As organiza??es adotam ativamente a mentalidade de produto para dados como uma pr¨¢tica padr?o para gerenciar os ativos de dados. Essa abordagem trata os dados como um produto com seu pr¨®prio ciclo de vida, padr?es de qualidade e foco em atender ¨¤s necessidades da pessoa consumidora. Agora a recomendamos como padr?o para o gerenciamento de dados, independentemente de as organiza??es escolherem arquiteturas como malha de dados (data mesh) ou lakehouse.
Enfatizamos a import?ncia do foco na pessoa consumidora na mentalidade de produto para dados, com o fim de promover maior ado??o e realiza??o de valor. Isso implica antes dos casos de uso. Tamb¨¦m damos foco em capturar e gerenciar metadados relevantes para os neg¨®cios e metadados t¨¦cnicos usando cat¨¢logos de dados modernos como DataHub, Collibra, Atlan e Informatica. Essas pr¨¢ticas melhoram a capacidade de descoberta e a usabilidade dos dados. Al¨¦m disso, adotamos a mentalidade de produto para dados para escalar iniciativas de IA e criar dados prontos para IA. Essa abordagem inclui o gerenciamento abrangente do ciclo de vida, garantindo que os dados n?o sejam apenas bem administrados e de alta qualidade, mas tamb¨¦m descartados em conformidade com os requisitos legais e regulamentares quando n?o forem mais necess¨¢rios.
A mentalidade de produto para dados prioriza o tratamento das pessoas consumidoras de dados como clientes, garantindo que elas tenham uma experi¨ºncia perfeita em toda a cadeia de valor dos dados. Isso abrange a facilidade de descoberta de dados, compreens?o, confian?a, acesso e consumo. A ¡°mentalidade de produto¡± n?o ¨¦ um conceito novo. No passado, n¨®s o adotamos no mundo operacional ao construir produtos operacionais ou microsservi?os. Ele tamb¨¦m sugere uma nova maneira de construir equipes multifuncionais de longa dura??o para deter e compartilhar dados em toda a organiza??o. Acreditamos que, ao trazer uma mentalidade de produto para os dados, as organiza??es podem operacionalizar os princ¨ªpios . Nossas equipes usam cat¨¢logos de dados como Collibra e DataHub para permitir a descoberta de produtos de dados. Para promover a confian?a, publicamos m¨¦tricas de qualidade de dados e como recenticidade, completude e consist¨ºncia para cada produto de dados, e ferramentas como Soda Core e Great Expectations automatizam as verifica??es de qualidade dos dados. A observabilidade de dados, por sua vez, pode ser obtida com a ajuda de plataformas como Monte Carlo. Temos visto os produtos de dados evolu¨ªrem como blocos constitutivos reutiliz¨¢veis ??para v¨¢rios casos de uso ao longo do tempo. Isso ¨¦ acompanhado por um tempo de lan?amento mais r¨¢pido para casos de uso subsequentes, ¨¤ medida que avan?amos na identifica??o e constru??o de produtos de dados orientados por casos de valor. Portanto, nosso conselho ¨¦ abra?ar a mentalidade de produto para dados FAIR.
