Total de visualizações de página

quarta-feira, 4 de outubro de 2017

Visão comparativa e comentada do DAMA-DMBOK®V2-Parte III-final

Vamos começar repetindo o modelo DMBoK®V2-Evoluído


Figura 01-Diagrama DAMA-DMBoK® V2 Evoluído, adaptado pelo autor. Fonte: DAMA-DMBoK® V2

Observe que:
Com as 11 Áreas de Conhecimento, detalhadas em Introdução(Drivers de negócios, objetivos& princípios e conceitos essenciais); Atividades; Ferramentas, Técnicas, Guias de implementação, relacionamento com a Governança de dados e Métricas, o novo framework preenche lacunas importantes que existiam na versão 1. Além disso, a adição dos novos conceitos, a serem discutidos separadamente, trouxe uma modernidade impar ao seu Corpo de Conhecimento. Por exemplo:

Ética(Princípios&Ética): Os aspectos de Ética em tratamento de dados, expandidos em um capítulo separado(era tratado de forma mais discreta no DMBOK1), é um dos grandes pontos do DAMA-DMBoK®V2. Hoje, em função da criticidade de aspectos de Privacidade, Segurança e Regulação(Compliance) e em função do crescimento de informações na Sociedade Digital, tornou-se fundamental de ser abordado com maior profundidade, como feito nesta nova versão. Por exemplo, os conceitos de GDPR-General Data Protection Regulation, da União Europeia estão amplamente discutidos no DAMA-DMBOK2 e são hoje um tema de vital importância no domínio da Ética de dados, no sentido da preservação dos direitos à segurança e privacidade. A importância da discussão dos aspectos de ética de dados cresce rapidamente na sociedade digital. Por exemplo, recentemente (setembro de 2017) a Universidade de Stanford publicou um trabalho, divulgado por toda a imprensa mundial, sobre um método de reconhecimento facial, usando IA, que tem 81% de precisão na definição de “gays”. O uso do Watson da IBM no apoio de diagnóstico de câncer também nos leva a um patamar de conceitos éticos, na medida em que os diagnósticos, feitos por mecanismos de inferência, como redes neurais,etc, podem sugerir certos resultados não garantidos, ensejando novos conceitos (como ética) aplicados aos dados. Esse e outros aspectos sobre ética no uso dos dados deverão, gradativamente, elevar a importância de se usar os dados com sensibilidade e visões que respeitem as pessoas, princípios e escolhas. Isso abrirá um novo espaço para a Governança e Gestão de dados passarem a observar os dados com novo olhar. Por exemplo, com o crescente uso de AI com algoritmos focados em Machine Learning(ML), a GD já começa a se posicionar. Esses algoritmos, alguns em forma de caixa preta, deverão merecer a observação da GD na medida em que as decisões tomadas, os resultados obtidos ou as opções escolhidas não são necessariamente reveladas pelos algoritmos de ML. Formados pelo refinamento sucessivo dos modelos, através de variadas simulações, torna-se um desafio da GD entender quais foram os caminhos de decisões tomados para se chegar naquela inferência. Talvez ai esteja surgindo novos processos de GD, como QA(Quality Assurance) de resultado de dados inferenciais. Considerando que podemos entender o ecossistema de ML como composto de 3 camadas vitais: dados , modelos e decisões tomadas, a GD deverá estender seu olhar em direção aos outros dois(modelos e resultados), já que os dados sempre estarão sob a sua capa. Mesmo assim , os dados e metadados deverão ser bem conhecidos, com seu grau de qualidade definido, e suas possíveis tendências e distorções de conteúdo conhecidos. Os modelos, embutidos em algoritmos caixa-pretas, por sua vez, exigirão conhecimento dos coeficientes de calibração das variáveis que conduziram ao resultado inferencial. Por vezes, os algoritmos serão desvendados através dos registros parciais de seus caminhos escolhidos até a conclusão final. Para cada decisão intermediaria, teremos o mapeamento do seu racional, numa espécie de log interno dos seus -ifs- e -elses-.    
Veja no link a reportagem sobre inferência de “gêneros” por análise de imagens: goo.gl/871sR9 . ou no goo.gl/EnW1hi.      Copy short URL
Governança de Dados: A função de Governança de dados, além de já ser uma AC separada, também foi colocada dentro de cada Área de Conhecimento, com olhar específico de controle sobre aquela gerência específica, facilitando a implementação da GD. Isso enriquece cada Área de Conhecimento, já sugerindo pontos que a Governança(como Legislativo e Judiciário dos dados) tem que observar. Por exemplo, dentro da nova AC DII-Integração e Interoperabilidade de dados, a Governança de dados deverá estender sua visão para acordos de compartilhamento de dados, Linhagem de dados e métricas de integração de dados.

