Antes de ser data-driven, a empresa precisa confiar nos dados

TL;DR? Ter dashboard, Power BI, IA e gr?fico bonito n?o?o mesmo que ser data-driven. A pesquisa mais recente do setor ?categ?rica: o gargalo n?o ?mais tecnologia, ?cultura? e a funda??o da cultura de dados ?uma s?, confian?a operacional. Quando o mesmo indicador devolve n?meros diferentes em ?reas diferentes, ou quando algu?m ajusta planilha manualmente antes da reuni?o, a empresa n?o est? tomando decis?o por dados; est? tomando decis?o por opini?o com decora??o. Este artigo expande essa tese, conecta com pesquisas recentes (Wavestone 2024, McKinsey 2022, MIT Sloan, Gartner 2024, IBM) e cita os grandes nomes que defendem o mesmo ponto: Tom Davenport, DJ Patil, Andrew Ng e Cassie Kozyrkov.

1. A provoca??o

"Vou falar uma coisa pol?mica: muita empresa diz que ?data-driven? mas n?o ?. Porque ser data-driven n?o ?ter dashboard. N?o ?ter Power BI. N?o ?ter IA. N?o ?ter um monte de gr?fico bonito. Se cada ?rea olha pro mesmo indicador e encontra um n?mero diferente, voc? n?o tem cultura de dados. Se o time ajusta planilha manualmente antes da reuni?o, voc? n?o tem confian?a no dado. E sem confian?a, ningu?m toma decis?o baseado em dados. Toma decis?o baseado em opini?o."

A vers?o longa precisa de mais nuance ? e de pesquisa. ? o que este artigo entrega.

A tese central, em uma linha:

Confian?a n?o ?uma consequ?ncia de ser data-driven. ? o pr?-requisito.

Se essa frase parece ?bvia, ?timo. Mas o que a pesquisa mostra ?que as empresas, na pr?tica, continuam tratando confian?a como subproduto. Compram ferramenta antes de definir m?trica. Contratam ci?ncia de dados antes de ter engenharia de dados. Lan?am IA antes de governan?a. E depois se perguntam por que o C-level desconfia do dashboard.

2. O elefante na sala: ter dashboard ? ser data-driven

Existe um senso comum confort?vel: "temos Power BI, temos data lake, temos um time de dados ? somos data-driven."? um conforto que a pesquisa n?o confirma.

A imagem mental certa ?outra. Imagine tr?s cen?rios numa ?nica empresa:

Marketing diz que a taxa de convers?o do m?s foi de 4,8%.
Comercial diz que foi de 3,9%.
Financeiro diz que foi de 4,2%.

Cada um puxou de um lugar. Cada um filtrou de um jeito. Cada um chamou de "convers?o" uma coisa ligeiramente diferente. O dashboard n?o est? mentindo: ele est?dizendo verdades incompat?veis.

Quando isso acontece, tr?s coisas pioram em sequ?ncia:

A reuni?o vira debate sem?ntico ("o que conta como cliente?") em vez de decis?o.
A lideran?a aprende a n?o confiar nos n?meros? e passa a decidir apesar deles.
Os melhores analistas viram tradutores de planilha? gastam mais tempo reconciliando dado do que extraindo valor dele.

Esse ?o estado natural de quem comprou ferramenta sem construir confian?a. E ?mais comum do que parece.

3. O que dizem os n?meros (e quem mediu)

3.1 Wavestone 2024 ? o "data-driven" dobrou, mas o problema continua humano

A pesquisa anual mais respeitada do setor ? o Data and AI Leadership Executive Survey, conduzido com mais de 100 executivos de Fortune 1000 e organiza??es globais, com 95% de C-level ? saiu da casa NewVantage Partners e hoje ?da Wavestone (2024 Data and AI Leadership Executive Survey).

