Os resultados de uma arquitetura de dados bem estruturada vão além dos processos operacionais. Os benefícios incluem eficiências operacionais estratégicas, insights de negócios mais aprofundados e a capacidade de explorar oportunidades de negócios adjacentes, tudo isso de forma mais ágil.
O aplicativo de entrega de comida, revisitado 6 meses depois...
Em um artigo anterior, apresentamos um serviço hipotético de pedidos e entrega de comida e descrevemos vários fluxos de trabalho essenciais das operações cotidianas: o processo de realização de pedidos pelos clientes, o fluxo de retirada e entrega de comida e o processamento de pagamentos. Analisamos como uma estratégia de dados deliberada, voltada para os principais dados de entrada desses fluxos de trabalho, resulta em processos de negócios mais robustos, ágeis e escaláveis.
Neste artigo, gostaria de ir além da eficiência operacional cotidiana e demonstrar os benefícios mais estratégicos e de longo prazo de um projeto de arquitetura de dados planejado com antecedência. Avançando seis meses em relação ao nosso cenário inicial e supondo que nossa aplicação tenha sido bem-sucedida, os líderes de negócios identificaram algumas oportunidades novas e emergentes. Agora, eles estão perguntando aos profissionais de tecnologia com que rapidez e facilidade os sistemas subjacentes podem ser ajustados e adaptados a algumas oportunidades específicas e aos desafios relacionados:
- O crescimento do serviço está se acelerando, e a empresa gostaria de expandi-lo para outras cidades.
- Como parte da expansão, o serviço pretende entrar no altamente lucrativo mercado da Califórnia, o que acrescenta novos requisitos de governança de dados.
- Os prazos de entrega vêm aumentando gradualmente, muitas vezes devido a picos inesperados de demanda. A tecnologia pode ajudar a resolver esse problema?
- A empresa está enfrentando a concorrência de startups emergentes, e alguns restaurantes cogitaram migrar para um serviço concorrente. Podemos demonstrar valor agregado aos nossos fornecedores (restaurantes) para ajudar a retê-los?
Os quatro exemplos de desafios listados podem ser divididos em duas categorias amplas:
Primeiro, ajustar e melhorar a eficiência dos principais processos de negócios cotidianos ("táticos").
Dois, criar novos insights que gerem valor de longo prazo ("estratégico") para a empresa, direta ou indiretamente, por meio dos clientes da empresa.
Os dois primeiros novos desafios — a expansão territorial e os requisitos de conformidade associados — estão relacionados a processos táticos de negócios e, portanto, têm natureza mais operacional. Os dois últimos desafios têm natureza mais estratégica.
Vamos analisar primeiro as questões táticas e operacionais.
Melhorias na eficiência operacional
Com a expansão geográfica para outras cidades, podemos nos deparar com alguns problemas diferentes. Um possível problema no fluxo de trabalho de entrega é a ambiguidade dos endereços: o mesmo endereço (por exemplo, “100 Main St.”) pode existir em várias cidades. Outro possível problema é que diferentes cidades podem estar em fusos horários distintos; se isso não for considerado, uma coleta às 18h MDT pode resultar em uma entrega com uma hora de atraso em uma cidade vizinha no fuso PDT (às 18h30 PDT). A arquitetura de dados descrita em nosso artigo anterior incorporou a ideia de uma representação “normalizada” — globalmente única — dos elementos de dados, solucionando ambos os possíveis problemas e permitindo, assim, que a aplicação atenda implicitamente a esses requisitos adicionais.
A segunda preocupação tática é a conformidade com requisitos adicionais de governança de dados do estado da Califórnia. O conjunto completo de questões relacionadas à Lei de Privacidade do Consumidor da Califórnia (CCPA) daria, por si só, uma série inteira de artigos, mas um dos aspectos envolve a capacidade de reunir todos os dados de um cliente, indicando quando foram coletados e qual é a fonte dos dados. Como discutido anteriormente, criar uma estrutura de arquitetura de dados que permita ao pipeline principal de ingestão de dados adicionar anotações de metadados — como carimbos de data e hora — possibilita atender a requisitos adicionais de governança de dados de forma simples e com um esforço incremental mínimo.
Valor estratégico
Além do valor comercial gerado por melhorias nos fluxos de trabalho e processos táticos do dia a dia da empresa, outro benefício — possivelmente ainda mais importante — é o valor estratégico de poder tanto alterar as condições do cenário competitivo atual quanto abrir novos campos de atuação.
