Porquê ter MDM e Governança antes de escalar o uso de IA

0:00No meu primeiro curso de graduação que eu fiz de análise de sistemas, a gente estudava teoria do formulário, tipo como que você tinha que validar os campos, qual o tamanho dos campos você tinha que colocar. Hoje em dia isso é meio que negligenciado, né? Porque os caras estão entendendo que o nome agora é quanto melhor foi o meu meu dado, mais a IA vai ser potencializada.

0:23Existe a teoria de conservação de energia que a energia ela não não diminui, ela só muda de lugar. O problema de tecnologia a mesma coisa, a teoria da conservação do problema.

0:33Definir a a arquitetura da sua empresa por domínios, que serve tanto para data como para service mexicou aqui um pouco, não é trivial.

0:42Muito bem, meus amigos do PPT não compil, estamos aqui para mais um episódio e hoje eu tô aqui ao lado do meu grande amigo Luiz Rud.

0:53Tava com saudade, hein, pô. É verdade. Faz assim um tempinho que você não vinha para cá, né?

0:57Mas hoje a sua presença é requerida aqui, porque o assunto é a tua praia, meu velho.

1:03Minha praia. Tô até lisongeado. Vamos falar sobre sobre MDM e governança de dados.

1:10Caramba, que tema bom, hein?

1:12Especialmente agora que a gente tá num contexto de inteligência artificial. E e uma coisa que eu acho bem interessante, viu R? A gente tá em um momento onde as pessoas já estão acostumadas com o uso de inteligência artificial no dia a dia e elas estão começando a perceber a importância de usar o dado dela na inteligência artificial.

1:30Que disrupção isso. Exatamente. Então a gente começa a ver que a galera precisa ter informação para utilizar junto com a inteligência artificial. Então a gente tem isso traz uma série de consequências que a gente vai destrinchar aqui no episódio hoje. E que que é o nosso convidado, cara, para falar disso? nosso convidado, simplesmente uma referência na área de MDM e governança, Paulo Cordeiro.

1:53Fala aí, Paulo. Dá um oi pra galera, cara.

1:55Oi, primeiro obrigado pela oportunidade de estar aqui com vocês. Como já disseram antes, sou Paulo, sou eh, CEO e fundador da 4MDG, uma empresa brasileira que desenvolveu um software de master data management. Então, fiz toda a minha carreira nessa nessa área de gestão de dados mestres e também sou produtor de conteúdo, né? Escrevo bastante no LinkedIn, tem o blog também, produz o conteúdo aí pras redes sociais com a ideia de difundir o conhecimento sobre Master Data Management e ver se a gente consegue colocar na cabeça das pessoas a importância da qualidade dos dados, né, para alavancar o uso da IA e dos negócios responsáveis, né, no final garantir mais dinheiro no bolso de todo mundo, tanto da empresa como no nosso, né?

2:37É isso aí.

2:38Toda a empresa tá preparada para Iar.

2:40Mas será que os dados estão prontos?

2:42Essa é uma boa pergunta que a gente vai responder nesse episódio hoje. Então, hoje você vai entender com a gente aqui o que que é MDM, vai entender o que que são os processos necessários para você utilizar o seu dado dentro da inteligência artificial. Vamos falar como que isso se aplica no dia a dia, quais são as disciplinas de dados que são necessários para você ter uma boa governança de dados, ter uma boa aplicabilidade de dados dentro do seu contexto de inteligência artificial.

3:05Vamos falar sobre bastante coisa aqui.

3:07Então, se você é um entusiasta de dados e de desenvolvimento, tecnologia no geral, acompanha com a gente que o episódio vai tá muito bom, né, Rud?

3:15Com certeza.

3:16Então é isso aí. Vamos lá, Paulão.

3:18Vamos nessa.

3:19Mas antes, se você não é seguidor PPT no compil, se você sabia, Rud, que 60% dos caras que nos ouvem ainda não são seguidores?

3:29Então, se você é um desses 60%, siga o PPT, não copia lá. Isso. Vai lá no no no Spotify, no YouTube, Instagram, dá cinco estrelinhas lá no Spotify, deixa o seu comentário aqui, eh, compartilha o episódio, ajuda a nossa comunidade a crescer, porque isso nos fortalece, o algoritmo entrega mais e a gente consegue trazer mais conteúdo de qualidade para vocês.

3:53E você pode ser patrocinador também do PPT, não compila para pagar minha cerveja. Isso, exatamente. O Rood bebe muita cerveja. Então, se você quiser pagar a cerveja do Rood, [email protected], né? Você contribui com qualquer valor e e ajuda a gente a manter essa estrutura.

4:09E se você for uma empresa também pode entrar em contato no [email protected] que nós estamos com vagas para patrocinadores aqui no no podcast. Hood, muito bom.

4:21Sem mais delongas, bora.

4:39Paulo, eu sei que você é um cara já eh bem conhecido no nas comunidades de dados, etc., Mas pra gente começar, eu queria que você se apresentasse um pouco da do teu histórico, falasse um pouco mais eh quem é o Paulo, da onde vem e e qual que é o seu trabalho exatamente na área de dados.

4:57Maravilha. Primeiro, obrigado aqui pelo pelo convite. Eh, eu fiz toda a minha carreira com tecnologia SAP, babou parte dela. Antes de SAP trabalhei com Cobol, né? Só os mais velhos vão lembrar, né? A barba branca no esconde um pouquinho, né? Que a gente já tem anos de luta.

5:17Então trabalhei um tempo com Cobol, depois fui pro universo SAP e dizem você falam que você tem só 20 anos, né? Todo a aparência foi por causa do Coball e do SAP, né?

5:27Um negócio chamado Go Live virando noite só acaba com a saúde de qualquer um, né?

5:33Muitos. Então, basicamente isso. Então, sou sou um dev de de formação. Então, eh, programei durante muito tempo Coball Delfi, depois programei em ABAP para SAP, tive experiências com PHP, enfim, meu universo foi na programação e mais tarde um pouquinho que eu fiz que eu falei: "Cara, eu preciso complementar a minha visão de mundo." Aí fiz a administração para dar essa visão de de business, né, de entender o outro lado, né? Então, muitas vezes são uma característica de quando a gente é dev, a gente fica muito fechado, né, na nossa na nossa casinha.

6:08Eu falei: "Cara, deixa explorar". E aí tive toda essa experiência implementando projetos de SAP, fiz algumas especializações ali na Alemanha e me especializei em SAP para varejo. Então fiquei muito tempo implementando SAP em varejista. Então, fiz aí grandes empresas e foi onde que eu comecei a ter essa visão da importância dos dados, porque a gente tinha um um grande conjunto de problemas a cada projeto por causa de baixa qualidade dos dados. E a gente acabava entendendo isso como uma coisa natural, quando não deveria ser, né? Você ter um problema na entrada de um novo RP porque o teu cadastro tá ruim, não deve ser encarado como uma coisa natural, né?

6:46É raro, mas acontece muito, né? Sempre a abordagem tecnológica trata a aplicação como se ela fosse eterna, não efêmera, né? Enfim, é complicado.

6:56Exatamente, cara. É, é igual novela mexicana, né? A personagem principal sempre é Maria.

7:01Então, assim, é uma repetição sem fim dessa desse cenário, né, Wellon? E eu falei: "Poxa, tem oportunidade de negócio aqui". E foi quando eu fui pra área de master data, já trabalhava com Mastera, mas o ponto de vista do contexto do RP, enfim, né? da solução do prática ali. E aí eu fui construir minha startup, né, a 4000DG. Hoje a gente tá em sete países e a gente já tem 124.000 usuários na plataforma. Então, a empresa brasileira que nasceu dessa dessa visão, poxa, tem alguma oportunidade aí. E junto com a startup, né, eu fui me especializando em master data, tive oportunidade de conhecer outros players, então trabalhei com SAP MDG, trabalhei com Estibo, então fui vendo o que tava no mercado, falei: "Poxa, vou construir a nossa solução aqui". E a partir daí foi um pulo para ir pras redes sociais também, né? Usar como caminho no sentido de, cara, como que eu torno a mensagem do MDM conhecida, porque falava-se de MDM muito pouco. No Brasil ainda fala proporcionalmente lá fora, né? a gente é um mercado muito pequeno, tanto é que a gente tem grandes players que não tem nem escritório ainda no Brasil, né? Então quando a gente olha ali, você pegar a lista dos 30 maiores MDM do mundo, são poucos que você tem aqui no Brasil. E aí a partir daí eu peguei o gosto, entendeu? Então que nem você, pô, vamos fazer um podcast, vamos fazer um vídeo, vamos produzir conteúdo, texto, para poder difundir isso e e vencer essa barreira que tinha no mercado, né, da falta do patrocínio executivo, que é um tema que a gente tava falando um pouco antes, né?

8:35Sim.

8:36Inclusive faz muito vídeo e posta bastante coisa relevante, tanto no LinkedIn como no Instagram também.

8:43Então, recomendo, sigam lá o Paulo no LinkedIn, a 4MDG também no LinkedIn, no Instagram, conteúdo bacana.

8:51As redes dele vai est aqui na descrição do episódio, mas pode falar agora também, pessoal que já tá com o celular na mão já.

8:57Pessoal que tá com o celular na mão é só procurar dados mestres. Então, lá no Instagram eu tô com @dados_line, né, o_mestres.

9:05E no LinkedIn tô com Quando o cara é de governança, ele fala_, entendeu? Porque underline é errado. Isso aí, cara. Cois.

9:12Exatamente. Eu eu falei top ato falho enfim. E então é dados mestres no Instagram, no TikTok, no LinkedIn. Tô com meu nome de nascença, Paulo Cordeiro, mas não tem muito como errar.

9:25É um careca de barba lá falando de cadastro ruim, né?

9:29E tem um ponto aqui, é nesse nesse ano, né? Eh, na verdade, dia 19 de agosto vai ter a quarta edição do Amigo dos Amigos do Cadastro que vai ser, cara, eu achei o nome desse evento maravilhoso, Amigos do Cadastro. Isso é incrível, né? Então, é de quem já sofreu muito com MDM, entendeu?

9:48Amigos do cadastro, isso é incrível.

9:50E vai ser no, a inscrição é gratuita, tá? Também vai tá aí em algum lugar a o link para se se inscreverem, tá? Já vão ter quantas? 30, 40 palestras. Eh, vai ter lá também alguns alguns ouvi dizer que tem um cara aí que vai palestrar também.

10:06Ah, eu vou estar lá também, óbvio.

10:07Boa.

10:08Na verdade é o seguinte, né? Eu eu queria estar na primeira fila ouvindo todo mundo. Aí eu fui lá e submeti uma palestra lá para ganhar um destaquezinho ali para entender.

10:16Examente. Para conseguir tá perto ali da das referências. E aí, obviamente, o Paulo vai conseguir falar com mais propriedade todas as mentes brilhantes que vão estar lá. Mas um evento bem legal. Façam a inscrição, participem, amigos do cadastro, dia 19/08 no Teatro Fre Caneca Sabesp, curiosamente, tá? Mas é isso, deixa eu exatamente, é um evento que vai ter lá 30 palestras técnicas, é um evento 100% gratuito, também vai ter um espaço com a editora Brasporte, vai levar uns livros técnicos para quem gosta ainda da leitura do papel. Eu sou velho, né?

10:49Então adoro o papel, né? né? Até escrevi um livro também, o livro vai est disponível lá e vai ter stands ali de parceiros, então vão ter grandes empresas da área de tecnologia, então pro pessoal poder fazer um network, entender o que que tá acontecendo no mercado. E como palestrante vai ter o queridíssimo Rud, vai lá, tô tô ansioso para ver a palestra dele. Vai ter o professor Carlos Caldo, né, que quem tá na comunidade conhece o trabalho relevante dele. Vai ter o Célio também, vai participar de lá. Então assim, muita gente boa, grande Sério, um abraço pro Célio.

11:19Exato. Muita gente boa ali palestrando e a gente também trouxe gente de negócio.

11:23Então a gente tá trazendo grandes empresas para falar da realidade no ICRUA, né? Das dificuldades de implementar um projeto de governança, um programa de gestão de dados. Então vai ter palestras aí de grandes empresas nesse nesse cenário. Então dá um total ali de 30 palestras. E a gente não esqueceu do tema reforma tributária, que é um negócio que tá pegando também, porque vai ter que mexer em alguns aspectos na gestão de dados para atender esse novo cenário.

11:47Quem não correr atrás não vai conseguir faturar, cara. Vai ser um problema.

11:52Mas vai surgir o orçamento rapidinho para fazer. Você você duvida.

11:54Então, e quem quem tá se planejando pro CNPJ alfa numérico também?

11:59Caraca, eu só tô esperando caos. Só tô esperando caos.

12:02Isso aí vai ser o bug do milênio no CNPJ. Exatamente.

12:06Mas olha só, eu eu queria eu quero botar um spot aqui no num num ponto que que me acendeu aqui vocês falando do evento que tem esse nome maravilhoso, Amigos do Cadastro.

12:20Eu queria queria destrinchar melhor com vocês os problemas que envolvem esse tipo de de processo na empresa que é um cadastro, cara. Porque se separar do ponto de vista de desenvolvimento e arquitetura é um crude.

