Se já temos o Snowflake e o Databricks, por que ainda precisamos de gerenciamento de dados mestres?

Tenho ouvido cada vez mais essa pergunta em conversas com bancos, seguradoras e organizações de serviços financeiros: “Já temos o Snowflake e o Databricks, então por que ainda precisamos de gerenciamento de dados mestres?”

É uma pergunta válida. E também muito compreensível.

A resposta curta: as plataformas de dados modernas facilitam o acesso e a análise dos dados — mas não respondem quem ou o que esses dados realmente representam. Essa é uma função da gestão de dados mestres (MDM), a base sobre a qual se sustenta a plataforma de inteligência confiável da Stibo Systems.

O que a Snowflake e a Databricks resolvem

As instituições financeiras têm investido fortemente em plataformas de dados modernas. A Snowflake tem ajudado as organizações a centralizar, compartilhar e analisar dados em grande escala. A Databricks tem ajudado a acelerar a análise de dados, a ciência de dados e a IA. Ambas são partes importantes da arquitetura de dados moderna.

Mas elas não eliminam a necessidade do MDM.

O que elas não resolvem

Pense nisso como no futebol. Você pode ter um estádio incrível, analistas de nível mundial, táticas precisas e as melhores instalações de treinamento. Mas se a escalação estiver errada, houver jogadores duplicados, ninguém souber quem ocupa qual posição e metade do time estiver usando a formação da temporada passada, as coisas ficam confusas rapidamente.

O gerenciamento de dados corporativos é semelhante.

Uma plataforma de dados moderna pode tornar os dados mais fáceis de acessar, mais rápidos de processar e mais disponíveis para relatórios, análises e IA. Mas ela não responde automaticamente às perguntas de negócios com as quais os executivos ainda mais se preocupam:

• Qual é esse cliente?
• Qual é a versão correta do produto?
• Qual pessoa jurídica é responsável por esse relacionamento?
• Qual corretor, consultor ou intermediário está envolvido?
• Quem é o proprietário dos dados?
• Podemos confiar neles o suficiente para usá-los em uma decisão?

É aí que surge a lacuna.

Onde as lacunas se manifestam nos serviços financeiros

Embora muitas organizações já disponham de plataformas modernas na nuvem, elas ainda enfrentam desafios já conhecidos:

• Clientes duplicados
• Definições inconsistentes de produtos
• Hierarquias pouco claras
• Dados fragmentados sobre pessoas jurídicas
• Identificadores conflitantes
• Reconciliação manual entre sistemas

Embora a arquitetura tecnológica pareça moderna, o problema de negócios não desapareceu. É o equivalente, no mundo dos dados, a ter um árbitro assistente de vídeo, rastreadores GPS e uma equipe completa de análise avaliando o desempenho dos jogadores, enquanto ainda se discute sobre a escalação oficial do time.

Os impactos variam de acordo com o setor:

• No setor bancário, isso pode afetar a integração de novos clientes, o processo “Conheça seu Cliente” (KYC), as decisões de crédito, a exposição a contrapartes, os relatórios regulatórios e a experiência do cliente.
• No setor de seguros, isso pode afetar o reconhecimento dos segurados, o relacionamento com corretores, sinistros, governança de produtos e gestão de exposições.
• Na gestão de patrimônio e ativos, isso pode afetar a agrupamento de contas, o relacionamento com consultores, a adequação, a prestação de contas e a experiência do cliente.

Como o MDM preenche essa lacuna

O MDM cria registros mestres confiáveis, resolve duplicatas, controla relações, gerencia hierarquias, aplica regras de negócios e define a propriedade. Ele fornece os dados confiáveis e o contexto de negócios de que as plataformas de dados, ferramentas analíticas e modelos de IA precisam para produzir resultados confiáveis.

A principal diferença é que o Snowflake e o Databricks ajudam as organizações a fazer mais com os dados. O MDM ajuda a garantir que elas estejam fazendo isso com os dados corretos.

Por que isso se torna ainda mais importante à medida que a adoção da IA se acelera

A IA não corrige dados fragmentados como por magia. Em muitos casos, ela simplesmente os expõe. Se os dados de clientes, produtos, políticas, contas ou pessoas jurídicas forem inconsistentes, a IA pode produzir respostas mais rápidas — mas não necessariamente melhores.

Para os executivos, trata-se de uma discussão sobre valor comercial, não de um debate sobre arquitetura técnica. Dados mestres confiáveis ajudam a melhorar a experiência do cliente, reduzir o trabalho manual, fortalecer a confiança regulatória, aprimorar a qualidade das decisões e tornar os investimentos em IA mais seguros e eficazes.

E, para setores regulamentados, isso não é opcional. Estruturas como a DORA exigem cada vez mais que as empresas de serviços financeiros demonstrem a proveniência e a governança por trás dos dados que alimentam seus sistemas de IA.

Enquanto o Snowflake pode ampliar o acesso aos dados e o Databricks pode acelerar a análise e a IA, o MDM ajuda a garantir que os dados disponíveis para o Snowflake e o Databricks sejam precisos, consistentes, governados e baseados em definições comerciais compartilhadas.

Você precisa dos dois, pois eles desempenham funções diferentes.

A pergunta mais pertinente a se fazer

Em vez disso, as empresas precisam se perguntar: “Como podemos garantir que os dados que alimentam nossas plataformas, relatórios, análises e IA sejam confiáveis o suficiente para tomarmos decisões críticas para os negócios?”

Na segunda parte desta série de posts, abordarei como isso gera valor comercial real em todas as etapas, desde a integração e a experiência do cliente até o risco, a conformidade, a preparação para a IA e o crescimento de organizações dos setores bancário, de seguros e de gestão de patrimônio e ativos.