Os riscos dos dados transformam-se em riscos de negócio quando números inconsistentes chegam aos tomadores de decisão, dados sensíveis vazam para usuários não autorizados ou mudanças nas métricas não são propagadas para todos os relatórios e ferramentas. O artigo apresenta a camada semântica como um meio prático de reduzir esses riscos, colocando definições de métricas, regras de negócio e permissões em um ponto central ao qual diferentes ferramentas possam recorrer.
A abordagem não trata dos riscos em seu sentido abstrato, associado a estruturas de conformidade, mas concentra-se nas perdas operacionais diárias que talvez não apareçam imediatamente. Uma auditoria regulatória pode revelar uma divergência em uma métrica entre sistemas; um membro do conselho pode observar dois números contraditórios para a receita em dois relatórios consecutivos; ou uma ferramenta de inteligência artificial pode produzir uma recomendação com base em dados que não foram governados desde a saída do analista que os criou.
Três áreas principais de risco
Segundo o artigo, os riscos dos dados concentram-se frequentemente em três áreas interligadas, às quais as organizações podem estar expostas ao mesmo tempo.
- Precisão: à medida que as organizações ampliam o uso de ferramentas, painéis e aplicações baseadas em inteligência artificial, a área sujeita a erros também aumenta. Uma métrica de receita pode ser definida de uma maneira em uma pasta de trabalho do Tableau, de outra em um modelo do Power BI e de uma terceira em um notebook Python. Essa diferença não representa apenas um inconveniente técnico, mas pode levar a decisões estratégicas equivocadas, alocação inadequada de recursos, não cumprimento de metas e perda de confiança na equipe de dados.
- Governança e acesso: os controles de acesso normalmente estão distribuídos entre o data warehouse, as plataformas de business intelligence, os painéis, os mecanismos de armazenamento em nuvem e as unidades compartilhadas. Cada sistema possui um modelo de permissões, uma interface de administração e capacidades de auditoria diferentes, o que resulta em um conjunto fragmentado, difícil de manter ou revisar com confiança. Dados sensíveis podem chegar a um painel em que não deveriam aparecer, não necessariamente por causa de uma conduta mal-intencionada, mas porque o escopo da governança se tornou amplo demais para ser gerenciado de maneira consistente.
- Gestão de mudanças: o diretor financeiro pode decidir, por exemplo, excluir clientes de teste da métrica de receita recorrente anual a partir do próximo trimestre. No entanto, a aplicação da mudança pode exigir a alteração de uma exibição no data warehouse, de duas pastas de trabalho no Tableau, de um modelo do Power BI e de um relatório do Excel gerenciado pela equipe de planejamento e análise financeira, além de uma ferramenta de análise que depende diretamente do data lake. Se alguns desses elementos não forem atualizados, os números voltarão a divergir depois de algum tempo.
Esses riscos se agravam quando a métrica não é governada, é definida de maneiras diferentes e não pode ser atualizada a partir de um único local. Portanto, o problema não está necessariamente no fato de a mudança ser incorreta, mas na possibilidade de ela não ser implementada integralmente em todas as partes do ecossistema.
Limitações do modelo tradicional
As organizações normalmente dependem de uma equipe central de analistas de business intelligence para atuar como porta de entrada para métricas, relatórios e painéis. O usuário solicita um novo relatório, uma alteração em uma métrica ou uma explicação para a divergência entre dois números e, então, aguarda o processamento do pedido. Esse modelo surgiu em parte porque as organizações não confiam suficientemente em seus dados para permitir o autoatendimento, mas ele tem custos claros: lentidão, gargalos de solicitações, custo de contratação e variação na qualidade dos resultados conforme o analista e as ferramentas que utiliza.
O problema aumenta com a distribuição dos controles de acesso, dos relatórios de qualidade, do rastreamento da origem dos dados e da definição dos responsáveis de negócio entre várias ferramentas e sistemas. Cada painel, fonte de dados ou plataforma adicional acrescenta uma nova superfície de governança, outro local em que as regras podem divergir e um possível ponto de falha. Como resultado, as equipes de dados podem passar mais tempo em manutenção e correção do que dedicam à entrega de dados e insights.
Uma única camada para definição e governança
O artigo propõe um modelo diferente: colocar as definições de métricas, a lógica de negócio e os cálculos em um único local dentro da camada semântica. Se a métrica de receita recorrente anual for definida uma única vez, Tableau, Power BI, Excel, Python e a ferramenta de conversação baseada em inteligência artificial poderão utilizá-la. Quando a definição for alterada, por exemplo, para excluir clientes de teste, a mudança será propagada para as ferramentas downstream, em vez de ser necessário procurar manualmente cada versão lógica da métrica.
O artigo também relaciona a camada semântica ao gerenciamento de versões, permitindo rastrear versões das principais métricas e saber como uma métrica era calculada anteriormente. Paralelamente, a camada semântica pode se tornar o ponto central de acesso aos dados governados, de modo que as equipes utilizem suas ferramentas preferidas, enquanto permissões, definições e regras de negócio sejam gerenciadas a partir de um único local. Dessa forma, o escopo da governança diminui de dezenas de sistemas para um ponto mais concentrado.
O benefício proposto não se limita à consistência. A camada semântica pode conter descrições de campos, definições de métricas, mapas de relacionamentos e regras de negócio, juntamente com os próprios modelos, colunas e métricas. Quando o contexto dos dados é documentado onde os dados estão, ele deixa de depender inteiramente da memória dos analistas ou de documentos dispersos que talvez não sejam atualizados. Isso apoia o autoatendimento e também permite que agentes de inteligência artificial leiam o contexto para compreender os dados em maior escala.
Reduzir os riscos, não eliminá-los
O artigo enfatiza que a camada semântica não é uma solução completa. Os dados básicos precisam ser limpos, organizados e mantidos, e a regra “entra lixo, sai lixo” continua válida. Além disso, a padronização das definições de métricas exige alinhamento organizacional e compromisso da liderança, algo que o software não pode substituir.
Mas a camada semântica, segundo essa abordagem, muda a economia da gestão de riscos. Em vez de adicionar mais funcionários e ferramentas de governança para acompanhar cada fonte, painel e plataforma, ela reduz o número de locais em que a lógica pode divergir, uma mudança pode se perder ou uma auditoria pode se tornar difícil. A gestão de riscos torna-se mais controlável porque se concentra em um único local, em vez de se espalhar por toda a pilha de dados.
Isso se torna ainda mais importante para as organizações que dependem de análises apoiadas por inteligência artificial, pois essas ferramentas precisam de dados governados e acompanhados de contexto para produzir resultados confiáveis. Na perspectiva do artigo, a camada semântica não representa apenas uma melhoria arquitetônica para a consistência, mas também parte da infraestrutura necessária para gerenciar os riscos dos dados em um ambiente no qual aumenta a velocidade e o custo das decisões baseadas em informações não confiáveis.