Vimos que para uma correta eficiência do uso dos dados, a empresa deve estabelecer quais são suas prioridades. Com base nesses objetivos estratégicos serão criados filtros de busca relevantes em meio a uma infinidade de informações, para que não se caia na “armadilha de dados”, ou seja, tratar dados em excesso e sem necessidade, uma vez que não estão ligados aos objetivos estabelecidos. Essa “armadilha” pode gerar um desperdício de tempo, dinheiro e produtividade. 

Para isso, nosso framework sugere que a análise do cenário de mercado e definições de objetivos interno darão embasamento para a próxima fase: o diagnóstico (2). Nesta fase serão analisados os dados necessários, sistemas atuais que são fontes de informação e os que ainda precisarão ser adquiridos. Bem como entender os processos que atualmente envolvem a captura e tratativa desses dados, assim como as personas, ritos de gestão e governança que suportam esta operação. 

Após o cenário mapeado e o diagnóstico feito com o detalhamento necessário, deve-se estruturar e organizar (3) o processo para que os dados ganhem a qualidade para criação das soluções. Porém, muitas etapas devem ser trabalhadas em busca do nível ideal. 

3. Definição do plano de execução, implementação e engajamento 

•    Definição da governança de dados (Data Governance); 
•    Limpeza de dados (Data Cleaning);
•    Estruturação de sistemas e fontes de dados (externos e internos);
•    Integração dos dados e sistemas (on e off);
•    Arquitetura ideal. Ex: Data Lake e Data Warehouse;
•    Automação de dados;
•    Criação de BIs, reports e dashboards. 

Todo esse esforço passa por 3 pilares: processos desenhados, sistemas preparados e pessoas capacitadas. Caso esses fatores não estejam azeitados, toda essa estruturação tende a ser refeita em um curto espaço de tempo. Toda essa arquitetura possibilitará criar o arcabouço para que sejam entregues soluções (4), as quais veremos exemplos no texto final.