1. Princípios Fundamentais da Avaliação de Maturidade em Governança de Dados
- Governança não é linear: não existe uma sequência perfeita de iniciativas que garanta sucesso; duas empresas nunca percorrem a mesma jornada.
- Maturidade tecnológica sem maturidade organizacional não sustenta nada: as melhores ferramentas não criam governança por si sós; o que gera um ambiente governado é a integração entre tecnologia e pessoas.
- Governança é tanto cultura quanto tecnologia: a tecnologia é frequentemente secundária; atuar em governança é atuar na cultura das organizações.
- Proporcionalidade ao momento: é preciso avaliar se a iniciativa faz sentido para a maturidade atual, se a organização consegue sustentá-la e se é estratégica naquele momento.
- Iniciativas perenes: ownership, catálogo, linhagem e qualidade não são projetos com início e fim; precisam ser continuamente atualizados.
- Responsabilidades claras são habilitadoras: sem Data Owners e Data Stewards definidos, qualidade, controle de acesso e outras capacidades ficam comprometidas.
- Maturidade é heterogênea: diferentes disciplinas e diferentes áreas de negócio apresentam níveis distintos de maturidade dentro da mesma organização.
- Evidências antes de opiniões: a avaliação deve se basear em coleta de evidências, entrevistas, documentação, análise de ferramentas e benchmark de mercado.
- Indicadores indiretos revelam o todo: observar resultados e consequências (como animais bem alimentados indicam paz) é uma forma rápida e eficaz de posicionar a organização em níveis de maturidade.
2. Por Que Avaliar a Maturidade Antes de Iniciar Qualquer Iniciativa
Quando somos contratados para liderar uma iniciativa de qualidade de dados em uma empresa que cresce e apresenta erros recorrentes, as primeiras perguntas são: por onde começar? Quais são os pré-requisitos? A empresa está realmente preparada? É comum que iniciativas nasçam com times e financiamento e, quando não entregam o resultado esperado, sejam encerradas — deixando a governança de dados marcada como uma falha. Para evitar isso, é preciso avaliar o panorama geral da organização: qual é o nível de transformação digital, quantos sistemas existem, como a governança se insere no contexto, quais são as necessidades específicas (ferramentas, capacidades e pessoas) e quais ações geram mais valor. Talvez a iniciativa de qualidade de dados não seja a mais adequada neste momento; pode haver algo mais fundamental a ser feito antes. A avaliação de maturidade permite materializar riscos, alinhar expectativas com a liderança e aumentar as chances de sucesso — tanto para a organização quanto para a carreira do profissional.
3. A Jornada da Governança de Dados: Por Que Não É Linear
Quando falamos em jornada, pode parecer que a governança é uma estrada pela qual todas as organizações passam pelos mesmos pontos até um destino final. Não é assim. Não existe uma sequência perfeita de iniciativas, passos e processos que garanta sucesso. As iniciativas evoluem conforme a organização cresce, muda, aprende e enfrenta novos desafios. Em duas empresas distintas, a jornada nunca será igual: mesmo mirando um objetivo similar — um ambiente mais governado e com menos problemas de qualidade —, os caminhos não serão idênticos. Não basta implementar um catálogo e depois uma ferramenta de qualidade; é preciso entender as necessidades da empresa, compreender a estratégia organizacional e, a partir desses dois elementos, traçar um plano que faça sentido. As melhores ferramentas do mercado, implementadas em uma organização, não a tornam governada: as ferramentas facilitam processos e reduzem esforço manual, mas não criam governança. O que gera um ambiente governado é a integração entre as capacidades técnicas das ferramentas e as capacidades das pessoas de lidar com os dados. A conclusão é que governança é tanto sobre cultura quanto sobre tecnologia — e a tecnologia muitas vezes é secundária nessa decisão.
4. Governança Ajustada às Organizações: Sentido, Sustentação e Estratégia
Antes de implementar qualquer iniciativa, três dimensões precisam ser avaliadas. A primeira é sentido e momento: faz sentido e este é o melhor momento para a iniciativa? A segunda é sustentação pós-implementação: se a iniciativa fosse implementada de hoje para amanhã, a organização conseguiria dar suporte? O que é preciso para sustentá-la no curto, médio e longo prazo? A terceira é estratégia no nível macro: é estratégico trabalhar essa iniciativa agora, ou existe outra área relacionada à governança mais crítica para investir tempo e pessoas? A avaliação de maturidade ajuda justamente a mitigar riscos: sem ela, o risco é incerto e, portanto, perigoso. Com ela, é possível abordar as lideranças e o CDO para afirmar que, embora tenhamos sido contratados para uma iniciativa específica, precisamos cumprir previamente determinadas etapas e pré-requisitos; caso contrário, a iniciativa estará fadada ao fracasso. O roadmap de governança de dados começa pelas grandes iniciativas (como catálogo, ownership, linhagem e qualidade), passa por métodos consolidados de avaliação (DAMA e Gartner), identifica indicadores observáveis de maturidade e, por fim, aplica esse conhecimento ao contexto da organização.
