Big Data e Governança de Dados, via DMM-Data Management Maturiy Model

1,967 views

Published on

Mostra um exemplo real de Governança de Dados com Big Data, numa empresa de Energia elétrica, aplicando os conceitos de DMM-Data Management Maturity Model

Published in: Data & Analytics

Big Data e Governança de Dados, via DMM-Data Management Maturiy Model

  1. 1. Big Data e Governança de Dados, via DMM-Data Management Maturiy Model 1 Carlos Barbieri Versão01-Julho/2015
  2. 2. Carlos Barbieri Consultores Associados ® Direitos reservados carlos.barbieri@gmail.com
  3. 3. • Carlos Barbieri, Eng, 1970-MSc-INPE-1974, PG Informática-1975 • Cemig-30 anos na área de Dados(ABD,AD,BI), Gerente da Assessoria de Tecnologia • Professor de Pós-Graduação da FUMEC, PUC-MG nas áreas de BI e Data Governance • Consultoria e treinamento no Brasil e Portugal • Coordenador da área de Qualidade da Fumsoft-Sociedade Mineira de Software, responsável pelo Programa MPS.BR – Engenharia de Software-MPS.BR – Governança e Qualidade de Dados • Autor de 3 livros na área de Dados, Informações e BI • Revisor convidado do Modelo DMM-Data Management Maturity Model-CMMI • CDMP-Certified Data Management Professional-DAMA-Data Management Association- CBIP(TDWI) e CDMP em DM, DW,DD,DOIP,DGS (1994) (2002) (2011)
  4. 4. Big Data e Governança de dados • Objetivo: – Discutir como a Governança de Dados se alinhará com os conceitos de BIG DATA, através das áreas de processos do DMM-Data Management Maturity Model, do CMMI Institute – Mostra, através de um exemplo real, o desenvolvimento dos conceitos de Gestão e Governança de Dados, analisando a aplicação de todas as práticas do modelo DMM – Esse tema será futuramente desenvolvido e publicado no Blog do Barbi-Carlos Barbieri 4
  5. 5. DMM 5 Data Management Maturity Model CMMI Institute
  6. 6. VISÃO GERAL NOS ANOS 200X 1 2 3 4 5 QUALIDADE DE DADOS OPERAÇÕES DE DADOS ESTRATÉGIA DE GESTÃO DE DADOS PLATAFORMA E ARQUITETURA 1-realizado 2-gerenciado 3-definido 4-medido 5-otimizado 6 Categorias 25 PA´s Capacidade GOVERNANÇA DE DADOS RSKM(RISCOS)-CM(CONFIGURAÇÃO)-MA(MEDIÇÃO E ANÁLISE)-QA(QUALITY ASSURANCE) DE PROCESSO- GERÊNCIA DE PROCESSO DMM- 1.0 Data Maturity Model PROCESSOS DE SUPORTE Atributos de Processos ISP-Infrastructure Support Practices 6
  7. 7. O modelo DMM 25 Áreas de Processos • Propósito – Introducão - Objetivos - Questões – Níveis de capacidade - Produtos de trabalho • Politicas – Processos – Padrões – Governança – Métricas – Tecnologia – Dicas de implementação 300+ Práticas 300+ Produtos de trabalho Data Management Strategy Data Management Strategy Communications Data Management Function Business Case Funding Data Governance Governance Management Business Glossary Metadata Management Data Quality Data Quality Strategy Data Profiling Data Quality Assessment Data Cleansing Data Operations Data Requirements Definition Data Lifecycle Management Provider Management Platform & Architecture Architectural Approach Architectural Standards Data Management Platform Data Integration Historical Data, Archiving and Retention Supporting Processes Measurement and Analysis Process Management Process Quality Assurance Risk Management Configuration Management 7
  8. 8. O modelo DMM 8 uaisprocessosmerecem+atençãoquandopensamosemBIGData? Estratégia de Data Management(Data Management Strategy) Estratégia de Data Management Comunicações Função de Data Management Plano de Negócios (Business Case) Apoio Financeiro Governança de Dados(Data Governance) Gerência de Governança Glossáriio de Negócios Gerência de Metadados Qualidade de Dados(Data Quality) Estratégia de Qualidade de Dados Data Profiling Avaliação de Qualidade de Dados Limpeza de Dados Operações de Dados(Data Operations) Definição de Requisitos de Dados Gerência do Ciclo de vida dos Dados Gerência de Fornecedores de Dados(Provider Management) Plataforma & Arquitetura(Platform & Architecture) Abordagem Arquitetural(Architectural Approach) Padrões Arquiteturais(ArchitecturalStandards) Plataformas de Data Management(Data Management Platform) Integração de Dados (Data Integration) Dados Históricos(Historical Data) , Arquivamento(Archiving) e Retenção(Retention) Processos de Suporte(Supporting Processes) Medições & Análise(Measurement and Analysis) Gerência de Processo(Process Management) Garantia de Qualidade do Processo(Process Quality Assurance) Gerência de Risco(Risk Management) Gerência de Configuração(Configuration Management)
  9. 9. DMM-Data Management Maturity Model Exemplo prático aplicado em uma empresa de energia que planeja a troca de seus medidores de energia elétrica por “smart meters”, gerando o conceito de Big Data 9
