A IA falha logo à partida quando os dados mestre estão duplicados porque não consegue saber qual é a versão verdadeira de um cliente, de um fornecedor ou de um artigo. Se o mesmo cliente existe três vezes no ERP, com nomes e NIF ligeiramente diferentes, qualquer pergunta sobre vendas, margens ou prazos devolve números partidos ou errados. A IA não cria esse problema, mas expõe-o e multiplica-o à velocidade de uma resposta. A solução não começa na tecnologia. Começa por tratar os dados mestre como um processo, com dono, regras e indicadores, recorrendo a ferramentas Lean que as empresas industriais já conhecem: gestão visual, KPIs e o ciclo A3/PDCA.

O que são dados mestre?

Dados mestre são os dados de referência estáveis que descrevem as entidades centrais do negócio e que são partilhados por vários processos e sistemas. Os mais comuns são: • Clientes: nome, NIF, moradas, condições de pagamento, comercial responsável. • Fornecedores: identificação, contactos, condições comerciais, certificações. • Artigos e materiais: códigos, descrições, unidades de medida, famílias, custos padrão. • Colaboradores e centros de custo: estrutura organizacional usada em relatórios e aprovações. Distinguem-se dos dados transacionais (encomendas, faturas, movimentos de stock), que registam o que acontece e referenciam os dados mestre. Uma fatura aponta para um cliente; se o cliente está duplicado, as faturas ficam divididas entre duas ou três fichas.

Porque é que os dados mestre ficam duplicados?

A duplicação raramente é um erro isolado. É o resultado de um processo sem regras. As causas mais frequentes que encontramos nas PME portuguesas são: 1. Criação descentralizada: qualquer pessoa pode criar um cliente ou um artigo no ERP, sem validação. 2. Pesquisa difícil: é mais rápido criar uma ficha nova do que procurar a existente. 3. Vários sistemas sem integração: o CRM, o ERP e as folhas de Excel têm cada um a sua lista de clientes, com códigos diferentes. 4. Migrações antigas: mudanças de ERP que trouxeram fichas inativas e duplicadas para o sistema novo. 5. Ausência de dono: ninguém é responsável pela qualidade dos dados mestre, por isso ninguém a mede.

Como é que os dados duplicados afetam a IA?

Um sistema de IA, seja o Copilot no Power BI, um assistente sobre o ERP ou um modelo de previsão, depende de conseguir agregar corretamente a informação. Com dados mestre duplicados, acontecem três tipos de falha: • Respostas incompletas: à pergunta "quanto faturámos ao cliente X este ano?", a IA soma apenas uma das fichas e devolve um valor abaixo do real. • Rankings errados: um cliente grande dividido em três fichas pode nem aparecer no top 10 de clientes. • Previsões enviesadas: modelos de previsão de procura tratam o mesmo artigo como produtos diferentes, com históricos curtos e pouco fiáveis. O efeito mais grave é a perda de confiança. Basta uma resposta claramente errada numa reunião de direção para a equipa deixar de acreditar na ferramenta. A Gartner estima que, até 2026, as organizações abandonem 60% dos projetos de IA que não sejam suportados por dados preparados para IA, e os dados mestre são uma das primeiras peças dessa preparação.

Que sinais indicam que tem um problema de dados mestre?

Alguns sinais aparecem muito antes de qualquer projeto de IA: • O mesmo cliente aparece com nomes diferentes em relatórios distintos. • Os totais de vendas por cliente não coincidem entre o ERP, o CRM e o Power BI. • Existem artigos com descrições como "NÃO USAR", "duplicado" ou "ver código novo". • A equipa comercial mantém a sua própria lista de clientes em Excel. • A limpeza de dados é feita à mão, todos os meses, antes de fechar o reporte.

Como resolver com ferramentas Lean?

