificador único do cliente Interno Sim Patrícia Lima
gold gd_metricas_credito score_credito integer Score de crédito consolidado Restrito Sim Patrícia Lima
gold gd_metricas_credito valor_total_emprestado decimal Soma dos empréstimos ativos Restrito Não Patrícia Lima
gold gd_metricas_credito inadimplente boolean Indica se o cliente está inadimplente Restrito Não Patrícia Lima
gold gd_metricas_credito data_referencia date Data de referência da métrica Interno Não Patrícia Lima

Atenção: a coluna data_referencia aparece em gd_clientes_ativos e gd_metricas_credito com significados diferentes (apuração de atividade vs. apuração de crédito). Isso é um problema de glossário, não de Python — deve ser registrado na aba Plano_Acao.

Missão 3 – Linhagem (aba Linhagem)

bz_clientes → sl_clientes → gd_clientes_ativos.

PlantUML Syntax:<br /> @startuml</p> <p>title Linhagem clientes ativos\n</p> <p>start</p> <p>:bz_clientes;<br /> :sl_clientes;<br /> :gd_clientes_ativos;</p> <p>stop</p> <p>@enduml<br />

bz_transacoes → sl_transacoes → gd_metricas_credito

PlantUML Syntax:<br /> @startuml</p> <p>title Linhagem Metricas de Credito \n</p> <p>start</p> <p>:bz_transacoes;<br /> :sl_transacoes;<br /> :gd_metricas_credito;</p> <p>stop</p> <p>@enduml<br />

 

 

Fluxo 1 – Clientes

De Para Transformação aplicada
bz_clientes sl_clientes Limpeza de nulos, padronização de nomes (title case), cálculo de idade a partir de data_nascimento, harmonização de tipo_pessoa (PF/PJ), criação de flag_ativo com base em transações dos últimos 90 dias.
sl_clientes gd_clientes_ativos Filtro flag_ativo = true, agregação por segmento, criação de data_referencia (data da apuração), seleção de colunas de negócio.

Fluxo 2 – Transações e Crédito

De Para Transformação aplicada
bz_transacoes sl_transacoes Harmonização de moeda para BRL (valor_brl), padronização de status, tratamento de nulos, deduplicação por id_transacao.
sl_transacoes gd_metricas_credito Join com sl_clientes, cálculo de valor_total_emprestado, derivação de inadimplente (atraso > 90 dias), consolidação de score_credito, criação de data_referencia.

Missão 4 – Diagrama de Linhagem (aba Diagrama_Linhagem)

No Draw.io, foi construído o diagrama abaixo (caixas e setas), exportado como PNG e inserido na aba Diagrama_Linhagem do Excel.

Legenda: setas indicam transformações; cores diferentes por camada (bronze, silver, gold). O PNG foi exportado do Draw.io e colado na aba Diagrama_Linhagem.

Missão 5 – Diagnóstico de Metadados (aba Diagnostico_Metadados)

Script Python no Google Colab com Pandas lendo metadados_tabelas_swiftbank.csv e calculando:

  • (a) % de completude de cada coluna (descricao, confidencialidade, dado_pessoal, responsavel);
  • (b) quantas linhas têm camada fora da lista permitida (bronze, silver, gold);
  • (c) quantas descrições possuem 3 palavras ou menos;
  • (d) ranking das tabelas com pior qualidade de metadados.
Dicas aplicadas: encoding='utf-8', sep=',', tratamento de nulos com isna() e fillna(''), e linguagem de accountability (sem culpados) no parágrafo de leitura de negócio.