12:36Uhum.

12:37É uma das coisas mais primárias que você tem no desenvolvimento.

12:41É primário, mas só que o dev se preocupa com todos os requisitos de negócio. É esse o ponto que eu quero chegar com vocês, porque eu sou vintage, não falo mais agora, falo vintage, eu que sou vintage, no meu primeiro curso de graduação que eu fiz de análise de sistemas, a gente estudava teoria do formulário, tipo como que você tinha que validar os campos, qual o tamanho dos campos que tinha que colocar. Hoje em dia isso é meio que negligenciado, né?

13:11Então, quais são os principais problemas que a gente tem quando fala de cadastro?

13:15Por que que é tão difícil resolver isso dentro de uma companhia? Às vezes você tem projetos milionários para resolver problema de cadastro, cara.

13:24Exatamente.

13:25Sabe, eu sou deve, né? Ou era, né? Ainda ainda programo um pouquinho, né? Já não foge que uma vez deve deve da vida.

13:33E o problema muitas vezes quando a gente tem essa visão de deve, a gente acha que que a gente é martelo e tudo é prego, né? E a gente quer sair dando martelada em tudo para resolver.

13:42Quem dera se fosse só a área de deve, né? Mas tudo bem.

13:44É exato. E que que acontece, né? Eh, principalmente com avanço tecnológico, as empresas começaram a optar por uma estratégia que eu acho muito errada, que é resolver as coisas na força bruta.

13:57Então você tem um sistema legado lá na ponta, pode ser um CRM, um sistema de captação de dados e você não mexe lá, você deixa o formulário aberto, você coloca um campo de telefone sem rejex, você começa a fazer uma série de besteiras lá e aí você resolve na força bruta, pô, vamos, vamos colocar isso aqui no data, vamos rodar um monte de algoritmo, roda matching probabilístico, faz umaística, põe um great expectations para fazer uma análise, roda um script em python para corrigir o dado, integra com API para fazer enriquecimento.

14:27externo. Então, o cara põe uma porrada de força bruta que no final do ano isso é um orçamento de milhões de reais, porque muit dessas coisas são billable, você tem que pagar para alguém, né, para fazer ou no mínimo você vai ter capacidade de processamento que você tem que pagar, mas o cara não vai lá na ponta, deixa eu entender a necessidade do do usuário de negócio e por que que cadastro nasce errado, né? E você fazer esse estudo, você perguntar e ao perguntar você vai entender. E aí tem um negócio que eu acho fantástico, né, que foi até o Uliss Guimarães, né, eh, falecido político, que ele falou, né, o jabuti em cima da árvore. Então, você vai entender que aquele processo tá errado porque alguém lá atrás definiu isso, deixou daquele jeito, colocou o jabutinho em cima da árvore, ninguém mais quer mexer. E aí você começa a ter todos esses problemas.

15:13Sim. O famoso da compadecida. Não sei se que foi assim.

15:17Paulo usa um termo que é conhecido, PPT, né, que é pessoas, processos e tecnologia.

15:23Geralmente as pessoas colocam o T primeiro. E aí o que que o que que acontece? eh você acaba eh não analisando o processo e a parte cultural eh que está estabelecida na empresa. Se a gente levar aqui a a até o contexto de A e sim, quebrei a barreira, falei de a, é o problema também da modernidade, porque o pessoal tá querendo estabelecer tecnologia para corrigir processo, certo? Eu preciso entender o processo. Muitos projetos não precisariam de a muitos processos não precisariam de um de um formulário ou de um big data ou de um data lake. Se eu tivesse corrigindo o processo.

16:03E cara, quantas vezes você já não se deparou com um formulário que pede um monte de informação, você fala: "Cara, eu duvido que esse cara vai usar esse dado, meu".

16:11Mas eu acho que isso isso ainda é o de menos, sabe?

16:14O cara, sei lá, pede o número da CN garrafo vi que esse cara vai usar para alguma coisa. Quando você vai fazer qual às vezes alguns eh contratos, pedem pispas.

16:24Pois é, eu tenho que estar correndo. O que que é isso, mano? Eu tenho isso mesmo. Eu fic, pois é, para que que o cara vai usar esse número? Você não vai usar, cara.

16:32Isso vai ficar um campo na tabela lá o resto da vida. É, é uma falta de uma visão holística. E esse tem um problema muito comum em cadastro, por exemplo, de você colocar um dado perecível. Então, um exemplo, vou fazer o cadastro de uma empresa e coloco no formulário quantidade de funcionários. Esse é um tipo de campo idiota, porque se a empresa contratar e demitir gente, aquele campo vai morrer, ele vai ser perecível, ele não vai mais, se a gente pegar as dimensões da qualidade de dados, ele já não é mais atual, porque uma empresa contrata e demite. Então, para que que você vai armazenar uma informação que daqui se meses ela já não tem mais nenhum tipo de utilidade? É o contrário, você vai tomar decisão errada, porque se no seu cadastro tem que aquela empresa tem 10 funcionários e agora ela tem 30, na hora que você for rodar um machine learning em cima da base, vai classificar aquela empresa errada baseada no campo que tá errado.

17:19Sim.

17:19Então é muito disso. É você, por que que o cadastro dá problema? Porque o cara de negócio ele quer achar que o cadastro é linguiça. Põe mais, põe aquilo. E e aí não tem uma análise de causa raiz, você não faz um endent. Pera aí, deixa eu ver se isso aqui realmente vai servir pro processo lá na frente. E essas falhas acumulad aos longos dos anos, cada chefe chegando, querendo mexer no processo sem pensar no todo, faz cadastro ruim. Um um outro exemplo que que eu dei, inclusive no episódio passado que a gente estava falando de transporte, vocês já tentaram comprar o bilhete único pelo pelo WhatsApp?

17:56Compro direto, cara.

17:59Por que diabos eu vou na máquina do bilhete único, eu só aperto um bilhetico e ponho para você sabe que eu ouvia, eu já tenho a resposta, né? Mas vai lá.

18:08E por que que eu tenho que preencher um monte de dados no WhatsApp para comprar a [ __ ] do bilhete único?

18:15Porque na maquininha ele imprime, ele precisa do seu e-mail porque ele envia o negócio para lá.

18:21Não, cara, o Qcode vem no WhatsApp, então vem. Mas e se você comprar 10? Dá uma Tudo bem. Mas para que que é o meu CPF?

18:27Se ele é intransferível, se ele não não é registrado com relação ao CPF, tudo bem, mas por exemplo, pelo menos um e-mail para ele poder enviar as coisas para você por e-mail precisaria, tá? Concordo. Mas tudo o resto, mas mas concordo que existe um um excesso de burocracia. E aí e e aí só trazendo aqui uma uma frase do do Paulo que é o seguinte: qualidade, OK? Eh, hoje se você for olhar qualquer sistema, não existe uma preocupação com a qualidade do dado.

18:56Uhum.

18:56Ok?

18:57A quantidade, ele é um problema, concordo, mas a qualidade é o principal problema do do cadastro.

19:04Mas você não acha que qualidade e quantidade elas são eh autodependentes?

19:09Porque, cara, se eu encho o cara de informação que eu não vou usar, o risco de eu tondar de baixa qualidade é muito grande.

19:16Não, não, porque você tem que entender o conceito de qualidade. Conceito de qualidade é você ter competência para atender seus requisitos de negócio, OK?

19:25Então, às vezes, uma informação não vai ser útil pro meu requisito de negócio.

19:29Então, para mim, aquela informação ter ou não ter, tanto faz. Eu não afeto a qualidade, eu afeto o desperdício e o armazenamento daquilo. O ponto é que os negócios evoluem, os requisitos mudam, o sistema continua com a mesma entrada ruim, entendeu? E aí que entra toda a necessidade de fazer uma uma mudança lá na ponta, gente. A gente é trabalha com dados aqui, eu, Paulo trabalhamos mais tempo ali com dados. O tanto de problema que a gente vê na ponta lá no analítico, no Data Lake, cara, é muito problema que poderia ter sido sanado com uma boa engenharia.

20:06Exatamente. Entendeu? Eu consigo trabalhar as dimensões da qualidade. E aí, cara, tem várias várias referências, cara. Um fala 10 dimensões, o outro fala sete. Tem um monte. 21, cara.

20:19Exatamente. Mas, por exemplo, se você traz a luz do requisito de negócio mesmo, que foi ali o que o Paulo comentou, cara, você consegue trazer pra sua aplicação essas validações. Você às vezes consegue até colocar através de um gatilho no seu banco de dados essas validações, você consegue trabalhar com um modelo de dados canônico, onde a sua aplicação pode ser efêmera, pode mudar.

20:41Você pode trocar do ERP1 pro do, mas o seu dado ele continua qualificado para atender as necessidades de negócio.

20:51Quero falar com você agora que ainda não conhece a Clever. Clever é uma empresa que já tem mais de 3 milhões de usuários em 30 países com 30 idiomas diferentes, que tem trazido soluções em blockchain, criptomoedas e ativos digitais. O objetivo da Clever é te dar liberdade financeira para operar nesse mercado de cripto. Então, se você acredita nisso, se você acredita nessa liberdade, você já pensa como a Clever, vai conhecer os caras, é clever.Ou estão contratando também pessoal para trabalhar com cripto, com blockchain. Então, se você tem interesse, se você tem conhecimento nessa área, procura a Clever. Se você gosta de criptomoedas, se você opera no mercado, você precisa conhecer a Clever, precisa conhecer as soluções da Clever.

21:30Então o endereço tá aqui embaixo no vídeo. Para quem não tá no YouTube é clever. Vai lá, vai conhecer que realmente é um mercado sensacional.

21:44Na na tua opinião, Paulo, por que que isso ainda persiste? uma vez que a gente tem cada vez mais rebuscado a os processos, os frameworks de levantamento de requisito de negócio, mas a entrada continua sendo negligenciada aparentemente, né? Você até com Agile, etc., você tem um incremento de de de design thinking, de levantamento de informações paraa regra de negócio. Mas, cara, parece que tipo, é isso é ah, não, é só um cadastro.

22:17Vamos lá. É multifatorial, tá? Não tem um uma bala de prata nesse assunto. Mas o que acontece quando você desenvolve sistemas que vão ficar na porta de entrada? Geralmente são sistemas operados por humanos. Então você tem desde um e-commerce, que vamos dizer assim, que é um modelo self service, onde você mesmo faz o seu cadastro, como você tem plataformas internas que as empresas usam, por exemplo, para capturar dados, fazer um atendimento básico. Esses foram os primeiros softwares que foram desenvolvidos ao longo do tempo. Então, eles vão sendo classificados como legado. Conforme esses softwares são desenvolvidos, eles são massificados dentro das organizações. Então vamos imaginar que você é uma uma empresa que você tem 30 unidades de operação no Brasil e você vai ter 30 operadores logísticos dentro da de cada uma das suas filiais usando aquele software que foi desenvolvido em 95, sem ter essa visão mais moderna ou essa preocupação com a qualidade dos dados.

23:15Até porque isso é um problema. Muitas vezes a gente se formou, na minha época não teve uma aula sobre qualidade dos dados, não teve um, sabe, o muitas vezes o desenvolvedor não teve essa visão e as empresas, se hoje as empresas não têm estrutura de governança de dados, imagina há 10, 15 anos atrás. Então esse legado ele entra na ponta e aí você tem lá um colaborador que aprendeu a usar aquilo, que sabe usar aquilo. Então o custo da mudança é gigantesco. Você já não tem mais programador para aquilo. Se você for trocar um o software, você vai gastar uma fortuna. Você tem que retreinar todo mundo na ponta e é um problemaço. Então que que acontece?

23:53Poxa, não vamos mexer na ponta, deixa o processo como tá e vamos tentar resolver isso numa outra etapa que eu tava explicando um pouquinho lá atrás, pô.

24:00Vamos jogar isso no BW, no Data Lake, no Data Lake House, blá blá blá blá blá blá. Vamos aplicar algumas técnicas para tentar resolver. Então é isso, a história da informatização e o avanço dos negócios justifica isso.

24:12Outro ponto também, a gente entende essa dor, a gente vive essa dor. Um diretor de negócios, ele muitas vezes ele fala o seguinte: "Poxa, vou ter que investir talvez 5 milhões, 10 milhões para resolver esse problema. Mas se eu pegar esse dinheiro aqui e colocar mais marketing na empresa, eu vendo mais. Eu vou bater a meta do trimestre. Batendo a meta do trimestre, eu ganho o meu bônus.

24:36Problema é sempre estratégia, a falta da visão de longo prazo.

24:40Exatamente. Porque esse cara que ele ele tá pensando no bônus nele, mas ele tá trazendo um monte de tradeoff, mas ele vai sair, ele vai sair em um, dois anos, ele vai fazer a mesma cagada em outra empresa depois.

24:51Sim. É, isso é, isso é um fato.

24:52É, é como se fosse os políticos, né?

24:54Eles não se preocupam muito com as ações dele, porque na próxima eleição fica pro próximo. Muitos executivos acontecem, acontece isso e vai gerando débito técnico. Então você também é da área de desenvolvimento, você sabe o débito técnico que você carrega. E hoje se você pegar, por exemplo, em muitas grandes empresas, você ainda tem estruturas em cobol gigantescas.

