Cultura Data-Driven

1. Um conceito mais antigo – e mais estreito do que parece

Por que a maioria das organizações confunde acúmulo de dados e tecnologia com capacidade de decisão?

Perguntada sobre o que significa "ser data-driven", a maioria das lideranças executivas responde com razoável confiança. E, na prática, a maior parte dessas respostas descreve algo distinto do que a literatura de gestão define desde os anos 2000: acumular dashboards, contratar analistas, comprar ferramentas de BI. Nada disso é, por si, cultura orientada a dados.

A definição mais influente sobre o tema segue sendo a de Thomas Davenport e Jeanne Harris em Competing on Analytics (2007). Os autores argumentaram que a vantagem competitiva não vem da quantidade de informação disponível, mas da capacidade organizacional de estruturar decisões recorrentes com base analítica — de forma consistente, e não apenas em momentos de crise ou em apresentações trimestrais. O ponto central do livro não é tecnológico: é a existência de um modelo operacional que conecta dado a decisão de forma repetível.

Quase duas décadas depois, esse diagnóstico permanece atual — e isso, por si só, já é um dado relevante. A pesquisa anual conduzida pela NewVantage Partners (hoje parte da Wavestone) com centenas de executivos de dados de empresas da Fortune 1000 mostrou, em sua edição de 2023, que apenas 24% das organizações se descreviam como orientadas a dados e apenas 21% afirmavam ter desenvolvido uma cultura de dados internamente. A mesma edição do estudo identificou que 80% dos respondentes apontam cultura, pessoas, processos ou fatores organizacionais — e não limitações tecnológicas — como o principal obstáculo para se tornar uma organização data-driven. O gargalo, portanto, não é apenas tecnológico. É metodológico e comportamental.

2. Dos dados à decisão: um modelo mental necessário

Um dos motivos pelos quais executivos não técnicos têm dificuldade em diagnosticar problemas de cultura de dados é a ausência de um vocabulário compartilhado sobre o que, exatamente, separa "ter dados" de "decidir bem".

O sistemista Russell Ackoff propôs, em artigo de 1989, uma hierarquia que ainda hoje organiza esse raciocínio: dado é o registro bruto, sem interpretação; informação é o dado contextualizado, que responde a um "o quê"; conhecimento é a informação organizada de forma a permitir julgamento; e a decisão eficaz depende de aplicar esse conhecimento a um contexto específico, sob restrição de tempo e incerteza (Ackoff, 1989). É uma simplificação — a própria hierarquia foi criticada por autores posteriores por tratar o processo como estritamente linear, quando na prática decisão e conhecimento se retroalimentam. Mas, como ferramenta de diagnóstico executivo, ela é útil: a maior parte dos investimentos corporativos em dados nas últimas duas décadas resolveu apenas a primeira etapa — coleta e armazenamento — sem endereçar a travessia até a decisão.

É por isso que uma empresa pode ter um data lake robusto, um time de engenharia de dados maduro e ainda assim tomar decisões no "feeling": o investimento resolveu o problema de dado, não o de decisão. Dashboards, nesse cenário, funcionam como vitrines de informação — não como mecanismos de decisão. A diferença entre os dois não é estética; é estrutural, e é o ponto central deste artigo.

3. O custo distribuído da ausência de metodologia para tomada de decisão

Quando não existe um mecanismo formal que ligue dado a decisão, os sintomas não aparecem como uma falha única e visível — aparecem distribuídos, silenciosamente, em quatro frentes.

Financeiro. Reuniões de resultado se transformam em disputas sobre qual número é o correto, em vez de discussões sobre o que fazer com ele. O tempo perdido nesse tipo de disputa raramente é contabilizado como custo, mas é dispêndio real de um dos recursos mais escassos de qualquer organização: a atenção da liderança sênior. Ferramentas de BI são construídas, adotadas por poucos meses e depois abandonadas — não porque a ferramenta era ruim, mas porque nunca houve um dono do indicador nem uma cadência de uso obrigatória.

Operacional: Times retrabalham porque cada área mantém sua própria versão da verdade. O conceito de fonte única da verdade — recorrente na literatura de governança de dados, como no corpo de conhecimento organizado pela DAMA International — não é um requisito técnico de arquitetura, mas uma condição de confiança organizacional: sem ele, cada reunião entre áreas recomeça a discussão do zero, porque marketing, financeiro e operações reportam números diferentes para o mesmo evento de negócio.

Estratégico: Sem indicadores confiáveis e revisados com regularidade, a liderança substitui visibilidade por intuição — o que funciona até que o mercado mude mais rápido do que a intuição consegue acompanhar. Oportunidades de crescimento e sinais de risco competitivo chegam à mesa de decisão atrasados, quando já se tornaram, respectivamente, oportunidades perdidas ou crises instaladas.

Cultural — e este é o mais estrutural dos quatro: Quando decisões relevantes são tomadas repetidamente sem relação aparente com os números apresentados, as pessoas aprendem, racionalmente, que os dados são decorativos. Esse aprendizado é mais difícil de reverter do que qualquer lacuna técnica: uma vez que a organização internaliza o ceticismo em relação aos próprios indicadores, nenhum investimento em ferramenta reconstrói a confiança sozinho. É preciso reconstruir o hábito, decisão após decisão.

O ponto comum aos quatro custos é que nenhum deles aparece isolado em um relatório financeiro. Eles se manifestam como sintomas dispersos — horas de reunião, retrabalho, atraso estratégico, ceticismo — e por isso raramente são atribuídos, na origem, à causa real: a ausência de um mecanismo formal de decisão.