Reimaginando fluxos de trabalho operacionais para aplicações adaptativas
Uma categoria de benefício estratégico é a capacidade de "inclinar o campo" ao alterar a estrutura dos principais fluxos de trabalho operacionais. Isso vai além de simplesmente otimizá-los: trata-se de repensá-los. Uma arquitetura de dados robusta e voltada para o futuro permite explorar, de forma ágil e eficiente, os principais recursos — agregação e análise de dados — necessários para enfrentar, por meio da precificação dinâmica, o desafio mencionado anteriormente: o aumento dos prazos de entrega causado pela variabilidade da demanda.
Mais especificamente, graças ao planejamento cuidadoso da arquitetura de dados, ela:
- Mantém o carimbo de data e hora de cada pedido e entrega, usando sintaxe e semântica consistentes, mesmo em várias tabelas do banco de dados
- Mantém um registro histórico dos locais de coleta e entrega, também usando sintaxe e semântica consistentes
Como resultado, os dados de dois fluxos de trabalho distintos — pedidos e entregas — podem ser correlacionados, categorizados e agregados. Além disso, a arquitetura flexível de metadados pode ser utilizada para complementar os dados consolidados com informações contextuais enriquecidas para análise. Considere a latência total da entrega — o tempo decorrido entre o recebimento do pedido e a entrega da comida. Essa latência pode ser calculada correlacionando os fluxos de trabalho de pedidos e entregas. Além disso, como a representação dos dados de geolocalização nos dois fluxos também utiliza sintaxe e semântica consistentes, os cálculos e as correlações da latência de entrega podem ser segmentados por localidade, como por CEP. Assim, graças ao planejamento prévio da estratégia de dados, podemos criar com mais facilidade um conjunto de dados sobre a latência total das entregas, com granularidade por hora e por CEP. Por fim, aproveitando nossa abordagem flexível de metadados, as estatísticas horárias podem ser complementadas com outras informações contextuais, como as condições de trânsito e os totais de precipitação.
Neste ponto, temos informações valiosas para alimentar um pipeline de análise, que pode então usar métodos de IA preditiva para identificar padrões correlacionados ao aumento do tempo total de entrega e até mesmo prever essas condições no futuro.
Como etapa final desta história, podemos imaginar a empresa reformulando o fluxo de trabalho de entrega como um problema de oferta e demanda, usando preços para equilibrá-las. Um exemplo específico seria permitir que a remuneração do entregador fosse ajustada de acordo com o horário e o local, seja por meio de uma programação fixa ou dinamicamente, com base nas condições em tempo real. Isso "fecha o ciclo" dos dados ao aproveitá-los para tomar medidas concretas (ajustes de preços) a fim de resolver uma questão de negócios (gerenciar o tempo total de entrega) e usar feedback em ciclo fechado (ajustes dinâmicos de preços, dependendo do tempo observado) para tornar o fluxo de trabalho "adaptativo".
Criação de valor de negócio diretamente monetizável a partir de dados
Um tipo diferente de valor gerado a partir dos dados consiste em usá-los para "abrir novas frentes de atuação", criando valor de negócio que possa ser monetizado por meio de um benefício direto aos clientes. Um exemplo é mencionado em nosso cenário após seis meses: gerar valor para nossos parceiros fornecedores, os restaurantes. Uma solução para a necessidade de negócio de fornecer insights aos clientes de nossa aplicação é, mais uma vez, aproveitar os dados coletados pelos fluxos de trabalho operacionais da aplicação — desta vez, como matéria-prima para extrair insights de negócio para nossos clientes e parceiros. Esses insights de negócio podem assumir diversas formas; alguns exemplos são:
- Uma previsão antecipada de uma demanda acima do normal, para que o parceiro possa se preparar adequadamente.
- Insights sobre a precificação de itens específicos do cardápio, tanto para entender a sensibilidade da demanda quanto para comparar seus preços com os praticados pelo conjunto de restaurantes similares.
- Dados quantificáveis para auxiliar no planejamento mais estratégico do restaurante, como o impacto previsto sobre a receita ao ampliar ou reduzir o horário de funcionamento.
A descoberta desses insights de negócios é possibilitada não apenas pela existência de um grande repositório de dados, mas também pela estratégia de dados que anota os dados coletados de forma estruturada, usando um vocabulário de metadados consistente.
