Gap analysis de dados: do estado atual ao desejado

O que gap analysis resolve que diagnóstico não resolve

Gap analysis vai além de diagnóstico. Diagnóstico responde "onde estamos?" — gap analysis responde "onde estamos? aonde queremos ir? qual é o caminho?". A diferença é crucial porque sem visão de futuro, priorização fica superficial.

Diagnóstico pode identificar que dados estão espalhados. Gap analysis diz: "onde queremos que dados estejam em 18 meses? em data warehouse ou em data lake? em qual cloud? com qual ferramenta de BI?". Essa clareza permite sequenciar investimento de forma coerente.

Além disso, gap analysis força alinhamento entre negócio e TI sobre o que "bom" significa. Negócio quer "visibilidade em tempo real". TI quer "arquitetura sustentável". Gap analysis harmoniza essas visões em estados desejados concretos.

Os oito passos de um gap analysis estruturado

Gap analysis é iterativo — você volta e revisa conforme aprende. Mas seguir esses oito passos em ordem gera resultado sólido.

Passo 1 — Definir visão de futuro (1 semana): O que "bom" significa para sua empresa em 18 a 36 meses? Não é perfeccionismo, é realismo. Exemplo: "em 18 meses, todos os dados críticos estão em data warehouse centralizado, cada dado tem proprietário, BI responsiva consegue responder perguntas em menos de 1 dia, 70% de decisões maiores citam dados como base."

Essa visão precisa de input de negócio e TI. Não é apenas technical. É aspiração organizacional de como dados vão trabalhar para o negócio.

Passo 2 — Estruturar dimensões de avaliação (1 semana): Escolha 5 a 7 dimensões que matérias para seu negócio. Exemplo: tecnologia (infraestrutura, integração, BI), governança (políticas, processos, compliance), pessoas (habilidades, estrutura, treinamento), cultura (disposição de usar dados), processos (como decisões são tomadas), qualidade (confiabilidade de dados), conformidade (regulatória, segurança).

Para cada dimensão, defina o que significa "bom" em seu contexto.

Passo 3 — Mapear estado atual em cada dimensão (2 a 3 semanas): Use diagnóstico se já fez. Se não, entreviste stakeholders-chave. Para cada dimensão, descreva status atual com evidências (não achismo). Exemplo: "tecnologia — dados em 3 sistemas principais + 20 planilhas; não há integração formal; BI existente é Power BI básico sem manutenção dedicada."

Passo 4 — Comparar atual vs. desejado e quantificar gaps (1 semana): Para cada dimensão, liste gap explicitamente. Exemplo: "gaps em tecnologia — implementar data warehouse, integrar 3 sistemas principais, modernizar BI, automatizar ETL."

Quantifique quando possível. Exemplo: "temos 10% dos dados documentados, queremos 100%" — gap é 90%.

Passo 5 — Classificar gaps por severidade (1 semana): Nem todo gap é crítico. Alguns são "nice to have". Classifique por: crítico (bloqueia estratégia), alto (impacto significativo), médio (melhor ter), baixo (futuro). Use critérios de impacto negócio, risco, oportunidade.

Passo 6 — Estimar esforço e custo (1 a 2 semanas): Para cada gap, estime: quanto tempo leva fechar? quanto custa (pessoas, ferramenta, consultoria)? que recursos precisam ser dedicados? Isso permite priorização baseada em esforço, não apenas desejo.

Passo 7 — Definir sequência lógica (1 a 2 semanas): Alguns gaps têm dependência — é impossível fechar um sem fechar outro primeiro. Exemplo: é impossível implementar BI avançada sem dados limpos. Sequência errada causa fracasso. Sequência certa cria momentum.

Passo 8 — Criar roadmap com marcos (1 semana): Com sequência definida, crie timeline realista. Exemplo: "Q1-Q2 (6 meses) — implementar governança básica e começar limpeza de dados críticos. Q3-Q4 (6 meses) — implementar data warehouse. Q1 do ano seguinte (3 meses) — migrar para novo BI."

Inclua marcos mensuráveis: "ao final de Q2, 100% dos dados críticos têm proprietário designado".

Diferença entre diagnóstico e gap analysis

Muitas vezes são confundidos. Diagnóstico e gap analysis são complementares mas diferentes.

Diagnóstico: Responde "qual é nosso estado atual de dados?" Leva 4 a 12 semanas. Produz inventário de fontes, avaliação de qualidade, identificação de dores. Resultado é compreensão do presente.

Gap analysis: Responde "qual é nosso estado desejado? qual é o caminho?" Leva 2 a 4 semanas após diagnóstico. Produz visão de futuro e roadmap. Resultado é plano de ação.

O melhor é fazer diagnóstico primeiro (entender realidade), depois gap analysis (desenhar futuro). Tentar gap analysis sem diagnóstico resultará em visão de futuro baseada em suposição, não em realidade.

