12,9 milhões de dólares perdidos por ano por causa de dados ruins. E se falássemos disso seriamente?
Vamos dizer algo que todo mundo sabe mas ninguém quer quantificar. Seus dados são ruins. Não um pouco. Estruturalmente. O Gartner estima que a empresa média perde 12,9 milhões de dólares por ano por causa da má qualidade dos dados.
É um número abstrato? Vamos decompor. Erros de precificação porque os dados de clientes estão incompletos. Atrasos em sinistros porque os dossiês estão duplicados. Não conformidades regulatórias porque os cadastros não estão atualizados. Relatórios errados porque os dados de origem são inconsistentes. É a sinistralidade invisível do seu SI. E diferente da sinistralidade real, ninguém a mede, ninguém a provisiona, ninguém é responsável por ela.
A grande limpeza pontual é uma ilusão
O reflexo clássico: lançamos um projeto de data quality. Durante 3 meses, uma equipe limpa os dados. Custa caro. Mobiliza muita gente. E 6 meses depois, os dados estão sujos de novo. Porque a qualidade dos dados é como a limpeza de um apartamento. Uma faxina anual não serve de nada se você nunca arruma no meio-tempo.
Os novos registros chegam com erros. As migrações poluem. As integrações com parceiros trazem seu lote de inconsistências. A cada dia, a dívida de dados se acumula. E cada grande limpeza custa mais que a anterior, porque o volume cresce e as interdependências se complexificam.
A qualidade dos dados não é um projeto. É um processo permanente. As organizações que tratam isso como projeto têm um problema recorrente de dados. As que tratam como processo quase não têm mais problemas.
QDD as a Service: o modelo operacional
O Quality Data Delivery as a Service opera de forma contínua. Três camadas em produção.
Monitoramento: cada dado que entra é escaneado automaticamente - completude, consistência, conformidade com as regras de negócio, atualidade. O escaneamento é contínuo, não diário, não semanal. Cada integração, cada registro, cada migração passa pelo crivo em tempo real.
Correção: as correções de alta confiança são aplicadas automaticamente. Um e-mail sem @? Corrigido. Uma duplicata exata? Mesclada. Um CEP inconsistente com a cidade? Corrigido. As correções incertas são submetidas ao data owner para decisão - com o contexto e a recomendação.
Relatórios: um dashboard em tempo real com os indicadores de qualidade por dataset, as tendências, os alertas. O data owner vê de relance se seu domínio está se degradando. E principalmente, ele pode intervir antes que a degradação tenha impacto no negócio.
O caso que faz refletir
Seguradora de saúde, 3 milhões de beneficiários. Auditoria dos dados de prestações: 15% de duplicatas, 8% de códigos de procedimentos inconsistentes, 5% de valores aberrantes. Custo estimado da não qualidade: 18 milhões por ano - reembolsos errados, fraude não detectada, relatórios falsos enviados ao regulador.
Após 6 meses de QDD as a Service em produção: duplicatas em 2%, inconsistências em 1%, valores aberrantes em 0,5%. Economia direta: 12 milhões por ano. Custo do dispositivo: 350.000 euros por ano. A proporção fala por si. E além das economias, a confiança das equipes de negócio nos dados mudou - elas tomam decisões sobre bases confiáveis, não sobre intuições corrigidas manualmente.
O que impede as organizações de avançar
Falta de responsabilidade clara. Se ninguém é responsável pela qualidade de um dataset, ninguém a mantém. Cada dataset crítico deve ter um data owner identificado, com objetivos de qualidade mensuráveis e um orçamento para alcançá-los. É uma decisão de governança, não um tema técnico.
Métricas ausentes. "Nossos dados estão limpos" não é um KPI. Completude, atualidade, consistência, unicidade: cada dimensão deve ser medida, monitorada, com limites de alerta. O que não se mede não se melhora - isso é verdade em todo lugar, mas é particularmente verdade para dados.
A abordagem pontual. Já dissemos: limpar uma vez não basta. E custa mais a cada vez, porque a dívida de dados só se acumula.
Os dados são a base de todo o resto
Sem dados confiáveis, os modelos de IA mais sofisticados são inúteis. O machine learning amplifica a qualidade dos seus dados - nos dois sentidos. Dados bons, modelos bons. Dados ruins, modelos que tomam decisões ruins em alta velocidade. Cada euro investido em um modelo de IA sem ter investido na qualidade dos dados é um euro mal aplicado.
O QDD as a Service não é um tema sedutor. É a base sobre a qual todo o resto se sustenta. E os 12,9 milhões perdidos a cada ano? É o custo da inação. Ele diminui assim que começamos a medir.