25:13Ah, é muito comum, cara. Muito, principalmente instituição financeira, seguro, roda em cima de cobó até hoje. E uma observação do que você falou que eu achei bem interessante, Paulo, é que normalmente, de fato, essas aplicações são as primeiras porque são a entrada, etc. Isso do ponto de vista de arquitetura tem uma consequência muito séria que você vai desenvolvendo outras camadas de aplicação que depende dessa dessa primeira aplicação de entrada, que é a a construção cebola, que toda vez que você tira uma casca você começa a chorar.

25:45Ex. Exatamente. Exatamente. Então, cara, se eu se eu mudo a o meu cadastro de cliente que tá lá no COBOL, bicho, altera a cadeia inteira, porque esse cidado propaga para todas as cadeias de valor da companhia, né? fazer aqui uma uma questão. Segundo a Revolução Industrial, surgiu um conceito chamado LIM.

26:04Uhum.

26:05Beleza. O LINIM foi criado simplesmente por causa de problemas de qualidade na manufatura.

26:11A gente tá aqui alguns anos depois desse conceito ser eh criado e falando dos mesmos problemas, mas agora voltado pra indústria de dados. A gente tá na quarta revolução industrial. dado é o novo petróleo inteligência artificial é a nova energia elétrica e o problema de qualidade tá aí.

26:31Tem que fazer o link deita. Eu já tô escrevendo sobre isso, Lindel. É isso aí. Mas se você for ver os desperdícios, né, os 7 mais um, osito grandes desperdícios, cara, eles se aplicam como uma luva para dados e a parte dos bugs, dos erros, esses problemas de qualidade, cara, hoje são um grande um grande problema na indústria de dados, entendeu? Tem um tem um complemento seu seu raciocínio só para a inclusive LM a gente construi uma célula de Lin dentro da 4 MDG pela importância mesmo de você organizar processo, pensar dados como se fosse uma fábrica que tem uma esteira, né, começo, meio e fim, essa visão mais holística.

27:08Tem um livro também que vale muito a pena, é um livro de negócios, que é a meta do Gold Rat, que é a teoria das restrições. Ele era um físico, então ele pegou conceitos físicos, trouxe para de negócio. Quando eu li esse livro, né, com primeiro com foco de business, falei: "Cara, muita coisa que ele explica de gargalos, então você resolve o gargalo num ponto, ele vai para outro". que puxou com o assunto que você falou: "Poxa, você tá com problema aqui na entrada, é um gargalo aí você resolve um probleminha aqui, mas estoura lá na frente porque tudo é interdependente." Ele fala muito disso, das restrições, como que você faz essa gestão de gargalos, que também junto com a com o Lin faz todo sentido você tem trazer isso pro universo de dados.

27:43Eu eu eu como sou sou físico também, eu costumo fazer um paralelo com a teoria de conservação de energia. Existe a teoria de conservação de energia que a energia ela não não diminui, ela só muda de lugar. O problema de tecnologia a mesma coisa, a teoria da conservação do problema.

28:01Se você eh resolveu uma coisa na ponta e postergou pra camada de trás, você só moveu o problema para depois. Se você não resolver o problema, ele vai se conservar. Você só vai deslocar ele de uma ponta para outra dentro do seu pipeline.

28:15Mas ele vai multiplicando, né? Não é possível. Porque tem um carinha chamado Doctor Data, é o apelido dele, esqueci o nome dele real. Ele criou uma regra de qualidade chamada 11 100. Se o dado entra certo e permanece certo, ele custa dó. Se ele entra errado e é corrigido, ele custa. Mas se ele entra errado e permanece errado, que é a realidade de muitas empresas, ele custa $.

28:37Sim. Isso é explicado também pela física, porque quando você tem uma energia estável, se ela entra em atrito, ela transforma numa energia térmica cinética maior. Então o custo é esse tipo de energia. Se você tem um dado que vai gerando atrito na linha do tempo, você vai aumentando o custo, né?

28:57Aí, ó, traduzindo para um português simples, a porcaria é exponencial.

29:02Isso, exatamente isso aí.

29:04Exatamente.

29:04A porcaria é exponencial.

29:06Pode pode ser português ainda mais claro. A cagada ela ela ela vai vai aumentando. Exatamente.

29:12Trash in trash out. Mas, por exemplo, para puxar aqui para conectar com o business, né? A gente analisou a base de um cliente, parte de materiais, né? O linguajar técnico é MRO, né? Materiais de reparo e tal são os indiretos que toda a empresa usa. E muito do problema de dado que a gente tem hoje, ele tá conectado com a arrogância e com ego. Eu eu tenho essa eu tenho como boa parte dos problemas de TI, né?

29:37Exato.

29:38Problemas de negócio, problemas na política, na economia, como todos os problemas.

29:43Eu eu puxo muito isso. Eu eu você até acompanha um pouco, eu tenho esse muito viés da pessoa, né? o dado vai ser tão bom quanto ao conjunto de pessoas que operam. Então você tem que ter esse controle do seu ego, do seu orgulho. Eu falo até um pouco disso nas palestras, o pessoal pessoal, pô, tá viajando. Entra aí numa explicação técnica. Legal.

30:01Explicar tecnicamente é importante, mas você entender o contexto por trás. E você tem essa essa questão ali da das pessoas. Eu tava trabalhando com a base ali de um potencial cliente. Falei: "Cara, me dá sua base que eu vou rodar aqui alguns algoritmos e fazer uma análise base de materiais, né? Cara, minha base é perfeita, é ótima, temos um melhor processo e sou uma das maiores empresas do Brasil me mandou, né? Então, tive que assinar N para ter acesso a base, aquela burocracia toda.

30:28Rodamos análise da base dele e identificamos diversos materiais duplicados, no caso baterias de empilhadeira. Aí já entra um pouco também do Master Data. Quando você cadastra uma bateria de uma empilhadeira, essas empilhadeiras industriais elétricas, e cada bateria você tem modelos que custam 35.000, tem modelos que custam 60.000. R$ 1000, dependendo da bateria. E tem ela tem uma série de características técnicas, tá?

30:53Então você tem características A, B, C, D que faz aquela para você poder comprar essa bateria. Essa empresa tinha duas plantas que ficavam próximas, distância de poucos quilômetros. A planta A fazia o cadastro da bateria, a planta B fazia um cadastro que era a mesma bateria, mas com uma nomenclatura, uma descrição diferente. Então, o que que acontecia? a planta A e a planta B compravam as mesmas baterias, enquanto elas poderiam simplesmente migrar o excesso de estoque através de uma transferência.

31:23Somamos todas as baterias duplicadas. Só no grupo de bateria essa empresa perdeu R$ 3 milhõesais.

31:31Nossa, cara. Então é isso o problema do Master data que ele se propaga. E aí qual que é a estratégia que hoje eu uso quando a gente fala de governança e gestão de dados? É tudo questão do patrocínio executivo. Você precisa que a empresa esteja compromissada. E o executivo de negócio, ele não entende camada silver, camada ouro. O cara não entende, pô, arquitetura A, B e C. Ele entende, dinheiro entra, dinheiro sai.

31:57Uhum. Então, quando você começa a fazer esse link, e acho que é importante para todo mundo que trabalha com dados ter essa visão de, cara, deixa eu mostrar pro cara o que que eu tô fazendo aqui, você fala: "Cara, olha isso aqui, olha quanto que você tá perdendo". Aí o cara sai, a gente pegou uma indústria farmacêutica, uma indústria espetacular, os caras, fantástico. E cara, analisamos a base de materiais deles. Cara, na primeira análise ali nos algoritmos de A, para puxar com o assunto de A, rodamos ali um machine learning, uma e uma generativa em cima da base e depois a gente passou ali um fez uma curadoria humana, né?

32:32Porque a IA para certos aspectos não acerta 100%. Cara, na primeira olhada que a gente deu, 1.800.000 dava para recuperar de estoque do cara.

32:43R800.000. Eu falei: "Cara, por 10% disso te implemento a solução." Incrível, né? E eu eu quero aproveitar esse gancho para aproveitar vocês dois aqui. Eu queria que vocês esclarecessem um pouco mais a respeito de MDM. Isso.

33:00Eu já vi algumas dúvidas de pessoas de tecnologia e alguns ouvintes já nos mandaram algumas perguntas também sobre isso.

33:09Quando a gente fala do Master Data, eh, é muito comum a gente ligar o famoso Golden Record, qual o melhor registro, etc. Isso é uma das aplicações, né? Mas também tem essa questão de você ter os domínios bem definidos e os dicionários comuns, né, entre esses domínios que que é o o registro master, né? Eu queria que você explicasse um pouco melhor isso, né?

33:33Porque é muito comum e eu acho que o maior uso no mercado é de fato esse, né?

33:38Quando você tem vários cadastros, vários registros, você precisa encontrar a melhor informação entre eles. E mas eu vejo poucas pessoas falando do uso do MDM para, por exemplo, ter uma base comum de materiais com as mesmas chaves, etc., para não ter esse tipo de de de incompatibilidade, você ter registros diferentes, chaves diferentes para para entidades que no fundo são a mesma coisa, né? Então eu queria que vocês explicassem um pouquinho melhor isso para para quem tá nos ouvindo. Então vamos lá, senta que lá vem história, né?

34:10Então, basicamente o seguinte, quando a gente fala de dados estruturados, eh, a gente tem o costume de classificar entre mestres e transacionais. Tem os dados de referência também. Então, são dados mestres de referência e transacionais.

34:22Para facilitar geralmente dado mestre, dado de referência, a gente trata junto, data, master data e referência data.

34:29Então, o que que é o dado mestre? é o dado do cliente, é o dado do fornecedor, é o dado do material, do produto acabado, do serviço, do colaborador.

34:38Eles são dados de que tem por característica mudar pouco. Por exemplo, seu nome você nunca muda.

34:45Seu endereço você vai mudar talvez quatro, cinco vezes, a não ser que você seja um nômade.

34:49Então eles são dados que t uma característica única. Você não tem dois elo, então não pode ter. E, só complementando, o referencial, ele teria uma característica ainda de menor volatilidade, que aí você tem um CP, você tem um sid, você tem coisas mais estáticas ainda, tá bom? Calendário, OK?

35:08Tabela de moedas, tabela de países.

35:10Então, o dado referencial, ele serve para dar contexto a um dado mestre.

35:15Então, por exemplo, eu tenho o Wellington, qual cidade com Alitomora?

35:19Florianópolis. Então, quer dizer, a lista de cidades é um dado de referência que te dá um contexto pro pro master data. Então, e eles são dados que eles não se movimentam tanto, né? Eles têm uma volatilidade menor, eles têm essa característica de ser único, certo? Em teoria, se você tiver dois copos iguais cadastrado, esse é um erro de operação.

35:41E o dado mestre, ele dá origem ao dado transacional, por isso que o nome é mestre, né? ele guia o restante, eu vou te fazer uma venda, eu preciso o teu produto que eu tô te vendendo e preciso o teu cliente. Então esse é o processo.

35:53Então quando você melhora a qualidade do teu dado mestre, você melhora a qualidade do teu dado transacional.

35:58Melhorando a qualidade do teu mestre transacional, você melhora o Analytics, concorda? Você consegue entregar mais, você vai melhorar o desempenho da IA, né? Seja generativa ou ou machine learning qualquer. Aí, qual que é a história disso? Quando a gente volta lá atrás, nos anos 80, você começou a informatização na nas empresas, então elas tinham basicamente grandes mainframes, né? Você começou a fazer a migração pro cliente client server e você começou a sair do universo do RP.

36:26Então se agora você tinha um RP, mas você já tinha um CRM, você tinha outro sistemas satélites ali orbitando numa estrutura mais client server. E que que aconteceu com isso? Você começou a construção de silos. Então você tinha uma informação no CRM, uma outra informação no RP e por aí vai ou num sistema legado qualquer e replica dado para cima e para baixo.

36:48Exatamente. Então assim, os problemas que a gente tem hoje já tinha lá atrás, né? Só as ferramentas que eram diferentes. E aí os marqueteiros, né? Os marqueteiros falam: "Cara, não pode ser dessa maneira, como que eu vou vender se eu não entendo o meu cliente?" Então é sempre um negócio, né? O negócio começou a puxar o avanço tecnológico. Meu filho, eu preciso do dado do Wellington, correto? porque eu quero fazer eh chegar o produto que ele precisa de acordo com as necessidades dele, só que o dado dele tá espalhado dentro da organização. Aí veio aquele conceito da visão única do cliente, a visão 360º do cliente, que aí nasceu o termo do Golden Record do [ __ ] Então o do Golden Record também, que nem o Paulo comentou, pensa que você tinha várias aplicações que faziam interface com a entidade mestre do Wellington.

37:35Então o Wellington era o cadastro um num sistema, o cadastro A em outro sistema.

37:40o cadastro XPTO no outro sistema que inclusive podem ser atualizados em momentos diferentes.

37:45Isso que aí é importante colocar isso porque o dado mestre é uma coisa, a gestão do dado mestre é outra coisa, porque eles não necessariamente precisam estar fisicamente no mesmo local, né? Porque no final das contas quando a gente fala de gestão do dado mestre é sempre uma solução meio, porque se você tivesse feito uma boa arquitetura de dados lá no começo, você teria uma única entidade que permearia várias aplicações, porque você teria uma arquitetura centrada em dados. e não ser entrada na aplicação.

