Em muitos projetos de TI, uma parte considerável dos recursos é orientada para a aquisição de dados; e a constituição de bases cada vez maiores de bits e bits é, muitas vezes, perseguida quase como um fim em si mesmo. Mas dados demais, nem sempre é sinônimo de solução; e um paralelo com o mundo da cultura pode nos ajudar a entender isso. De fato, no universo acadêmico há uma clara distinção entre erudição e inteligência.
A erudição refere-se ao volume de “ilustração” (leia-se input) acumulada ou, em outras palavras, ao repertório disponível. Já a inteligência é determinada pela agilidade, clareza e precisão de articular signos de diversos códigos para decidir a melhor conduta. Por isso, uma das principais características de uma pessoa inteligente é o senso crítico. Tal como acontece na vida corriqueira, de nada adianta uma empresa acumular grandes massas de dados brutos se não tiver capacidade crítica para articulá-los em ações inteligentes. É nesse contexto que o mercado busca, cada vez mais, ferramentas de Inteligência de Negócios (ou business intelligence), cujo papel é transformar dados em respostas, ou seja em fenômenos de fato relevantes para a tomada de decisões.
As grandes companhias do mundo, assim como as médias empresas com mais tradição de informática, normalmente possuem tesouros em suas bases de dados, que valeriam mais do que todos seus outros ativos. O contratempo é que há muitos dados legados, de diversas origens, inclusive de sistemas antigos ou que foram adquiridos como resultado de fusões ou aquisições. Muitas vezes, as pessoas que escreveram e alimentaram esses sistemas já não estão mais na empresa. Em muitos casos, os sistemas não estão sequer documentados. Não se conhece o conteúdo nem a qualidade desses dados.
Entre os projetos de dataware house (ou depósito central de dados) e desenvolvimento de aplicações de inteligência de negócios, 60% dos casos de insucesso ocorreram por falhas na fase de coleta e revisão das informações. A qualificação da informação deve ser o ponto de partida de qualquer iniciativa relacionada à inteligência de negócios. Na prática, antes de qualquer coisa, é preciso definir de que fontes serão extraídas as informações e como assegurar que essas informações sejam confiáveis e consistentes.
Por exemplo: se o código para “renda acima de R$ 2 mil” é “2” em um sistema de gestão e “4” em outra aplicação, essa inconsistência comprometeria qualquer análise de perfil de clientes. Tais tipos de problemas não são raros em corporações, que contam com milhares de bases de dados. O processo de mapeamento e depuração de dados tem sido mais arte do que ciência. Na hora de classificar os dados, acaba-se descobrindo lixo e falta de padronização nos sistemas.
É importante lembrar que as funções de limpeza e ajustes de registros devem ser mantidas mesmo depois que o projeto estiver implementado, com as ferramentas de ETL (extraction, transformation and load, ou extração, transformação e carregamento) servindo às aplicações de Inteligência de Negócios. Um bom esquema de garantia de qualidade, tanto para os dados armazenados quanto para as informações coletadas em tempo real, permite uma combinação infalível: experiência bem aproveitada e observação ágil e aguçada do mercado.
Luiz Cláudio Menezes é vice-presidente regional da Ascential Software para a AL.