4. A metodologia: transformar indicadores em mecanismos, não em enfeite

A resposta a esse diagnóstico não é adicionar mais uma camada de dashboards. É formalizar, para cada decisão recorrente e relevante, cinco elementos: o indicador que a orienta, a fonte de onde esse número é extraído, o responsável que o acompanha, a cadência definida de revisão e um limite que dispara alerta quando o valor sai do intervalo esperado.

Essa estrutura não é original deste artigo — ela converge com práticas já documentadas na literatura de gestão, ainda que sob nomes distintos. O Balanced Scorecard, proposto por Robert Kaplan e David Norton (1992), já defendia que indicadores só geram valor quando conectados explicitamente a objetivos estratégicos — não quando existem como métricas soltas de desempenho. O movimento de OKRs (Objectives and Key Results), popularizado por John Doerr (2018) a partir da prática originada na Intel e adotada pelo Google, reforça o mesmo princípio sob outra linguagem: resultados-chave precisam ter responsáveis definidos e ser acompanhados regularmente ao longo do ciclo.

Um exemplo de mercado ilustra bem a diferença entre indicador decorativo e indicador operante. A Amazon formalizou, em 2001, um ritual conhecido como Weekly Business Review (WBR), descrito em detalhe por Colin Bryar e Bill Carr — ambos ex-executivos da empresa — no livro Working Backwards (2021). O elemento central do WBR não é a existência de métricas, mas a distinção deliberada entre métricas de output (resultados como receita ou participação de mercado, que a liderança não controla diretamente) e métricas de input (variáveis operacionais que a empresa de fato pode influenciar, e que antecipam o resultado de output). Cada métrica de input tem um responsável nomeado, é revisada semanalmente e qualquer desvio precisa ser explicado na reunião — não apenas registrado. É essa combinação de responsável, cadência e explicação obrigatória do desvio que transforma um número em mecanismo de gestão, e não em decoração de slide.

O detalhe importante aqui — e que separa metodologia de burocracia — é que o objetivo não é multiplicar indicadores. É reduzir o número de métricas que realmente importam a um conjunto pequeno o suficiente para que cada uma tenha, de fato, um dono capaz de explicar suas variações. Empresas que tentam resolver o problema de governança de dados aumentando o número de dashboards costumam, paradoxalmente, agravá-lo: mais telas, mais versões, e nenhum ganho real de disciplina decisória.

Quando essa estrutura está implementada, a natureza da reunião de gestão muda de forma perceptível. Deixa de ser um espaço de arbitragem sobre qual número é o verdadeiro — porque já existe uma fonte definida — e passa a ser um espaço de decisão sobre o que fazer diante do número. O alerta previne que um problema operacional vire crise por falta de visibilidade. O responsável nomeado impede que o indicador se torne, na prática, propriedade de ninguém. E a cadência disciplinada evita que decisões relevantes sejam tomadas sob pressão de urgência, no lugar de um ritmo planejado de revisão.

5. Onde a inteligência artificial entra – e onde não deveria ser o centro da conversa

Há uma tentação natural de tratar a IA generativa como solução para o problema descrito acima: se o obstáculo é interpretar dados e gerar recomendações mais rápido, por que não delegar isso a um modelo?

A evidência disponível sugere cautela com esse raciocínio. A edição de 2024 do mesmo levantamento da Wavestone/NewVantage identificou que a IA generativa catalisou mudanças culturais positivas em relação a dados de forma mais intensa do que qualquer outro fator desde o início da série histórica em 2012 — mas o próprio relatório mostra que fatores humanos, como cultura, pessoas, processos e organização, continuam entre as principais barreiras à construção de organizações orientadas por dados. Em outras palavras: a IA generativa aumentou o apetite executivo pelo tema, mas não substituiu a necessidade de um mecanismo — porque um modelo de linguagem que processa dados de má qualidade, sem fonte única e sem responsável definido, apenas produz recomendações erradas com mais confiança e mais velocidade.

Esse é o argumento estratégico central para tratar a IA como amplificador, não como fundação. Um sistema de IA aplicado sobre um ambiente de dados fragmentado tende a herdar — e escalar — exatamente os problemas estruturais descritos na seção anterior: se não há fonte única da verdade, a IA vai gerar respostas diferentes dependendo de qual base ela consultar; se não há indicador com dono, a IA vai automatizar um relatório que ninguém lê com atenção suficiente para questionar. A metodologia de decisão-indicador-fonte-responsável-cadência não é uma etapa anterior e descartável antes da adoção de IA. É a condição para que a IA produza valor, e não apenas velocidade adicional sobre o mesmo ruído.

6. Conclusão: metodologia como ativo e não como projeto

A frustração comum entre lideranças que investiram significativamente em dados — plataformas, equipes, dashboards — sem ver retorno proporcional geralmente é atribuída, primeiro, à ferramenta ou ao fornecedor. A leitura mais precisa, à luz do que a literatura de gestão documenta desde ao menos 2007 e do que os levantamentos setoriais mais recentes confirmam, é outra: a ausência de um mecanismo formal que conecte cada decisão relevante a um indicador com dono, fonte e cadência de acompanhamento definidos.

Isso reposiciona o problema de forma útil para quem decide investimentos. Não é uma questão de comprar a próxima geração de ferramenta analítica ou de IA. É uma questão de desenho organizacional — de decidir, para cada processo de decisão que realmente importa, quem é o responsável pelo número, de onde ele vem e com que regularidade será revisado. Esse desenho é replicável, documentável e, ao contrário de uma licença de software, não perde valor com o tempo: ele se torna um ativo de gestão que se acumula à medida que mais decisões passam a segui-lo.