PROJETO ESTRUTURADOR APL DE SOFTWARE

Certificao de Produtos e Processos do APL

GOVERNANA DE DADOS E A QUALIDADE DE SOFTWARE(MPS.BR)

Carlos Barbieri Twitter:CarlosBarbieri Blog:blogdobarbi.blogspot.com

Agenda
DESAFIOS DA QUALIDADE

MPS.BR
FUMSOFT E CCOMP.MG Histria dos modelos de qualidade em MG

Implantao do MPS.BR em MG
Nmeros do CCOMP.MG(Centro de Competncia da Fumsoft) Modelo de Negcios Interiorizao Ps-Graduao nacionalMPS.BR

Governana de Dados

FUMSOFT
FUMSOFT-Sociedade Mineira de Software
Empreendedorismo Incubao de Empresas Qualidade

CCOMP.MG
Centro de Competncia Fumsoft em MPS.BR e CMMI Formado com o apoio da FAPEMIG E SECTES-2005 IOGE-Instituio Organizadora de Grupos de Empresas-2005 II-Instituio Implementadora credenciada pela Softex-2005 IA-Instituio Avaliadora oficial-2007

 Reputao vista como o somatrio das opinies do pblico tendo como base as suas experincias com os produtos e servios prestados.

Fonte: Reputation Institute

DIMENSES DA REPUTAO
QUALIDADE DE PRODUTOS E SERVIOS (CLIENTES) Percepo de qualidade, custo/benefcio Valor, credibilidade de P/S

GOVERNANA CORPORATIVA TRANSPARNCIA (INVESTIDORES)

Abertura e transparncia,tica, comportamento justo

1
7
6

2 3

DESEMPENHO FINANCEIRO (STAKEHOLDERS) Resultados,ROI e perspectiva de crescimento

CAPACIDADE DE INOVAO (MERCADO) Inventividade, capacidade de adaptao,pioneirismo

5
4

LIDERANA (MERCADO) Bem administrada, viso de futuro,papel dos lderes e do Corpo gerencial

RESPONSABILIDADE SOCIAL E SUSTENTABILIDADE AMBIENTAL (CLIENTE E SOCIEDADE) Responsabilidade ambiental, causas sociais,desenv. sustentvel

AMBIENTE DE TRABALHO (COLABORADORES) Remunerao, bem-estar, oportunidades, clima organizacional

Reputao Reputation Institute

Brasil

Mundo Itlia

2006

2007

Dinamarca

2008

Japo

Reputao Reputation Institute

Brasil

Mundo

2009

Itlia

Sucia
USA

REPUTAO como sinnimo de Qualidade

Associado a Qualidade de seus processos e , por consequncia, de seus produtos

Japan's Toyota wins "World's Most Respected Company 2008"

Crescimento descontrolado Comprometimento com a qualidade Arranho na Reputao
QUALIDADE UM VALOR TO ONEROSO DE SE CONSTRUIR E INSTANTNEO DE SE COMPROMETER

Histria

CMM E CMMI NO BRASIL/2005

MAIO-2005
Centro de Competncia FUMSOFT mps/Br e CMMI
Certificaes CMM e CMMI- Brasil Maio 2005

30 25 20 N. de 15 certificaes 10 5 0 SP RJ RS PE DF BA CE MG ES PR Estados
FONTE: ISD, PROCESIX,ASR,UNISINOS, ETC

5 4 3 2

PROGRAMA DE MELHORIA DE PROCESSO DE SW-BRASILEIRO FOCO: EMPRESAS DA BASE INICIATIVA SOFTEX/ APOIO BID BRASIL->CONE SUL-MXICO 220 EMPRESAS CERTIFICADAS HOJE

EQUIPES DE CONSULTORIA Modelo MPS.BR MPS.BR/2010-07

5 4

A
B

Em Otimizao
Gerenciado Quantitativamente

C D E

Definido Largamente Definido Parcialmente Definido

Gerenciado

G
Parcialmente Gerenciado

PROJETO MPS.BR/2010-07

Implantao em MG

Sntese dos Grupos MPS.BR Projeto 2006-01-G1 em MG

Grupo
G1 G2

Data
Mar/06-Jun/07 Jan/07-Abr/08

#empresas

Nveis
GeF GeF

OBS
Apoio Softex Apoio Softex

10 6

G2-P-MNE
G3 G4-MNE

Mar/07-Jun/08
Jun/08-Set/09 Dez/07-Dez/09

2
10 2

G
GeF C

Prodabel e Prodemge
Apoio Softex

42

Primeira C com CMMI N3 e primeira gil-C Prodabel(F) Apoio Governo MG Apoio Governo MG Apoio Governo MG
Apoio Governo MG