  10. 10. Estratégia de Gestão de Dados Governança de Dados Qualidade de Dados Operações de Dados Plataforma e Arquitetura ProcessosdeSuporte ® Domani TI +What -How
  11. 11. Estratégias de Gestão de Dados Comunicação Business case Funding Funções da Gestão de Dados ESTRATÉGIA DE GESTÃO DE DADOS ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  12. 12. Barbix-2015® Domani TI
  13. 13. Visão de futuro dos dados Objetivos de negócios com Dados Estratégia de DM- dados Comunicação Funções de DM Convencimento- BC Funding- Apoio$$$ ESTRATÉGIA DE GESTÃO DE DADOS ©CarlosBarbieri-DomaniTecnologia DM: Data Management BC: Business Case® Domani TI
  14. 14. Estratégia de Gestão de Dados ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  15. 15. Visão de dados alinhada com negócios Gaps e prioridades Escopo Benefícios GD+DM Medições para avaliar Plano de Ação ©CarlosBarbieri-DomaniTecnologia GD:Governança de Dados DM: Data Management® Domani TI
  16. 16. Estratégia de Gestão de Dados Exemplo prático • Uma grande empresa de EE(energia elétrica) que planeja a conversão do sistema convencional de leitura de medições por instalação de medidores inteligentes – Visão de futuro: até 2025 todos os consumidores (10 milhões) com medidores inteligentes – Planejamento: • Realização de “Betateste” em uma cidade de 100.00 habitantes (+- 28.000 cs) em 2015/2016 • Planejamento para implementação das regionais (R1 a R5) a partir de 2016 – Alinhamento do plano de dados com o plano de negócios • Plano de Tecnologia: GRID-Estrutura física da rede • Plano de Tecnologia de TI – Recursos de HDW, SW, Pessoas , Processos e Dados • Plano de Comunicação e Divulgação ESTRATÉGIA DE GESTÃO DE DADOS ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  17. 17. Estratégia de Gestão de Dados Exemplo prático • Considerações sobre requisitos/objetivos de Negócios: – Oferta de preços variáveis em função do momento de consumo (off-peaks) levando à otimização de consumo – Se a unidade consumidora tem painéis solares e produz energia, há a possibilidade de revenda (pelo consumidor) – Maior facilidade no controle da rede(grid), no caso de problemas físicos/interrupções – Maior facilidade no corte(evitando o “delay” entre pagamento e a chegada da equipe de corte) – Abertura para novos conceitos: incentivo para “abastecimento” de carros elétricos à noite, uso de máquinas de lavar, (clothing, dish- washing) em momentos mais adequados – Maior conteúdo de informações para os clientes(perfil de consumo por tempo) – Riscos: • (-) Diminuição de leituristas • (-) Problemas de aculturamento dos clientes com preços dinâmicos e consumo por “appliance” • (-) Preparação do call center para atendimentos sobre uso do medidor inteligente ESTRATÉGIA DE GESTÃO DE DADOS ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  18. 18. Estratégia de Gestão de Dados Exemplo prático • Considerações sobre requisitos/objetivos de Dados: – Volume e velocidade de dados com envio em NRT(near real time)-30 minutos – Plataformas e arquiteturas de dados para a nova estratégia(medidor inteligente, rede local wireless, RFID, internet, etc) – Integração de plataformas de NRT(recebimento dos dados de consumo) com Plataformas e Repositórios já existentes nos sistemas de Faturamento(Billing), Cliente,etc – Criação de nova plataforma e arquitetura para Analytics de Consumo a ser disponibilizado para os Clientes – Camada de qualidade de dados para recebimento, análise e tratamento de dados • Considerações sobre GD: Políticas, padrões, processos – Políticas de Segurança de dados(Smart Grid sujeito a problemas, hackers, cyber- attacks) – Políticas de Privacidade de dados( a que hora ela toma banho?) – Políticas de Retenção de dados (volume, compliance, ida para storage secundárioetc) – Políticas sobre Comunicação acerca de dados e faturamento dinâmico ESTRATÉGIA DE GESTÃO DE DADOS ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  19. 19. Comunicação ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  20. 20. Comunicar Políticas, Processos, Padrões,etc Comunicar Promulgações Comunicação-Para Quem Comunicação- Quando-Como Comunicações Críticas Regulações-Compliance Participação Stakeholders Plano de Comunicação ©CarlosBarbieri-DomaniTecnologia Processo fundamental quando se cogita de mudanças culturais que envolvam cooperação e adesão ao longo da organização ® Domani TI