Definindo estado desejado realista (não ficção científica)

Erro comum é desenhar futuro perfeito que nunca será atingido. Gap analysis requer estado desejado ambicioso mas realizável em 18 a 36 meses.

Princípio 1 — Baseado em negócio, não em tecnologia: Estado desejado começa em "que capacidade de dados precisa o negócio?" — não "que tecnologia é legal ter?". Exemplo: "precisamos de BI que responda qualquer pergunta em menos de 1 dia" vs. "queremos machine learning avançada". O primeiro é orientado a negócio; o segundo é aspiração tecnológica.

Princípio 2 — Ambicioso mas realizável: Estado desejado deve ser um estiramento mas não um salto impossível. Se você está em Ad Hoc, não pule direto para Otimizado. Intermediário em 24 a 30 meses é realizável. Otimizado em 36 a 48 meses é mais realista.

Princípio 3 — Específico, não vago: "Ter dados melhores" é vago. "100% dos dados críticos documentados, com proprietário designado, SLA de atualização definido, qualidade auditada trimestral" é específico. Especificidade permite medir progresso.

Princípio 4 — Respeitando realidade de negócio: Estado desejado precisa de orçamento. Se empresa tem R$ 200 k de orçamento TI, não inclua data lake de R$ 1 milhão no estado desejado de 18 meses. Inclua no de 36 meses.

Matriz de gap analysis: ferramenta prática

Matriz ajuda a visualizar gaps. Estrutura: linhas são dimensões (governança, tecnologia, pessoas, etc.), colunas são critérios (existe? está documentado? está funcionando?), células são avaliação do estado atual vs. estado desejado.

Exemplo simplificado:

Essa matriz ajuda a priorizar: gaps críticos com esforço pequeno saem primeiro (quick wins). Gaps críticos com esforço alto saem depois (transformações).

Priorização baseada em dependência e valor

Nem todo gap pode ser fechado ao mesmo tempo. Priorização precisa considerar: valor (o quanto fecha este gap importa?), esforço (quanto custa em tempo/dinheiro?) e dependência (este gap bloqueia outros?).

Quick wins (baixo esforço, alto valor): Prioridade 1. Exemplo: designar proprietários de dados (1 semana, impacto imenso em accountability). Designar data stewards (2 semanas). Criar documentação básica (2 semanas). Quick wins geram momentum e credibilidade para iniciar.

Transformações (médio/alto esforço, alto valor): Prioridade 2, para começar depois que quick wins estão em marcha. Exemplo: implementar data warehouse (4 a 6 meses). Integração de sistemas (3 a 6 meses). Mudar processos decisórios (3 a 6 meses).

Futuro (alto esforço, médio valor): Prioridade 3. Exemplo: implementar machine learning (6 a 12 meses). Data lake avançada (6 a 9 meses). Esses saem no roadmap de 24 a 36 meses.

Dependências: Alguns gaps precisam estar fechados antes de outros começarem. Exemplo: não pode implementar BI avançada sem dados organizados. Sequência errada causa falha. Sequência certa causa sucesso.

Como estimar custo e tempo de forma realista

Estimativas ruins destroem roadmaps. Subestimar custo e tempo deixa projeto paralisado. Superestimar faz liderança desistir.

Método 1 — Analogia com projetos similares: "Implementamos BI em outra área em 4 meses com 1 analyst + vendor. Aqui precisa de 3 sistemas ao invés de 1, então estimativa é 6 meses com 1,5 analyst + vendor."

Método 2 — Breaking down: Quebre gap em sub-tarefas. Integração de sistema = descoberta (1 semana) + desenho (2 semanas) + implementação (6 semanas) + testes (2 semanas) + cutover (1 semana) = 12 semanas = 3 meses.

Método 3 — Consultar com vendor/partner: Se vai usar ferramenta, pergunte ao vendor quanto tempo leva implementar em cenário similiar. Multiplique por 1,3x (margem de realidade).

Custo inclui: Pessoas (mais significativo), ferramenta (licença, setup), consultoria (se necessário), treinamento, overhead de projeto. Total é frequentemente subestimado porque esquece-se de overhead.

Comunicando gap analysis para liderança

Gap analysis é documento técnico mas precisa ser comunicado para liderança em linguagem de negócio — não é "implementar data warehouse", é "reduzir tempo de decisão em 50% e evitar decisões erradas que custam milhões".

Apresentação executiva deve ter: estado atual (onde estamos), visão de futuro (aonde vamos), caminho (como chegamos lá), investimento (quanto custa), benefícios (que ganho), timeline (quando fica pronto), riscos (o que pode dar errado).

Foque em benefício, não em atividade. "Implementar data warehouse" é atividade. "Reduzir tempo de resposta de perguntas críticas de 7 dias para 1 dia" é benefício. Liderança compra benefício.