Em 2024:

48,1% das organiza??es dizem ter criado uma organiza??o data-driven (saltando da casa de 20?24% dos anos anteriores).
42,6% dizem ter estabelecido uma cultura de dados e analytics.
87,9% classificam investimento em dados e analytics como prioridade m?xima.
78% apontam cultura, pessoas, processo e organiza??o? e n?o tecnologia? como o principal obst?culo para virar data-driven.
Apenas 37% conseguiram melhorar a qualidade dos dados.

Traduzindo: o entusiasmo com Gen AI mexeu o ponteiro, mas o gargalo ?o mesmo de uma d?cada.A empresa n?o trava no software. Trava na confian?a.

3.2 IBM/HBR ? o custo silencioso

A estimativa mais citada da ind?stria ?de Thomas C. Redman, em colabora??o com a IBM, publicada na HBR em 2016: dado ruim custa US$ 3,1 trilh?es por ano ? economia americana (Bad Data Costs the U.S. $3 Trillion Per Year ? HBR).

Por organiza??o, a Gartner estimou em 2020 um custo m?dio de US$ 12,9 milh?es/ano com qualidade ruim. E o relat?rio The True Cost of Poor Data Quality, da IBM, ?direto:

"43% dos COOs identificam qualidade dos dados como sua prioridade mais importante em dados, particularmente ? medida que a ado??o de IA acelera."

O ponto n?o ?o n?mero exato ? ?o sinal: dado em que ningu?m confia n?o ?gratuito. Ele aparece como retrabalho, decis?o errada, campanha massiva sem efeito, modelo de ML que herda vi?s, churn de analista bom.

3.3 MIT Sloan ? o gap da utilidade

Estudo recente cobre o que o MIT Sloan Management Review batiza de "utility gap" (Building a Data-Driven Culture: Four Key Elements):

76% dos respondentes dizem ter mais acesso a dados ?teis.
Apenas 43% sentem que t?m o dado certo, no momento certo, para decidir.
Mais de 57% dizem que ainda lutam para construir cultura data-driven.

Mais acesso a dado n?o vira mais decis?o por dado. ? um achado fundamental ? e bate exatamente com o roteiro do meu v?deo: acesso ? confian?a ? decis?o.

3.4 Gartner ? sem crise, governan?a morre

A previs?o da Gartner para o final de 2027 ?inc?moda: 80% das iniciativas de governan?a de dados e analytics v?o falhar por falta de uma crise (real ou fabricada) que organize prioridades (Gartner Predicts 80% of D&A Governance Initiatives Will Fail by 2027).

A causa raiz, segundo a pr?pria Gartner: governan?a "one-size-fits-all", sem ancoragem em resultado de neg?cio, e modelos de comando-e-controle centralizados demais. Em outras palavras: as empresas tentam governar antes de combinar o que est? sendo medido.

4. Tom Davenport ? "o problema ?cultura, n?o tecnologia"

Thomas H. Davenport?provavelmente a voz mais influente da ?ltima gera??o sobre ado??o corporativa de analytics ? professor em Babson College, fellow no MIT Initiative on the Digital Economy, autor de Competing on Analytics e coautor com Randy Bean dos relat?rios anuais que viraram a Wavestone Survey.

Davenport diz a mesma coisa h? mais de quinze anos, em diferentes formatos:

"Apesar de centenas de bilh?es investidos em hardware, software e talento em ci?ncia de dados, a maioria das empresas ainda n?o tem uma cultura realmente data-driven. O obst?culo principal n?o ?a tecnologia ? ?a cultura."

? Davenport & Bean, em Big Companies Are Embracing Analytics, But Most Still Don't Have a Data-Driven Culture (HBR, 2018) e How CEOs Can Lead a Data-Driven Culture (HBR, 2020).

A leitura honesta dele em 2024 ainda ?: o problema n?o ?falta de ferramenta, ?falta de decis?o de lideran?a em tratar dado como evid?ncia e n?o como argumento.

??Converg?ncia com o v?deo: Davenport ?a funda??o acad?mica direta da tese ? sem cultura, dashboard ?decora??o.

