Como é que as empresas podem melhorar a gestão de dados-mestre?

Muitas empresas enfrentam dificuldades na gestão de dados-mestre porque a informação está dispersa, as responsabilidades não estão claramente definidas e as atualizações dependem de um processo muito manual e iterativo. Isto dificulta a garantia da qualidade dos dados e a manutenção de um registo fiável em sistemas como o SAP.

A LTPlabs ajuda as empresas a responder a estes desafios através da conceção de um ecossistema de gestão de dados-mestre adaptado aos seus processos, à sua informação e aos seus utilizadores. Esta é a nossa abordagem:

Começar pelo processo atual

A melhoria da gestão de dados-mestre começa pela compreensão do funcionamento atual do processo. Isto implica avaliar:

• Que dados-mestre existem e como estão organizados por tipo de material;
• Quando é que os dados são criados, atualizados e validados ao longo do ciclo de vida de cada material;
• Que stakeholders estão envolvidos e quem é responsável por cada atividade;
• Que regras, controlos e ferramentas são necessários para suportar o processo.

Esta avaliação permite identificar as causas-raiz da baixa qualidade dos dados: informação dispersa e ficheiros locais entre departamentos; responsabilidades pouco claras; e um processo sem ownership, accountability ou uma estrutura formal que promova a qualidade dos dados. Em muitos casos, são criadas bases de dados paralelas para complementar as funcionalidades e os campos de dados standard dos ERP, mas estas permanecem frequentemente incompletas ou sem um processo de atualização claramente definido.

Conceber o futuro processo de gestão de dados-mestre

O objetivo é definir um modelo operativo que torne explícitas as responsabilidades, as regras e as interações. Cada domínio de dados deve ter um responsável claramente definido e um SLA pré-estabelecido, enquanto as regras de validação e os pontos de controlo devem estar integrados no processo.

O processo deve também facilitar o acesso e a atualização da informação. A substituição de trocas de e-mails e ficheiros locais por um fluxo de trabalho estruturado melhora a rastreabilidade, dá aos utilizadores visibilidade sobre o progresso e reduz o risco de propagação de erros entre sistemas.

A IA pode reforçar este processo ao reduzir o trabalho manual em duas áreas fundamentais: a recolha de informação e a validação de dados.

Um agente de IA pode interpretar e recolher dados-mestre a partir de fontes não estruturadas, como documentos com informação de produto, ficheiros técnicos e imagens. Pode identificar os atributos relevantes, extrair os respetivos valores e organizá-los de acordo com o processo de gestão de dados-mestre da empresa. Isto cria uma base inicial para o registo, mantendo os utilizadores responsáveis pela análise de exceções ou de informação ambígua.

Um segundo agente de IA pode validar a informação introduzida no sistema. Pode verificar se os campos obrigatórios estão preenchidos, identificar inconsistências entre atributos, comparar a informação com registos existentes e sinalizar valores que não respeitem as regras definidas. Estas verificações podem ocorrer durante o registo, reduzindo o risco de propagação de erros para outros sistemas.

Desenvolver e testar um MVP

Uma abordagem prática consiste em desenvolver um produto mínimo viável em torno de três componentes:

• Uma base de dados flexível e escalável, adaptada ao modelo de dados da empresa.
• Cockpits de utilizador para criar, editar e monitorizar dados-mestre.
• Módulos analíticos para gerir regras de validação e monitorizar a qualidade dos dados.

Os agentes de IA podem ser integrados nestes componentes para apoiar a extração, o registo e a validação da informação.

O MVP é testado num domínio de dados-mestre. Isto proporciona um contexto controlado, mas completo, para testar o modelo de dados, as regras de validação, as interações com os utilizadores e as responsabilidades antes de expandir a solução.

Os resultados do piloto orientam um roteiro para melhorar o ecossistema e adotar progressivamente novos tipos de dados-mestre e processos.

O passo final consiste num roteiro para melhorar o sistema e incorporar progressivamente novos tipos de dados e processos. Desta forma, cria-se um percurso estruturado desde a informação fragmentada e o trabalho manual até um ambiente de dados-mestre mais fiável e gerível.