38:11Mas só que como isso não foi feito, entra aquela questão que você bem colocou das cascas. Você precisa clicar, criar mais uma casca para criar mais uma casca para criar mais uma casca para você ter o Wellington como uma único registro Golden Record para que possa fazer intersecção ali com todas as as aplicações.

38:33E aí, voltando à história, perfeito, Rud desenvolveu o CDM, que é customer data management. Então eles fizeram uma solução, na verdade era um banco de dados que eles consolidavam informações de vários silos, colocavam ali dentro e aplicavam algumas camadas de tratamento.

38:50Eu falar: "Poxa, agora eu conheço o Wellington porque eu peguei a informação que veio do sistema A, B e C, então eu sei o perfil dele, o que ele gosta, o que ele compra, onde ele mora. Porque qual que é o problema do silo? Vamos supor que no CRM você fez uma interação sobre um problema no produto. Então quando você fez a interação, olha o meu copo tá quebrado e aí você passa o seu novo endereço, mas agora eu moro na rua das flores e aí o o operador atualizou isso no CRM. Se você não tem os sistemas devidamente integrados, lá no RP, onde você fez a compra original, tá com endereço rua das pedras. Então você começa a ter essa diferença de culos.

39:26Então, juntava, trabalhava e aí tem sério, uma série de conceitos que começaram a ser desenvolvidos, como meting de dados. Aí você tem um meting probabilístico para você ver qual dado ver, você começa a fazer análise de similaridade.

39:38Aí começou a ter algoritmos para quem gosta de matemática baseada em vetores, cálculos de de de cosseno para determinar semelhança o coseno que é a raiz agora de hag, etc.

39:49Exatamente isso.

39:50Exatamente. É, e a vetor, né?

39:52E a vetor puro. Enfim. E aí foi feito esse CDM que começou a resolver o problema do do marqueteiro que queria vender mais para você te atender melhor. E aí esse CDM começou a evoluir. Os caras, pô, se esse CDM resolver o problema de cliente, pô, não pode resolver a base de fornecedor, não pode resolver a base de produto. E aí o negócio foi evoluindo e aí os o o processo foi avançando tecnologicamente até a gente chegar hoje. Praticamente todos os grandes players de tecnologia tem uma solução de MDM. Então, a IBM tem o WebSPar, a SAP tem o SAP MDG, a Informática tem, é o líder de de mercado, tem Stibo, tem Relt, o que a SAP acabou de comprar e aí começou a ganhar eh eh foco. E aí, como que o MDM funciona? E aí é um problema, muitas vezes o cara associa MDM com o software, não? O software é um produto do MDM. MDM é uma disciplina.

40:44Então, quando você pega o disco do é uma plataforma, um software que implementa que ajuda na implementação da disciplina.

40:49Da disciplina. Exatamente. É que nem assim, você tem uma série de plataformas que ajudam na governança de dados, mas governança de dados é uma disciplina que existe independente de software.

40:57Uhum.

40:57Né? Então quando você pega o disco do dama lá na governança de dados, você tem a parte do master data management. Então isso é uma disciplina ali dentro, um subtópico, né, do do da gestão de dados.

41:09E aí você e quando a gente fala de governança de dados, de uma maneira simplista, que que você quer? Melhorar a qualidade dos dados. Você quer maximizar a qualidade do dado. E o que que é a qualidade do dado? ele precisa tá útil pro uso pretendido. Então, se o dado tá correto pro uso pretendido, você atingiu a qualidade do do dado. Aí vem umas dimensões que a gente tá explicando, aí entra num technique case não cabe aqui.

41:31Mas enfim, então MDM vem com uma disciplina, então envolve pessoas, processos e tecnologia. Por isso que é disciplina, né? Você tem que olhar por vários fatores e vários vários ângulos.

41:42Em linhas gerais, com MDM, até pouco tempo atrás, você tinha esse conceito do Golden Record. Golden Record não necessariamente é uma base física, pode ser, mas não necessariamente, porque existe estilos de MDM. Então eu posso, por exemplo, fazer um estilo de coexistência. Então eu vou deixar os dados nos vários sistemas, vou centralizar aqui, mas as operações continuam no sistema satélites e a gente vai fazendo essa integração. Tem modelos, por exemplo, que você pode criar referências. Então eu vou usar minha base, não para trazer o dado, mas criar referência. Eu vou falar que o Wellington lá no CRM é o Wellington 123 corresponde ao Wellon 456 do RP. Então você tem vários modelos e cada empresa vai usando esses estilos de MDM de acordo com tua arquitetura. O mais comum é cara centraliza isso aqui, faz que a entrada de clientes, fornecedores, materiais, produtos aconteça direto no MDM e deixa ele trabalhar como um distribuidor dos dados. Tanto é que no universo de MDM a gente fala do conceito de publicar. Eu publico o dado, então eu tenho o cadastro do cliente, eu sei que tá certo, publico para as outras aplicações. E aí esse conceito, né, do Golden Record, ele tá evoluindo justamente com a IA também. E agora você já não fala tanto do Golden Record, fala muito do Golden Context, que é qual o contexto em volta desse dado para que você vai alimentar uma IA. Então, pro agente de A, é interessante que ele tenha ali os seus campos do seu cadastro, mas que ele tenha outros contextos, como que aquele cadastro foi feito, quando foi feito, quantas alterações teve. Então, você traz todo esse contexto do metadado, você traz todo o contexto de qual foi a regra de cadastro que foi aplicado para aquele indivíduo, se ele teve algum tipo de enriquecimento externo. Então, você traz tudo isso para Iá, para que quando tiver um agente de IA, ele consiga entender aquele contexto e consiga te dar uma resposta melhor, né? Então aí estamos caminhando nisso. E aí esse golden record agora também a gente tá trazendo para uma estrutura de direita mexe, né?

43:39Como que você trabalha numa governança federada, como que você define aí pegando aquela tua pergunta que você fez no começo, né? Quem que são os donos ali desse dessa informação, como que elas vão operar aí agora também tá entrando o Data Fabric fazendo esse esses algoritmos e um monte de agente de machine learning tentando se conectar e levar as informações. E agora a gente tá no meio dessa bagunça, né, cara? Como que eu gero o valor pro cliente sem explodir o custo de TI, sem transformar tudo num Frankstin, mas também conectado com as novidades tecnológicas que estão chegando.

44:14Você que tá aí escutando esse episódio bacana e quer levar toda essa tecnologia, essas novidades pra sua empresa e não sabe como, chama o time da Vembers. A gente pode ajudar vocês com desenvolvimento de software, com arquitetura de soluções, a entender os problemas que vocês estão vivendo e sair do outro lado com uma solução bem bacana. E se você tá escutando o podcast para aprender coisas novas, faz o seguinte, manda um e-mail pra gente no peoplecare@vems.

44:43E você pode fazer parte também do nosso grupo de talentos. Valeu.

44:48Agora o time do Relações Públicas vai gostar mais de mim.

44:57que é engraçado no seu discurso falar que parece que quanto mais a gente avança tecnologicamente, mas a gente tem que se preocupar com questões que foram negligenciadas lá no passado, porque contexto, ontologia, taxonomia, qualidade nunca foi tão importante.

45:14Caraca, mas não é na verdade sempre foi muito importante.

45:17É que agora tá evidenciado, né? Então é que o que acontece, a IA, ela tem uma questão, a IA, eu gosto muito de IA, às vezes parece que eu sou detrator, mas não, eu gosto bastante da inteligência artificial, mas ela tem uma questão que ela escala e ela escala tudo, inclusive o seu problema.

45:33Isso. E aí se você dá para você entregar a cagada muito mais rápido com ela.

45:36É isso. Então o que que vai acontecer é que você vai cair no problema da escala.

45:42você vai escalar o erro do seu processo, você vai escalar o erro de qualidade, você vai escalar o erro que você tem no seu dia a dia. Isso, isso sem dúvida nenhuma.

45:51E aí isso mostra como as disciplinas de alma dos dados ou as disciplinas mais fundacionais de dados que entra a parte de qualidade que a gente comentou, governança, eh metadados, é a parte de MDM, RDM, interoperabilidade, que a gente também comentou um pouco, integração, começa a ganhar muito mais relevância.

46:10Sim, sem dúvida.

46:11Entendeu? Porque isso é o que vai fazer com que a IA tenha valor. E aí tem muitos estudos que falam que as empresas que investem em fundacional ou que gastaram tempo na jornada fundacional de dados, são essas empresas que estão conseguindo escalar o uso de a Sim. Não. E e essa observação de de escala, ela se aplica a quase tudo, né?

46:31Porque eh um exemplo, no passado você desenvolvia um software com uma má decisão de arquitetura até ele ficar pronto, ser homologado, ir pra produção.

46:42Na produção ele ganhar escala. Esse problema já ficou perdido ali no histórico, né? Quem tomou aquela decisão errada, etc. Agora já foi embora, o cara já foi, né? Já é outra equipe, etc.

46:54Agora, cara, se tomar uma decisão errada de arquitetura, o software tá pronto em dois dias.

47:00vai ser, vai ficar muito mais evidente.

47:02Então, essas disciplinas que são eh de governança, de estratégia, elas começam a ganhar mais relevância justamente pela escala de tempo que a IA encurtou, né?

47:13Eh, e eu queria aproveitar pra gente fechar esse ponto mais teórico aqui com vocês sobre isso.

47:21Eh, vocês acham que que no vamos considerar um mundo perfeito, um mundo onde eu não tivesse problemas, estivesse iniciando todos os sistemas do mundo hoje com a melhor engenharia de dados e a melhor arquitetura possível de aplicações que eu poderia ter. Eu ainda teria o problema do MDM ou ele é uma aplicação, uma disciplina que foi feito para corrigir problemas que eventualmente aconteceram e que no mundo real é inevitável, vai acontecer, mas se tu tivesse sido feito de uma forma adequada, eu teria como, se eu tivesse começando uma empresa hoje do zero, eu consigo, através de uma boa arquitetura evitar o uso do MDM no futuro? O meu master data já nasceu organizado. Essa pergunta você tá confundindo lá os conceitos de novo.

48:16O MDM é disciplina. Você sempre vai precisar. Você tá fal a sua pergunta é se você vai precisar de uma plataforma robusta para corrigir os problemas de tá bom. É porque eu também cometi esse erro e aí o Paulo educadamente me corrigiu aqui no discurso. Aí eu tô repetindo.

48:32Posso deixa eu mudar a minha pergunta.

48:34Então, vocês acham que eu poderia tratar o o MDM sem a necessidade de plataformas que ingere dado, processo, etc. Isso poderia ser uma disciplina já natural do desenvolvimento, já nascer de uma forma orgânica, digamos assim?

48:52Poderia, sabe, no mundo hipotético, se você adota a parte de pessoas e processos e as pessoas estão capacitadas e elas entendem aqueles dados, por quê?

49:03Há determinados dados que você não consegue aplicar numa primeira mão nenhum tipo de algoritmo de correção.

49:09Então, por exemplo, se eu tenho o seu nome, como que eu vou saber se nome é certo? Posso, OK, tendo um CPF determinar isso, mas se eu tenho um operador capturando o teu nome, como que eu garanto que ele digitou Lon certo? Se é com 2 L, se com L, se é N mudo, se não é? Então você tem uma determinado conjunto de informações que pela tecnologia que a gente tem hoje depende da do processo humano. Mas vamos imaginar que você tivesse pessoas altamente capacitadas, altamente cuidadosas, você poderia dispensar o uso da da parte de tecnologia.

49:44Mas como esse mundo é hipotético, ele não existe e você vai ter pessoas errando e é natural. Porque quando a gente fala de governança de dados, veja só, você não tem o objetivo de eliminar o erro, porque isso é intangível, é impossível, né? Então não é a ideia é como que você cria mecanismos para reduzir essa quantidade de erros, como que você mitiga isso na operação e você torna isso controlável. Então essa é a ideia por trás. Então você tem que partir do pressuposto que sim, a pessoa vai errar, que o dev naquele dia vai esquecer de pôr um rejex no formulário, que ele esqueceu de pôr no prompt da IA, né? E a IA não colocou. Ah, você vai ter que imaginar que vai acontecer aqui. Vai ter mudança de requerimento. E qual que é a questão?

50:29Por mais que a tecnologia tá evoluindo, ela anda mais devagar que o negócio.

50:34Então, o que que o negócio faz? Todo mundo aqui trabalha em empresa grande ou médias empresas, você percebe que o negócio muda e ele muda do jeito com a plataforma atual. Então ele fala o seguinte: "Tá vendo esse campo aqui no sistema? A gente não usa para nada, então agora vamos usar para isso, para resolver o nosso problema de negócio.

50:51Ninguém teve um alinhamento com a arquitetura de TI, se podia usar aquele campo, tava vazio, o cara usou. Então a velocidade do do negócio mesmo no mundo da IA, ele é maior que da área de tecnologia para suportar, porque é natural. Se você pega uma empresa, você vai ter uma célula de TI dados, vamos imaginar 30 pessoas e a empresa tem 500 funcionários cuidando de negócio. Então a escala, a escala vai levar a gente para um inevitavelmente é não, eu concordo porque assim, tecnicamente, eu não sei se eu tenho essa visão por eu já ter um nível bom de engajamento em dados.