  21. 21. Comunicação Exemplo prático • No caso do exemplo em questão-Projeto de Medidores inteligentes, teríamos a Comunicação e promulgação , por exemplo de – Políticas de Segurança de dados(Smart Grid sujeito a problemas, hackers, cyber-attacks) – Políticas de Privacidade de dados( a que hora ela toma banho?) – Políticas de Retenção de dados (volume, compliance, ida para storage secundário) – Políticas sobre Comunicação acerca de dados e faturamento dinâmico – Políticas e normas da agência reguladora, divulgadas para os stakeholders • Comunicação/treinamento/Mentoring sobre processos, procedimentos e e padrões definidos pela GD/DM para os serviços de dados envolvidos no projeto de Medidores inteligentes • Comunicação com a ANEEL para entender/esclarecer dúvidas sobre as normas e regulações pertinentes ao uso de medidores inteligentes • ?Quem: Agência reguladora, stakeholders envolvidos e clientes • ?Quando: No momento adequado, sempre minimizando riscos e otimizando as relações com clientes e agências reguladoras • ?Como: vários canais de comunicação(mídia,reuniões,etc) ESTRATÉGIA DE GESTÃO DE DADOS ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  22. 22. Funções de Gestão de Dados ® Domani TI
  23. 23. Diagrama DAMA Definir papéis Definir Responsabilidades Definir Autoridades Definir “Accountability” Institucionalizar processos DM segundo P´s Alinhamento GD+DM ©CarlosBarbieri-DomaniTecnologia DM+GD Várias funções de Dados(DM) Qual a prioridade? Qual o seu problema? ® Domani TI
  24. 24. • No projeto de implantação de medidores inteligentes há plena interação entre as áreas de GD, as áreas de TI e as áreas de Negócios responsáveis pelos dados e processos de Clientes, Faturamento, Arrecadação, Atendimento e Comunicação • A GD juntamente com as áreas de negócios (Owners e Gestores de dados) define as regras, políticas, processos, padrões, papéis e responsabilidade para os aspectos de dados no novo ambiente de coleta, faturamento, arrecadação, atendimento, disponibilização. etc • A TI, via as áreas técnicas que oferecem serviços de ERP,DW/BI, Metadados,Big Data, etc com funções de armazenamento, Plataformas, Integração, Segurança, etc estará envolvida como “custodiadora” de dados e provedora de camadas de tecnologia, seguindo definições da GD Funções da Gestão de Dados Exemplo prático ESTRATÉGIA DE GESTÃO DE DADOS ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  25. 25. Business Case ® Domani TI
  26. 26. Racional de sustentabilidade Busca formal de apoio e patrocínio Resultados esperados atrelados ao negócio Vende: Melhoria da qualidade dos dados e de seus processos Entregáveis com métricas e medições Apoio financeiro e institucional Vira referência organizacional ©CarlosBarbieri-DomaniTecnologia O Porquê e o O Quanto O convencimento via “Plano de Negócios” A proposição de Valores de negócios ® Domani TI
  27. 27. Business Case Exemplo prático • No caso do Projeto de Medidores inteligentes, um plano com alguns pontos como: • Prós: – Análise comparativa da nova situação : processo de medição atual e o processo por medidor inteligente (maior frequência de leitura, maior controle de corte, precisão) – Retorno em função de ganhos tangíveis: custo direto das operações – Retorno em função de ganhos intangíveis: maior controle da rede, maior controle sobre as informações , maior volume de informações permitindo melhor análise – Valor variável de KWh por período – Melhor distribuição da venda de energia, medição individual de “appliances” e conhecimento de perfil de consumo • Cons: – Investimento com subsídio financiado – Custo cultural (falta de conhecimento sobre tarifa variável) – Reclamações por aspectos físicos(medo de RFID,etc) – Aspectos de segurança da rede , como invasões, cyberataques,etc – Aspectos de privacidade das informações de consumo – Maior necessidade de recursos de TI(volume, retenção, rede, armazenamento) ESTRATÉGIA DE GESTÃO DE DADOS ©CarlosBarbieri-DomaniTecnologia
  28. 28. Funding Apoio Financeiro ® Domani TI
  29. 29. Sustentabilidade financeira do programa Baseado em custo/benefício Reflete objetivos e prioridades de negócios Define método de alocação de recursos para projetos Framework para avaliar e priorizar BC EX: TCO, Total lyfecycle cost, ROI Processos de análise de custo/benefício, e gerência de gastos são definidos e acompanhados ©CarlosBarbieri-DomaniTecnologia Recursos, quem proverá e em que forma de participação® Domani TI
  30. 30. Apoio Financeiro Exemplo prático • No exemplo do Projeto de Medidores inteligentes: • Visão geral do BC(outra PA)-(o Porquê) • Visão geral dos recursos financeiros envolvidos e de suas priorizações- (Quanto): – Custo do investimento e retorno – Retorno em função de ganhos tangíveis: custo direto – Investimento com subsídio • Detalhamento do cronograma físico financeiro- (Como) – Custo-Instalação da rede com os novos medidores – Custo-Instalação da infra de Comunicação (rede RFID, Internet) – Custo-Instalação da infra de tecnologia de dados(servidores, camada de Big data, integração com legado, sistema analytics,etc) – Custo de treinamento e capacitação – Custo de divulgação e conscientização • Definição de participação das áreas envolvidas-(Quem, de que forma) – Modelo de Funding ESTRATÉGIA DE GESTÃO DE DADOS ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  31. 31. Glossário Gerência de Metadados Gerência de Governança GOVERNANÇA DE DADOS ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  32. 32. Barbix-2015® Domani TI