Script Python (Google Colab)

Resultado simulado do diagnóstico

Métrica Resultado
Completude descricao 92,1%
Completude confidencialidade 86,8%
Completude dado_pessoal 89,5%
Completude responsavel 84,2%
Linhas com camada fora da lista 2
Descrições com 3 palavras ou menos 7
Ranking de pior qualidade bz_emprestimos > sl_transacoes > gd_metricas_credito

Leitura de negócio (accountability, sem culpa)

As três tabelas que devem ser priorizadas para correção são bz_emprestimos, sl_transacoes e gd_metricas_credito. A primeira concentra o maior número de metadados incompletos, especialmente responsavel e confidencialidade, o que dificulta a gestão de acesso e a conformidade LGPD. A segunda apresenta descrições muito curtas e camada inconsistente, impactando a rastreabilidade da linhagem. A terceira, por ser camada gold e alimentar decisões de crédito, exige metadados completos para garantir confiança nos indicadores. Recomenda-se envolver os Owners Ana Ribeiro, Carlos Menezes e Patrícia Lima, com apoio dos Stewards de dados, para corrigir os metadados e alinhar o glossário — especialmente o termo data_referencia, que aparece com significados distintos entre tabelas.

Missão 6 – Plano de Ação (aba Plano_Acao)

Cada problema encontrado vinculado a um responsável (Owner/Steward), prazo e diretriz da política da 3ª etapa.

Problema Owner/Steward Prazo Diretriz da política (3ª etapa)
Metadados incompletos em bz_emprestimos (responsável e confidencialidade) Patrícia Lima (Owner) + Steward de Crédito 15/07/2025 Política de Metadados: todo campo deve ter responsável e classificação de confidencialidade.
Descrições com 3 palavras ou menos em sl_transacoes Carlos Menezes (Owner) + Steward de Transações 22/07/2025 Política de Glossário: descrições mínimas de 5 palavras, com contexto de uso.
Camada fora da lista permitida (bronze, silver, gold) Ana Ribeiro (Owner) + Steward de Governança 10/07/2025 Política de Camadas: apenas bronze, silver e gold são aceitas; corrigir na origem.
Divergência do termo data_referencia entre gd_clientes_ativos e gd_metricas_credito Ana Ribeiro e Patrícia Lima (Owners) + Steward de Glossário 30/07/2025 Política de Glossário: um termo, uma definição; sinônimos devem ser registrados.
Baixa completude de dado_pessoal em gd_metricas_credito Patrícia Lima (Owner) + DPO Juliana Castro 25/07/2025 Política de Privacidade: todo dado pessoal deve ser marcado como tal.

Conclusão

O pacote 04_glossario_e_dicionario.xlsx entrega ao SwiftBank:

  • Glossário de negócio com 12 termos, definições, Owners, domínios e status;
  • Dicionário de dados com uma linha por coluna das tabelas de Cliente, Transações e Empréstimos, agrupadas por camada;
  • Linhagem textual e diagrama visual (Draw.io exportado em PNG) mostrando as transformações bronze → silver → gold;
  • Diagnóstico de metadados com script Python replicável, métricas de completude, camadas inválidas, descrições curtas e ranking de pior qualidade;
  • Plano de ação com Owners, prazos e diretrizes da política da 3ª etapa, em linguagem de accountability.

Assim, o SwiftBank começa a falar a mesma língua sobre seus dados, com governança, rastreabilidade e responsabilização claras.

Documento gerado como resposta à 4ª Etapa – Glossário, Dicionário, Linhagem e Diagnóstico de Metadados. Dicas de troubleshooting aplicadas: encoding=’utf-8′, sep=’,’, tratamento de nulos com isna()/fillna(”), e linguagem de accountability.

Carreira Governança de Dados: Nível 1 Etapa 3

Por

📋 Enunciado do Problema

Com papéis e ciclo de vida mapeados, é hora de redigir a Política de Acesso e Qualidade de Dados de Clientes do SwiftBank, contendo os cinco elementos exigidos
(propósito, escopo, papéis e responsabilidades, diretrizes e conformidade/exceções),
além do plano de implantação e dos indicadores de monitoramento.
Esse artefato será discutido no comitê de governança e servirá de referência para auditorias.

🎯 Sua missão

  1. Em um documento Excel chamado 03_politica_acesso_qualidade.xlsx, crie a aba Política com seções claramente identificadas em colunas (elemento, conteudo):

    • Propósito
    • Escopo (sistemas, áreas, tipos de dados que cobre e que NÃO cobre)
    • Papéis e Responsabilidades (CDO, DGO, Data Owners por domínio, Data Stewards, Data Custodians, Usuários, Data Champions)
    • Diretrizes (ao menos 6 diretrizes operacionais, cada uma com responsável, frequência, sistema de registro e consequência de descumprimento)
    • Conformidade/Exceções (como exceções são solicitadas e quem aprova)

    Use um assistente de IA generativa como apoio para revisar redação, mas valide cada diretriz: ela precisa ser específica, mensurável e ter responsável.

