TDQM - Total Data Quality Management


Você saberia dizer o quanto você perde por tomar decisões baseadas em dados incorretos? Ou quantas oportunidades você perde por não possuir informações corretas de seus clientes, fornecedores ou concorrentes? Ou ainda o quanto você gasta a mais com retrabalhos devido a informações imprecisas? Respostas positivas não são fáceis para muitas organizações e num mundo cada vez mais competitivo, fica cada vez mais difícil a sobrevivência sem que se tenha consciência dessas respostas. Muitos executivos podem presumir que a informação será utilizada com sucesso quando seus sistemas computacionais são bem desenhados e construídos.

Definir, medir, analisar e melhorar continuamente a qualidade da informação é essencial para assegurar um alto nível da qualidade de dados. Geralmente, o foco da administração das organizações está no ciclo de vida do hardware e do software que produzem a informação, em vez de estar no ciclo de vida do produto Informação. Empregando a informação como um produto, muda-se a forma de se medir o sucesso de entrega de um sistema.


Para administrar de modo eficiente, primeiro é necessário medir e analisar a qualidade de informação, no entanto, também é necessário definir o que medir e analisar. Para isso utilizamos a metodologia TDQM - Total Data Quality Management criada pelo MIT tendo o Prof. Richard Wang com um de seus principais criadores.

Na literatura TDQM, de acordo com Prof. Richard Wang, o ciclo Deming consiste em planejar, executar, validar e agir. Adaptando o ciclo de Deming para a produção de informação, temos o desenvolvimento do ciclo TDQM, conforme na figura abaixo:


Dependendo do contexto da organização (Bancos, Indústrias, Redes de Supermercado, por exemplo), as soluções técnicas podem abranger desde a limpeza do dado até a sua integridade.

As análises dos resultados da aplicação das técnicas e ferramentas TDQM possibilitam respostas para as seguintes questões:

  • Como a companhia está de acordo com a Qualidade da Informação?

  • Quais dimensões da Qualidade da Informação são mais altas e mais baixas?

  • Como diferentes grupos avaliam a Qualidade da Informação de uma mesma informação?


De acordo com Prof. Richard Wang, as análises desses resultados podem diagnosticar áreas críticas e apontar direções para a melhoria da QI na organização envolvendo seus produtores e consumidores de informação.

Percebemos dessa forma, como é alto o grau de importância para as empresas iniciarem um programa contínuo de Qualidade da Informação independentemente de seu estado atual.

A falta de visão para essa realidade trás como consequências desperdícios de milhões de reais em tecnologia que não convergem para alcançar um melhor serviço ao cliente e, conseqüentemente, seu objetivo.

A System Marketing detém o conhecimento da metodologia TDQM em seus profissionais de consultoria, ferramental próprio DataSetting®7g para cumprir todas as fases da produção, auditoria da qualidade dos dados e garantir informação consistentes pronta para uso em toda a sua organização.

Quantificando o Custo da má qualidade de dados:


Problema

Custo

Custo de Oportunidade

Riscos aos Negócios

Dados Incorretos

  • Falha na cobrança
  • Perda na Postagem
  • Desperdício em Campanhas
  • Fraudes

  • Não localizar Clientes
  • Descuidado com clientes
    valiosos
  • Impossibilidade de contatar
    o cliente

  • Perda de contato com o cliente
  • Unificação dos dados de clientes incorretamente
  • Incapacidade de gerenciar a privacidade de dados do cliente

Dados Incompletos

  • Falha na cobrança
  • Necessidade de buscar mais
    dados na fonte
  • Adquirir dados de terceiros

  • Lacunas no conhecimento do
    cliente
  • Impossibilidade de contatar
    o cliente
  • Serviço ao cliente prejudicado

  • Perda de contato com clientes
  • Unificação dos dados de clientes
    incorretamente
  • Incapacidade de gerenciar a privacidade de dados do cliente

Dados Redundantes

  • Desperdício de
    postagem
  • Desperdício na
    Operação
  • Custo de
    Armazenamento

  • Incerteza sobre a
    quantidade de clientes
  • Visão incorreta sobre o valor
    do cliente
  • Visões conflitantes sobre o
    perfil do cliente

  • Incapacidade de gerenciar a privacidade em todos os dados do cliente
  • Contagem errada de clientes compromete a estratégia
  • Intergridade da empresa sob suspeita.

Dados Fictícios

  • Falha na cobrança
  • Impossibilidade de
    validar os dados
    cadastrais

  • Decisões Incorretas

  • Se expor em relações com clientes
    fraudulentos.
  • Incapacidade de localizar a origem da fraude.