O que é data governance (governança de dados)

Data governance, ou governança de dados, é o conjunto de políticas, processos, papéis e métricas que uma organização define para gerenciar seus dados como ativo estratégico. Não se trata de uma ferramenta ou plataforma, mas de uma estrutura organizacional que determina quem pode fazer o quê com os dados, como eles devem ser tratados ao longo do ciclo de vida e como a qualidade é medida e mantida.

Um ponto de confusão frequente é a diferença entre governança de dados e gestão de dados (data management). A gestão cobre a operação técnica: pipelines, integrações, armazenamento, modelagem. A governança define as regras do jogo, ou seja, os critérios que orientam como essa gestão deve acontecer. Em termos práticos, a gestão executa; a governança estabelece os padrões que a execução precisa seguir.

O motivo pelo qual governança abrange temas tão distintos como segurança, qualidade, privacidade e disponibilidade é simples: todos eles afetam a confiabilidade do dado como insumo para decisão. Um dado tecnicamente disponível, mas com erros de qualidade, não serve. Um dado preciso, mas exposto sem controle de acesso, cria risco jurídico e reputacional. A governança conecta essas dimensões sob uma mesma estrutura de responsabilidade.

Componentes fundamentais de um programa de governança

Políticas e padrões

Políticas são as regras formais que definem como os dados devem ser criados, armazenados, utilizados e descartados. Incluem critérios como: quais campos são obrigatórios no cadastro de clientes, por quanto tempo registros de transações devem ser retidos, quais categorias de dados sensíveis exigem criptografia em repouso. Sem políticas documentadas, cada equipe toma decisões locais que, agregadas, viram inconsistência sistêmica.

Padrões complementam as políticas com especificações técnicas: formatos de data, convenções de nomenclatura de campos, esquemas de identificadores únicos entre sistemas. São o nível de detalhe que permite a interoperabilidade real entre domínios de dados diferentes.

Papéis e responsabilidades

Três papéis aparecem na maioria dos frameworks de governança:

• Data Owner (dono do dado): responsável pelo domínio de negócio ao qual o dado pertence. Define regras de acesso, aprova mudanças na estrutura do dado e responde pela qualidade perante a organização. Geralmente é um gestor de área — o head de Marketing pode ser o data owner do domínio de clientes.
• Data Steward (zelador do dado): atua na camada operacional, garantindo que as políticas sejam seguidas no dia a dia. Documenta definições, resolve conflitos de interpretação entre equipes e monitora métricas de qualidade.
• Data Custodian (custodiante do dado): responsabilidade técnica. Gerencia a infraestrutura onde os dados residem — bancos de dados, data lakes, sistemas de integração — e implementa os controles de acesso e segurança definidos pelo owner.

A separação entre esses papéis é intencional: evita que uma única equipe (quase sempre a TI) acumule responsabilidades que deveriam ser distribuídas pelo negócio.

Catálogo de dados e glossário de negócios

O catálogo de dados é o inventário dos ativos de dados da organização: onde cada dado está, em qual sistema, quem é o owner, qual é o formato, com que outros dados se relaciona. É a base para rastreabilidade e para onboarding de novos analistas e engenheiros.

O glossário de negócios complementa o catálogo com definições acordadas entre as áreas. O que exatamente a empresa chama de “cliente ativo”? Qual é a definição oficial de “receita líquida” para fins de relatório? Essas definições divergem entre Marketing, Finanças e TI com surpreendente frequência — e cada divergência se traduz em dashboards que mostram números diferentes para a mesma métrica.

Métricas de qualidade de dados

Qualidade de dados é operacionalizada por ao menos quatro dimensões:

• Completude: proporção de campos obrigatórios preenchidos.
• Acurácia: grau em que o valor representa fielmente a realidade.
• Consistência: ausência de contradições entre sistemas diferentes que deveriam ter o mesmo valor.
• Pontualidade: dado disponível no momento em que é necessário para o processo que depende dele.

Essas métricas precisam ser monitoradas de forma contínua, não apenas em projetos pontuais. Um dado que atingiu 98% de completude em janeiro pode cair para 70% em março se um processo upstream mudar sem comunicação à equipe de governança.

Processos de auditoria e monitoramento

Auditoria não é evento único. Programas maduros de governança incluem monitoramento automatizado de qualidade, alertas quando métricas caem abaixo de limiares definidos e revisões periódicas de políticas para verificar se ainda refletem a realidade do negócio. O ciclo de melhoria contínua é o que separa uma governança ativa de um documento de política que ninguém lê.

Por que data governance é crítico no contexto brasileiro

Obrigações da LGPD

A Lei Geral de Proteção de Dados exige que as organizações conheçam quais dados pessoais coletam, em que base legal, por quanto tempo retêm e como respondem a solicitações dos titulares — acesso, correção, exclusão, portabilidade. Nenhuma dessas obrigações é operacionalizável sem uma estrutura mínima de governança. Sem catálogo de dados, a empresa não sabe onde os dados pessoais estão. Sem políticas de retenção, não consegue excluí-los quando solicitado.

A gestão de consentimento, em particular, exige rastreabilidade: para qual finalidade o titular consentiu, em que data, por qual canal, e se houve revogação posterior. Isso é dado com ciclo de vida próprio, e precisa de governança para ser gerenciado de forma auditável.

