Governança de dados em marketing

Sem governança, dado de marketing vira opinião

Uma cena comum em empresa sem governança: a reunião de resultados começa, marketing diz que gerou 4.200 contatos no mês, vendas diz que recebeu 3.100, BI mostra 3.700 e o financeiro reporta receita atribuída inconsistente com os três. A próxima meia hora é gasta tentando reconciliar números em vez de discutir o que fazer.

Esse desperdício recorrente tem causa estrutural: ninguém combinou previamente o que conta como "contato gerado", quais filtros aplicar, qual sistema é a fonte de verdade, em que momento o dado é congelado para relatório. Sem essas definições, cada área traz a própria leitura — e a discussão sobre número engole a discussão sobre decisão.

Governança não é burocracia. É o investimento que transforma "o número da Maria não bate com o do João" em "todos puxam do mesmo dicionário, com a mesma fonte, e a discussão é sobre o que o número significa". Em equipes pequenas, esse investimento cabe em uma planilha. Em equipes grandes, vira sistema operacional. Em ambos os casos, o ganho é o mesmo: confiança.

Pilar 1 — Dicionário de dados

O dicionário (também chamado de catálogo de métricas ou data dictionary) é o documento que define cada métrica usada por marketing. Estrutura mínima para cada métrica:

• Nome. O nome formal usado em todos os relatórios. Sem variações.
• Definição operacional. O que conta e o que não conta. Filtros aplicáveis.
• Fonte. Sistema do qual o dado vem (CRM, plataforma de email, GA4, planilha consolidada).
• Cálculo. Fórmula exata, quando aplicável.
• Dono. Pessoa responsável pela definição e pela manutenção.
• Granularidade temporal. Em que frequência é medida (diária, semanal, mensal).
• Última revisão. Quando o time confirmou que a definição ainda vale.

Exemplo de entrada simples para "contato qualificado de marketing":

• Nome: Contato qualificado de marketing (MQL)
• Definição: Contato que preencheu formulário em página de fundo de funil (orçamento, demonstração ou contato comercial) e cuja empresa se encaixa no perfil ideal de cliente (ICP). Exclui contatos com email descartável e contatos duplicados nos últimos 90 dias.
• Fonte: HubSpot (campo "Lifecycle Stage" = "MQL")
• Cálculo: Soma de contatos novos com Lifecycle Stage = MQL na data de referência
• Dono: Analista de marketing operations
• Granularidade: diária
• Última revisão: trimestre anterior

Em empresa pequena, o dicionário cabe em planilha. Em empresa média, em wiki interna ou em ferramenta como Notion, Confluence, Atlassian. Em empresa grande, em catálogo de dados especializado.

Pilar 2 — Ownership por métrica

Cada métrica precisa de uma pessoa responsável — não uma área, não uma equipe. A pessoa não é necessariamente quem calcula o número, mas é quem responde quando o número está errado, quando precisa ser revisado ou quando alguém propõe mudança.

Ownership típico em empresa média:

• Métricas de aquisição (tráfego, contatos, custo por contato): analista de marketing de aquisição ou de mídia paga
• Métricas de conversão (contatos qualificados, oportunidades, taxa de fechamento): analista de marketing operations
• Métricas de receita (receita gerada por marketing, ROI de campanha): controller ou analista financeiro com interface com marketing
• Métricas de marca (reconhecimento, recall, NPS): pesquisador de marketing ou analista de marca
• Métricas de relacionamento (retenção, churn, expansão): analista de sucesso do cliente

Sem dono claro, métricas viram "do BI" — e o BI vira balcão de reclamação, sem autoridade para arbitrar definições.

Pilar 3 — Qualidade do dado

Dado entra sujo em sistema de marketing por dezenas de motivos: formulário sem validação que aceita "asdf" como nome, importação de planilha com duplicados, integração com CRM que perdeu campo, evento no GA4 disparando duas vezes, campanha com UTM inconsistente. Qualidade do dado é o conjunto de práticas que detecta e corrige esses problemas antes que cheguem ao relatório.

Quatro dimensões clássicas de qualidade:

Validação. Regras que impedem dado errado de entrar. Formulário que rejeita email inválido. Campo "país" como lista controlada, não texto livre. Validação no momento de captura é muito mais barata que limpeza depois.

Deduplicação. Identificar e mesclar registros que se referem à mesma entidade real. Contato que preencheu formulário duas vezes; conta que tem dois CNPJs no CRM. Deduplicação automática mensal evita acumulação.

Completude. Percentual de campos críticos preenchidos. Contato sem empresa, sem cargo ou sem segmento tem valor analítico baixo. Acompanhar completude por origem identifica formulários ou integrações com problema.

Atualização. Dado envelhece. Contato que mudou de empresa há um ano não é mais o mesmo contato. Processos de atualização (enriquecimento, validação periódica, retirada de contatos inativos) mantêm a base viva.

Em empresa madura, essas quatro dimensões viram indicadores acompanhados em painel — quando completude cai abaixo de patamar ou deduplicação acumula, dispara alerta para o dono da fonte.