  33. 33. Prática e supervisão(alto nível) das ações de DM GD=vários P´s Políticas, Processos, Procedimentos, Padrões Pessoas, Papéis Programas, Projetos e Planos de dados Plataformas/Arquiteturas Performance(desempenho) Glossário e Metadados GOVERNANÇA DE DADOS ©CarlosBarbieri-DomaniTecnologia Legislativo e Judiciário de dados ® Domani TI
  34. 34. Gerência da Governança ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  35. 35. Conceito de Ownership de dados Conceito de Stewardship de dados Estruturas operacionais de GD-Pirâmide Funções de GD: Criação, Manutenção e Compliance de Políticas, Processos, Padrões,etc Definir e aprovar os P´s da GD Definir responsabilidades e Accountability Conselho-Comitê GD- GD negócios+TI(gestores) Trabalhar integrado com as funções de DM ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  36. 36. Gerência da Governança Exemplo prático • O projeto de implantação do medidor inteligente servira como projeto “trigger” das ações de GD. Alguns exemplos de ações da GD: • Será montada uma estrutura de GD com as seguintes camadas: – Conselho de GD: formado pelos executivos das áreas envolvidas no projeto: Gerente da área de Faturamento, Gerente da área de Clientes, Gerente da área de Engenharia de Rede de Distribuição, Gerente da área de Arrecadação, Chefe da área de Comunicação e CIO(TI) – Gestores de dados, de negócios, formados por um ou mais profissionais das áreas de negócios(Faturamento, Consumidores, Rede, Arrecadação) , cada qual na sua especialização(assunto). Com eles, serão definidos, por exemplo, dois analistas da TI envolvidos nas tecnologias dominantes do projeto(BD, Big Data, Sistemas de Consumidores e Arrecadação). Eles formarão o time de gestores de dados (de negócios) e da TI – Escritório de dados: Uma camada tática formada por um representante líder de cada grupo acima. Terão o objetivo de definir e propor para o Conselho os aspectos de • Ownership de Dados : Aquele que terá a “accountability” sobre os dados críticos envolvidos no projeto • Matriz RACIS, contendo as outras responsabilidades, conforme ilustrado a seguir • Definir as Políticas de dados, envolvendo a criticidade de seu uso, segurança, privacidade, riscos, compliance com agências reguladoras, etc • Definir e implantar Padrões, procedimentos, pessoas/responsabilidades, plataformas • Mapear os processos e dados relativos à Gerência de Medições de Consumo, Gerência de Potência/Voltagem da rede, Gerência de Interrupções , Gerência de Equipamentos e configuração da rede , Faturamento, etc • Definir estrutura de acompanhamento de desempenho, com auditorias e medições sobre Qualidade dos processos e Qualidade dos dados do projeto • Definir critérios para submissão de pendências ou definições para o Conselho de GD GOVERNANÇA DE DADOS ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  37. 37. Conselho GD Comitê de GD-DMO Gestores Grupo “cross-funcional”, formado por elementos da alta gerência; Aprovar/Definir Políticas; Buscar apoio financeiro; Resolver pendências, aspectos de aderência a normas(compliance); Prover direção estratégica; Atribuir ao DMO/CDO as ações de GD; Formado por Data Owners e TI ; chefiado pelo DMO ou DGPO; Coordenar as atividades de DG(estratégica) e táticas com as operacionais; Definir os membros do Comitê de GD; Avaliar/aprovar as decisões do Comitê; Supervisionar os Data Steward/gestores de dados (Business) e os Data Custodian da TI/Adm,BD,BI ; Arquitetos corporativos, Implementar políticas, processos, procedimentos e padrões de GD para áreas de negócios; Pode ter uma liderança(cross-functional) de GD(GD Organizacional) Implantar e executar as Políticas, Procedimentos e Padrões; Projetar e implementar as políticas de dados e procedimentos nos processos específicos de negócios e aplicações; Executar as políticas, procedimentos e padrões nos processos e aplicações no dia-a-dia; Formado de pessoas do Negócio(data steward) e da TI(IT data custodian) que poderão participar das reuniões do DMO, se não forem seus membros também; Estão em áreas funcionais e geográficas diferentes. Pode ser orientado por sistema, por UO-Unidade Organizacional ou por Assunto Tipos: GD de negócios, GD de Assunto, GD de Projetos, Modelo de Governança v04 Data Owners Faturamento, Arrecadação, Engenharia, TI, etc 37 Executivos da Empresa ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  38. 