  2. Crie a aba Plano_Implantacao com três passos (comunicação direcionada, responsáveis e cronograma, integração com metas e rituais), descrevendo ações concretas para o SwiftBank.
  3. Crie também a aba Indicadores com pelo menos cinco métricas (ex.: % de dados mestres atualizados no prazo, número de inconsistências por mês, % de áreas que cumprem revisão, tempo médio de correção, engajamento em treinamentos), cada uma com fórmula, fonte do dado, meta e responsável.
  4. Crie a aba Cenarios_Diagnostico com pelo menos três cenários narrados. Para cada cenário, identifique: política aplicável, falhas que poderiam ocorrer sem ela, papéis envolvidos e ações corretivas esperadas. Marque qual diretriz da aba Política previne cada caso.

🛠️ Ferramentas

Excel, assistente de IA generativa (ChatGPT, Claude, Gemini ou similar).

💡 Dica de troubleshooting 1: Se uma diretriz começa com verbos como “zelar”, “garantir” ou “buscar” sem complemento, ela está vaga. Refaça respondendo: o quê, quem, com que frequência, onde se registra, qual a consequência?
💡 Dica de troubleshooting 2: Cuidado ao usar assistentes de IA: não cole dados reais, e revise sempre a saída. O LLM pode inventar regulamentos ou inverter responsabilidades entre Owner e Steward.
💡 Dica de troubleshooting 3: Se tiver mais de 12 diretrizes na Política, considere mover algumas para um documento de “Procedimento”. Política diz o quê, procedimento diz o como.



✅ Missão 1 — Aba Política (03_politica_acesso_qualidade.xlsx)

Estrutura em duas colunas: elemento e conteudo. As diretrizes foram redigidas de forma
específica, mensurável e com responsável, evitando verbos vagos (dica 1). Foram mantidas
8 diretrizes (abaixo do limite de 12 — dica 3), pois as demais orientações operacionais
foram remetidas ao documento de Procedimento.

Aba Política — Elementos e Conteúdo
Elemento Conteúdo
Propósito Estabelecer as regras de acesso, uso, compartilhamento e qualidade dos dados de clientes do SwiftBank,
garantindo conformidade com a LGPD, o sigilo bancário e as normas internas, bem como assegurar que
decisões de negócio, modelos de IA e relatórios regulatórios sejam sustentados por dados confiáveis,
rastreáveis e tempestivos. Esta política transforma acordos verbais em obrigações auditáveis,
sem criar burocracia excessiva, por meio de diretrizes mensuráveis e prazos definidos.
Escopo Cobre:

  • Sistemas: Data Lakehouse (camadas Bronze, Silver e Gold), sistemas legados de crédito, cobrança, marketing, RH e atendimento; integrações via camada de ingestão; ferramentas de BI e de ciência de dados.
  • Áreas: Diretoria de Dados (CDO), Governança de Dados (DGO), Crédito, Cobrança, Marketing, Compliance, Auditoria Interna, Engenharia de Dados, Qualidade de Dados, Plataforma de Dados, Analytics e áreas de negócio consumidoras.
  • Tipos de dados: dados cadastrais de clientes (PF e PJ), dados de transações, dados de crédito e empréstimos, dados de cobrança, dados de consentimento (incluindo consentimento_marketing), dados mestres (cliente, agência, produto) e dados de referência (ex.: códigos de bancos, unidades federativas).

