Vamos ser diretos. Em 90% das organizações, o dado é um subproduto. Algo que sai de um pipeline, aterrissa em um data warehouse e que ninguém realmente possui. Sem SLA. Sem documentação digna desse nome. Sem proprietário identificado. E depois, ficam surpresos que a adoção esteja em 20%.
Na Bomzai, temos uma convicção forte: o dado deve ser tratado exatamente como um produto digital. Com um owner, um roadmap, usuários-alvo, SLAs explícitos e um ciclo de vida documentado. É uma mudança de mentalidade, não uma mudança de ferramenta.
O que entendemos por "data product"
Um data product é um ativo completo. Ele tem uma fonte identificada, transformações versionadas, uma saída utilizável — tabela, API, dashboard. Ele tem sobretudo um proprietário nomeado. Não "a equipe de dados". Uma pessoa. Com responsabilidades claras: definir o roadmap, gerenciar os SLAs, coletar o feedback dos usuários, iterar.
Vamos a um exemplo concreto. Um data product "Customer 360": fontes CRM, transações, interações. Saída: tabela consolidada de 50 campos. Proprietário: VP Revenue. SLA: 99,5% de disponibilidade, menos de uma hora de latência, precisão superior a 98%. Versão 3.2, changelog documentado. Usuários identificados: vendas, marketing, atendimento ao cliente, analytics. É uma estrutura comercial. Não um pedaço de SQL esquecido.
Os SLAs: o contrato de confiança
Sem SLA, ninguém confia nos dados. Ponto. Um SLA de dados é uma promessa mensurável: "Este dataset está disponível a 99,5%, com latência inferior a 2 horas, cobertura superior a 99% das chaves e precisão medida em mais de 95% contra a fonte de verdade."
Quatro dimensões críticas. A disponibilidade — quando os dados estão acessíveis. A latência — quando estão atualizados. A completude — qual porcentagem de linhas está coberta. A precisão — qual porcentagem de valores está correta. Cada dimensão é monitorada continuamente. Dashboard dedicado, alertas em caso de ultrapassagem. E consequências reais: um SLA não respeitado dispara um incidente prioritário, uma análise de causa raiz, um plano de correção.
Os resultados mensuráveis estão aí: as organizações que publicam SLAs claros em seus data products constatam um aumento de adoção de 40%. Porque a confiança não se decreta. Ela se mede.
Descobribilidade: o problema invisível
Você sabia que 85% dos usuários passam mais de 30 minutos procurando os dados certos ou pedindo à equipe de dados? É uma perda de produtividade massiva e, no entanto, ninguém fala sobre isso.
A solução é a UX de dados. Um catálogo com busca poderosa, tags, descrições claras. Cada ficha de data product deve ser autossuficiente: título explícito, descrição em uma linha, casos de uso concretos ("Usado para: previsões de vendas, alocação geográfica, pricing"), schema documentado, exemplos de consultas, contato do proprietário. O usuário nunca deveria precisar perguntar. Se alguém envia uma mensagem no Slack para encontrar um dado, é uma falha de descobribilidade.
Na Bomzai, recomendamos investir 20% do esforço de um data product em documentação e UX. É o melhor ROI que observamos em nossos casos de uso em produção.
O ownership: sem proprietário, sem produto
Um data product sem owner é um órfão. E dos órfãos, ninguém cuida. O owner é um papel explícito — Product Manager a 40% do tempo, Analytics Engineer a 40%, ou uma combinação dependendo da natureza do produto.
Se é um KPI crítico para vendas: o proprietário é o CRO ou o VP Sales. Se é um dataset técnico: é o Engineering Manager do domínio. O owner decide quais colunas adicionar, como documentar, quando introduzir mudanças importantes. E sobretudo, o owner é responsável. Se os usuários não estão satisfeitos, o problema é dele. Não da infraestrutura.
O versionamento: evoluir sem quebrar tudo
Os data products evoluem. Novas colunas, mudanças de definição, melhorias de qualidade. A questão é como evoluir sem quebrar as dependências.
A resposta: versionamento semântico. Versão major (v4.0) para mudanças que quebram — coluna removida, definição de métrica modificada — com três meses de notificação e migração assistida. Versão minor (v3.5) para adições não quebrantes. Patch (v3.2.1) para correções de bugs. A cada versão major, um changelog preciso. "A receita incluía reembolsos até a v3, exclusivo a partir da v4." É rigor industrial aplicado aos dados.
A transição para o mindset de produto não é teoria. É o que faz a diferença entre uma equipe de dados que gira em círculos e uma equipe que co-constrói com o negócio ativos que produzem resultados mensuráveis. Na Bomzai, acompanhamos essa transição como parceiro operacional — não com uma auditoria de seis meses, mas com um primeiro data product em produção em menos de 30 dias.