5. DJ Patil ? "data is a team sport"

DJ Patil foi o primeiro Chief Data Scientist dos Estados Unidos, sob a administra??o Obama. Coautor de Data Driven: Creating a Data Culture (O'Reilly), com Hilary Mason. Cunhou a frase que entrou no l?xico do setor:

"Data science is a team sport. We can't do this without you."

? DJ Patil, Strata + Hadoop, 2015 (fonte).

O ponto dele complementa Davenport: cultura de dados n?o ?uma cadeira no organograma, ?um comportamento coletivo. Engenheiro, analista, l?der de produto, dono de processo ? todos s?o produtores e consumidores de dado, e portanto todos assinam embaixo da confian?a no n?mero.

??Converg?ncia com o v?deo: quando "cada ?rea olha o mesmo indicador e encontra um n?mero diferente", o que faltou n?o foi BI ? foi acordo coletivo sobre o que se mede.

6. Andrew Ng ? "data is food for AI; don't feed it junk"

Andrew Ng?, talvez, o nome mais influente do mundo em educa??o de ML/IA (Stanford, Coursera, ex-Google Brain, ex-Baidu, fundador da Landing AI). Em 2021 ele lan?ou uma campanha que mudou o tom do setor: o movimento Data-Centric AI (From Big Data to Good Data, Scale 2021).

A mensagem-s?ntese:

"99% da pesquisa em IA ?centrada em modelo, mas 80% do tempo dos times ?gasto em dado. O caminho mais r?pido para melhorar resultado, especialmente em problemas reais com datasets pequenos, ?melhorar a qualidade do dado, n?o trocar de modelo. Data is food for AI. Don't feed it junk."

? Andrew Ng, The Data-Centric AI Approach.

Cinco pr?ticas que Ng defende para "alimentar bem" a IA s?o not?veis pela banalidade ? e justamente por isso assustadoras de n?o estarem implantadas:

Tornar r?tulos consistentes.
Usar consenso entre rotuladores.
Documentar instru??es de rotulagem.
Remover exemplos ruidosos.
Usar an?lise de erro para descobrir onde o dado mente.

??Converg?ncia com o v?deo: o argumento "antes da IA existe confian?a" ?literalmente a tese de Ng aplicada ao plano da empresa. Sem dado em que se confia, IA escala o erro com eleg?ncia.

7. Cassie Kozyrkov ? "decis?o antes do dado"

Cassie Kozyrkov foi a primeira Chief Decision Scientist do Google e treinou mais de 20.000 funcion?rios da empresa em decis?o guiada por dados. Hoje ?CEO da Kozyr e refer?ncia mundial em Decision Intelligence.

A contribui??o dela ?talvez a mais inc?moda do conjunto, porque coloca um espelho antes do dado:

"O problema raro n?o ?ter dado. ? saber qual decis?o voc? est? tentando tomar. Aplicar matem?tica sofisticada ao problema errado d? uma resposta errada elegante. A cultura de dados nasce quando a empresa pergunta 'o que vamos decidir?'antes de perguntar 'que relat?rio vamos puxar?'"

? Kozyrkov, em entrevista ao DataFramed (DataCamp).

? o ponto que liga confian?a operacional (o dado bate) com utilidade decis?ria (o dado responde ? pergunta certa). N?o adianta ter um dado preciso se ele responde ? pergunta errada.

??Converg?ncia com o v?deo: "antes da IA existe confian?a"; e antes da confian?a no dado existe clareza sobre a decis?o. O v?deo entrega o segundo passo; Kozyrkov entrega o primeiro.