NÃO cobre:

  • Dados anonimizados ou agregados de forma irreversível para fins estatísticos, desde que aprovados pelo DGO.
  • Dados de colaboradores internos (tratados em política específica de RH).
  • Dados de testes sintéticos gerados em ambientes de homologação, desde que não derivados de dados reais de clientes.
  • Sistemas de terceiros fora do perímetro de integração formal do SwiftBank.
Papéis e Responsabilidades
  • CDO (Chief Data Officer): aprova esta política, patrocina o programa de qualidade e responde perante o comitê de governança e auditorias.
  • DGO (Data Governance Office): mantém a política atualizada, define padrões, conduz o comitê de governança e aprova exceções de acesso e qualidade.
  • Data Owners por domínio: respondem formalmente pela qualidade e pelo uso dos dados do seu domínio (ex.: Crédito, Cobrança, Marketing); aprovam regras de qualidade e autorizam acessos sensíveis.
  • Data Stewards: implementam e monitoram as regras de qualidade, mantêm catálogo e dicionário de dados, executam revisões periódicas e registram inconsistências.
  • Data Custodians: garantem a infraestrutura, o armazenamento, o backup e os controles técnicos de acesso nas camadas Bronze, Silver e Gold.
  • Usuários: consomem dados conforme o contrato de dados, respeitam o princípio do menor privilégio e reportam anomalias.
  • Data Champions: atuam como elo entre as áreas de negócio e o DGO, promovem treinamentos, comunicam mudanças e apoiam a revisão trimestral de qualidade.
Diretrizes

As 8 diretrizes abaixo são específicas, mensuráveis, com responsável, frequência, sistema de registro e consequência (dica 1).

Diretrizes operacionais da Política de Acesso e Qualidade de Dados de Clientes
# Diretriz Responsável Frequência Sistema de registro Consequência de descumprimento
D1 Atualizar os dados mestres de cliente (cadastro PF/PJ) na camada Gold, garantindo que 100% dos registros com alteração na origem sejam refletidos em até 1 dia útil. Data Steward de Cadastro Diária Catálogo de Dados / Data Lakehouse (Gold) Alerta ao Data Owner; registro no painel de qualidade; bloqueio do uso do dado em modelos de crédito até regularização.
D2 Revisar e aprovar os contratos de dados (interface e dados) entre sistemas de origem e camadas Bronze/Silver/Gold, com cláusula de qualidade e SLA de correção em até 48 h para erros originados no Lakehouse. Data Owner + DGO Semestral (revisão) e sob demanda Repositório de Contratos de Dados Suspensão da ingestão do dado até formalização; notificação ao CDO.
D3 Executar o motor de qualidade de dados na camada Silver, com no mínimo 12 regras críticas (ex.: unicidade de CPF/CNPJ, formato de data dd/mm/aaaa, UF válida, valor de venda não nulo), e registrar o resultado mensal no painel de indicadores. Equipe de Qualidade de Dados Mensal Motor de Qualidade (ex.: Great Expectations) + Painel de Indicadores Bloqueio da promoção Silver→Gold; abertura de incidente de qualidade; cobrança ao Data Owner.
D4 Validar o consentimento_marketing antes de qualquer extração para Marketing, conferindo a base de consentimento na camada Silver e registrando a evidência no catálogo. Data Steward de Marketing + Data Owner de Marketing Por extração (no mínimo mensal) Catálogo de Dados + Log de Auditoria Suspensão imediata do compartilhamento; abertura de incidente de privacidade; comunicação ao DPO.
D5 Realizar a revisão trimestral de acessos (RBAC) aos dados de clientes, removendo permissões órfãs e registrando o resultado no relatório de conformidade. Data Custodian + DGO Trimestral Ferramenta de IAM + Relatório de Conformidade Revogação automática de acessos; notificação ao gestor da área; registro em auditoria.
D6 Treinar 100% dos usuários autorizados em LGPD, sigilo bancário e uso ético de dados, com carga mínima de 2 h/ano e avaliação com nota ≥ 80%. Data Champions + DGO Anual (com reforço semestral) Plataforma de Treinamento (LMS) Bloqueio temporário de acesso a dados sensíveis até conclusão do treinamento.
D7 Registrar toda inconsistência de qualidade identificada na camada Bronze ou Silver, com prazo máximo de 1 dia útil para abertura e 5 dias úteis para correção, conforme SLA do contrato de dados. Data Steward do domínio Contínua (monitoramento diário) Ferramenta de Incidentes de Qualidade (ITSM) Escalonamento ao Data Owner e ao DGO; impacto no indicador de tempo médio de correção.
D8 Manter a base de dados de referência (UF, códigos de bancos, produtos) atualizada e disponível para todas as camadas, com validação mensal de integridade. Data Steward de Referência + Plataforma de Dados Mensal Data Lakehouse (camada de referência) + Catálogo Alerta ao DGO; bloqueio de pipelines que dependam da referência desatualizada.
Conformidade/Exceções Como exceções são solicitadas:

  • A área solicitante preenche o formulário “Solicitação de Exceção à Política de Dados” no portal do DGO, informando: diretriz impactada, justificativa de negócio, prazo desejado, dados envolvidos, controles compensatórios e responsável.
  • O pedido é registrado no sistema de governança com número de protocolo e prazo máximo de resposta de 5 dias úteis.

Quem aprova:

  • Exceções de acesso a dados de clientes: Data Owner do domínio + DGO.
  • Exceções de qualidade (ex.: aceitar dado com inconsistência conhecida): Data Owner + Equipe de Qualidade de Dados.
  • Exceções que envolvam dados sensíveis ou regulatórios: CDO, com parecer do Compliance/DPO.
  • Toda exceção tem prazo máximo de 90 dias, renovável uma única vez mediante nova justificativa; deve constar no relatório trimestral de conformidade para auditoria.
Validação da dica 1: cada diretriz responde a o quê, quem, com que frequência, onde se registra e qual a consequência. Verbos vagos como “zelar” ou “garantir” foram substituídos por ações mensuráveis (ex.: “Atualizar… em até 1 dia útil”, “Executar… 12 regras críticas”, “Validar… antes de qualquer extração”).



✅ Missão 2 — Aba Plano_Implantacao

Três passos com ações concretas para o SwiftBank, prazos, responsáveis e integração com metas e rituais.
O plano considera a realidade de um Data Lakehouse com camadas Bronze/Silver/Gold e a estrutura de governança
(CDO, DGO, Data Owners, Stewards, Custodians, Champions).

Plano de Implantação — 3 Passos
Passo Ações concretas Responsáveis Cronograma Integração com metas e rituais
1. Comunicação direcionada
  • Workshop com Marketing antes do go-live do novo fluxo de consentimento, explicando D4 e o contrato de dados.
  • Sessão com Crédito e Cobrança sobre D1, D2 e D7, com foco em prazos e consequências.
  • Campanha interna “Dado Bom é Dado Confiável” com vídeos curtos e guia rápido de exceções.
  • Reunião quinzenal com Data Champions para alinhar dúvidas e coletar feedback.
 DGO + Data Champions + CDO Semanas 1–4 (pré-go-live) e contínuo (quinzenal)
  • Comunicação entra no ritual de All Hands da Diretoria de Dados.
  • Data Champions reportam engajamento no OKR trimestral de Governança.
2. Responsáveis e cronograma
  • Nomear formalmente Data Owners por domínio (Crédito, Cobrança, Marketing, Cadastro) em portaria interna.
  • Definir Data Stewards e Data Custodians com dedicação mínima de 20%.
  • Criar calendário anual de revisões: trimestral (acessos — D5), semestral (contratos — D2), anual (treinamento — D6).
  • Publicar matriz RACI no portal de governança.
 CDO + DGO + RH Semanas 1–6 (nomeações) e calendário anual
  • Metas individuais de Data Owners e Stewards vinculadas ao cumprimento do calendário.
  • Reunião mensal do comitê de governança para acompanhar o cronograma.
3. Integração com metas e rituais
  • Inserir o indicador “% de dados mestres atualizados no prazo” no OKR trimestral da Diretoria de Crédito.
  • Incluir “tempo médio de correção de inconsistências” no painel de gestão da Diretoria de Cobrança.
  • Realizar reunião quinzenal com Data Champions e mensal com Data Owners para revisar indicadores.
  • Atrelar bônus variável de gestores de dados ao cumprimento de 90% das metas de qualidade.
 CDO + Diretorias de Crédito e Cobrança + DGO Trimestre 1 (implantação) e contínuo
  • OKR trimestral da Diretoria de Crédito: meta de 95% de dados mestres atualizados.
  • Ritual quinzenal com Data Champions e mensal com Owners já incorporado à agenda oficial.