G5-MNE G6 G7 G8 G9

Jun/2008-Dez/09 Maio/2009Nov/2010 Abr/2010Out/2011 Planejado MEADOS 2010

Planejado final de 2011

2
10

F G,G->F,F, F->C G,G->F,F->C

11 10
10

Empresas Mineiras Projeto 2006-01 G1-100% de Aprovao

G1

Nvel G

Nvel F

G2
Nvel G

Nvel F

G2-E
2 Empresas pblicas no modelo especfico Iniciado em 2007 PRODEMGE-NVEL G Implementao a terminar em 2009 Data de avaliao a ser definida Implementao pelo ccomp.mg PRODABEL-NVEL G Implementao terminada em maio de 2008 Data de avaliao 10/06/2008 - APROVADA Implementao pelo CCOMP.MG

1 Empresa pblica com certificao MPS.BR no CENTRO-SUL, 2 do BRASIL

Projeto 2008-03 G3 100% de Aprovao

Nvel G

Nvel F

Nvel G->F

ProjetoProjeto 2007-04 2007-04 G4

G4

02 Empresas Iniciado em 15/12/07 Implementao terminada em 15/03/09 Avaliao entre 15/03/09 e 15/12/09 Apoiado pelo Sebrae com 15% de aporte implementao em parceria com ASR CCOMP/ASR 02 empresas com F para C Busca pela melhoria contnua
SYNOS -1 certificao conjunta CMMI (N3) e MPS.BR( C ) POWERLOGIC- 1 C+Agile /Scrum do BR
1 SCRUM+ MPS.BR C 1 CMMI+ MPS.BR C3

Projeto Projeto 2008-05 2008-05 - G5

G5

02 Empresas Iniciado em 2008 Implementao a terminar em 2009/2010 Modelo especfico - sem apoio direto 02 Empresas buscando NVEL F PRODABEL E SYSMAP(OK) Busca pela melhoria contnua na ADM. PBLICA PRODABEL

Projeto 2009-06 Projeto 2009-06 G6 G6

10 Empresas Iniciado em maio de 2009 Implementao a terminar em AGOSTO/SET-2010(G), OUTUBRO/NOV ( C ) Modelo com apoio direto do Governo de MG 4 Empresas de NVEL G 2 Empresas de NVEL F 2 Empresas de NVEL G->F 2 Empresas de NVEL F->C

Projeto 2009-06 G6

G6

Nvel C

Projeto 2010-07 G7-Inteno

G7

Nvel C

Projetos MPS.BR

NMEROS DO CCOMP.MG

MINAS GERAIS MAIO-2005 CERTIFICAES CMM/CMMI: MG: TRS EMPRESAS CERTIFICADAS SWCMM
INATEL-SANTA RITA SPRESS INFORMTICA-BH
PRIMEIRA EM BH E NO SEGMENTO DE SW em MG

MAXTRACK-SW/HDW

CMM E CMMI NO BRASIL/2005

Centro de Competncia FUMSOFT mps/Br e CMMI

Certificaes CMM e CMMI- Brasil Maio 2005

30 25 N. de 15 certificaes 10 5 0 SP RJ RS PE DF BA CE MG ES PR Estados
FONTE: ISD, PROCESIX,ASR,UNISINOS, ETC

20

5 4 3 2

35 21,6%

9 5,6%

42

3 1,9% 3 1,9%

SP

9 5,6% 5 3,1% 8 4,9% 4 2,5% 8 4,9%

RJ
29 17,9% 10 6,2% 14 8,6% 25 15,4%

Cear Bahia Rio de Janeiro Minas Gerais So Paulo

Pernambuco Santa Catarina Distrito Federal Paraba

Esprito Santo Gois Rio Grande do Sul Paran

FONTE: SOFTEX set 2009

 So Paulo tem 3 II-Instituies Implementadoras(ITS,ASR,FVanzolini) com 35 certificaes Rio de Janeiro tem 3 II-Instituies Implementadoras(Coppe,Prime-up,RioSoft) com 25 certificaes Rio Grande do Sul tem 3 II-Instituies Implementadoras(Software Process,EngSoft,Softsul) com 10 certificaes DF tem 2 Instituies Implementadoras(UCB,Irix) com 14 certificaes