8. McKinsey ? as 7 caracter?sticas da empresa data-driven em 2025

A McKinsey publicou em 2022 o relat?rio The data-driven enterprise of 2025. Sete caracter?sticas comp?em a tese:

Dado embutido em toda decis?o, intera??o e processo? n?o como exce??o, mas como default.
Dado processado e entregue em tempo real.
Armazenamento flex?vel com dados prontos para uso.
Modelo operacional que trata dado como produto? com owner, SLA, m?tricas de qualidade.
CDO com mandato de gerar valor, n?o s? governar.
Ecossistemas de dados? parcerias e data sharing.
Gest?o de dados priorizada e automatizada para privacidade, seguran?a e resili?ncia.

Repare o item 4: dado como produto. Isso ?a virada do "dado ?responsabilidade do TI" para "dado tem owner de neg?cio, tem SLA, tem consumer, tem release". Esse ?o vocabul?rio que constr?i confian?a em vez de erodir.

??Converg?ncia com o v?deo: dado-como-produto ?o caminho operacional para sair do regime de "ajustar planilha manualmente antes da reuni?o".

9. MIT Sloan ? os 4 elementos da cultura de dados

A pesquisa de campo do MIT Sloan Management Review condensa o que faltava ? maioria das empresas em quatro elementos (Building a Data-Driven Culture: Four Key Elements):

Interven??o de lideran?a? o C-level cita n?meros, pede n?meros, usa n?meros, e explica os n?meros que usou.
Empoderamento com dado? quem decide tem acesso ao dado, e quem produz dado entende como ?consumido.
Colabora??o entre ?reas? uma defini??o ?nica de cada m?trica, vivida por todas as ?reas.
Realiza??o de valor? todo uso de dado precisa caminhar para uma decis?o ou a??o concreta.

Note que tr?s dos quatro elementos s?o comportamentais, e nenhum ?"comprar ferramenta". Isso bate exatamente com o achado da Wavestone: 78% do que trava ?humano.

??Converg?ncia com o v?deo: a confian?a aparece como propriedade emergente desses quatro elementos. Sem eles, dashboard s? faz a desconfian?a ser mais vis?vel.

10. Como isso se manifesta na sua empresa, agora

Para tornar o tema concreto, alguns sinais de baixa confian?a que aparecem na rotina ? e que o v?deo aponta de forma direta:

Sinal 1 ? N?meros concorrentes. A taxa de convers?o do CEO, do CMO e do CFO s?o diferentes para o mesmo per?odo. Conserta-se na base ou na sala?
Sinal 2 ? Planilha pr?-reuni?o. Algu?m abre o Excel uma hora antes do comit? e "ajusta" n?meros antes de exibir. Se isso ?necess?rio, o dado oficial n?o ?confi?vel? ?um rascunho com legitima??o social.
Sinal 3 ? M?trica sem dono. Pergunte "quem ?respons?vel pela defini??o de ARPU nessa empresa?". Se cinco pessoas respondem coisas diferentes, ou ningu?m responde, a m?trica n?o tem dono ? tem inquilino.
Sinal 4 ? Decis?o por intui??o com decora??o. A decis?o j? estava tomada; o relat?rio foi puxado para legitimar. Aqui voc? n?o ?data-driven, ?feeling-driven.
Sinal 5 ? Relat?rios "espelho". Cada ?rea tem sua vers?o do mesmo relat?rio, com pequenas diferen?as, porque ningu?m confia 100% no relat?rio do outro.
Sinal 6 ? Dashboards sem linhagem. Voc? sabe de onde vem cada n?mero exibido? Se n?o, ele ?um n?mero ?rf?o ? bonito, mas incapaz de sustentar decis?o de risco.
Sinal 7 ? IA antes da base. H? projetos de modelo preditivo em curso, mas a empresa ainda discute se "cliente ativo" inclui inadimplente. Isso ?colocar carro antes do motor.

Se voc? reconheceu dois ou tr?s desses sinais, a empresa ainda n?o ?data-driven ? independentemente da quantidade de licen?as de BI que tenha.