Gerência de Mudanças: Aspectos de Gerência de mudança organizacional também são discutidos em um capítulo separado e mencionados em algumas AC(Áreas de Conhecimento), como em Governança de dados, quando há a necessidade de se perceber qual a propensão da empresa para mudanças organizacionais e culturais, fatores preponderantes no sucesso de GD. Os cuidados que se deve ter com a introdução de GD, quebrando fatores cristalizados como “proprietarismo dos dados” é de suma importância e um dos grandes FCS-Fatores críticos de sucesso da empreitada.
Uma recente pesquisa feita pela FSFP-First San Francisco Partners (State fo Data Governance Survey-Agosto de 2017) , agora em setembro de 2017, sobre a situação de Governança de dados nas empresas americanas, mostra alguns pontos interessantes acerca destes aspectos de mudanças:
a)Sobre a função de GD ser praticada de forma dedicada da empresa: 70% responderam que sim e 27,08 responderam que não(funciona só parcialmente).
b)Sobre os maiores obstáculos para o estabelecimento da estratégia de GD: Quase 40% disseram que é  a falta de recursos(staff,TI,etc) vindo com 20,83% a dificuldade  de se comprovar o valor(business case) e 18,75 dizendo que GD não é considerada importante. 
Também os aspectos acerca das variadas estruturas organizacionais para GD( Centralizada, Descentralizada, Híbrida e Federada), se valem de aspectos culturais, além de geográficos e negociais e estão relacionados com mudanças.

Novos capítulos:
Novos temas que eram incipientes no momento de criação do DMBOK1 foram incorporados. Exemplo:

Big Data&Ciência de dados: Esses conceitos, que em 2009 existiam em outra proporção e com denominações diferentes (Big Data era representado por VLDB-Very Large Data Bases, unicamente com dados estruturados) e Ciência de Dados era representada por tratamentos estatísticos computacionais, agora ganham profundidade dentro do DAMA-DMBoK®V2, tornando-o atualíssimo no atual ecossistema de dados.

Maturidade: O conceito de  Avaliação de Maturidade, que em 2009 já era forte em processos, como CMMI e MPS.BR(no Brasil), mas incipientes em dados, mereceu um capítulo à parte. Havia naquele momento(2009), algumas proposições de Avaliação de Maturidade de dados, sugeridas mais por empresas de tecnologia/consultoria, como IBM, Gartner,etc, mas o assunto somente ganhou corpo(no domínio de dados) a partir da chegada do DMM-Data Management Maturity Model, em 2014, lançado pelo CMMI Institute, hoje pertencente ao ISACA, forte em Cobit, ITIL e Governança de TI. O DMM e o Cobit 5 hoje já oferecem uma espécie de ferramenta (Cobit5/DMM Practices Pathway Tool) que permite mapear os resultados de seus componentes, introduzindo a melhoria de Gestão de dados, agora diretamente em empresas que usam o Cobit5.
O novo framework da DAMA ressalta esse importante conceito para a mesa dos decisores, que podem pensar em iniciar um Programa de GD, conhecendo antes o estado atual das práticas de dados nas empresas.

Princípios de Gestão de Dados: Foi reformulado com ênfase em elementos que devem servir de balizamento para a definição de Estratégias e Políticas que subsidiarão a organização em busca de maior valor através dos dados. Esses princípios continuam coerentes nos 2 modelos.

Resumo da ópera:
Dessa forma, o DAMA-DMBoK®V2 chega e ganha contornos de maturidade e modernidade, se posicionando como o mais completo framework disponível para apoiar a implementação de Gestão/Governança de dados nas empresas, com conceitos imprescindíveis no tratamento dos ativos organizacionais de dados. Traz assuntos recentes como Big Data, Ética nos dados, Avaliação de maturidade, etc , tudo no entorno do contexto do Diagrama evoluído do DAMA-DMBoK®V2.  Esse novo framework , dessa forma, se posiciona como  fonte obrigatória para todas as empresas que vislumbram a busca de uma Gestão e Governança de dados moderna, consistente e efetiva, sintonizada com os últimos conceitos emergentes de dados. Se você pensa em caminhar em direção à GD, não deixe de ler o DAMA-DMBoK® V2.

Nota:
DAMA-DMBoK® e DAMA-DMBoK®V2 são marcas da DAMA International e DAMA Brasil.


Referências:
DAMA-DMBoK®-Data Management Body of Knowledge-2nd Edition-2017- Technics Publications
DAMA-DMBoK®V2-Framework-Patricia Cupoli; Susan Earley; Debora Henderson-Set. 2012, publicado no site www.dama.org.
Data Management Maturity Model(DMM) Model.CMMI Institute August 2014-version 1.0.
Data Management Maturity(DMM). CMMI Institute-Agosto de 2014-versão 1.0 (em português).
The DAMA Guide to Data Management Body of Knowledge(Dama-DMBoK® Guide)-First Edition 2009.
Vaughan, J. Machine learning algorithms meet data governance. TechTarget-Search Data management, acessado em 01 de Outubro de 2017.

Uma visão sintética e comentada do DAMA-DMBoK®, Carlos Barbieri, com participação de Fernanda Farinelli, publicado no site da Fumsoft-2013, acessível em goo.gl/kqVSBk

Nenhum comentário:

Postar um comentário