 Minas Gerais tem 1 IIInstituio Implementadora (FUMSOFT-CCOMP.MG) com 30 certificaes (31 at Dez/2009)

Plano de Plano do Projeto Implementao MPS.BR/2010-07

Cronograma simplificado do Projeto G/F

6 meses

Desenv. PDS 6-12 meses Projetos pilotos

12-15 Avaliao

Diagnstico Inicial Treinamento Consultoria Anlise Crtica

Projetos em andamento Workshop da empresas DPA-Diagnstico Pr-Avaliao

Avaliao Inicial Avaliao final

Cronograma simplificado do Projeto C

8 meses

Desenv. PDS 9-15 meses Projetos pilotos

16-18 Avaliao

Diagnstico Inicial Treinamento Consultoria

Anlise Crtica Projetos em andamento Workshop da empresas DPA-Diagnstico Pr-Avaliao

Avaliao Inicial Avaliao final

EQUIPES DE CONSULTORIA Equipe do Projeto MPS.BR/2010-07

Equipe Consultoria CCOMP.MG

RECURSOS DE IMPLEMENTAO /AVALIAO/TREINAMENTO
CCOMP.MG
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. Carlos Barbieri (CCOMP.MG) (*) Csar vila (VETTA) Fernando Souza (TJMG) Andriele Ribeiro (NETPROJECT) (*) (*)-avaliador lder Dhanyel Nunes (PENTAGRAMA) (***)avaliador adjunto Junlson Pereira (SERPRO) (***) Rosngela Mriam Mendona (CCOMP.MG) (***) Fabiana Bigo (FUMEC) GOVERNO Carlos Pietrobon (PUC-MG / UFOP) Fabiana Borges(UNIMED) Alex Prado (ALPRADO) Marcelo Werneck(VETTA/PUC-MG) ACADEMIA Rosilane Mota (PUC-MG/UFMG) Jos Luiz Braga(Universidade Federal de Viosa) Adler Diniz de Souza(SWFactory/UNIFEI) Geovane Lima (SWFactory) Walter Santos Filho (UFMG)

EMPRESAS

Apoio/Retaguarda
APOIO
CCOMP.MG Raquel Oliveira Administrativo/Financeiro
Administrao de Empresas UNA e Especializao em Marketing FEAD

Cludio Filardi-Financeiro

Equipe FUMSOFT
Gerncia Administrativo-Financeira Grupo de Comunicao CINE-Centro Integrado de Negcios

EQUIPES DE CONSULTORIA Interiorizao do MPS.BR MPS.BR/2010-07

MPS.BR no interior

Montes Claros

RMBH Uberlndia Divinpolis

G7

Vale do Ao

Itana

G6 G7

Barbacena
G7

G6

Viosa
G2/7

Lavras

J.Fora

EQUIPES DE CONSULTORIA MPS.BR e as Universidades de MG MPS.BR/2010-07

MPS.BR na Academia

UniMONTES

Uberlndia FUMEC PUC/MG

RMBH

UniLESTE

UFViosa UNIFEI

EQUIPES DE CONSULTORIA Ps-graduao MPS.BR MPS.BR/2010-07

MBA de MPS.BR

MBA
BH

Pilotos do MBA-MPS.BR/2010-2011 COORDENAO

QUALIDADE

PROCESSO

MPS.BR CMMI ISO ITIL COBIT

QUALIDADE
GOVERNANA DE DADOS

DADOS

CONTROLE CORPORATIVO ORGANIZAO DOCUMENTAO-METADADOS QUALIDADE DISSEMINAO CONTROLADA

Alto Custo da Baixa Qualidade

Pagou US$177.000 em multas no Tennessee, por cobrar de consumidores por servios no prestados

Erros de dados de cobrana na contabilidade, levaram perdas de US$100 milhes

Fonte: Information Quality Applied-Larry English

Alto Custo da Baixa Qualidade

Erro de entrada de dado na bolsa de valores de Tkio: Queria vender 1 ao por 610.000 yens. Entrou com 610.000 aes por 1 yen. Prejuzo de US$225 milhes Erro de converso de dados de sistema acarretou perda de US$125 milhes e de medidas armazenadas.