Pressões regulatórias setoriais

Além da LGPD, setores específicos enfrentam exigências adicionais. O Banco Central (BACEN) regulamenta Open Finance e impõe requisitos de rastreabilidade e controle sobre dados financeiros. A ANS exige que operadoras de saúde mantenham registros com integridade e disponibilidade para fins regulatórios. A ANPD, como autoridade nacional, tem ampliado sua atuação com orientações técnicas que traduzem a LGPD em requisitos operacionais concretos. Governança de dados deixou de ser boa prática opcional para virar condição de conformidade regulatória.

CDP e analytics como vetores de adoção

O crescimento de projetos de Customer Data Platform e analytics avançado no Brasil esbarrou, repetidamente, em dados não confiáveis. Uma CDP agrega dados de múltiplas fontes para construir um perfil unificado de cliente — mas se os identificadores de cliente divergem entre sistemas, se há duplicatas não resolvidas, se campos críticos estão vazios, o perfil unificado herda todas essas inconsistências. Governança de dados é o pré-requisito silencioso que determina se esses projetos entregam valor ou apenas expõem problemas em escala maior.

Benefícios práticos para as áreas de negócio e TI

Redução de retrabalho. Boa parte do tempo de analistas e engenheiros de dados é gasta reconciliando versões conflitantes do mesmo dado entre sistemas. Políticas de master data management e donos de domínio definidos eliminam grande parte dessa fricção.

Confiança nas análises. Quando executivos questionam os números de um dashboard, o problema raramente é o dashboard — é a falta de confiança na origem dos dados. Governança cria a cadeia de evidência que permite rastrear qualquer número até sua fonte, com as transformações documentadas.

Aceleração de projetos de IA e machine learning. Modelos de machine learning são tão bons quanto os dados que os treinam. Features inconsistentes, valores ausentes não tratados e vazamentos de dados entre treino e produção são problemas de governança, não de algoritmo. Equipes de data science que operam com dados bem governados entregam modelos em produção mais rápido e com menor taxa de degradação.

Facilidade em auditorias. Quando um auditor externo ou regulador solicita a trilha de um processamento de dados específico, a organização com governança estruturada responde em horas. Sem governança, a mesma solicitação pode levar semanas e mobilizar equipes inteiras para reconstituir manualmente o que aconteceu com o dado.

Desafios comuns na implementação

Resistência cultural

O maior obstáculo em governança de dados não é técnico. Equipes de negócio frequentemente veem governança como burocracia criada pela TI, não como responsabilidade delas. Data stewards de negócio precisam dedicar tempo a uma função que não está na descrição do cargo original e cujos benefícios são percebidos no médio prazo. Sem um caso de valor claro e comunicação consistente, o programa perde adesão rapidamente.

Falta de patrocínio executivo

Programas de governança que vivem exclusivamente na TI não sobrevivem. Eles precisam de um sponsor executivo — Chief Data Officer, CTO ou COO — com autoridade para resolver impasses entre áreas sobre ownership de dados e para incluir responsabilidades de governança nas metas das lideranças de negócio. Sem isso, o programa vira um projeto paralelo sem mandato real.

Escopo excessivo no início

Tentar governar todos os dados da organização de uma vez é a causa mais comum de paralisação. O volume de inventário, documentação e negociação de ownership se torna inmanejável antes de qualquer valor ser entregue. O resultado é um programa que consome recursos por meses sem resultado visível — e perde o apoio que precisa para continuar.

Confundir ferramenta com programa

Existem boas ferramentas de catálogo de dados, data quality e data lineage no mercado. Adquirir software sem antes definir políticas, papéis e processos, porém, é garantia de fracasso. A ferramenta não resolve a questão de quem é o dono do dado de clientes — isso é uma decisão organizacional. Comprar a plataforma antes de ter essa resposta significa pagar para catalogar o caos existente sem mudá-lo.

Como avaliar e dar os primeiros passos

Identifique domínios de dados críticos

Não comece pelo universo de dados da empresa. Identifique dois ou três domínios que combinam alto impacto no negócio com problemas de qualidade conhecidos. Clientes, produtos e finanças são candidatos frequentes. Focar nesses domínios permite entregar resultados concretos antes de expandir o escopo.

Forme um comitê de dados com representação real do negócio

O comitê ou conselho de dados precisa ter representantes com autoridade para tomar decisões nas suas áreas, não apenas analistas delegados sem poder de deliberação. A cadência inicial pode ser quinzenal, com pauta focada em resolução de conflitos de definição e priorização de iniciativas de qualidade. Sem esse fórum, decisões de governança ficam travadas em e-mails sem resolução.

Documente o estado atual antes de propor soluções

Faça um inventário das principais fontes de dados dos domínios selecionados: sistemas de origem, formatos, responsáveis técnicos, volume aproximado e problemas de qualidade conhecidos. Esse diagnóstico serve de baseline para medir progresso e de argumento para justificar investimento. Sem ele, qualquer proposta de melhoria será contestada por falta de evidência.

Defina um quick win mensurável nos primeiros 90 dias

Escolha um problema específico de qualidade de dados que cause dor visível a uma área de negócio — taxa de e-mails inválidos no CRM, duplicatas no cadastro de clientes, inconsistência na definição de “ticket médio” entre Vendas e Finanças. Resolva esse problema de forma documentada, com métrica antes e depois. Esse resultado concreto é o combustível político que o programa precisa para continuar crescendo.

Governança de dados não é um projeto com data de entrega — é uma capacidade organizacional construída de forma incremental. Os programas que funcionam são os que entregam valor cedo, mantêm foco em domínios prioritários e constroem cultura de responsabilidade sobre os dados de forma gradual, sem tentar resolver tudo de uma vez.