Dados São o Novo Ouro (Mas Ninguém Sabe Minerar)

"Dado sem análise é só ruído organizado."

As frases "dados são o novo petróleo" e "dados são o novo ouro" viraram clichês obrigatórios em qualquer evento corporativo. Todo mundo repete nos slides, poucos entendem o que exige na engenharia e menos gente ainda faz algo prático a respeito na segunda-feira.

Na trincheira das empresas, vejo um paradoxo constante: organizações que pagam faturas altíssimas para manter data lakes gigantescos, ferramentas modernas de visualização e equipes respeitáveis de engenharia de dados, mas onde as decisões mais críticas do mês continuam sendo tomadas no palpite (feeling) da diretoria porque ninguém confia nos números da tela.

O problema não é coletar: a Pirâmide de Ackoff e o custo do dado ruim

Coletar e guardar dados ficou barato e tecnicamente simples. Integrar APIs, disparar eventos de telemetria e despejar terabytes de arquivos em armazenamento de nuvem leva poucos dias. Hoje, a maioria das empresas tem dados de sobra.

O gargalo real está em quatro problemas crônicos:

• Dados de qualidade duvidosa na origem;
• Dados espalhados em silos que não conversam entre si;
• Dados sem dono e sem governança clara de conceitos;
• Dados que ninguém na operação sabe traduzir em decisão.

Na teoria de sistemas, essa distinção foi eternizada em 1989 pelo professor Russell Ackoff no artigo From Data to Wisdom, que deu origem à clássica Pirâmide DIKW (Data, Information, Knowledge, Wisdom):

1. Dados (Data): símbolos e registros brutos sem significado próprio (ex: uma tabela com milhões de linhas de log);
2. Informação (Information): dados processados e contextualizados que respondem "quem, o quê, quando e onde";
3. Conhecimento (Knowledge): aplicação da informação para entender o "como" e enxergar padrões de causa e efeito;
4. Sabedoria / Decisão (Wisdom): julgamento prático que usa o conhecimento para agir e mudar o futuro do negócio.

Quando uma empresa apenas acumula registros no primeiro degrau da pirâmide sem subir para a informação confiável e para a decisão, ela não tem uma mina de ouro: ela tem apenas um depósito caro de passivo digital.

Mais grave ainda é o efeito do princípio clássico da computação conhecido como GIGO (Garbage In, Garbage Out): se entra lixo na origem, sai lixo no relatório e na resposta da inteligência artificial. Em um estudo publicado na Harvard Business Review (2016), o especialista Thomas C. Redman demonstrou que dados de baixa qualidade custam cerca de US$ 3 trilhões por ano apenas à economia dos Estados Unidos, porque obrigam analistas e gestores a gastar até metade do tempo conferindo planilhas, corrigindo cadastros duplicados e conciliando relatórios conflitantes entre departamentos.

Uma forma prática de olhar a maturidade dos dados (os 6 níveis)

Para diagnosticar onde uma operação está travada, uso estes seis degraus como roteiro prático de conversa (não como ranking burocrático de mercado, mas como bússola de engenharia):

Nível 1: Dados existem Alguém coletou o registro em algum sistema transacional ou planilha, e ele está guardado em algum lugar.

Nível 2: Dados são acessíveis Quem precisa investigar um problema consegue localizar e consultar a base sem depender de três semanas de fila técnica.

Nível 3: Dados são confiáveis A qualidade na origem é monitorada, os conceitos de negócio são padronizados (o comercial e o financeiro concordam sobre o que significa um "cliente ativo") e a linhagem do dado é rastreável.

Nível 4: Dados geram insight Análises frequentes saem do papel e os painéis iluminam gargalos reais de margem, retenção ou eficiência operacional.

Nível 5: Dados ajudam nas decisões Seguindo a tradição estatística de W. Edwards Deming (Out of the Crisis, 1986), as evidências entram de verdade na mesa de decisão todas as semanas, combinadas ao contexto e ao julgamento de quem conhece a operação.

Nível 6: Dados apoiam produtos e serviços em tempo real APIs internas, automações, modelos preditivos e recursos do próprio produto passam a operar em cima de dados limpos e auditáveis.

Na minha experiência prática, o salto mais difícil e mais valioso está entre o Nível 2 e o Nível 3: sair de dados simplesmente armazenados para dados nos quais a liderança realmente confia na hora de alocar dinheiro.

O que vale acompanhar nos próximos anos

Para quem está estruturando a estratégia de dados da empresa hoje, três frentes merecem atenção pragmática:

1. Inteligência Artificial como copiloto do analista (e não substituto do senso crítico)

Modelos de linguagem aceleram demais a escrita de consultas SQL, a documentação de catálogos e a exploração inicial de bases. Porém, se a base estiver suja no Nível 1, a IA apenas vai alucinar respostas bonitas em cima de números quebrados. O analista humano continua indispensável para validar o resultado, conhecer a regra do negócio e perceber quando a própria pergunta está errada.

2. Responsabilidades claras pelos dados (além dos modismos)

Arquiteturas descentralizadas como Data Mesh são uma excelente opção para grandes organizações com múltiplos domínios independentes, mas não são uma estrutura obrigatória para toda empresa. O que nunca é opcional é a governança básica: saber nominalmente quem responde pela qualidade de cada dado na origem e quais são as regras de uso.

3. Verificações automáticas de qualidade (Data Observability)

Testes automatizados de integridade nos pipelines, rastreamento de linhagem (data lineage) e alertas de anomalia ajudam a descobrir que uma tabela quebrou às 7h da manhã, antes de o diretor abrir o painel errado às 9h. Mas lembre-se: ferramenta nenhuma substitui definir o que medir e quem age quando o alerta toca.

Meu conselho prático

Antes de assinar o cheque da próxima plataforma de dados da moda, invista na cultura de dados e na higiene da origem. Padronize as cinco métricas vitais da empresa. Ensine as lideranças a fazer perguntas melhores. Crie o ritual semanal de olhar para a mesma fonte da verdade e cobrar planos de ação baseados em evidência.

A ferramenta mais cara do mundo é inútil quando ninguém confia no número ou sabe o que perguntar. Dados podem até ser o novo ouro, mas minerar exige método, limpeza e engenharia, não apenas comprar uma picareta mais brilhante.

---

Referências e leituras verificáveis

• Redman, T. C. (2016). Bad Data Costs the U.S. $3 Trillion Per Year. Harvard Business Review.
• Ackoff, R. L. (1989). From Data to Wisdom. Journal of Applied Systems Analysis, 16, 3-9.
• Deming, W. E. (1986). Out of the Crisis. MIT Press.