O problema

Os relatórios de sell-in, sell-out e estoque tinham 99% de completude segundo o padrão da época — e ainda assim a diretoria tomava decisões erradas. O motivo: completude média não diz nada sobre onde faltam dados.

Um canal inteiro sem carga de sell-out no fim de semana, pedidos duplicados inflando o sell-in, ruptura de estoque mascarada como “queda de demanda”: cada um desses erros passava despercebido até aparecer em reunião — quando a credibilidade do dado já estava queimada.

Contexto

Indústria de bens de consumo com rede distribuída de clientes e dados chegando de múltiplas fontes: ERP próprio, leitura de PDV de parceiros e planilhas de trade. Nenhuma fonte tinha dono claro de qualidade; nenhum erro tinha detecção sistemática.

A solução

Um Data Quality Command Center: uma camada de auditoria que mede a saúde dos dados pelas dimensões que importam para a decisão.

  • Completude por chave de negócio — % de combinações esperadas (dia × SKU × canal × região) presentes na fato, não média escondendo buracos.
  • Freshness com SLA — horário-limite de carga por fonte; violação dispara alerta imediato.
  • Consistência cruzada — reconciliamento automático entre sell-in e faturamento fiscal, sell-out e leitura de PDV.
  • Duplicidade e integridade — pedidos repetidos, hierarquias órfãs, cadastros divergentes.
  • Painel de saúde — visão única do estado dos dados com histórico de incidentes e tempo de resolução.

Arquitetura

ERP · PDV · Trade (planilhas)
        │
        ▼
   ELT (Dataform) + testes automatizados
        │
        ▼
   Camada de regras de qualidade (SQL versionado)
        │
        ├── Resultados → tabela de métricas DQ
        ├── Violações → alertas automáticos
        ▼
   Power BI — Data Quality Command Center

Implementação

Oito semanas: mapeamento das expectativas de cada fonte na primeira quinzena; implementação das regras críticas nas semanas três a cinco; painel e alertas na semana seis; calibragem fina de limiares (para não gerar fadiga de alerta) e transferência nas duas últimas.

As regras ficaram versionadas junto ao pipeline: qualquer mudança de regra é auditável, com autoria e data.

Resultados

  • Completude real de 99,2% medida pela métrica certa — com os 0,8% restantes mapeados e priorizados [VALIDAR].
  • Incidentes críticos detectados pelo monitoramento antes de qualquer reunião executiva.
  • Tempo médio de identificação de quebra de carga reduzido de dias para horas [VALIDAR].
  • Fim da pergunta “qual número está certo?”: toda divergência tem causa rastreável.

ROI e impacto

Data quality é o seguro mais barato da operação analítica: evita refazer relatórios, evita decisões sobre dado ruim e preserva o ativo mais difícil de reconstruir — a confiança da liderança no número. O command center se pagou na primeira grande inconsistência detectada antes de virar decisão equivocada de produção e reposição [VALIDAR].

Este projeto é a fundação recomendada antes de qualquer investimento maior em BI ou IA: inteligência sobre dado sem confiabilidade só acelera o erro.