38. Matriz RACIS-Atividades de GD Descrição das Atividades de dados Conselho de GD Executivo GD de Domínio (Tático) GD de Negócio (Operacional) GD-TI Equipe DMO/ DGPG Atividades da Área de Negócios Identificaçãoe Documentação Evento de dados I/A R R S/R I/R Identifica Dados e envolvidos impactados I R I S R Levanta dados e documentação e descreve soluções R I S R Solução Envolve stakeholders, ouve sugestões, identifica opções, escolhe solução A/I C C S R Informa envolvidos sobre solução I I I S R Implementação eControle Implementa, testa, implanta a solução C/R C R R Documenta e comunica solução I C I S/R R Mede e acompanha a solução I/A C I S R R-Responsável pelo trabalho A-Accountable C-Comunicado I-Informado S-Suporte ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  39. 39. Glossário de Negócios ® Domani TI
  40. 40. Uniformização dos termos de negócios da organização Facilita a compreensão e integração de dados Ataque à área de Metadados (esquecida) Deve ser amplo, objetivo e sem ambiguidade A GD facilita a revisão, aprovação e o uso consistente Auditoria de Qualidade garante a consistência e o uso organizacional Comunicação e feedback contínuo sobre a utilidade e uso do glossário é FCS ©CarlosBarbieri-DomaniTecnologia Visão mais negocial de Termos e definições ® Domani TI
  41. 41. Glossário de Negócios Exemplo prático • Uma das ações da GD é trabalhar juntamente com as estruturas (Gestores de dados de negócios/Assunto), no sentido de coletar os termos de negócios para cada “fato” relevante sobre o projeto de medidor inteligente • Serão criadas definições negociais, sem ambiguidade e em linguagem clara sobre os principais fatos do contexto do projeto de Medidores inteligentes: Medições de consumo, limites de voltagem/tensão, desconexão remota de cliente, reconexão remota de cliente, interrupções, frequência de interrupções, duração de interrupções, velocidade de restauração do ponto de consumo, tipo de queda, horário de interrupção, alertas proativo de detecção de interrupções, correlação entre dados da interrupção com elementos da rede de distribuição, componentes da rede de distribuição, upgrade de firmware de componentes da rede, indicadores analíticos de BI para consumidores, configuração de elementos de rede, etc • Há vários indicadores fundamentais numa distribuidora de energia elétrica que devem fazer parte do glossário de negócios: • DEC: Duração equivalente de interrupção por unidade consumidora : Intervalo de tempo que, em média, no período de apuração, em cada unidade consumidora do conjunto considerado ocorreu descontinuidade da distribuição de energia elétrica. • FEC: Freqüência equivalente de interrupção por unidade consumidora : Número de interrupções ocorridas, em média, no período de apuração, em cada unidade consumidora do conjunto considerado. • DIC: Duração de interrupção individual por unidade consumidora : Intervalo de tempo que, no período de apuração, em cada unidade consumidora ou ponto de conexão ocorreu descontinuidade da distribuição de energia elétrica • FIC: Freqüência de interrupção individual por unidade consumidora : Número de interrupções ocorridas, no período de apuração, em cada unidade consumidora ou ponto de conexão. • DMIC: Duração máxima de interrupção contínua por unidade consumidora ou ponto de conexão: Tempo máximo de interrupção contínua de energia elétrica, em uma unidade consumidora ou ponto de conexão. • DICRI: Duração da interrupção individual ocorrida em dia crítico por unidade consumidora ou ponto de conexão: Corresponde à duração de cada interrupção ocorrida em dia crítico, para cada unidade consumidora ou ponto de conexão. GOVERNANÇA DE DADOS ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  42. 42. Glossário de Negócios Exemplo prático-II • Essas definições deverão estar em plataformas acessíveis (dicionários, glossários,etc), dentro da proposta de arquitetura, mantidas atualizadas e usadas por todos os sistemas envolvidos com medidores inteligentes. Serão elementos facilitadores no momento de desenvolvimento de novos sistemas/aplicações relacionadas ao tema, bem como em possíveis soluções de integração • Algumas dessas definições de negócios são também do interesse direto do consumidor e portanto, devem estar disponíveis em segmentos do site da empresa, abertos ao seu público consumidor • Políticas de dados sobre Glossário de negócios, visando a definição, atualização e uso deverão ser definidas juntamente com a GD, áreas de negócios e TI GOVERNANÇA DE DADOS ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  43. 43. Gerência de Metadados ® Domani TI