5. Ownership e Patrocínio: a Base de Tudo
Problemas de dados frequentemente envolvem diferentes pessoas e equipes. Um exemplo clássico: uma base de contas a pagar que considera o mês com 28 dias faz com que todas as contas a partir do dia 28 fiquem para o mês seguinte, gerando multas e ineficiência financeira. Sem ownership, é difícil saber a quem comunicar o problema; muitas vezes ele é reportado à TI, que não conhece a regra de negócio. O Business Data Steward interpreta o contexto e as regras; o Technical Data Steward traduz a necessidade para o contexto técnico e aplica as alterações. O ownership é uma iniciativa perene: responsabilidades mudam rapidamente (movimentações internas, saídas, aposentadorias, reestruturações), e a governança precisa mediar a identificação da melhor pessoa para ocupar o papel e garantir a documentação. É muito difícil ter 100% das bases com ownership estabelecido; mesmo quando se atinge esse percentual, é preciso avaliar qualitativamente se a pessoa responsável realmente se reconhece como tal e possui conhecimento suficiente. Há duas abordagens para identificar owners e stewards: a qualitativa (mapear processos de negócio, sistemas e pessoas responsáveis — exige mais tempo, mas é mais precisa) e a quantitativa (analisar queries e interações com a base — quem faz UPDATE, edições e backups tende a ser steward; quem apenas faz SELECT tende a ser consumidor). O patrocínio executivo é igualmente essencial: sem ele, a adesão de stewards e owners fica muito abaixo do desejado. O patrocinador ajuda a cobrar a execução dos papéis, apoia decisões e mudanças, defende a importância da governança e difunde a mensagem junto às demais áreas. Essas pessoas precisam ter influência e autoridade — diretorias, gerências e lideranças com poder de decisão.
6. Catálogo de Dados: Contexto, Responsabilidades e Linhagem
O catálogo de dados é um repositório central de metadados que organiza informações sobre os ativos de uma organização, sempre provendo contexto. Seus três pilares principais são: contextualização (metadados técnicos e de negócio que permitem entender a base, seu uso e como confiar nela), responsabilidades (capacidade de documentar quem é o owner, o steward, a pessoa responsável técnica e a pessoa de engenharia pelo pipeline) e linhagem (movimentações e transformações pelas quais o dado passa em seu ciclo de vida). O objetivo é transformar dados dispersos em um inventário organizado e contextualizado, conectando tecnologia e negócio. Toda empresa precisa de um catálogo? Sim e não. Sim, porque as capacidades são essenciais (documentar responsáveis é imprescindível, inclusive para conformidade com LGPD e GDPR). Não, porque nem toda empresa precisa implementar imediatamente uma ferramenta de mercado; já vimos catálogos em planilhas de Excel funcionando adequadamente para organizações de menor maturidade. Quanto mais complexa a organização, mais valor se extrai de uma ferramenta dedicada. Para implementar, é preciso definir o que se quer alcançar (valor esperado), mapear os dados críticos e começar por eles, considerar prazos e resultados esperados, e equilibrar três pilares: estratégia (o que queremos, qual a maturidade atual, qual o prazo), capacidade (configurar o software, conectar sistemas de origem, obter acesso aos metadados — é sempre um esforço conjunto) e expectativas (o que a organização espera e em quanto tempo). Estratégias comuns incluem reduzir o escopo ao ambiente analítico ou a uma cloud específica, priorizar dados críticos sob a perspectiva de linhagem ou focar nos dados mestres.