Pilar 4 — Controle de acesso e LGPD

Dado de marketing inclui dados pessoais — nome, email, telefone, comportamento de navegação. Sob a Lei Geral de Proteção de Dados (Lei 13.709/18), tratar esses dados exige base legal e proteção adequada. Quatro pontos práticos:

Base legal por finalidade. Cada finalidade de tratamento (envio de newsletter, retargeting, enriquecimento de perfil, análise) precisa de base legal documentada. Para marketing, as bases mais comuns são consentimento (visitante optou por receber) e legítimo interesse (com avaliação documentada de proporcionalidade).

Controle de acesso. Nem todo profissional de marketing precisa ver dados pessoais brutos. Painéis agregados não precisam mostrar email individual; análise de retenção pode rodar com identificador anonimizado. Princípio de menor privilégio: cada pessoa tem o acesso mínimo necessário para a função.

Retenção. Dado pessoal não pode ser guardado indefinidamente. Defina prazos de retenção por finalidade e processos de descarte (anonimização ou exclusão) após o prazo.

Direitos do titular. A LGPD dá ao titular direitos como acesso, correção, exclusão, portabilidade. A operação precisa estar preparada para responder a solicitações dentro do prazo legal — o que exige saber onde cada dado está, quem tem acesso e como apagar.

LGPD tratada como projeto pontual (acertou o site, esqueceu) deixa risco residual alto. Tratada como rotina, integra-se à governança de dados — política viva, treinamento periódico, auditoria anual.

Processos: mudança e auditoria

Governança madura tem dois processos críticos além dos pilares:

Processo de mudança de definição. Quando alguém propõe redefinir uma métrica (mudar filtros, ajustar cálculo, redefinir contagem), o processo segue passos: proposta documentada, retroteste com dado histórico, aprovação pelo dono, comunicação retroativa às áreas que consomem o relatório, publicação da nova definição no dicionário, marcação do histórico para evitar comparação inadequada. Mudança sem processo deixa cada área acreditando em definição diferente.

Auditoria periódica. Pelo menos anual: amostragem de relatórios, conferência com fontes primárias, verificação de definições no dicionário versus uso real, conferência de bases legais de LGPD, revisão de acesso. Empresas com auditoria interna formal integram esse exercício ao calendário regular; empresas menores fazem self-audit conduzido por marketing operations ou consultoria pontual.

Ferramentas: do Notion ao catálogo formal

A escolha da ferramenta acompanha o porte e a maturidade.

Pequena empresa. Planilha compartilhada (Google Sheets, Excel) ou wiki simples (Notion). Funciona enquanto o número de métricas é baixo e o time é pequeno.

Média empresa. Wiki estruturada (Notion, Confluence, Atlassian) com seções por tipo de métrica, busca, histórico de edições. Validação automatizada na própria plataforma de origem (regras no HubSpot, no Salesforce, no RD Station, no GA4, no Google Tag Manager).

Grande empresa. Catálogo de dados especializado (Atlan, Castor, Collibra, Alation) integrado ao data warehouse e às ferramentas de BI. Observabilidade de pipelines (Monte Carlo, Bigeye, Datafold) detecta quebra ou desvio em dados antes do consumidor final perceber. Ferramentas de gestão de consentimento (OneTrust, Cookiebot, Iubenda) e plataforma de privacidade integrada.

O erro mais comum é pular degraus — empresa de 80 pessoas tentando implantar catálogo formal antes de ter dicionário em planilha. O resultado é projeto que arrasta e morre.

Anti-padrões que sabotam a governança

Cada área com a própria definição. Marketing conta "contato qualificado" de um jeito; vendas, de outro; BI, de um terceiro. Sem reconciliação no dicionário, reuniões de resultado viram fórum de discussão sobre o número, não sobre o que ele significa.

Dado sem dono. Quando o número está errado, ninguém responde. A reclamação volta para o BI, que devolve para marketing, que devolve para a fonte. Ownership por pessoa elimina essa pingue-pongue.

Validação manual. Equipe gasta horas mensais limpando base manualmente. Validação automatizada na origem (regra no formulário, no CRM, no rastreador) custa menos a longo prazo.

LGPD como projeto pontual. A empresa fez um projeto de adequação dois anos atrás e nunca mais revisitou. Bases legais defasadas, novas finalidades de tratamento sem documentação, processos de direito do titular intacto. Risco regulatório acumula em silêncio.

Catálogo de dados sem cultura. A ferramenta foi comprada, mas ninguém mantém as definições atualizadas. Vira mais um sistema com dado velho. Cultura precede ferramenta — só implante catálogo quando o time já mantém dicionário simples por hábito.

Governança como gargalo. O extremo oposto: cada mudança de métrica precisa passar por comitê. Resultado: as áreas contornam o comitê e mantêm definições paralelas. Governança eficaz combina rigor em métricas críticas com leveza em métricas secundárias.