11. Um roteiro pr?tico para construir confian?a

N?o d? para terminar um texto provocando sem deixar uma rota. A s?ntese pragm?tica, alinhada ao que Davenport, Patil, Ng, Kozyrkov, McKinsey e o MIT Sloan v?m dizendo:

11.1 Defina a decis?o antes da m?trica

Antes de "que relat?rio puxar", responda: que decis?o estamos prestes a tomar?. Quase todos os erros caros nascem de pular essa etapa (li??o direta da Kozyrkov).

11.2 Gloss?rio de m?tricas

Documento ?nico, vivo, com defini??o operacional de cada m?trica relevante:

O que entra, o que n?o entra.
Janela temporal.
Fonte oficial (qual sistema, qual tabela, qual coluna).
Owner ? pessoa, n?o ?rea.

Se um dia precisar de uma ?nica a??o para come?ar a virar a cultura, comece por escrever esse gloss?rio.

11.3 Dado como produto

Cada conjunto de dado cr?tico precisa ter:

Owner (pessoa).
SLA (frescor, completude, disponibilidade).
Contrato de dado (schema versionado, altera??o comunicada).
Consumidor declarado (quem usa e para qu?).
Observabilidade (alerta quando algo quebra antes do consumidor reportar).

Esse ?o modelo operacional do item 4 da McKinsey.

11.4 Qualidade na fonte, n?o no relat?rio

A intui??o errada ?"vamos limpar no dashboard". A intui??o certa, sustentada por MIT Sloan e Andrew Ng, ?prevenir o erro na entrada. Valida??o no formul?rio, no app, no contrato com o fornecedor, no front, no banco transacional. Quem cria dado precisa enxergar quem consome.

11.5 Linhagem audit?vel

Para todo n?mero exibido em comit?, deve ser poss?vel responder em segundos:

De qual fonte veio?
Que transforma??es sofreu?
Quem ?o owner?
Qual a ?ltima atualiza??o?

Sem isso, n?o h? confian?a em n?vel de auditoria.

11.6 Lideran?a que pratica

O dado mais importante ?o que a lideran?a usa em p?blico. Se o CEO cita n?meros, explica de onde veio, mostra incerteza ("essa amostra ?pequena, mas indica..."), reconhece quando estava errado por causa de dado, o resto da empresa pega o tom. O contr?rio tamb?m ?verdade.

11.7 IA depois do alicerce

Modelo preditivo ?amplificador. Se a base ?fr?gil, ele amplifica fragilidade. Antes de "qual algoritmo", arrume: defini??o est?vel, dataset rastre?vel, m?trica de qualidade da entrada, valida??o contra realidade. Ng ?literal: data is food for AI; don't feed it junk.

12. Diverg?ncias e tens?es no debate (transpar?ncia)

Houve um pedido expl?cito: sinalizar se algum nome relevante discorda da tese. Fui atr?s, e o que encontrei foi mais nuance do que oposi??o. Vale a transpar?ncia:

12.1 Yann LeCun ? n?o discorda, mas tensiona o "data-centric"

O cientista-chefe de IA da Meta, Yann LeCun, defende que o caminho para intelig?ncia geral n?o passa por mais dados rotulados, mas por arquiteturas que aprendam o mundo de forma auto-supervisionada (sua proposta JEPA ?Joint Embedding Predictive Architecture). Para LeCun, "humano aprende a dirigir em 20 horas; carro aut?nomo precisa de bilh?es de exemplos rotulados ? isso ?prova de que o gargalo ?arquitetura, n?o dado bruto".

Onde fica a diverg?ncia? Ele tensiona o argumento "qualidade dos dados ?tudo" no plano da pesquisa fundamental em IA.N?o contradiz a tese deste artigo, que ?sobre decis?o em empresa. Para uma empresa que decide se uma campanha vai pro WhatsApp ou pro telefone, a confian?a nos dados continua sendo pr?-requisito. LeCun fala do limite do paradigma; o artigo fala do ch?o de f?brica.