Securities

Erros de contabilidade levaram a erros de US$1,81 bilho em 3 anos

Fonte: Information Quality Applied-Larry English

Alto Custo da Baixa Qualidade

4 novos aparelhos de hemodilise foram enganadamente enviados, por erro de dados, para um remoto hospital em QueenslandAustrlia, onde no havia pacientes com problemas de insuficincia renal, deixando o hospital onde estavam os pacientes desassistido

Dados de baixa qualidade dificultaram a Bridgestone/Firestone localizar 200.000 pneus(recall) com defeitos, que supem podem estar em Ford Explorers, expondo a alto risco os seus usurios

Fonte: Information Quality Applied-Larry English

Alto Custo da Baixa Qualidade

US$ 1.2 trilho de dlares estimados em gastos com 122 grandes organizaes devido baixa qualidade da informao
Fonte: Information Quality Applied-Larry English Pgina 15

GOVERNANA DE DADOS
VISO GERAL NOS ANOS 200X

Governana de Dados
Framework de pessoas, processos e tecnologias para garantir os dados como ativos fundamentais da empresa Administrao de Dados-anos 70 e 80
Movimento de sucesso relativo Morreu por fatores:
Qualidade no era um fator da poca ERP e seus modelos de dados prontos

Retorno:
Outros fatores: internet,aspectos regulatrios,alto volume de informaes,alta competitividade, merges/aquisies de empresas em alta escala

Framework de Governana de Dados

1-Estratgia 2-Executado por Papis
2.0-Conselho de Governana de Dados
Trabalhando com

3-Garantir dados com qualidade atravs de

Define
3.1-Dados-Ativos

3.0-Polticas

Consistentes atravs de
3.3-Aderncia

Define
3.2-Regras e Padres

1.1- Organizao e Planejamento

2.1-Responsveis pelos dados

Para servir

Objetiva 3.4-Qualidade

1.0-Estratgia e Misso

Monitora

Define 3.5-Mtricas

2.2-Envolvidos com os dados

4-Atravs de definio de
4.0-Arquitetura /qualidade atual de dados Obtida por 4.1-Levantamento de dados e Metadados

5-Garantido por projetos com tecnologia de 5.0-Business Intelligence 5.1-Data Warehouse e EAI 5.2-MDM e Metadados
5.3-Ferramentas de Qualidade de dados

Cruzado com

4.2-Processos de Negcios
Visando definir
4.3-Arquitetura corporativa de Informao

Adaptado de Five Steps to Data Governance-Mike CochraneInformation Magazine, Maro-2009. http://www.information-management.com/2007_56/10014953-1.html acessado em 04/01/2010

GOVERNANA DE DADOS PRINCIPAIS DOMNIOS

1. Dados e seus responsveis (Data Steward), mantenedores, consumidores,Stakeholders,DGPG 2. Qualidade de Dados 3. Privacidade/Segurana e Aderncia a aspectos regulatrios 4. Arquitetura e Integrao de Dados 5. Gerncia de Metadados 6. BI-Business Intelligence

QUALIDADE DOS DADOS

PESQUISA DA PWC-PRICE WATERHOUSECOOPERS, REALIZADA EM 600 CORPORAES EM TODO O MUNDO, REVELA QUE APENAS

DELAS ESTO CONFIANTES NA QUALIDADE DE SEUS DADOS E

41%

17%

CONFIA EM DADOS DE TERCEIROS

Qualidade de Dados BT case

Exemplo mais bem sucedido de aplicao de DG e QI Depois de inmeras aquisies e fuses 20 milhes de clientes 700 sistemas em torno de linhas de produtos Diversas fontes de dados no documentadas

Projeto : comear pequeno, pensar grande e agir rpido

Pesquisa de qualidade e profiling de dados em reas sensveis

Focais de QI nas reas de negcios

Provar ROI: 2002-economia de 106 milhes de euros;2004-400 milhes de euros; desde 2000 acumulado de mais de 1 bilho
Fonte: The Data Governance Imperative-A business strategy for corporate data-Steve Sarsfield

