O diagnóstico errado

Quando um painel deixa de ser usado após algumas semanas, a hipótese habitual é falha de design ou de treinamento. Raramente é. A causa dominante é perda de confiança no número: dois relatórios apresentam faturamentos diferentes para o mesmo mês, ninguém consegue explicar a divergência, e a organização volta à planilha que cada área controla.

O problema é de arquitetura, não de interface. Painel construído sobre extrações independentes reproduz, em cada uma, as decisões implícitas de quem a escreveu — critério de data, tratamento de devolução, inclusão de imposto.

As camadas que precisam existir

  1. Fontes — sistemas transacionais, planilhas, integrações;
  2. Ingestão — extração e carga, com registro de origem e horário;
  3. Armazenamento analítico — modelo dimensional, separado do transacional;
  4. Camada semântica — definição única de cada métrica e dimensão;
  5. Consumo — painéis, relatórios, exploração ad hoc.
Figura 1 · Arquitetura analítica
As cinco camadas, com destaque na que costuma faltar
5 · Consumo — painéis, relatórios, exploração 4 · Camada semântica — definição única de cada métrica 3 · Armazenamento analítico — modelo dimensional 2 · Ingestão — extração e carga com registro de origem 1 · Fontes — sistemas transacionais, planilhas, integrações
Teste de existência da camada 4: peça a duas áreas a definição de um indicador central. Se as respostas divergirem, a camada semântica não existe — e nenhum investimento em ferramenta de visualização resolverá a perda de confiança no número.

A quarta camada é a que costuma faltar. É nela que "faturamento líquido" recebe uma definição só — e todo painel que use o termo consome essa definição, em vez de reimplementá-la.

O teste de existência da camada semântica é simples: peça a duas áreas a definição de um indicador central. Se as respostas diferirem, a camada não existe, e nenhum investimento em ferramenta de visualização resolverá o problema.

Modelagem dimensional: fatos e dimensões

A modelagem consolidada por Kimball organiza os dados em tabelas de fato — que armazenam medidas em granularidade definida — e de dimensão — que qualificam essas medidas.

Duas decisões estruturam o modelo:

  • Granularidade do fato — item de pedido, pedido, ou agregado diário. Definir na menor granularidade útil, porque agregação posterior é trivial e desagregação é impossível;
  • Dimensões conformes — a dimensão "cliente" deve ser a mesma para vendas, faturamento e atendimento. Sem conformidade, os assuntos não se cruzam.

A distinção entre a abordagem de Inmon — armazém corporativo normalizado como fonte única, com data marts derivados — e a de Kimball — barramento de dimensões conformes — é debate legítimo de arquitetura. Em empresas de médio porte, a segunda entrega valor mais cedo.

Indicadores: menos e melhores

Painel com quarenta indicadores não informa; distribui atenção. Critérios para inclusão de um indicador:

  • Acionabilidade — existe decisão que muda em função dele? Se não, é curiosidade;
  • Responsável nominal — alguém responde por ele;
  • Referência — meta, período anterior ou benchmark exibidos junto ao valor;
  • Definição documentada — fórmula, fonte, periodicidade, exclusões;
  • Equilíbrio — mistura de indicadores de resultado e de direcionamento.

Número absoluto sem referência é o defeito mais comum e o mais fácil de corrigir: "R$ 1,8 milhão" torna-se informação apenas ao lado de "meta R$ 2,1 milhões".

Governança de dados

A sustentação de longo prazo depende de papéis definidos. O corpo de conhecimento da DAMA organiza a disciplina em domínios — qualidade, metadados, arquitetura, segurança — dos quais três têm efeito imediato em empresas de médio porte:

  • Propriedade do dado — quem responde pela correção de cada domínio (cliente, produto, contrato);
  • Qualidade — regras de validação automatizadas na ingestão, com relatório de exceção visível;
  • Dicionário de indicadores — publicado e acessível a quem consome o painel.

Sem esses três, o projeto de BI degrada para conjunto de relatórios desconfiados — que é precisamente o estado que ele pretendia superar.

Referências

  1. DAMA INTERNATIONAL. DAMA-DMBOK: data management body of knowledge. 2. ed. Basking Ridge: Technics Publications, 2017.
  2. ECKERSON, W. Performance dashboards: measuring, monitoring, and managing your business. 2. ed. Hoboken: Wiley, 2010.
  3. FEW, S. Information dashboard design: displaying data for at-a-glance monitoring. Burlingame: Analytics Press, 2006.
  4. INMON, W. H. Building the data warehouse. 4. ed. Indianapolis: Wiley, 2005.
  5. KAPLAN, R. S.; NORTON, D. P. The balanced scorecard: translating strategy into action. Boston: Harvard Business School Press, 1996.
  6. KIMBALL, R.; ROSS, M. The data warehouse toolkit: the definitive guide to dimensional modeling. 3. ed. Indianapolis: Wiley, 2013.