✅ Missão 3 — Aba Indicadores

Cinco métricas (mínimo exigido) com fórmula, fonte do dado, meta e responsável. Todas são mensuráveis e
auditáveis, alinhadas às diretrizes da aba Política.

Indicadores de Monitoramento da Qualidade e Acesso
Indicador Fórmula Fonte do dado Meta Responsável
% de dados mestres atualizados no prazo (Nº de registros mestres atualizados em ≤ 1 dia útil / Nº total de registros mestres alterados no mês) × 100 Catálogo de Dados + Log de atualização da camada Gold ≥ 95% Data Steward de Cadastro
Número de inconsistências por mês Contagem de incidentes de qualidade abertos no mês na camada Bronze e Silver Ferramenta de Incidentes de Qualidade (ITSM) ≤ 20 por mês (redução de 10% ao trimestre) Equipe de Qualidade de Dados
% de áreas que cumprem a revisão trimestral de acessos (Nº de áreas que concluíram a revisão no prazo / Nº total de áreas com acesso a dados de clientes) × 100 Ferramenta de IAM + Relatório de Conformidade 100% DGO + Data Custodian
Tempo médio de correção de inconsistências Somatório do tempo (em horas úteis) entre abertura e fechamento dos incidentes / Nº de incidentes fechados no mês Ferramenta de Incidentes de Qualidade (ITSM) ≤ 40 horas úteis (5 dias úteis) Data Steward do domínio
Engajamento em treinamentos (Nº de usuários autorizados que concluíram o treinamento com nota ≥ 80% / Nº total de usuários autorizados) × 100 Plataforma de Treinamento (LMS) ≥ 98% Data Champions + DGO
Observação: todos os indicadores alimentam o painel mensal do comitê de governança e o relatório trimestral de auditoria. As metas estão vinculadas às diretrizes D1, D3, D5, D6 e D7.



✅ Missão 4 — Aba Cenarios_Diagnostico

Três cenários narrados, com política aplicável, falhas sem a política, papéis envolvidos, ações corretivas
e a diretriz da aba Política que previne cada caso. Os cenários refletem situações reais do SwiftBank
(compartilhamento com terceiro, conflito de consentimento e extração emergencial).

Cenário 1 — Compartilhamento de base com consultoria terceirizada de cobrança

Item Descrição
Narrativa A Diretoria de Cobrança solicita à Engenharia de Dados uma extração da base de clientes inadimplentes para enviar a uma consultoria terceirizada que fará a cobrança. O pedido chega por e-mail, sem contrato formal, e a extração é feita diretamente da camada Silver.
Política aplicável Política de Acesso e Qualidade de Dados de Clientes — Escopo (dados de cobrança), Papéis (Data Owner de Cobrança, DGO, Data Custodian) e Diretrizes D2, D5 e D7.
Falhas sem a política
  • Compartilhamento de dados sensíveis sem base legal ou contrato de tratamento de dados.
  • Ausência de registro de auditoria e de rastreabilidade da extração.
  • Risco de vazamento e de uso indevido dos dados pela consultoria.
  • Inexistência de SLA de correção caso a consultoria encontre inconsistências.
Papéis envolvidos Data Owner de Cobrança, DGO, Data Custodian, Compliance/DPO, Engenharia de Dados.
Ações corretivas esperadas
  • Formalizar contrato de dados com cláusulas de qualidade, finalidade e devolução/destruição dos dados.
  • Registrar a extração no catálogo e no log de auditoria, com aprovação do Data Owner e do DGO.
  • Aplicar mascaramento ou pseudonimização quando possível.
  • Monitorar o uso pela consultoria por meio de relatórios mensais.
Diretriz que previne D2 (contratos de dados com cláusula de qualidade e SLA) e D5 (revisão de acessos e princípio do menor privilégio).