  44. 44. Uniformização dos termos e dados da organização Facilita a compreensão e integração de dados Ataque à área de Metadados esquecida Nesse contexto tem um foco mais técnico e operacional, além de negócios A GD facilita a revisão, aprovação e o uso consistente Auditoria de Qualidade garante a consistência e o uso organizacional Comunicação e feedback contínuo sobre a utilidade e uso de MD é FCS ©CarlosBarbieri-DomaniTecnologia Foco mais técnico e operacional ® Domani TI
  45. 45. Gerência de Metadados Exemplo prático • Os dados/termos definidos anteriormente no processo de Glossário, com o âmbito negocial, poderão ser estendidos sob o foco mais físico e operacional na Gerência de Metadados. Os dados como Medições de consumo, limites de voltagem/tensão, desconexão remota de cliente, reconexão remota de cliente, interrupções, frequência de interrupções, duração de interrupções, etc também serão definidos à luz de três classificações de metadados. O metadado de negócios, aqui considerado tem uma certa similaridade com os termos de negócios, definidos na PA anterior: Por exemplo: – Metadado de negócios: O termo “valor de consumo de energia elétrica” será descrito no sentido de facilitar o seu entendimento, procura, localização, etc . Conterá definições, valores, autores, palavras chaves etc – Metadado Técnico: O termo “valor de consumo de energia elétrica” aparecerá também instanciado em várias fontes e relatórios na camada física(de dados), diretamente relacionado com as suas fontes. As suas transformações/manipulações por processos /sistemas seriam documentadas nesse item. – Metadado Operacional: O termo “valor de consumo de energia elétrica” seria documentado no contexto operacional , mostrando quando esse dado foi criado, qual o tipo de arquivo que o acomoda, registrando as informações necessárias para sua atualização, seu arquivamento, integração , direitos e restrições de acessos,etc Governança de dados ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  46. 46. Data Profiling Avaliação de QD Limpeza de DadosEstratégia de QD QUALIDADE DE DADOS © Carlos Barbieri-Domani Te® Domani TI
  47. 47. Barbix-2015® Domani TI
  48. 48. Detecção, avaliação e limpeza dos dados Dados que estão sob a DM/GD Exige uma estratégia de Qualidade de dados Técnicas de Profiling de dados-detecção de problemas Técnicas de Limpeza dos dados-Correção dos erros detectados Auditoria de Qualidade de Dados(processos e dados) Métricas de QD QUALIDADE DE DADOS ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  49. 49. Estratégia de Qualidade de Dados ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  50. 50. Estratégia de QD organizacional é o grande alinhavo do Plano de QD Desenvolvida em colaboração por linhas de negócios Alinhada com objetivos de negócios da empresa Prioridades de dados e objetivos traduzidos em ações práticas Papéis e responsabilidade, recursos, treinamento, tools,etc Auditoria de Qualidade garante a aderência à estratégia de QD Processos de QD alinhados com a estratégia(Plano estratégico de QD) ©CarlosBarbieri-DomaniTecnologia Plano de QD-5W2H ® Domani TI
  51. 51. Estratégia de Qualidade de Dados Exemplo prático • A estratégia de QD deve ser definida em função dos objetivos de negócios, definidos no Projeto de Medidores inteligentes. • A estratégia de QD deve então começar pela identificação dos dados mais críticos, sensíveis, de cujos erros, poderão advir problemas nos mais variados campos, como regulação, reputação, erro na tomada de decisão, etc • Uma fonte inicial de busca são os indicadores demandados pela ANEEL(agência reguladora) para uma empresa distribuidora de energia elétrica. Esses indicadores deverão ser produzidos por dados confiáveis e representativos do estado da empresa, sem o que poderá haver sanções e glosas. Há subconjuntos de temas que produzem indicadores : Indicadores de Eficiência operacional, de Atendimento ao consumidor, de recursos humanos, etc • Levantados os dados críticos, deve-se dar prioridades a eles, em função da sua sensibilidade para os negócios da empresa • Vamos supor que um dos objetivos na estratégia da empresa, visando a adoção do medidor inteligente, tenha sido a melhoria nos seus indicadores de Atendimento ao Consumidor, como Indicadores de frequência e de duração de interrupções de fornecimento • Vamos considerar, por exemplo, os indicadores mais críticos de uma distribuidora, dentro da linha de atendimento ao consumidor: DEC,FEC, DIC,FIC,DMIC e DICRI. Esses indicadores deverão estar plenamente descritos no glossário de negócios ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  52. 