Neste segundo artigo da série, apresentamos um caso prático de aplicação de Data Quality em Dados Mestres.
Cenário de negócio
Indústria com necessidade de monitorar a Qualidade do cadastro de Parceiros de negócio – Fornecedores de materiais diretos com foco em atributos que possam gerar impacto tributário, fiscal ou de compliance.
Dimensões, Regras de negócio, Severidade e Peso
Para esse caso as seguintes dimensões de data quality foram aplicadas:
- Completude
- Consistência
- Unicidade
- Precisão
- Atualidade
- Conformidade (Validade)
Foram eleitas as seguintes regras de qualidade a serem aplicadas, sua severidade e peso foram determinados de acordo com o impacto potencial para o negócio em caso de não conformidade:
Nota: Para demonstrar exemplos de regras de negócio relacionadas a Data Quality, utilizamos exemplos ilustrativos, contudo é importante salientar que a solução MDM+BRO pode fazer uso das próprias regras de negócio em uso na governança de cadastros (processos de Criação/Ampliação/Modificação) sem necessitar que a regra seja construída exclusivamente para o contexto de Data Quality – isso garante uma única versão da verdade para a regra de negócio.
Fluxo do processo de avaliação de Data Quality
Periodicidade da execução e seleção dos Parceiros de Negócio – Fornecedores
Para cobrir as necessidades desse cenário de negócio foram configurados os seguintes parâmetros no job de execução:
- Seleção: Parceiros de Negócio com a função Fornecedor, que tenham fornecido nos últimos 24 meses materiais do tipo ROH (matéria-prima) e HALB (semi-acabado) com montante financeiro superior a R$ 50.000;
- Periodicidade: A avaliação é executada mensalmente na noite/madrugada entre dias 10 e 11;
Resultado detalhado de um Parceiro de Negócio – Fornecedor
Abaixo temos o resultado da execução realizada para um Parceiro de Negócio em janeiro/26:
Entendendo que a decisão sobre cadastro sobrevivente não foi tomada dentro de janeiro/26 (regra R001) e sabendo que a ação sobre obtenção da CND atualizada ocorreu com sucesso (regra R004), a nova rodada de fevereiro/26 nos deu como resultado o seguinte:
Após a execução de fevereiro/26, a decisão sobre o cadastro sobrevivente foi tomada (regra R001) e o Parceiro 500032 foi marcado para eliminação. A nova rodada de março/26 nos deu como resultado o seguinte:
O histórico das execuções também permite acompanhar a evolução da qualidade desse cadastro ao longo do tempo.:
Monitoramento global da qualidade dos dados de Parceiros de Negócio
No tópico anterior exploramos a evolução da qualidade dos dados de um Parceiro de Negócio específico, algo muito útil pra análises mais granulares, contudo a ferramenta MDM+BRO também entrega essa evolução a nível geral, sendo também possível monitorar a evolução da qualidade de toda a base de dados mestres como podemos ver nos exemplos que seguem:
Data Quality e Governança de dados mestres
A efetividade de uma iniciativa de Data Quality depende diretamente da existência de um modelo de Governança de Dados Mestres. Sem definição de responsabilidades, regras de qualidade tendem a se tornar apenas validações técnicas isoladas, desconectadas do contexto operacional e das decisões do negócio.
Nesse cenário, Data Owners e Data Stewards possuem papel fundamental. São eles que conhecem o impacto real dos dados sobre os processos, atuando diretamente na definição das regras de negócio, critérios de severidade e ações esperadas para cada tipo de não conformidade.
Além da definição das regras, iniciativas maduras de Data Quality também dependem da atuação contínua desses responsáveis no tratamento das exceções identificadas. Embora parte das correções possa ser automatizada, muitos cenários ainda exigem análise contextual e tomada de decisão humana via workflow.
Como vimos no primeiro artigo dessa série, Governança e Data Quality não são disciplinas isoladas. Governança define responsabilidade, contexto e processo; Data Quality operacionaliza esse controle através de monitoramento contínuo, indicadores e execução das regras definidas pelo negócio.
Conclusão
Ao longo desta série mostramos que Data Quality em Dados Mestres não se resume à correção de cadastros inconsistentes.
O valor do Data Quality não está apenas em identificar inconsistências, mas em estabelecer um ciclo contínuo de controle baseado em regras de negócio alinhadas ao contexto operacional, monitoramento contínuo e priorização por criticidade e impacto para o negócio. Em dados mestres críticos — especialmente fornecedores com impacto fiscal e tributário — isso significa detectar problemas, direcionar ações corretivas, acompanhar a evolução dos indicadores e aumentar a confiabilidade dos processos, integrações e iniciativas de IA através de dados mestres consistentes e governados.
Na AKQUINET, apoiamos organizações na implementação de iniciativas de Master Data Management + Data Quality através de abordagens integradas entre governança, processos e tecnologia. Desde a definição das regras de negócio até a implementação de monitoramento contínuo, o objetivo é transformar dados mestres em ativos realmente confiáveis para o negócio.