12.2 O res?duo do "End of Theory"

Em 2008, Chris Anderson publicou na Wired o ensaio The End of Theory, argumentando que "com dado suficiente, os n?meros falam por si". Esse argumento foi influente entre 2010 e 2015 e ainda aparece, residualmente, em discursos do tipo "vamos jogar tudo no data lake que a IA descobre". Hoje ?rejeitado pela quase totalidade dos pesquisadores citados aqui, e ?exatamente esse otimismo ing?nuo que Andrew Ng, Cassie Kozyrkov e Tom Davenport v?m desconstruindo desde 2018. Mais dado, sem confian?a, sem defini??o e sem decis?o clara, piora o problema ? n?o resolve.

12.3 O hype do "AI-first"

Algumas falas p?blicas de l?deres de IA generativa (especialmente em ciclos de capta??o) sugerem que "AI-first" substitui "data-first". Lendo o que essas mesmas pessoas falam em f?runs t?cnicos, a posi??o ?mais matizada: a IA ?viabilizada por dado de alt?ssima qualidade, curado, rotulado, alinhado por RLHF. O discurso p?blico nem sempre coincide com o discurso t?cnico ? vale lembrar.

S?ntese honesta: n?o encontrei nenhum pesquisador ou executivo s?rio defendendo, em 2024?2025, que dado sem confian?a gera decis?o melhor. O debate verdadeiro ?sobre onde investir mais (modelo vs. dado, governan?a vs. produto, central vs. federado). Sobre o ponto-chave ? confian?a como pr?-requisito ? h?converg?ncia rara e cristalina.

13. Conclus?o ? voltando ao roteiro

A vers?o curta do v?deo termina assim:

"Empresa realmente data-driven n?o ?a que tem mais dashboard. ? a que consegue confiar no pr?prio n?mero."

A vers?o longa, depois de Davenport, Patil, Ng, Kozyrkov, McKinsey, MIT Sloan, Gartner e IBM, diz a mesma coisa com mais densidade:

Empresa data-driven n?o ?a que acumula dado. ? a que opera dado ? com defini??o compartilhada, qualidade na fonte, linhagem audit?vel, dono nominal, decis?o clara antes da consulta, e uma lideran?a que pratica em p?blico o que prega em reuni?o.

Tudo o que vem depois ? dashboard, BI, ML, IA generativa ? ?amplificador. Se voc? confia no que mede, esses amplificadores ampliam acerto. Se voc? n?o confia, ampliam o ru?do.

??A pergunta-teste: se amanh? sua empresa quisesse provar, para um auditor externo, que cada n?mero do comit? executivo ?confi?vel ? em fonte, transforma??o, owner e atualiza??o ? em quantos dos n?meros isso seria poss?vel em menos de cinco minutos?
A resposta a essa pergunta ?o seu n?vel real de maturidade data-driven. N?o a quantidade de licen?as de BI.

Refer?ncias e leitura adicional

Wavestone ?Data and AI Leadership Executive Survey 2024 (PDF)|resumo
McKinsey ?The data-driven enterprise of 2025
MIT Sloan Management Review ?Building a Data-Driven Culture: Four Key Elements|How to Get Proactive About Data Quality
Gartner ?80% of D&A Governance Initiatives Will Fail by 2027
IBM ?The True Cost of Poor Data Quality
Tom Davenport & Randy Bean ? HBR: How CEOs Can Lead a Data-Driven Culture (2020)|Big Companies Are Embracing Analytics, But Most Still Don't Have a Data-Driven Culture (2018)
DJ Patil & Hilary Mason ?Data Driven: Creating a Data Culture (O'Reilly)
Andrew Ng ?From Big Data to Good Data (Scale 2021)|The Data-Centric AI Approach
Cassie Kozyrkov ?DataFramed (DataCamp) entrevista|Kozyr
Thomas C. Redman & IBM ?Bad Data Costs the U.S. $3 Trillion Per Year (HBR, 2016)

Vers?o curta deste argumento, em v?deo (1 minuto)

Dados com contexto, estrat?gia e pr?tica.