52. Estratégia de Qualidade de Dados Exemplo prático-II • Para cada um desses indicadores, deveremos ter, também no glossário, a fórmula de cálculo, com as variáveis básicas, que produzem o resultado. • Nesse momento, se define/levanta os pontos de criação e atualização desses dados primários, cujos cálculos irão compor os indicadores e cuja integridade é crucial de ser aferida. Essa é outra PA que trata do ciclo de vida dos dados • Assim, planejamos as ações de verificação de qualidade para esses dados primários, nesses pontos do seu ciclo de vida, analisando as suas características como formação, range, histograma de valores, etc. Isso é realizado pela PA de Profiling de Dados, corrigido pela PA de Limpeza de dados e verificado/acompanhado pela PA de Avaliação da QD. • Dessa forma ligamos a Estratégia com as outras PA´s que compõem a sua categoria e algumas de outras categorias. ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  53. 53. Profiling de Dados ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  54. 54. Espécie de ultrasonografia dos dados Analisa a composição física dos dados à luz de definições de regras de negócios(dados) Ótima abordagem inicial para se quebrar resistências e aprovar projetos de dados (GD,QD) Envolve analisar dados via regras de completude, integridade, relacionamentos,etc Deve servir como elemento de entendimento das causas raízes dos erros e ações de correção Trabalha com a Limpeza de Dados e com a avaliação da Qualidade Exige ferramental adequado para análise Qualidade de Dados ©CarlosBarbieri-DomaniTecnologia Laboratorial, Ultrasom, TC dos dados ® Domani TI
  55. 55. Profiling de Dados Exemplo prático • No caso do projeto de medidores inteligentes, há que se definir um processo de “profiling” para os dados. Aqueles mesmos dados críticos, já discutidos, deverão ser analisados em pontos definidos do seu ciclo de vida(tratado em outra PA). Nesse caso, seria recomendável um tratamento de “profiling” no BD de Clientes, visando identificar possíveis inconsistências nos dados dos consumidores e no BD de Redes e Equipamentos que serão conectados nas novas camadas de redes/tecnologia que advirão com o projeto de medidor inteligente. • As análises sobre esses dados poderão ser do tipo: – Análise de Formato; – Análise de Domínio, com foco em range de valores; – Análise de Completude; – Análise de Integridade Referencial com foco em clientes associados a componentes da rede; – Análise do nível de Qualidade, em dimensões definidas. • Os resultados produzirão itens para serem analisados que poderão indicar tipos de erros repetitivos, erros de entrada de dados e erros de valores fora da faixa que poderão comprometer cálculos aplicados na “utility” para definição de tarifas, parâmetros,etc, requeridos pela agência reguladora Qualidade de Dados ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  56. 56. Avaliação da Qualidade de dados ® Domani TI
  57. 57. Abordagem para acompanhar a QD Envolve ações de Profiling, Limpeza e Auditoria Trabalha várias dimensões da qualidade (*) Profiling e Limpeza são ações físicas sobre os dados Auditorias de Qualidade, revisões por pares são ações de processo Medições como suporte, mostrando medidas em dashboards,scorecards,etc Oferece indicadores para a aferição da QD ©CarlosBarbieri-DomaniTecnologia Espécie de QA e MED de QD ® Domani TI (*):Integridade,precisão/acurácia, cobertura,documentação,disponibilidade,etc
  58. 58. Avaliação da Qualidade de Dados Exemplo prático • A essência desta PA é o desenvolvimento de ações de avaliação de qualidade para o projeto de Medidores inteligentes. Poderá envolver as ações de Profiling de dados, já definidas anteriormente, bem como o desenvolvimento e aplicação de PA´s de suporte, como Qualidade do processo de dados e Medições. • O processo de Medições, que seria a Medição aplicada à Qualidade de dados, teria a definição de métricas com objetivos de negócios, estabelecimento de limites, ações a tomar, análise e divulgação via mecanismos visuais • Assim, a institucionalização do processo de avaliação de qualidade no projeto de medidor inteligente poderia envolver: – Realização de procedimentos automatizados como Profiling e Limpeza, conforme já discutido nas PA´s específicas – Realização de auditorias de QA por Equipes/pessoas independentes, revisões por pares, realizadas em vários níveis de formalidade, revisão dos trabalhos no local em que são realizados, revisão e comentário sobre produtos de trabalho,etc – Coletas de medidas, tanto no plano de ferramentas automáticas como Profiling, quanto nas ações de auditorias e revisões, como definido anteriormente • Avaliação e divulgação dos resultados e definição de ações sobre os resultados encontrados, visando a melhoria dos indicadores definidos para o projeto Qualidade de Dados ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  59. 