7. Linhagem de Dados: Documentando a Trajetória Completa
A linhagem de dados é uma representação documental que descreve onde o dado se origina, em quais sistemas está organizado, por onde trafega, quais transformações sofre e como é utilizado. Mais do que saber onde o dado está, a linhagem permite compreender toda a sua trajetória: identificar onde surgiu um problema, avaliar o custo de o dado existir em todos os sistemas, o retorno esperado, os objetivos de negócio atrelados e como demonstrar valor. Toda organização tem linhagem — a questão é se ela está documentada ou não. Sem documentação, apenas as pessoas que compreendem cada parte do processo sabem quais são as transformações e os sistemas envolvidos; falta uma visão do todo e há grande dependência do conhecimento individual. Se essa pessoa sair ou ficar doente, como saberemos quais transformações o dado sofre? A linhagem pode ser implementada em diferentes níveis: no nível mais básico, definimos apenas quais sistemas a base percorre e quais a consomem; no nível mais avançado (como vimos com SQLFlow no VS Code), conseguimos visualizar, para cada coluna, quais transformações ocorreram, a origem, as agregações e os cálculos realizados. O exemplo prático percorre o fluxo ServiceNow → RH (fonte da verdade) → TI (camadas Bronze, Silver e Gold) → Financeiro, mostrando como a documentação da linhagem evita suposições equivocadas (como achar que um problema está na camada Gold quando ele se originou no RH).
8. Qualidade de Dados: Duas Abordagens e Seus Pré-Requisitos
Há duas abordagens possíveis em qualidade de dados. A primeira é garantir a qualidade de um conjunto específico de dados: entender o contexto técnico e de negócio da base, criar regras de qualidade, avaliar ao longo do tempo, determinar se a base tem qualidade e, se não tiver, identificar a origem do problema e corrigi-lo. Nesse caso, o escopo é sempre reduzido — é irreal afirmar que vamos garantir a qualidade de todos os dados da organização. As melhores pessoas para criar regras de qualidade são, nesta ordem: o Data Steward, a pessoa consumidora da base, o Data Owner e, por último, a governança. A segunda abordagem é habilitar capacidades organizacionais: criar ou disponibilizar uma ferramenta (muitas vezes de mercado) que permita às áreas criar suas próprias regras e monitorar os dados. Aqui, a solução é muito mais técnica e exige capacitação: o que é uma regra de qualidade, como criar boas regras, a diferença entre regras técnicas e de negócio. Em ambos os casos, há um pré-requisito fundamental: não conseguimos fazer qualidade de dados de forma eficiente sem Data Owner e Data Steward com conhecimento específico. Dado que as responsabilidades estejam mapeadas, entra-se no ciclo: definir a regra, implementar no motor de qualidade, monitorar os resultados, aferir se a base tem qualidade e reportar ou solicitar tratamento dos problemas. Por ser uma iniciativa complexa, muitas vezes faz sentido investir primeiro em iniciativas mais fundamentais, como a identificação dos Data Owners, antes de avançar para a qualidade de dados.
9. Data Marketplace: a Evolução Natural do Catálogo
O Data Marketplace é uma evolução natural do catálogo de dados. No catálogo, buscamos, consultamos, identificamos a pessoa responsável e solicitamos o acesso de alguma maneira — mas o catálogo, por si só, não executa o acesso. No Marketplace, conseguimos buscar o dado, consultar metadados, solicitar o acesso, passar pelo processo de aprovação, garantir que o dado seja provisionado e então acessá-lo. Nem tudo necessariamente acontece dentro da mesma ferramenta, mas todo o processo fica articulado como uma jornada única. Alguns autores posicionam o Data Marketplace como catálogos de terceira geração, pois incorporam o processo de acesso aos dados. A analogia é com um comércio eletrônico: há diversos produtos à disposição e, ao analisá-los, colocamos o item no carrinho e “compramos” — a diferença é que os produtos são produtos de dados. A implementação é exigente: é preciso já ter maturidade para operar um catálogo, lidar com a complexidade técnica do provisionamento e do acesso, e respeitar regulações internas e externas (como a LGPD para dados pessoais). Na operacionalização, o Marketplace geralmente cria ou indica uma cópia dos dados a partir de uma camada de acesso, que concentra capacidades como: conceder acesso às pessoas autorizadas, revogar acesso quando negado ou quando expira o tempo limite, anonimizar dados que não devem estar amplamente disponíveis e aplicar filtros (por exemplo, em uma base de movimentações de RH, os dados passados são públicos internamente, mas as movimentações futuras exigem nível muito maior de acesso). A forma de disponibilização é crucial: o objetivo é entregar o dado na melhor e mais simples forma de consumo possível, reduzindo barreiras para a interação e extração de valor.