51:27Uhum.

51:28Mas tecnicamente não é um problema difícil de ser resolvido.

51:31Não é. você pode nascer muito bem estruturado para isso.

51:34Então, então, mas e é que o Paulo comentou, eh, existe ali um uma questão que é a politicagem no meio do processo, porque o o executivo a vai esperar a implantação do RP dele para que você consiga estabelecer o modelo de dados canônico?

51:52Não, não vai.

51:54você eh eu sei aqui pelo ponto que foi falado que o negócio evolui mais rapidamente. Enquanto o negócio evolui, o requisito lá de qualidade foi revisitado para você poder melhorar o seu processo?

52:07Não.

52:07Não.

52:08Então o o que acontece é que existe uma grande negligência com a gestão de dados. Eu acredito que a gente possa chegar numa utopia de que isso vai ficar mais fluido. Sim, mas como todo o ser humano aprende só na dor, a troco de muita cabeçada, muita eh dor, muito sofrimento, até que as pessoas consigam ver que o caminho certo é se preocupar com coisas fundacionais no começo, entendeu? E e aí assim, né, na filosofia, né, do princípio e da lei, a lei, eh, esse problema de cadastro que o Paulo comentou é a lei, porque a lei ela tem um uma premissa, proteger princípios. Sociedade evolui. Se a socialidade evolui, as leis têm que se adaptar para que esses princípios sejam protegidos. Mas a minha lei é tão devagar e muda com tanta lentidão que a minha sociedade evolui, a minha lei não muda e meu princípio fica vulnerável, que no final das contas é o que acontece com gestão e governança de dados. As coisas evoluem, os processos são obsoletos, não existe uma melhoria contínua e as coisas ficam totalmente vulneráveis até chegar alguma coisa que atropela, derruba. E aí você vai ter que ter um investimento surreal para corrigir esses problemas. Mas puxando esse gancho, a gente tá atendendo, é possível melhorar muito a qualidade dos dados só mexendo em pessoas e processo.

53:34A gente tá fazendo um projeto global para uma empresa, uma multinacional listada na bolsa e a gente tá revisando toda a parte de master data deles, Brasil, Estados Unidos, Espanha e no Globo inteiro, né? Mas as centrais principais que cuidam desses dados ficam na Espanha, Brasil, Espanha e Estados Unidos. a gente tá conseguindo assim identificar uma série de coisas para melhorar sem mexer em software, porque foi uma premissa do projeto. Ele falou: "Olha, eu preciso resolver alguns problemas". Sei que não vou resolver todos, tem alguns que vão esbarrar em tecnologia, mas dentro da limitação de não mexer em software, o que que eu consigo fazer? E é muita coisa, muita coisa só mexendo no processo nas pessoas. Por quê? Você analisa um processo e a gente usa link, então a gente tem todo, faz take time, quanto tempo demora cada pessoa, tem uma série de de negócio que chama MDM enghier, esse método, engenharia de MDM. Você pega um processo, pô, já tá passando em cinco pessoas, você é o quinto, né? O que que você faz? Eu aprovo e quais são os critérios de aprovação? Não, eu não tenho porque eu já considero que o outro aprovou.

54:39Isso, cara. Isso é aí você tá bom. Então você vai sair do processo agora. Aí o SLA caiu em um dia.

54:46Aí o cara, nossa, que mágica, como que você reduziu o SLA em um dia? Porque eu tirei o cara que não fazia nada. Então assim, dá para melhorar muito com pessoas e processo. É por isso que a gente faz o evento do Amigos do Cadastro. eh, nasceu disso. Eu falei: "Cara, não adianta, tem que trazer essa galera e e compartilhar para que elas possam levar essas práticas para dentro das empresas deles." Nasceu o meu livro, né, de MDM, que tá inclusive na Amazon, chama Master Data Management de Fundamentos e Aplicações. Eh, para quem quiser conhecer e onde eu explico um pouco toda essa parte teórica, a parte de pessoas processos da Amazon, tá aqui na descrição também. Então tem tem esse modelo que e o conteúdo no LinkedIn nas redes sociais é para isso, é para mostrar que dá para fazer muita coisa sem mexer em tecnologia. Agora, um ponto que é inevitável da gente tratar no momento de tecnologia que nós estamos, né? Quando a gente fala de qualidade de dado para o uso dentro da inteligência artificial, eu vou até dar um um passinho abaixo no no tecnic aqui, porque você fez uma ponta uma ponta bem interessante, eh, Paulo, que eu eu quero puxar para pra gente falar disso, que é, por exemplo, os algoritmos que tratam semelhanças de cossenos, vetorização, etc. Eu tô até para gravar um vídeo para explicar esse conceito pro pros nossos ouvintes. Deve tá saindo em breve aí.

56:14Quando você faz o embeding para ser usados ou ser treinado dentro do LLM, aquela informação ela vira um vetor de n direções, né? Ele tem várias dimensões ali. A gente tem uma limitação para imaginar isso visualmente, porque a gente só consegue imaginar em três dimensões. Mas esse dado ou aquele embeding, ele vai virar um uma matriz com n dimensões, né? Quanto mais acurado a semântica e a gramática daquele dado, melhor desenhado vai ser aquele vetor, né? E quando a gente fala de tecnologias de inteligência artificial para treinar os modelos e calcular os pesos que modifica esses esses vetores, ou para incorporar contexto como uma ou uma gag, um um dado que seja baseado em grafo, por exemplo, esses quanto mais esses vetores forem calibrados com eficiência, melhor o resultado da previsão e da generação do modelo de LLM. is falando do da inteligência artificial generativa, né? Tem todo o contexto da classificatória também, né? Do machine learning clássico que precisa dos labels, etc. Que isso é indiscutível.

57:35Mas falando da IA generativa, a gente tem esse essa criação do embeding e essa vetorização das informações que é crucial e a qualidade do dado para isso é essencial.

57:47Na opinião de vocês, o que muda contexto de master data e de governança, olhando para isso, eh, olhando dentro do contexto que talvez um cadastro ou um registro incompleto vai me levar um vetor ruim que provavelmente pode não ser incorporado no contexto que deveria dentro do meu uso de LLM.

58:15É só seguir o playbook ou vocês acham que agora a coisa ficou diferente por causa do LN?

58:20Eu acho que ficou tecnicamente mais complexo, né? você tem uma uma questão tecnológica muito mais acentuada, então a exigência da qualidade do dado aumentou, não diminuiu. Então quando a gente fala do uso da IA, o dado precisa estar muito mais qualificado e esse dado precisa ter contexto. Então, por exemplo, vamos pegar aqui um dado de um faturamento. Você precisa entender quem pode acessar esse dado. Você precisa ter linhagem de dados, por onde esse dado passou e e como ele foi alterado. Você precisa ter catálogo de dados para você entender. Você precisa saber quem que é o quem são os quem é o dessa informação, quem são os stewards. Você precisa ter um conceito aqui para que quando for na IA e você fazer uma pergunta, qual é o faturamento, a IA tem que entender, cara, eu posso dar essa resposta para esse indivíduo? Ele pode saber o faturamento global da empresa ou só o faturamento da unidade que ele é gerente, entendeu? Isso quer dizer, você aumentou a complexidade. Trazendo isso pra Mastera, eu até brinco, fiz até um vídeo no YouTube sobre isso, que o Google é, na verdade, é uma empresa de taxonomia, ontologia e semântica. É isso que o Google faz.

59:26Sim, cara, você conseguiu resumir perfeitamente o negócio dos caras.

59:30É, o negócio do Google é isso. Então, você vai lá, por exemplo, ah, eu falo esse caso, minha esposa inclusive amo ela, né? mandar um beijo. Ela é maratonista, já garantiu, é, já garantiu um jantar um jantar perfeito.

59:44E ela é maratonista. Então, por exemplo, quando ela vai entrar no no Google para fazer uma pesquisa, ah, maratona na cidade tal, automaticamente já vem um anúncio de um tênis de corrida. Então, o que que isso é, cara? Semântica entender, né, que que é uma maratona que aí você tem ontologia, né? Quem quem corre maratona precisa de tênis, entendeu? Então você precisa fazer. Para isso funcionar, você precisa est com dado bem correto, você precisa ter aquele produto tagueado. Então, imagina que o cadastro daquele tênis eh não tivesse uma uma label dizendo que ele é esportivo ou que ele tem amortecimento, não tivesse o que a gente chama na no linguajar de Master Date, o tagueamento correto. Cara, qual que era a chance de isso dar certo? Então o master ele tá se tornando cada vez mais complexo porque você precisa, principalmente nessa estrutura de hag, dar o contexto e você colocar os limites até onde a Ll pode ir lá fora buscar informação, juntar com o que tem aqui dentro, de tal forma que a resposta ainda continue razoavelmente assertiva. Então, master agora acho que vai se tornar mais importante. E aí é a dica que eu dou. Segue o dinheiro. Cara, informática foi comprada pela Seos Force. Por quê?

60:58SAP comprou a Het. Por quê? Porque os caras gostam de gastar dinheiro. É porque os caras estão entendendo que o nome agora é quanto melhor foi o meu meu dado, mais a IA vai ser potencializada. E aí eu acho que um ponto complementar que é muito importante, a gente falou de qualidade, MDM, RDM, cara, metadados, beleza?

61:20Essa é a pergunta que vai fazer porque porque qualidade de dados, as dimensões, né, tem todas aquelas, mas você enriquecer dados sobre dados é a função do do de metadados. E você tem a parte ali que o Paulo bem comentou de proteção, que você vai criar ali os grupos de acesso. Então, veja, é uma é uma junção de várias disciplinas, né?

61:40Segundo dama, governança mais 10, né, que são ali as disciplinas da da mandala lá do do dama, eh, demib. Então, assim, isso não pode ser mais negligenciado, não dá para negligenciar e o peso, a importância disso é cada vez maior. E aí quando você leva ali para uma ontologia, gente, fazer ontologia não é trivial. O o Paulo comentou do datam, definir a a arquitetura da sua empresa por domínios, que serve tanto para data como para service mech, que a gente já comentou aqui um pouco, não é trivial, exige que as pessoas parem e olhem para uma coisa que às vezes é negligenciada, cadeia de valor e modelo do negócio.

62:22Uhum. precisa parar para pensar, precisa parar para poder entender como a tecnologia funciona, precisa entender como a companhia funciona.

62:30É isso, porque isso vai facilitar muito, porque aí você não empurra uma tecnologia para o negócio. Você você tem a necessidade de negócio e você escolhe a tecnologia que incorpora melhor o negócio.

62:42Aí eu vou fazer aqui o meu jabá.

62:45Valorize o arquiteto corporativo total. é o cara que vai entender como que a sua empresa funciona, vai ser para dominqueto de processos, arquiteto de dados, arquiteto de TI.

62:56Se eu falar arquiteto, sou arquiteto, o pessoal vai achar que eu tô puxando muita areia pro meu caminhão.

63:01Mas sabe, sabe por quê? Porque porque a arquiteto vem de arquitecton. Ark significa o principal. Não sei se você sabia dessa.

63:10Não.

63:11Arquidiocese, principal diocese.

63:13Caramba. Ar inimigo principal inimigo.

63:17Beleza? Então o ark é aquilo que é o arquiteto é o teto principal.

63:21É o tecton. Tecton. Tecton é de tecnologia. Arquiteto é a principal tecnologia. É a pedra angular. É a o que vai fazer com que tudo permaneça em pé.

63:32Beleza? E aí quando você vai para o arquiteto de processo que faz isso para processo. Arquiteto de Tquem faz isso para tecnologia de dados para dados. E às vezes as empresas não têm nem essas disciplinas fundamentadas dentro das suas organizações.

63:45E o que é importante é que assim, tá na hora de de investir nisso. Eh, a gente falou aqui de qualidade. Geralmente onde a qualidade fica na empresa? Não existe essa área. Não existe.

63:56Ela é um subproduto de alguma outra área, geralmente de governança, que eu eu geral muito pior. Geralmente é um cara que dentro de um squad que é o que faz o teste.

64:06É que aí você tá falando de qualidade de de software que ainda tem a função.

64:10Beleza? Mas quando você vai para dados existe uma máxima assim, a empresa tem, não, joga para debaixo de governança.

64:17Ah, sim, sim.

64:17Essa é a máxima. E a gente tem que tomar cuidado com isso, porque governança ela é uma guardiã de estratégia. Ela tem um ciclo diferente que é direcionar, monitorar e avaliar. A função de governança é garantir que o certo está sendo feito. Eu tô tendo ali o meu plano de governo, tenho uma direção e eu tô seguindo. Gestão é PDCA, eu tô olhando para como e muitas vezes eu pego um monte de disciplina de como e coloco dentro da disciplina de OK, sem investimento. Qual a chance disso dar certo? Qual que é a importância que eu tô dando pro pro para aquele tema? Pouca. Então acho que assim, as empresas precisam pegar dentro dessa elocobração aqui, dessa, né, dessa filosofia, precisa ter uma área de MDM na companhia. Sim.