Analisando mais de perto um caso específico de insight de negócios, considere como poderiam ser obtidos insights sobre a precificação dos cardápios. Partindo da matéria-prima — os dados coletados operacionalmente no fluxo de trabalho dos pedidos —, o valor da estratégia de dados anotados com metadados torna-se evidente. Especificamente, registra-se não apenas o preço de um item em determinado restaurante, mas também os metadados relacionados. Considere os atributos descritivos adicionais de um alimento, como o tamanho da porção, o "tipo" de alimento (por exemplo, "refrigerante" ou "hambúrguer") e os "adicionais" especiais (por exemplo, "inclui acompanhamento" ou "apimentado"). Se a arquitetura de dados complementar os dados dos alimentos com metadados referentes a esses atributos, usando um vocabulário consistente de etiquetas de metadados (por exemplo, "onças da porção", "classe do alimento", "adicionais") e um conjunto normalizado de valores de metadados, as informações sobre os alimentos poderão ser comparadas entre restaurantes. Por exemplo, se tudo o que se sabe a partir do banco de dados de códigos é que o "Burger Basement" oferece o Man Cave Burger e o "Heart Attack Grill" oferece o Double Bypass Burger, não há base para uma comparação significativa. No entanto, se adicionarmos um vocabulário de anotação de metadados, poderemos realizar comparações e análises — o sistema entenderia que os dois itens são comparáveis porque ambos pertencem à "classe de alimento" "hambúrguer". Além disso, a análise também pode usar os outros campos de metadados para normalizar o tamanho da porção (ou seja, o "Man Cave" pode ter 8 onças, enquanto o "Double Bypass" pode ter 12 onças). Por fim, o uso de um conjunto padronizado de valores de "adicionais", como "inclui queijo", também pode servir para fazer outros ajustes com base em semelhanças e/ou diferenças secundárias. Mais uma vez, o planejamento prévio da arquitetura de dados — desta vez, em torno da estratégia de metadados — permitiu que a empresa aproveitasse rapidamente novas oportunidades de negócios simplesmente utilizando os dados residuais dos fluxos de trabalho existentes.
Resumo
A maioria dos líderes empresariais está plenamente ciente de que seu sucesso depende do planejamento de seus fluxos de trabalho operacionais críticos, bem como da visibilidade sobre a execução desses fluxos. Bons líderes empresariais também entendem que a capacidade de gerar esses insights com rapidez e eficiência e, em seguida, tomar medidas — tanto internas quanto voltadas ao público externo — com base neles é fundamental para a continuidade de seu sucesso.
Como profissionais de tecnologia, somos chamados a criar soluções que viabilizem os objetivos de negócios de melhoria contínua da eficiência operacional e de agilidade empresarial. Infelizmente, os engenheiros muitas vezes se concentram demais nos componentes de software de processamento de dados da solução e não o suficiente na própria arquitetura de dados. Isso frequentemente resulta em um esforço significativo e em atrasos no tempo de implantação de melhorias nos fluxos de trabalho internos e no lançamento de novas ofertas derivadas para os clientes. Como este artigo demonstra, dedicar atenção desde o início à arquitetura de dados — ao vocabulário de dados, às representações e à estratégia de metadados — constitui a base tecnológica para uma empresa ágil, robusta e orientada por dados.
Sobre o autor
Publicações relacionadas no blog
O estado da maturidade digital empresarial: a transformação digital ainda não terminou
Explore como a IA impacta as empresas, as aplicações da IA generativa, as estratégias para modernizar as operações de TI e os benefícios da maturidade digital com a F5.
Como a IA generativa acelera a transformação digital
Veja como a IA generativa impulsiona a transformação digital nas empresas, acelerando tendências como a integração de APIs, os desafios dos modelos operacionais de TI híbrida e a adoção de AIOps.
Seis capacidades técnicas para acelerar a transformação digital
As arquiteturas empresariais atuais carecem dos fatores necessários de agilidade, escalabilidade, segurança e observabilidade, essenciais para impulsionar a mudança tecnológica. No entanto, estas seis capacidades fundamentais ajudarão as empresas a gerenciar riscos e desafios ao longo de sua transformação digital.
Inverter a API é a transformação digital de que as empresas precisam para participar e competir em uma economia de APIs
As organizações detêm um valor latente — na forma de APIs internas — que precisam explorar para competir em uma economia de APIs. Embora os desafios técnicos e de segurança possam desestimular algumas delas, as empresas precisam reconhecer que inverter suas APIs permitirá liberar o valor da organização como plataforma.
A modernização da TI começa pela infraestrutura
O hardware e o software evoluíram rapidamente desde os primórdios da internet, mas, para aproveitar ao máximo os benefícios resultantes dessa evolução, as organizações precisam avaliar e modernizar sua infraestrutura e a entrega de aplicativos. Acelere os esforços de modernização com a nova F5 rSeries.