DADOS EM USO
PESQUISA SOBRE QUALIDADE DE DADOS

ANLISE COMPARATIVA

MEDIES SOBRE QUALIDADE DE DADOS

DISCREPNCIAS

DETERMINAR CAUSAS RAIZES DAS DISCREPNCIAS

DEFINIR AES DE MELHORIA

Fig xx- viso geral do Diagnstico Fonte: adaptado de Pipino,Lee,Wang e Funk-Journey to Data Quality-pag 30

Melhoria contnua do processo, inovao, ativo de dados com valorao, dados em tempo real,KM
Dados medidos e controlados na sua qualidade, na sua valorao, baixa latncia, alta disponibilidade, eficincia e eficcia de processo, dados no estruturados

4
Integrao, viso corporativa Responsabilidade, alinhamento Estratgico, padres Compartilhamentos e Usos, qualidade de dados centralizada,Gerncia de Metadados, GD plena

3
VISO GERAL NOS ANOS 200X

Entendimento do valor da informao Conceitos de propriedade e uso dos dados Necessidade reconhecida para padres, mtodos e procedimentos , foco departamental,definies e padres internos,qualidade localizada,tratamento de consolidaes e reconciliaes de dados, Embrio da GD

Nvel 1- Decises estratgicas sem a informao adequada; Falta de uma arquitetura formal de dados; Falta de diretrizes para controle, segurana e responsabilidade sobre os dados Falta de entendimento de meta dados, modelos de dados,vocabulrios

MODELOS DE MATURIDADE EM GD E QUALIDADE: IBM GARTNER GROUP ORACLE DATAFLUX

NUM FUTURO PRXIMO, AS EMPRESAS CONCORRENTES EM PRODUTOS E SERVIOS SERO IGUAIS EM TECNOLOGIA,METODOLOGIA,ERP,ETC
O DIFERENCIAL COMPETITIVO SER PELO INTANGVEL, ABSTRATO:

CAPITAL INTELECTUAL: PESSOAS(PEOPLEWARE), DADOS - > INFORMAO- > CONHECIMENTO, REPUTAO, FORA DA MARCA, GOVERNANA

QUALIDADE

QUALIDADE
MELHORIA DE PROCESSOS MPS.BR,CMMI,ISO,ITIL,COBIT, ETC

PROCESSO
GOVERNANA DE DADOS, como requisito regulatrio Dados como elementos de ativos empresariais, constante em balancetes Papel do CIO incluir responsabilidade direta pela Qualidade dos dados

DADOS

CCOMP.MG-FUMSOFT carlos_barbieri@fumsoft.softex.br carlos.barbieri@gmail.com 0xx31-3287-9018

Twitter:CarlosBarbieri Blog:blogdobarbi.blogspot.com

Carlos Barbieri

Obrigado

Projeto de Qualidade de Informao

Viso de negcios, mercados e clientes
Avaliar resultados

Validao

Objetivos da Iterao

Implementar Planejar as reas targets

Pesquisar a qualidade de dados
Realizar as Medies de dados

Concepo

Transio

Elaborao Construo

Testar a implantao

Implantar as aes
Analisar as discrepncias e definir causas razes

Planejar as aes corretivas

corretivas

DADOS EM USO
PESQUISA SOBRE QUALIDADE DE DADOS

PESQUISA SOBRE QUALIDADE DOS DADOS

1)CARACTERSTICAS DA INFORMAO 2)AVALIAO DE QUALIDADE DA INFORMAO 3)AVALIAO DO CONTEXTO DA QUALIDADE DE INFORMAO 4)EXEMPLOS DE PROBLEMAS COM A INFORMAO 5)INFORMAES SOBRE COLETA DAS INFORMAES 6)INFORMAES SOBRE O ARMAZENAMENTO DAS INFORMAES 7)INFORMAES SOBRE O USO DAS INFORMAES 8)INFORMAES SOBRE DIMENSES: DISPONIBILIDADE VOLUME APROPRIADO DADO COM CREDIBILIDADE E VERDADEIRO AUSNCIA OU SUFICINCIA REPRESENTAO CORRETA APRESENTADO NO FORMATO CORRETO FACILIDADE DE MANIPULAO DADOS COM SEGURANA CORRETA DADOS ATUALIZADO, COMPREENDIDO DADO BENFICO E TRAZ VANTAGENS NO USO