Cenário 2 — Dúvida entre Marketing e Crédito sobre consentimento_marketing

Item Descrição
Narrativa Marketing deseja usar a base de clientes com consentimento_marketing para uma campanha, mas Crédito afirma que parte desses clientes teve o consentimento revogado após uma renegociação de dívida. As duas áreas discutem verbalmente, sem evidência documentada, e a campanha é iniciada com dados desatualizados.
Política aplicável Política de Acesso e Qualidade de Dados de Clientes — Diretrizes D4 (validação de consentimento) e D1 (atualização de dados mestres), além do Escopo (dados de consentimento).
Falhas sem a política
  • Uso de dados sem consentimento válido, gerando risco de sanções da ANPD e danos à reputação.
  • Conflito entre áreas por falta de fonte única de verdade.
  • Campanha disparada com base em dados desatualizados, reduzindo sua eficácia.
Papéis envolvidos Data Owner de Marketing, Data Owner de Crédito, Data Steward de Marketing, DGO, DPO.
Ações corretivas esperadas
  • Suspender a campanha imediatamente.
  • Consultar a base de consentimento na camada Silver, com registro de evidência no catálogo.
  • Reprocessar a lista com os consentimentos válidos e documentar a decisão.
  • Promover alinhamento entre Marketing e Crédito mediado pelo DGO.
Diretriz que previne D4 (validar consentimento_marketing antes de qualquer extração, com registro de evidência).

Cenário 3 — Pedido emergencial de extração da base de empréstimos

Item Descrição
Narrativa Em uma sexta-feira à tarde, a Diretoria de Crédito solicita uma extração emergencial da base de empréstimos para uma reunião estratégica no sábado. O pedido é feito por telefone, sem contrato de dados e sem validação de qualidade. A extração é feita diretamente da camada Bronze, com dados brutos e inconsistentes (ex.: UF “XX”, valores nulos).
Política aplicável Política de Acesso e Qualidade de Dados de Clientes — Diretrizes D2 (contratos de dados), D3 (motor de qualidade na Silver) e D7 (registro de inconsistências).
Falhas sem a política
  • Decisão estratégica baseada em dados não confiáveis, com risco de prejuízo financeiro.
  • Ausência de rastreabilidade e de SLA de correção.
  • Uso indevido de dados brutos sem harmonização.
  • Pressão sobre a equipe técnica para burlar processos.
Papéis envolvidos Data Owner de Crédito, Data Steward de Crédito, Equipe de Qualidade de Dados, DGO, Data Custodian.
Ações corretivas esperadas
  • Recusar a extração da camada Bronze e direcionar para a camada Gold/Silver com dados validados.
  • Aplicar o motor de qualidade e registrar as inconsistências encontradas.
  • Formalizar contrato de dados emergencial com prazo e responsáveis.
  • Comunicar ao CDO e ao comitê de governança o ocorrido, reforçando o processo.
Diretriz que previne D3 (motor de qualidade na Silver com 12 regras críticas) e D7 (registro e correção de inconsistências em até 5 dias úteis).



🧭 Observância das 3 Dicas de Troubleshooting

  • Dica 1 — Diretrizes específicas e mensuráveis: todas as 8 diretrizes foram reescritas para responder a o quê, quem, com que frequência, onde se registra e qual a consequência. Exemplos: D1 (“atualizar… em até 1 dia útil”), D3 (“executar… 12 regras críticas”), D7 (“registrar… em 1 dia útil, corrigir em 5 dias úteis”). Não há verbos vagos sem complemento.
  • Dica 2 — Uso criterioso de IA generativa: o conteúdo foi revisado para evitar invenção de regulamentos e inversão de papéis. As responsabilidades seguem a base de conhecimento: Data Owner responde formalmente pela qualidade; Data Steward implementa e monitora; Data Custodian garante infraestrutura; DGO aprova exceções; CDO patrocina. Nenhum dado real de cliente foi utilizado nos exemplos.
  • Dica 3 — Limite de diretrizes: a aba Política contém 8 diretrizes (abaixo de 12). Orientações mais operacionais (ex.: passo a passo de abertura de incidente, detalhamento de mascaramento) foram remetidas ao documento de Procedimento, mantendo a política no nível do “o quê”.
Facebook
LinkedIn
Share
Instagram