65:01Precisa ter uma área de RDM na companhia, precisa ter uma área de interoperabilidade na na companhia, precisa ter uma área de de governança, sim, precisa ter uma área de qualidade, precisa ter uma área de metadados. Às vezes você não vai ter dinheiro para colocar tudo, mas pelo menos já vai organizando mentalmente que você vai precisar ter isso em algum momento.

65:18Você precisa ter os responsáveis, essa disciplina precisa sair do papel e e começar a participar do dia a dia, né?

65:26Eh, Paulo, queria eh pegar o gancho do que o o Rud falou ainda no contexto de a que eu acho muito importante, é a questão do metadado, né? para quem não não tá familiarizado muito com os termos de de dessa área de dados, o metadado é o dado sobre o dado, né?

65:44Então é e informações sobre aquela informação.

65:47Então exemplo, número 38 é um dado. O que que significa 38?

65:53Pode ser um número do apartamento, pode ser uma idade, pode ser uma idade, pode ser um calçado, pode ser um calibre, pode ser o dado insire. E e e eu quero fazer esse adendo aqui eh sobre o metadado justamente porque ele é muito importante pro contexto para trabalhar com inteligência artificial.

66:10Não adianta só dar informação para inteligência artificial, só falar que informação é aquela.

66:15Exatamente, né? E eu eu vejo que a gente tem muito pouco processo ainda dentro do do pipe de dados da das empresas de gestão de metadados.

66:26Uhum.

66:28Como que você vê isso, Paulo? Isso existe framework para isso? Eh, como que isso pode ser melhorado? Porque o dado sobre o dado ele acaba sendo mais importante pro contexto do Llm do que o dado em si, né?

66:42Inclusive, né? Até para meta, né? A gente tem metafísica, metados, né? Vem do grego aí para complementar essa parte de etimologia do que o Rud, né? Do dado além do dado. E traduzindo isso para quem não conhece, né? Complementando, quando você tira uma foto de um celular, né, a foto fica com uma série de metadados registrados. A cidade que você tirou a foto, né, a coordenada geográfica, a data e a hora. Isso são os metadados. Ah, quando a gente olha do ambiente tecnológico, os metadados eles vieram evoluindo junto com a informatização, com com a internet, porque era natural você gravar o quê?

67:18Data e hora que o registro foi alterado, o usuário que criou, o usuário que alterou. Então esse era o conjunto de metadados que você tinha sobre um registro, seja um dado mestre ou um dado transacional. Só que isso é importante, mas chegou num limite. Não basta mais você saber isso. Você precisa saber da onde veio, para onde vai. E aí isso acabou fazendo a corrida pelos catálogos de dados para você poder entender melhor o que que são aqueles dados e pela corrida da linhagem dos dados. Então é importante eu entender o seguinte, aquele dado veio, por exemplo, de uma plataforma de e-commerce. Como que ele foi criado? Quem criou os metadados básicos continuam importantes, né? Mas pera aí, se ele saiu do e-commerce e virou uma nota fiscal no meu RP, que transformações e cálculos que ele passou? E hoje você precisa, muito pela IA generativa, entender o cálculo que foi feito, porque a IA vai precisar desdobrar esse cálculo para responder perguntas. Então, alguém vai perguntar: "Essa nota fiscal aqui no RP, como ela foi gerada?" Aí ela só vai conseguir responder se ela tiver toda a linhagem do metadado.

68:20Ah, ela vai falar: "Olha, essa nota nasceu aqui tal dia, tal hora no teu RP". Mas ela veio de um cálculo lá do do e-commerce que fez isso, isso, isso. E é por isso que o frete da nota que você tá perguntando deu R$ 15 por causa do cálculo baseado naquilo. Tudo isso vai ser nos metadados. Então, a gestão vai se tornar muito mais complexa e os devs eles vão receber muito mais pressão para fazer a melhor gestão desses metadados no momento da construção dos aplicativos, né? Como que você coleta essa informação? Porque que que a gente faz hoje? Ah, preciso fazer uma conta.

68:55você escreve lá, tô escrevendo em Python 1 mais 1, 2, divide e tal, mas agora como que eu mantenho essa conta em algum lugar, uma informação que não seja só dentro do código fonte, mas que isso acompanhe o dado de alguma forma para que lá na frente a IA consiga dar uma resposta mais rápida. Então, o metadados, inclusive, é uma das principais áreas, das 10 áreas que o que o Rud citou da mandala do dama, uma delas é a gestão de metadados. E o metadados ele também é importante, porque que é o tagamento de um produto?

69:24É também metadados. Ah, esse tênis é esportivo. Isso é um metadado.

69:29Eh, a gente tá rodeado por metadados e a gente usa o dia inteiro. E talvez, eu não sei se por ser um fato tão trivial, a gente acaba sendo displice, sabe, com aquela coisa que a gente vê todo dia.

69:40Ah, então tá sempre aí, deixa para lá.

69:43Muita coisa já é implícita, mas só que pro digital precisa ser materializado.

69:48Sim. a gente consegue entender que se a gente olha um tênis, a gente sabe que ele é esportivo. A IA não sabe, ela precisa ter alguma algum complemento, né? Mas aí eh, na visão de vocês, isso entra dentro da gestão comum do dado já, eh, para incluir também o metadado ou isso precisa ter alguma modificação de processo? Porque veja, o desenvolvedor não tá acostumado a fazer esse tipo de de rastreio, né? Geralmente você gera em tabelas e em em armazenamento aquilo que é output da aplicação e não aquilo que é core da aplicação, aquilo que tá ali no meio, né? como é que, por exemplo, um gestor de governança de dados eh vai conseguir transformar isso que vai mexer diretamente ali no processo de desenvolvimento do cara e vai ter resistência porque vai demorar mais para desenvolver. Vai ter o gestor que vai falar: "Pô, mas por que que eu preciso registrar isso se eu não uso essa informação para nada? Como é que fica essa parada?

70:58Vamos imaginar o seguinte, né?

71:01O o gestor de negócio é a criança com a bicicleta, né, que quer andar, né, e o a governança de dados é o pai que não quer deixar o filho cair, mas o pai sabe que o filho vai cair. Então o que que você faz? Você tenta levantar ele o mais rápido possível, falar: "Filho, não se machucou muito, passa uma água no machucado e continua andando". Então, eu acho que todo mundo que trabalha um pouco com governança e gestão de dados, tem essa visão que, eh, você vai gerar um débito técnico, você vai gerar talvez um processo não otimizado e que você tem que lidar com essas deficiências inerentes a qualquer organização, conjunto de pessoas, né? Eh, então, para você poder trabalhar. Então, como que a gente vai ter que fazer? Muitas vezes vai ter que correr atrás do do prejuízo, né? É ruim essa palavra, né? Porque ninguém quer correr atrás do prejuízo, você correr atrás do lucro, né? Então nós vamos ter que fazer o exercício de correr atrás do lucro, galingon. Então, eh, poxa, o aquele código foi modificado, criou uma fórmula, uma regra. Onde tá essa regra? Alguém documentou? Porque se eu tiver uma especificação, a especificação serve como contexto, pode ser colocada lá dentro, né? Então você consegue ter essa esse trabalho. Pô, ninguém fez isso, não tem especificação, tá só lá no código fonte o cálculo. Então, vamos entender a fórmula. Pô, entendemos a fórmula. Aí você tem hoje ferramentas de linhagem e aí o Rud pode explicar bem também que você consegue falar: "Olha, esse é o cálculo feito aqui, essa informação acontece aqui. Aí junto com catálogos glossários, aí você vai criando esse ferramental. Mas é um pouco isso. Na maioria das vezes a gente vai ser o pai que corre atrás da criança que caiu de bicicleta, entendeu?

72:37É artesanal. É que vai ser artesanal.

72:41Tem coisas que você vai conseguir colocar embutidas no processo, que aí você pode usar a filosofia link, você sai de uma coisa mais empurrada para puxada, beleza? Você já consegue adequar no processo. Então, por exemplo, metadados preenchidos, a descrição de um campo de uma tabela, você consegue colocar isso como parte do processo, beleza? A parte legada, o que não tem, é mais difícil, você vai ter que saber lidar com isso ou fazer uma força tarefa para poder atualizar. pode usar até a própria para criar ali em cima de alguns alguns inputs de contexto, ela forjar ali a a descrição. Exatamente. você vai ter os metadados operacionais, que aí é o Honor, né, a linhagem, que aí você pode, através de uma boa arquitetura de domínios, ou então através de uma ferramenta que vai entender o PLSQL, vai entender o código, ele vai rastrear a linhagem e aí você pode resolver isso com tecnologia, tá? Mas a parte de contexto, a parte de você conseguir trazer ali a ontologia, ela ainda é muito artesanal. Você pode beber de modelos prontos no mercado, né?

73:55Paulo comentou alguns aqui. Você pode pegar tabelas de referência, você pode pegar algumas coisas assim para poder te ajudar, mas no final vai ter que ter uma curadoria humana, vai ter que ter uma coisa mais artesanal para você poder eh eh adequar. O que eu acho que o grande segredo vai ser você conseguir priorizar aquilo que agrega mais valor pra sua companhia, porque não, o dinheiro não é infinito, a tecnologia é limitada.

74:20Geralmente as disciplinas de gestão e governança de dados recebem menos investimento. Então você vai ter que saber realmente a luta que você vai vai ter que duelar, vai ter que batalhar, porque se você tentar fazer em tudo, você não vai conseguir fazer em nada.

74:34Minha sugestão é trabalhe com quick win, use isso para promover a área, trabalhe no ego e consiga outros outras iniciativas para você fazer a roda girar. Porque se você for partir pelo preciosismo técnico, você não vai conseguir eh mudar a realidade da sua empresa.

74:53Cara, eu vou dar só permite dar um exemplo prático, tá?

74:57Então, a gente fez isso na 4 MDG. Então, a gente tem um software de Master Data Management, é um software SAS e então eu configuro os fluxos de master data e faço todo o trabalho de enriquecimento, tem taxonomia, enfim, uma série de técnicas que a gente aplica. Qual que é o problema disso? Quando eu entro numa grande empresa e a gente começa a fazer análise de requisitos, começam a surgir regras do master data. Quais são as regras que aquele Mastera precisa atender? Tem cenários que, por exemplo, um cadastro de material chega a ter 300 regras envolvidas e muitas vezes regras concorrentes, concomitantes. Então o fica humanamente impossível. E a gente chegou nesse nível de configurar 300 regras. Aí o usuário mudou o requerimento de negócio. Qual regra que você mexe? Se você mexer na regra 150, será que não vai afetar a regra 10?

75:46Então, ficou um processo complexo. E aí a gente usou a IA. Então, a IA, que que ela fez? Ela lê todas as regras que estão no motor de data quality do 4 MDG.

75:56E aí ela consegue falar o seguinte, ó, se você mexer nessa regra, ela vai impactar outra regra que tem lá atrás.

76:02Só que isso ainda não era suficiente, porque ele tá valendo o nosso motor de regras. E tem muitas vezes que eu preciso aplicar algoritmos mais avançados. Então a nossa solução permite que eu faça a codificação dentro dela de Python. Então vou lá, codifico alguma coisa em Python, por exemplo. Poxa, eu preciso rodar uma variação de um algoritmo de similaridade específico para esse cliente. Então vou lá, abro um código Python, faço algumas análises. Aí nós tivemos dois problemas. Eu tenho o motor de regra com as 300 regras e tenho o scripts Python rodando em paralelo. Aí que que nós trabalhamos para resolver esse problema prático? e ah, lê o código fonte do Python, entende o que ele tá fazendo e traz para tudo. E aí hoje na 4MDG a gente chegou nesse nível, vou fazer uma implementação do 4MDG em nossa empresa. Eu vou te entregar já como requisito todo o processo, todas as 300 regras mapeadas, inclusive se tiver algum desenvolvimento em Python para fazer algum script, ele também vai mapeado para você. E aí esse modelo que a gente fez para ajudar nisso virou também um quality assurance. Então, por exemplo, terminei o processo, configurei todo o fluxo, fiz as integrações com SA, com seos force, tá tudo prontinho ali, tá no ambiente de staging. Poxa, preciso mandar pra produção. Pera aí, antes de mandar pra produção, a gente vai lá na IA, a IA conecta, analisa tudo e ela começa, olha que legal que a gente montou, ela analisa o nosso ambiente do cliente que a gente montou e confere com todos os outros ambientes que a gente já montou no passado. Então imagina o seguinte, você tá numa empresa que tem SAP, o SAP tem os mesmos campos em todas as empresas. Pode mudar uma coisa em outra, mas tem nada. Então quando eu vou fazer entrega de um MDM integrado ao RP SAP, a MIA IA analisa e fala o seguinte: "Pera aí, eu tô vendo esse fluxo aqui, você não colocou o campo X e esse campo X tem todos os outros fluxos que você desenhou no passado de SAP. Então o quality assurta um problema. Por que que esse campo não tá sendo usado? pode ser um requerimento de negócio ou pode ser que o cara que tava desenhando o processo bypassou esse campo e não colocou. Então é nesse nível também que a gente tá para trazer isso, né? Porque a gente tá muitas vezes aqui na teoria, mas para tangibilizar pra galera, a IA ela vai conseguir fazer muita coisa.