Os dados mestre são um processo como outro qualquer: têm entradas, passos, responsáveis e defeitos. Por isso, as ferramentas Lean aplicam-se diretamente. Gestão visual: tornar o problema visível O primeiro passo é que toda a gente veja o problema. Um quadro de gestão visual, físico ou digital em Power BI, pode mostrar: • Duplicados identificados: número de fichas suspeitas por tipo (clientes, fornecedores, artigos). • Fichas incompletas: clientes sem NIF, artigos sem família, fornecedores sem condições de pagamento. • Pedidos de criação em espera: quantos pedidos aguardam validação e há quanto tempo. Quando o problema está à vista na reunião diária ou semanal, deixa de ser "uma coisa da informática" e passa a ser um tema de gestão. KPIs: medir a qualidade dos dados O que não se mede não melhora. Recomendamos começar com quatro indicadores simples: 1. Taxa de duplicação: percentagem de fichas identificadas como duplicadas sobre o total ativo. 2. Taxa de completude: percentagem de fichas com todos os campos obrigatórios preenchidos. 3. Tempo de criação: tempo médio entre o pedido e a criação validada de uma ficha nova. 4. Erros na origem: número de correções feitas a fichas criadas nos últimos 30 dias. Estes KPIs devem ter um valor de partida, uma meta e um responsável, tal como qualquer KPI operacional. A3 e PDCA: resolver a causa, não o sintoma Limpar os duplicados uma vez não chega. Se a causa continuar ativa, os duplicados voltam em poucos meses. O relatório A3, estruturado no ciclo PDCA (Plan, Do, Check, Act), obriga a percorrer o problema até à causa raiz: 1. Plan: descrever o problema com dados (por exemplo, 12% de clientes duplicados), analisar causas com os 5 Porquês ou um diagrama de Ishikawa, e definir contramedidas. 2. Do: aplicar as contramedidas, como centralizar a criação de fichas numa pessoa ou equipa, criar um formulário de pedido com campos obrigatórios e validar o NIF na criação. 3. Check: acompanhar os KPIs durante quatro a oito semanas e confirmar que a duplicação deixou de crescer. 4. Act: normalizar o novo processo, documentá-lo e incluí-lo na formação de novos colaboradores.

Qual a ordem certa para limpar os dados mestre?

Um plano prático de limpeza, antes de qualquer projeto de IA, segue estes passos: 1. Definir o dono: nomear um responsável pelos dados mestre de cada domínio (clientes, fornecedores, artigos). 2. Estabelecer regras de criação: campos obrigatórios, formatos, chaves únicas como o NIF e convenções de nomenclatura. 3. Identificar duplicados: cruzar NIF, nomes normalizados e moradas, com apoio de Power Query ou de ferramentas de correspondência aproximada. 4. Fundir e desativar: escolher a ficha principal, migrar referências quando o ERP o permitir e desativar as restantes. 5. Integrar sistemas: garantir que o CRM e o ERP partilham o mesmo código de cliente. 6. Monitorizar: manter os KPIs visíveis e rever o processo mensalmente. Os dados mestre duplicados são um dos motivos mais silenciosos pelos quais os projetos de IA falham. Não aparecem nas demonstrações, mas aparecem nas primeiras perguntas reais. Tratá-los como um processo, com dono, regras, gestão visual, KPIs e ciclos A3/PDCA, resolve o problema na origem e melhora as decisões da empresa muito antes de a IA chegar. É precisamente este cruzamento entre melhoria contínua e dados que a IMBS trabalha na frente de Dados do Prep for AI.

Autor

André Barbosa
André Barbosa

FAQs

Perguntas Frequentes

  • O que são dados mestre?

    São os dados de referência estáveis sobre as entidades centrais do negócio, como clientes, fornecedores, artigos e centros de custo, partilhados por vários processos e sistemas.

  • Porque é que a IA dá respostas erradas com dados duplicados?

    Porque não consegue saber que várias fichas representam a mesma entidade. Ao agregar vendas, custos ou prazos, divide a informação pelas fichas duplicadas e devolve totais e rankings incorretos.

  • A IA não consegue corrigir os duplicados sozinha?

    Pode ajudar a identificar fichas suspeitas, mas a decisão de fundir registos e, sobretudo, a correção do processo que os cria continuam a ser responsabilidade da empresa.

  • Que ferramentas Lean ajudam na qualidade dos dados?

    A gestão visual torna o problema visível, os KPIs medem a evolução e o relatório A3, estruturado no ciclo PDCA, ajuda a encontrar e eliminar a causa raiz da duplicação.

  • Quanto tempo demora limpar os dados mestre de uma PME?

    Depende do volume e do número de sistemas. Numa PME, uma primeira limpeza dos clientes e artigos ativos costuma levar algumas semanas. O mais importante é corrigir o processo de criação para que os duplicados não voltem.