10. Modelos DAMA e Gartner, Indicadores e Operacionalização da Avaliação
O modelo DAMA é focado na gestão de dados a partir das disciplinas de governança (interoperabilidade, Data Warehousing, qualidade, metadados etc.). Seus níveis são: 0 — Ausente (nenhuma capacidade estabelecida); 1 — Inicial (começando a estruturar); 2 — Repetível (papéis e processos padronizáveis); 3 — Definido (processos formalizados e escaláveis); 4 — Gerenciado (medição e previsão de resultados, indicadores quantitativos); 5 — Otimizado (processos automatizados, mínimo de barreiras entre usuário e dados). A maturidade é heterogênea: uma empresa pode estar em nível definido em qualidade de dados, mas não tão bem em interoperabilidade; diferentes áreas também apresentam maturidades distintas (RH costuma ser mais maduro, com People Analytics sólido). O modelo Gartner é mais amplo, focado na gestão da informação como um todo e em como a organização transforma dados em valor para o negócio. Seus níveis são: Não consciente (informação vista como problema, desconfiança nos dados); Consciente (reconhecimento da importância, mas iniciativas isoladas); Reativo (iniciativas centralizadas, roadmap, investimentos iniciais, times dedicados); Proativo (dados e informação fazem parte da estratégia, padrões consolidados); Gerenciado (dados reconhecidos como ativos estratégicos); Efetivo (dados utilizados sistematicamente para gerar valor e vantagem competitiva). A maioria das organizações está nos dois primeiros níveis, no máximo no terceiro. Para operacionalizar a avaliação, é preciso definir o escopo e o modelo: para uma abordagem holística (auditoria da situação atual), o Gartner pode ser mais adequado; para uma iniciativa específica (como qualidade de dados), o DAMA pode fazer mais sentido. Uma abordagem híbrida costuma ser a mais interessante: a DAMA avalia capacidades técnicas e operacionais; o Gartner avalia alinhamento estratégico e visão organizacional. A coleta de evidências inclui entrevistas, análise de documentação, avaliação de ferramentas e benchmark de mercado. É comum encontrar iniciativas concorrentes (dois catálogos, dois Data Lakehouses), o que evidencia demanda, mas também falta de coordenação e maturidade organizacional. Os riscos incluem infraestrutura, conhecimento técnico, buy-in (adesão) e alfabetização de dados; conhecer os riscos permite iniciar planos de ação para mitigá-los.
11. Indicadores de Maturidade: Observando Consequências e Resultados
Quando não há tempo ou capacidade para uma avaliação detalhada, é possível adotar uma abordagem orientada a indicadores — assim como a quantidade de animais de rua bem alimentados indica paz em uma região, indicadores indiretos revelam a maturidade de dados. Bons indicadores devem ser objetivos e mensuráveis, ter relação direta com a maturidade e ajudar a posicionar rapidamente a organização em níveis de maturidade. Os primeiros indicadores são de ownership e stewardship: número (e percentual) de ativos com Data Owners definidos; número de ativos com Data Stewards definidos; quantidade de bases com metadados obrigatórios completos (nome amigável, descrição, nomes de colunas compreensíveis); número de bases com Data Stewards ativos (que modificaram metadados nos últimos seis meses). Esses indicadores são bons porque habilitam outras iniciativas: sem Data Steward, não há boas regras de qualidade; sem Data Owner, não há bom controle de acesso. Indicadores de linhagem e processos de negócio: quantidade de ativos com linhagem completa (caminho mapeado entre sistemas e camadas); número de ativos com linhagem que inclui processos de negócio (quais processos e serviços consomem a base); porcentagem de ativos com consumidores identificados. Esses indicadores ajudam a priorizar ações (dados muito consumidos são críticos), a compreender o valor gerado e a habilitar uma gestão orientada a dados como serviço e produto. Indicadores de inserção do negócio: número de Data Stewards que pertencem à área de negócio (espera-se que o steward de RH seja de RH, não de TI); quantidade de pessoas aderentes ao catálogo por área; número de usuários ativos no catálogo por área (com contribuições nos últimos seis meses). Esses indicadores revelam a heterogeneidade de maturidade entre áreas, evidenciam mudança cultural e ajudam a identificar onde faz sentido federar as ações de gestão de dados (dar autonomia a áreas com maturidade suficiente). Indicadores de treinamento e literacia: porcentagem de pessoas treinadas no nível básico de literacia de dados; quantidade de Data Owners e Data Stewards que realizaram treinamento específico para o papel; quantidade de lideranças que realizaram treinamento em dados específico para liderança. Esses indicadores são mais diretos e têm correlação clara com a maturidade: sem capacitação, é muito difícil evoluir na gestão de dados de modo geral. Com esse conjunto de ferramentas — frameworks estabelecidos, iniciativas mapeadas por momento de maturidade e indicadores observáveis — é possível avaliar a maturidade de uma instituição e definir um roadmap adequado ao seu contexto.