78:13Óbvio, a gente tem uma boa gestão de metadados na plataforma, todas as regras estão detalhadas, o motor de regra tem um funcionamento único, então a IA consegue extrair valor disso e o processo provavelmente é um Greenfield lá, né? já é uma coisa que funciona no dia a dia. Ou você acha que até mesmo essas regras e esses motores eles podem ser aplicados a qualquer contexto?

78:34Todo o contexto, assim, esse motor que a gente desenhou, qualquer contexto de MDM de qualquer empresa. A gente tá hoje com 90 clientes ativos usando o nosso software de MDM em sete países. Então, por exemplo, eu tenho é o mesmo motor de regra que a gente é um SAS mesmo com código fonte único para todos os clientes. Então, essa foi uma abordagem que a gente adotou lá atrás. Não quero eu fazer um código fonte para A, para B e para C. Caso eu precise de alguma extensão, a gente tem uma extensão em Python ali que você faz um script específico, mas o código fonte da plataforma ele é único e o motor de regra ele é único. Que sentido? A gente trabalha com conceito de esquimas. Então cada cliente eu vou criando ali um tenent para ele, né? Então o código fonte é o mesmo e vai tendo essa gestão separada. Até por questão de segurança do cliente, ele ficou mais confortável quando tem uma separação lógica do dado dele. Então a gente não compartilha dados, mas as regras do motor, como o motor funciona, e é o mesmo código fonte para todo mundo. Aí isso agilizou muito para pra IA e torna os projetos mais seguros. Tanto é que hoje na 4MDG eu só faço a entrega de projeto depois que a IA fez toda a análise para reduzir o erro humano, entendeu? interessante. Eh, duas perguntas aqui que ficou na minha cabeça enquanto vocês fazem as explicações.

79:50Eh, a primeira ainda a respeito do de usar IA para fazer certas inferências.

79:56Eh, vocês acham que isso de fato com algum pouco de contexto que a gente gerar vai conseguir a IA vai conseguir gerar a eh esses metadados que a gente precisa para toda essa e esse esse processo de governança? Por quê? Por que que eu tô falando isso? Porque antigamente a gente precisava do tagueamento extremamente rígido pro machine learning, né? Então, para que até para que as pessoas consigam fazer um um paralelo com a com a gente, se eu precisava usar um processo de inteligência artificial para detectar se uma determinada conta, o pagamento era fraude ou não, eu tinha que ter um histórico marcado por humano, marcando todos os que eram fraude e os que não eram. Ela entendia os padrões ali por probabilidade estatística e aplicava a uma nova massa, né? Aí a generativa, ela não tem essa necessidade inicial de você ter uma uma massa eh de treino, porque ela já foi treinada eh através dos tokens, etc. Ela tem essa adaptabilidade.

81:06Uhum.

81:07Eh, mas ao mesmo tempo ela não tem essa especificidade daquele contexto que que você precisa passar inicialmente para ela. Eh, vocês acham que isso tende a facilitar os processos?

81:21eh, como Paulo deu o exemplo nesse nesse projeto que ele colocou. E outra, como a a IA ela não precisa de só dados estruturados, eu tenho a oportunidade de ter outras informações que não só o dado para construir esse metadado.

81:39Por exemplo, o próprio código fonte da aplicação, que o Dev não documentou, não botou um campo, mas a minha IA consegue entender e levar esse dado pra ponta. E para fechar, qual é a correlação que vocês enxergam disso com o conceito de produto de dados? Porque a regra que gera o dado deveria estar encapsulado dentro daquele produto ou não?

82:05Vou vou responder eh aqui o problema da IAC, ela sempre responde, né?

82:11É isso.

82:12Ela nunca fala não sei, né?

82:14Então você perguntou uma coisa, ela vai te responder certo ou não? Certo ou não?

82:18Então esse é o grande dilema. Eu vejo que um processo manual, se a gente olhar as grandes e médias empresas, o legado que a gente tem tecnológico, fazer manualmente vai ser muito difícil. Então a gente vai conseguir, é impossível. Então a gente vai conseguir avançar com a IA. E aí a gente vai ter que trabalhar com um certo grau de assertividade. A gente vai entender que em alguns momentos a IA vai registrar aquela informação de uma maneira incorreta, vai inferir um metadado que não é a melhor forma, vai trazer o cálculo que não é exatamente aquilo. Isso vai trazer impactos. Pode ser um impacto de 10 centavos, pode ser um impacto de 10 milhões.

82:57E aí o risco que a sua empresa tá disposto a correr, ele vai ser fundamental. Pensa numa num hospital. Um erro pode ser a perda de uma vida.

83:08Então, talvez o hospital não queira arriscar.

83:10Sim.

83:10Mas vão ter outros modelos de negócio que talvez vale e muito você assumir alguns riscos, porque o impacto, a imagem da marca e financeiro vão ser pequenos.

83:20Exato. Então, e aí vai ter a refinação.

83:23Eu eu acredito muito que pelo menos aí nos próximos anos a gente vai trabalhar muito com o conceito de um do humano no loop, né? Hum loop. Então, cara, deixa aí a aqueles gra aqueles aqueles pontos que ela não tinha muito uma assertividade muito grande, você passa por uma revisão e aí você vai tentando minimizar, mas você não vai conseguir resolver 100% essa questão. Cara, num universo perfeito, sim, teria que tá tudo ali já no produto dados documentado e tal. O que que eu tô fazendo de forma prática na 4DG e acho que vai servir para muitas pessoas que nos escutam?

83:56Ótimo inimigo do bom. Você tem que entender que você tem uma jornada. Eu acho que você tem que fazer um cálculo de risco, né? Não é porque você não vai buscar perfeição que qualquer coisa serve. você tem que chegar num bom termo e esse bom termo tem que estar compactuado, no nosso caso, com os nossos clientes, com os nossos colaboradores, com os nossos fornecedores. Até aqui acho que vale a pena ter o risco, porque o benefício é muito grande. E aí você vai fazendo esse tradeoff, essa análise, né, do do que que vale o risco. Uma coisa que a gente tá fazendo para dar mais contexto é eu vou est fazendo análise de requisito com você. Então você é o ke user do projeto, eu sou o analista da implementação.

84:32Então qualquer orientação grava a reunião, pega a transcrição da reunião e joga dentro do contexto do projeto.

84:40Então, a gente vai conseguir quando a IA for fazer a análise, a gente agora tá trabalhando em cima disso, pra IA falar o seguinte: "Fluxo tá pronto, deixa eu analisar a transcrição da reunião para ver se o funcionário, colaborador da empresa, se ele fez alguma recomendação ou ele fez algum pedido que não foi atendido no fluxo do master data. Então nós vamos chegar nesse nível. Imagina você ter um um quality assuring tão preciso que vai falar assim: "Opa, implementador, lá na 20ª reunião que você teve, o usuário falou que queria a tela branca e você tá entregando azul".

85:14Então é nesse nível que vai chegar.

85:15Óbvio que a gente vai ter uns falsos positivos. Aí ele vai falar o seguinte: "Ah, faltou tal campo e quando você for olhar a transcrição, não era bem isso que ele que ele queria". Mas o benefício é muito grande, cara. A gente precisa acelerar a entrega, cara. Não tem. Eh, todo mundo aqui trabalha e ninguém é bobinho, cara. As empresas querem entrega e agora o teu chefe, no meu caso cliente, mas quem trabalha numa empresa, o teu chefe, ele sabe que a IA potencializou, então ele quer tudo para ontem. Então agora é gestão de risco.

85:43Até onde eu vou arriscar, mesmo que eu possa ter um resultado não tão bom, mas conseguir fazer a entrega num tempo pra empresa. Porque também não adianta falar assim: "Cara, vou te entregar a melhor governança de dados do mundo, a melhor arquitetura daqui 5 anos". Os caras falam daqui 5 anos a minha empresa quebrou. Meu concorrente tá tomando meu mercado agora.

86:01É. E é só fazer um complemento. Não sei se tá claro para todos, mas o segredo sempre é estratégia.

86:08Qual que é o risco que você tá disposto a aceitar? Qual que é o resultado que você quer alcançar? Qual é o investimento que você pode ofertar? Não, não existe ali uma outra variável, tá?

86:21Então, por exemplo, o que acontece muito nas empresas que dá muito errado, eu tenho uma estratégia super agressiva sem investimento, não vai funcionar. Eu quero alcançar resultados expressivos, mas eu não tenho fundacional para alcançá-los. Então, tudo passa pela estratégia. Eu preciso ter uma estratégia que respeite a minha essência, respeite a minha estrutura e respeite a minha capacidade de execução.

86:45Qualquer coisa diferente disso, cara, desculpa, você não tem uma estratégia, você tem uma insanidade, uma loucura e o seu barco vai pegar fogo, a sua casa vai ser destruída, tá? Então aí se você é executivo, tem proximidade com o executivo, estimule a construção de uma boa estratégia. E aí sobre o uso da IA, novamente, é um meio. É um meio. A IA acelera muito, acelera. Mas eu fazer eficientemente bem algo que não deveria ser feito, para que que vale? Peter Drcker já diz, não existe nada tão inútil do que fazer eficientemente bem algo que não deveria ser feito. Então, para mim, 90% dos casos de a se aplicam nessa frase.

87:27Então, aplique a aplique, mas para aquilo que faça sentido. Aqui o o Paulo trouxe vários exemplos de uma aplicação de a sensata, bom senso. Eu tô trazendo isso para poder melhorar cadastro e trazendo lucro, dinheiro vivo através de uma solução de MDM com IA embarcada. Mas muitas vezes, cara, você não precisa de um de uma IA ou você não precisa de um produto de dados, você precisa de um processo bem feito, você precisa de uma coisa simplesmente que alguém parou para pensar e refazer ali o background, que é o que vai ser necessário para realmente virar o ponteiro do seu negócio, tá?

88:02Então, cuidado com a hype. Eh, a gente tem muitos riscos, tá? Então, vamos usar IA do jeito que ela tem que ser usada para potencializar valor pro negócio e não potencializar desperdício.

88:14Cara, quando você vai construir uma fábrica, você tem a gestão de riscos, cara. O que que pode dar errado? Até onde você vai, o que que você pode ou não fazer? Você tem que trazer também a gestão de risco para pr pra sua gestão tecnológica, né? Vale a pena eu pagar esse risco, o benefício vai. E aí você busca consenso também, né? Tem uma coisa, uma frase que me falaram uma vez que me marcou, né? Empresa que fatura bilhão não pode querer gastar centavo.

88:38Cara, pô, você tá numa empresa que fatura 3, 4 bilhões e aí você tá ali discutindo R$ 1.000, R$ 10.000 para uma área de dados, cara, desculpa, tem algo muito errado na tua estratégia, quer dizer que você não tem estratégia nenhuma, entendeu? E isso, esse é o dilema que acontece. Eu como player que vende software, cara, eu já entrei assim em negociações que eu falo: "Caramba, eu tô um ano negociando com essa empresa". E a gente tá falando de R$ 10.000 para cima ou para baixo, a empresa fatura 5 bilhões. Cara, tem alguma coisa tá muito errada. Se o seu problema é tão grande, quanto tempo você vai ficar aqui negociando, empurrando com a barriga para não ver? Então, é, cara, qual que é a tua estratégia de dados? Você tem problema de dados? Você quer resolver ou não? OK, pode ser que você não me escolha, mas escolha um outro player e resolve o teu problema. Então, tem muito disso que o Rood foi perfeito, cara.

89:28Quando você não tem estratégia, você não tem orçamento. Se não, você não tem orçamento, você não tem ação. Aí você fica com uma equipe estafada, um time pequeno, apanhando, né, e não consegue fazer nada, né?

89:40Quem nunca recebeu aquela? Não, isso aqui é pro executivo, né? Aí eu falo assim: "Se é pro executivo, então é estratégico." Sim, muito estratégico.

89:49Cadê o orçamento? Aí geralmente a pessoa não me procura mais.

89:53É, então não precisava. Exatamente.

89:56Um um ponto que eu queria pra gente fechar, que vocês foram extremamente assertivos nessa nessa fala final de vocês. Queria, Paulo, que você desse uma palavra para quem está nos ouvindo. Nós temos muitos ouvintes que são tomadores de decisão, executivos, gerentes, etc.

90:14E eu não vou eu não vou falar para você dar um conselho para quem está se preocupando agora com a área de dados, porque eu acho que não é nem esse o momento que muitas empresas estão vivendo.

90:28Eu queria que você desse um palavra para quem já está avançando em inteligência artificial.

90:35Ele já tá tendo algumas boas aplicabilidades, como o Rud falou, que geram valor, mas ele tá começando a bater na barreira de dados.

90:44Ele tá começando a ver que, puxa, meu hag não tá trazendo o que deveria porque o meu dado não tá completo. Eu começo a ter dependência de construir a minha própria infraestrutura de dados e até de LLM, mas eu ainda não tenho essa completude de dados. O que que você diria para esse cara? Para onde ele vai? Quais são os primeiros passos?

91:07E qual a cor do lenço que ele chora?