DADOS EM USO
MEDIES SOBRE QUALIDADE DE DADOS

MEDIES DE QUALIDADE
LIMPEZA,TRANSFORMAO E DEDUPLICAO AUSNCIA DE PADRO NO PREENCHIMENTO VIOLAO DE REGRAS DE NEGCIOS OU DE DOMNIOS VCIOS DE PREENCHIMENTO(REPETIO) NOMES MAL PREENCHIDOS, COM PALAVRAS SUSPEITAS OU OBSCENAS VERIFICAO EM CADASTRO DE ENDEREOS E DE TELEFONES RECONHECIMENTO DE FORMATOS DE ENDEREOS VERIFICAO E CORREO DE CEP CONSISTNCIA E ATUALIZAO DE PREFIXOS TELEFNICOS E DDD PADRONIZAO DA SINTAXE DE E-MAILS E CORREO AUTOMTICA DE DOMNIOS VALIDAO DE CPF, CNPJ CLASSIFICAO DE PESSOAS FSICAS E JURDICAS DETERMINAO DE SEXO DE PESSOAS FSICAS CRIAO DE ATRIBUTOS NOVOS A PARTIR DE EXISTENTES

Qualidade de Dados Intrnseca

Preciso: define o quanto aquele dado, normalmente numrico se aproxima do valor considerado real e o quanto aquilo se encaixa no objetivo: Por exemplo: Flamengo 6 vezes campeo (Flamengo hexacampeo) Dados Impreciso-Flamengo 5 vezes campeo ! Outro exemplo: BD de mdicos de MG-suponha ter 85% de preciso(nome,endereo,e-mail,etc) Para uma notificao sobre regras de transplante-pode no estar preciso Para uma fabricante de instrumentao cirrgica propagar novo equipamento- Pode estar preciso

Objetividade: define o quanto diretamente aquele dado est me conduzindo aos objetivos que desejo
posso ter um conjunto de dados que, como est, no serve diretamente aos meus propsitos de anlise, mas quando trabalhados, agregados, sumariados, etc me atendem mais objetivamente; (BI- como meio de transformao)

Qualidade de Dados Intrnseca

Credibilidade: o quanto aqueles dados representam algo que possa ser usado como elemento de anlise e deciso criteriosa

os dados do INSS-Instituto Nacional de Seguridade Social apresentam um coeficiente de baixa credibilidade, onde existem 1,6 milho de fichas de penso sem o cpf do beneficirio e 3 milhes de fichas no tem o nome do favorecido nem da me , segundo dados da Folha de So Paulo de 18/06/2004

A Reputao: o quanto aqueles dados , quanto vistos externamente, podem melhorar ou prejudicar a reputao da rea a empresa, do projeto, etc. Por exemplo, em maio de 2009 foram descobertos dados sobre o Projeto Bolsa-Famlia, que mancharam a reputao do projeto. Foram identificados benefcios pagos a 577 polticos, a 3791 pessoas comprovadamente mortas, a 106.329 donos de carros, caminhes e tratores, com marcas Pajero, Hilux, Civic, a 1,1 milho de famlias fora dos limites definidos, segundo o Globo de 07/05/2099.

Qualidade de Dados
A Acessabilidade: se refere aos aspectos de acesso, segurana, privacidade, etc. Por exemplo: Dados de usurios Google ativistas na China, <hacked> pelo governo
Relevncia: se refere importncia dos dados dentro do contexto: MDM, por exemplo que so os dados mestres da empresa (dados relevantes) Outro exemplo: Sistema de estoque, info sobre as peas, A pea suprida por vrios fornecedores. Falta o nome do fn na ficha de estoque. Se houver um problema de um lote com defeitos, avisado pelo Fn, essa falta de informao relevante. Para a atividade normal de controle de estoque, no relevante
Valor Agregado: Se refere ao valor que o dado pode incorporar aos negcios da empresa. Por exemplo, concessionrias de energia eltrica com rica informao geo-referenciada sobre os seus clientes. Informaes de consumo de energia eltrica ou de ligaes telefnicas

Qualidade Contextual

Qualidade Contextual

Qualidade Contextual

Qualidade de Dados
A Disponibilidade(Timeliness): se refere aos dados estarem prontos no momento em que so demandados, produzidos na periodicidade necessria. Ex: BD contm info de vendas dos deptos., durante os ltimos 3 anos. No final do ms, alguns deptos enviam + rapidamente do que outro . Num perodo do final de ms, os dados ficam indisponveis(por lentido de chegada ou acertos). Se for para computar o pagamento de bnus, a ser feito at o dia 15, existe problema. Se for para analisar tendncia histrica de venda, OK. Conceito de Latncia de dados; RTE
Qualidade Contextual

COMPLETUDE: se refere aos dados estarem

completos. Por exemplo se defino que todos os campos do endereo devem estar preenchidos e parte deles no estiver, os dados esto comprometidos neste item de qualidade. Cadastro de Cobrana(conta). Pode ter qualidade sob outro prisma, mas no sobre completude.

Qualidade Contextual

Qualidade de Dados

QUANTIDADE DEVIDA e NECESSRIA: Corresponde ao atributo dos dados estarem armazenados na quantidade devida e necessria para se poder realizar a anlise desejada. Por exemplo, tenho que ter as doze ltimas notas fiscais registradas para que se possa realizar uma anlise mensal. Os dados estaro completos se tivermos somente dez ocorrncias?

Qualidade Contextual

Qualidade de Dados Representao

A Facilidade de entendimento, que representa o fato dos dados estarem numa forma amistosa, que permita o seu entendimento com facilidade, sem a necessidade de especialistas. Por exemplo, se adoto a prtica de criar um pedido com outro nmero para acertar uma reclamao sobre um pedido existente, isso traz complicao no entendimento e preciso para quem analisa os pedidos estatisticamente(Um mesmo pedido poder ter 2 documentos, um original e outro para acerto)

Forma consistente: a qualidade da forma sinttica e semntica, que define como a representao daquela informao, expressa como um elemento de dado, est definido segundo as regras gerais/ corporativas.

Ex; Endereo: nome do logradouro, nmero,complemento, cep, bairro, etc. Os dados esto dentro dessa consistncia sinttica?
Um campo de salrio no pode ser menor do que o salrio mnimo( consistncia semntica).

Qualidade de Dados Representao

A Facilidade de manipulao ou seja os dados esto apresentados numa forma que permita trabalhar sobre eles.
Por exemplo, atravs de pivot table no excel, ou de cubos no Analysis Services, podemos analisar os dados e eventualmente manipul-los a fim de se realizar simulaes

Pico de Expectativa Inflacionada

Rampa da reaquecimento

Vale da Desiluso

Disparo Plat da acomodao produtiva

77

MELHORES PRTICAS
DEPTO DE DEFESA-USA VISO DE MATURIDADE NVEIS PROGRESSIVOS PAS-REAS CHAVES/PROCESSOS VISO MAIS SISTEMA-TI

CMMI MPS.BR

ISO-12207

PROCESSOS FUNDAMENTAIS(5) PROCESSOS DE APOIO(8) PROCESSOS ORGANIZACIONAIS(4)

ISO-QUALIDADE QUAISQUER SEGMENTOS ISSO-9001-EMPRESA COMO UM TODO

ACABOU MENSALO

COBIT

34 PROCESSOS-PRTICAS VISO MAIS DE AUDITORIA/CONTROLLER REA FINANCEIRA-BCENTRAL DEFINIU

ITIL

IT INFRASTRUCTURE LIBRARY-12 GERNCIAS MELHORES PRTICAS EM TI REA TI- GOVERNO DO REINO UNIDO

SOX

REGULAMENTAO DO PONTO DE VISTA DE CONTROLE E GARANTIA PARA OS ACIONISTAS DA EMPRESA EXIGNCIA DA NASDAQ-BOLSA VALORES DOS USA

Grandes desafios
Clara definio da inteno estratgica
Melhoria da Imagem(selo) Melhoria da Qualidade pela Qualidade

Entendimento dos custos invisveis

HH alm dos valores do contrato de consultoria

Posicionamento nas prioridades ciclotmicas

Picos e vales da empresa

Conhecimento da cultura da empresa

Early adopter Later Adopter
Ex: Casa do Po de Queijo-desde 1967-SP-Largo do Arouche-hoje 500 lojas-Quem foi later/early?