91:09Vamos lá. Eu tenho a seguinte visão. O padeiro faz pão, o mecânico conserta carro. Cuidado com a centralização excessiva dentro da tua empresa, querer fazer tudo somente com suas competências internas. A IA criou um um cenário que ele é muito perigoso de que uma equipe inxuta pode resolver todos os problemas do mundo porque foi lá no Google, achou achou um repositório no GitHub, enfim, criou essa ilusão, né? Efeito efeito Dany Krueger na veia aqui. Estou em um dia já sou mestre. E e quando você fala de dado você tá falando de uma questão que envolve diversas competências. Dado não envolve só o time de dado. Você tem um time de compli da empresa, você tem um time de gestão de riscos. Então você precisa de um conjunto de de competências para fazer a coisa andar, que não é só tecnologia. E você precisa também, cara, que a tua estratégia de dados, ah, vou usar HAG, OK, para quê?

92:09Mas tá conectado com a estratégia como, quando e onde, quanto de dinheiro vai fazer, né? Então, eu vejo, por exemplo, muita gente começando uma iniciativa, ah, vou construir aqui uma IA, alguma coisa do tipo, você já montou o business case, quanto de dinheiro isso vai trazer? Então, refundar, pensar um pouco nisso, né? Eh, trazer parceiros dentro da empresa para sua iniciativa. Acho que é muito importante. Eu vejo ainda hoje a a parte do tanto os Devs como o time de Deita errando na conquista do do do apoio e aí por isso a iniciativa morre porque não tem apoio. Mas quem já tá nessa, pô, tô aqui fazendo, tenho orçamento, tenho uma estratégia, já montei o business case, acho que isso aqui vai realmente trazer dinheiro pra empresa ou economizar dinheiro pra empresa. É dado depende de pessoas é processo.

92:59Então você tem que falar o seguinte: "OK, vou usar esse dado, tenta puxar da onde ele veio e o que que você precisa fazer para corrigir, porque muitas vezes você tá gastando uma energia gigante configurando aqui a e que você fazendo aquela, sabe, a última vírgula no prompt para dar uma melhoradinha. E aí se você gastando um salário muitas vezes de um cientista de dados, tem estudos da IBM que assim são assustadores, cientista de de dados gasta mais tempo fazendo limpeza do que efetivamente trabalhando.

93:27Então, cara, para um pouco, respira, talvez com R$ 10, R$ 20.000 R$ 1.000, você resolve um problema lá na ponta que tá te custando 1 milhão aqui. Então é como a gente fala, a tecnologia evoluiu, mas o formato de resolução de de de problemas é o mesmo há muito tempo, cara. Faz uma análise causa raiz, uma navalha para você ver com o problema, um diagrama de Pareto.

93:53Muitas vezes você tá focando ali no nos 80% que não leva lugar nenhum e não tá vendo os 20. Então assim, parar um pouco, pensar em dado, não só como uma questão tecnológica, mas como um produto de pessoas processo de tecnologia e buscar onde estão os problemas que geralmente vão estar na ponta. E muitas vezes não é tão difícil de corrigir quanto parece. É só a história do jabuti em cima da árvore, as pessoas ficam com medo. Mas sobe lá e pega o jabuti. Por quê? Porque vai ser muito mais eficiente. Você não, você vai fazer um modelo que vai passar no teus testes e daqui se meses vai começar a dar algum problema porque você não previu que o dado tá vindo errado, não passou em alguma análise de data quality, entrou ali dentro e fez errado. Vou citar um exemplo. Eu fui num evento de crédito, né? Eh, e o cara tava contando que desenvolveram um algoritmo para calcular o crédito das pessoas. um cara fantástico. Você eliminou mesa de de crédito, você tirou analistas e tal. O que que aconteceu?

94:52O o algoritmo foi aprendendo que determinadas pessoas que moravam em determinados bairros, elas eram melhores pagadores. Então quando aconteceu um certo critério sendo um bairro, um deles fornecia maior crédito. Polino maravilhoso. Só que eles não viram que tinha um conjunto gigante de pessoas com bairro cadastrado errado. Então liberou crédito baseado numa variável, óbvio, não foi a única variável usada, mas ela contou ponto, liberou o crédito errado, porque o dado tava ruim. Isso acontece por quê? Porque ninguém fez as perguntas certas. OK, isso aqui é o que nós vamos usar? Isso tá certo? Vai chegar certo? E qual que é o risco se não chegar certo?

95:31Acho que esse é o ponto que eu quero passar, principalmente para um diretor de tecnologia no CTO ou um diretor de negócio. Cara, dá uma respirada e faz essa análise, cara. Da onde tá vindo essa informação?

95:45Qual é o nível, o grau de precisão, de acurácia, de conformidade, de atualidade dessa informação para trazer para cá. E para de considerar que tudo é prego e você é martelo. Para de sair batendo em tudo. Para de sair beto e a em todo lugar. Dá uma refletida nisso.

96:02Tem uma síndrome, né, que é quando você vai no médico, tudo é problema daquela disciplina médica. Então, pro cara lá que é nutricionista, tudo vai ser alimentação, pro fisioterapeuta tudo vai ser ali um alongamento, sei lá, enfim, existe essa máxima. E acho que esse ponto que o Paulo trouxe é extremamente essencial. A gente tem que tratar a especificidade onde ela tem que ser tratada mesmo. A causa tem que ser tratada onde tem pessoas competentes para aquela causa, tá? Eh, eu gosto também de de pensar que o pensamento crítico ele vai ajudar muito a você tomar boas decisões, né? E pensando lá no fórum mundial, né? Forconômico mundial, que sempre fala dos quatro cs: pensamento crítico, comunicação, colaboração e comunicação. Acho que pra gente ter sucesso, a gente precisa est bem alinhado nesses nesses 4 CS, tá bom?

96:55E e aí olhando para Iá, que foi ali a sua a sua pergunta, quando a gente pensa em produto, é o encapsulamento de valor que é composto por um ou mais ativos que têm uma função básica, orientar ou tomar uma decisão. Isso aqui é o conceito de um produto de dados. Então eu tenho que trabalhar no gerenciamento dos meus ativos que compõe aquele produto de dados e tenho que trabalhar na governança para potencializar impacto.

97:20Esse aqui é o segredo do sucesso para eu criar bons produtos. E aí, fazendo o recorte para IA, eu tenho três grandes e esses que eu vejo como riscos. Eu tenho e de escala, que a gente até já comentou um pouquinho aqui. Eu posso ter uma escala de custo, eu posso ter uma escala de identificar problemas ou situações que eu não consigo depois jogar pra minha operação.

97:42Eu tenho vários e aqui e vários problemas relacionados à parte de escala. Para isso, conselho do Paulo é ótimo. Revisita o seu business case, vê lá qual que é a sua proposta de valor, tá? Eu tenho problemas estruturantes que aí é os riscos é qualidade, certo?

97:59Metadados, contexto. Para esses é investimento fundacional. Então, resolve o seu problema na origem antes de você continuar com esse projeto. Senão você vai entrar lá com cientista ganhando milhares e milhares de reais, um projeto de milhões e milhões e o cara no final das contas tá limpando bitte, tá? Eh, e aí nós temos um outro e que é a ética, que não pode ser negligenciada, que tem ganhado contexto, ainda mais agora numa época que você precisa ter explicabilidade, precisa ter um monte de coisa. Então, para esse é investir em processo, para que você tenha uma governança de IA bem estruturada, bem robusta, seguindo as práticas de mercado para que no final das contas você não exponha a sua empresa e acabe eh lançando um produto super legal, mas que no final das contas vai gerar discriminação e aí o seu modelo de negócio vai por água abaixo.

98:47Muito bom, cara. Esse episódio para mim foi uma aula sobre dados. Eu estou saio daqui com a cabeça um pouco maior e olha que já não é pequena, eu não vou nem discordar disso.

98:57Eu saio com a cabeça um pouco maior depois de conversar com vocês hoje aqui.

99:01Muito bom. Antes da gente encerrar, Paulo, queria que você falasse um pouquinho mais pro evento, convidasse novamente os nossos ouvintes para participar do Amigos do Cadastro, melhor nome de evento que eu já ouvi assim disparado.

99:16Maravilha, Wellington. Então, convido a todos dia 19/08 no Teatro Sabesping Fre Canec. Então é super tranquilo, tem estacionamento gigante, você pode parar, é um evento de um dia inteiro, vai ter coffee break, vão ser mais ou menos ali 30 palestras, todas palestras técnicas de negócio. A gente tá convidando clientes de grande porte para palestrar e e estamos trazendo pessoas aí no mercado como Rud, Carlos Caldo para falar sobre governança, gestão de dados.

99:44Vai ter a IA, né? vai ser um tema fundamental. Vai ter ali diversos parceiros como a home agent, a IN que é antiga meta. Ah, nós vamos ter ali eh diversas empresas patrocinando, apoiando. Vai ter o pessoal da editora Brasporte com vários livros técnicos, inclusive livros de IA para quem quiser conversar. E a ideia de lá é ser amizade mesmo, é sair, conversar, tomar café junto. No final lá vai ter também happy hour, então tem banda, vai ter cerveja, então vocês estão ali convidados ali para poder participar. E qual que é a ideia? Fazer as pessoas conversarem, trocarem ideias e se ajudarem eh de alguma forma entre si, né? Por isso, o nome Amigos do Cadastro. Essa vai ser a quarta edição. A primeira que seria, para vocês terem uma ideia, a primeira era para ser num pequeno auditório de 30 pessoas. Eu fui chamando as pessoas, mas foi na época da pandemia que teve que ser cancelado e esse pequeno evento que era para 30 pessoas, hoje vai ser 700.

100:39Então ele foi dobrando ano após ano. É um evento gratuito, mas quem quiser também tem um ingresso VIP que dá direito a algumas coisinhas diferentes, mas para quem tá sem grana, tal, vai no ingresso gratuito mesmo, tá lá no Simpla. Então só buscar amigos do cadastro lá dentro do Simpla. pode fazer a a aquisição e também aí gostaria de falar um pouco do livro, né? Para quem quer se aprofundar em Master Data, tem o meu livro que eu lancei, Master Data Fundamentos e Aplicações. Tá disponível também ali na Amazon para quem quiser fazer a aquisição e entrar nesse mercado que tá crescendo bastante, falta profissional, que nem o Rood eh comentou, né? E para quem também quer avançar, se especializar nessa área eh de governança de dados, a gente também tem um treinamento online, tanto para empresas como para pessoas físicas, que é a MDM Academy. Então, uma trilha de 100 horas com diploma universitário.

101:30Então, você faz uma extensão universitária livre, sai com diploma reconhecido pelo MEC na área de governança e gestão de dados e obviamente Mastera, que é a nossa praia aqui. É isso, né?

101:41Excelente, cara. Parabéns. Eh, se você for lá pro evento, vai ter a oportunidade de conversar com nós três aqui, porque estaremos lá, vamos tomar um café, tomar uma cerveja e trocar uma ideia café de manhã e cerveja mais tarde.

101:53Espero que vocês gostem de rock, que eu contratei uma banda de rock pro finalzinho lá.

101:59Ah, aqui é nossa identidade.

102:02Então, e já que o Merchan também não é não é uma coisa característica do nosso amigo Wellon, sigam os o PPT não compila nas redes. Siga também lá no no LinkedIn, Spotify, o que mais?

102:17Spotify, LinkedIn, Instagram. Eh, é, é isso. As redes aí, gente, as redes.

102:24Compartilhe com todo mundo, pegue lá o episódio, compartilhe um grupo da empresa que você sente necessidade ali de propagar aí o MDM. Compartilhe os outros episódios também com com a sua rede de de apoio, rede, enfim, corporativa. Siga também o o Paulo nas mídias, ele já falou no começo do episódio, mas reforço aqui Paulo Cordeiro, como ele mesmo falou, careca de barba falando de dados mestres. Siga lá no LinkedIn. Me siga também no LinkedIn, Luiz Rud. Se você quiser saber mais de datam, a gente comentou aqui também, também tem um curso lá na Vamos fazer um novo episódio aí para para atualizar.

103:01Pois é. Já tem uns anos que a gente falou de datoméstic.

103:04É verdade. É, é precisamos atualizar, a gente fala bastante coisa, né? Enfim, nós precisamos fazer, mas siga lá no LinkedIn, veja o trabalho de todo mundo e adquire adquira conteúdo. Eh, o os podcasters, né, geralmente compartilho o conteúdo simplesmente com vontade de compartilhar conhecimento e porque realmente o mercado ele precisa de pessoas que façam isso. Então, compartilhem, consumam esses conteúdos e aqui todo mundo tá aberto para conversar, aprender e trocar experiências, né? Acho que isso é muito importante.

103:35Eu gosto de gravar com o Rud, que ele é muito mais influencer do que eu. Olha só que que finalização de episódio maravilhosa. Só esqueceu de falar que a gente também aceita a contribuição no [email protected].

103:48Você já definiu o nome do da galera que vai ser patrocinador?

103:53PTS.

103:55PPTs não fica ruim, né?

103:57Fica.

103:58É, vamos ter que pensar melhor.

103:59Eu eu não aprovo esse Master Data. Não é, precisamos de alguém de marketing aqui.

104:04Gente, obrigado pela audiência de vocês.

104:07Mais um episódio maravilhoso. Obrigado, Rud. Obrigado, Paulão.

104:10Valeu.

104:11É isso. Valeu,