Entendimento da curva do hype-Gartner Group

81

Empresas Inatel - Santa Rita Maxtrack M S A Infor M S A Infor Vetta ATTPS

Nvel

Ano - Avaliao CMMI

N2 N2

2003 2006/Jan *Expirado

N2

2005/Ago

Empresas Certificadas CMMI

N3

2007/Nov

N3

2007/Dez

N2

2010/Mar

Unisys
Spress Spress Squadra Squadra Atan

N5

2007/Set

N2

2005/Set

N3

2007/Mai

N2

2008/Out

N3

2009/Nov

N3

2008/Jul

Empresas Inatel - Santa Rita Maxtrack M S A Infor

Nvel

Ano - Avaliao CMMI

N2 N2

2003 (expirada) 2006/Jan (expirada)

N2

2005/Ago

Empresas Certificadas CMMI

M S A Infor Vetta ATTPS Unisys Spress Spress Squadra Squadra

N3

2007/Nov

N3

2007/Dez

N2

2010/Mar

N5

2007/Set

N2

2005/Set

N3

2007/Mai

N2

2008/Out

N3

2009/Nov

Atan

N3

2008/Jul

Qualidade de Dados BT case

Exemplo mais bem sucedido de aplicao de DG e QI Depois de inmeras aquisies e mergers 20 milhes de clientes 700 sistemas em torno de linhas de produtos Diversas fontes de dados no documentadas

Projeto : comear pequeno, pensar grande e agir rpido

Pesquisa de qualidade e profiling de dados em reas sensveis

Focais de QI nas reas de negcios

Provar ROI: 2002-economia de 106 milhes de euros;2004-400 milhes de euros; desde 2000 acumulado de mais de 1 bilho
Fonte: The Data Governance Imperative-A business strategy for corporate data-Steve Sarsfield

Melhoria contnua do processo, inovao, ativo de dados com valorao, dados em tempo real,KM Dados medidos e controlados na sua qualidade, na sua valorao, baixa latncia, alta disponibilidade, eficincia e eficcia de processo, dados no estruturados GD corporativa, riscos

6 5 4

Ferramentas, MDM,CDI,PDM, GD parcialmente implantada

Modelos de dados integrados, metadados, incio da GD, polticas de uso, ciclo de vida de dados, procedimentos Modelo de dados,arquitetura inicial de processos, definio de padres internos, incio em metadados

Entendimento do valor da informao, conceito de propriedade e uso de dados, modelagem inicial, pesquisas de qualidades, diagnstico de qualidade

MATURIDADE EM DADOSMD-NVEIS DE MATURIDADE EM DADOS

7
6

Em Otimizao
Modelado, MD revisto e Verificado p/Conselho de GD Programa de QI implementado

5 4 3

Modelado, MD revisto e Verificado p/Conselho de GD Modelado, MD revisto e Verificado, sem GD Modelado, algum MD Sem GD

Modelado, sem MD Sem GD

No modelado, sem meta-dados(MD) Sem Governana(GD)

GD-Modelo de Maturidade

Carga Horria Direta

DIAGNSTICOS

24h - Diagnsticos Inicial (F) - 16+4 +4 16h - Diagnsticos Inicial (G) - 8+4 +4 24h - Diagnstico Pre-Assessment (F) 16+4 + 4 16h - Diagnstico Pre-Assessment (G) 8+4 + 4 16h - Compartilhado F e G (GRE,GPR) 24h - 36 h- Exclusivo F (GCO,MED,GQA,AQU,GPP) 32h - Exclusivo C (Eng-SW,GPR-II,VER/VAL,Processos organizacionais) Presena de 10 empresas com vagas distribudas

TREINAMENTO

CONSULTORIA
WORKSHOP

100 -116h - Consultoria ( C ) 96 -100h - Consultoria (F) 60 - 64h - Consultoria (G) 8h: compartilhado (G+F+C) A ser programada pelo CCOMP.MG(*)

ANLISE CRTICA (QA do projeto MPS.BR)