59. Dimensão da Qualidade de Dados Descrição Completude O grau com qual o dado é populado com base nas regras de negócio que definem quando este é requerido para ser preenchido com um valor. Por exemplo, toda conta deve ter um identificador (ID). Uma regra mais complexa pode definir que um registro adicional é requerido se e somente se um registro de empréstimo está presente e o tipo de empréstimo requer um complemento (por exemplo, hipoteca). Unicidade O grau permitido para que o dado tenha valor duplicado. Por exemplo, o ID de imposto de cada cliente deve ser único – não pode haver dois clientes com o mesmo ID de imposto. Validade O grau com qual o dado está em conformidade com as regras de negócio para um conteúdo aceitável. Pode incluir: • Formato (inteiro com 6 digitos) • Padrão (CPF-999.999.999-99) • Tipo de dados (int,float,varchar,imagem,audio,XML,etc), estruturados, não estruturados, semi • Lista de valores válidos (20,30,50) • Domínio: conjunto de valores válidos dentro tipo) • Faixa de valores (20-50) Reasonableness Razoabilidade O grau no qual o dado está em conformidade com as regras sobre valores razoáveis quando comparado com cenários do mundo real ou quando comparado com outros dados. Por exemplo, a data de preenchimento(na farmácia) da receita médica para controle deve ser posterior ou igual à data em que a prescrição foi escrita/emitida pelo médico Integridade O grau no qual elementos do dado possuem conteúdo consistente em múltiplas bases de dados. Por exemplo, a droga prescrita é a mesma na base de dados transacional e no data warehouse da farmácia. Timeliness- Temporalidade O grau no qual as alterações nos dados são avaliadas com o prazo exigido pelo negócio. Por exemplo, a mudança nos assentos do avião deve ser refletida no website em tempo real. Cobertura O grau com que o dado suporta todas as funções do negócio que necessitam dele para realizar seu objetivo de negócio específico. Por exemplo, tenho dados registrados somente para região do BR e a empresa planeja entrar na Argentina., por exemplo. Acurácia-Precisão O grau com o qual o dado corresponde a valores corretos do mundo real, conforme fornecido por uma reconhecida e estabelecida “fonte da verdade”. Por exemplo, o endereço de um cliente corresponde ao endereço fornecido pelo serviço postal. Muitas “fontes da verdade” são externas, como o serviço postal. Outras podem ser internas, tal como dados de pesquisa de setores da empresa. O que torna uma fonte da verdade é que as pessoas a reconhecem como tal. Fonte: Data Stewardship-Na Actionable Guide to Effective Data Management na DG David Plotkin-MK ® Domani TI
  60. 60. Limpeza de Dados (Data Cleansing) ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  61. 61. Processo de limpeza física dos dados Correção dos erros detectados Deve ser processo cíclico e sistemático Baseado em regras, processos e métodos Deve ser aplicada em pontos próximos da criação dos dados Deve seguir o Data Profiling e interage c/ avaliação de QD Segue a Estratégia de QD e é avaliada pelo QA ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  62. 62. Limpeza de Dados Exemplo prático • Os erros e inconsistências de dados detectados nos processos de profiling ou de avaliação deste projeto de medidor inteligente são corrigidos neste processo • Nesse exemplo, poderão ser detectados erros de valores nos arquivos mestres(fundamentais) do sistema de faturamento da empresa (Cliente, Faturamento, Arrecadação), de rede de distribuição,etc. Também erros de valores discrepantes em faixas de consumo, erros de dimensões de elementos de rede discrepantes com relação à média ou a padrões,etc. Esses erros poderão ter causas raízes originadas em erros de entrada, transmissão, processamento de regras de negócios, além de erros de processos • As causas raízes dos erros e suas condições são registradas e servem de alertas/feedbacks para o novo ciclo de atualização do planejamento da estratégia de QD Qualidade de Dados ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  63. 63. Definição dos Requisitos de Dados Gerência do Ciclo de Vida dos Dados Gerência de Provedores de Dados OPERAÇÕES DE DADOS ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  64. 64. Barbix-2015® Domani TI
  65. 65. Dados necessários para o alcance dos objetivos Dados como numa cadeia de consumidores e fornecedores Fornecedores e fontes autorizadas de dados, sob o controle da GD/DM Entender dados e seu ciclo é entender também os processos de negócios por onde circulam Criação e alteração de dados sejam controladas Inclui processos: Definição dos requisitos, Ciclo de vida e Provedores A palavra Operação aqui pode ser “tricky” , diferente do DMBOK OPERAÇÕES DE DADOS ©CarlosBarbieri-DomaniTecnologia Dados necessários, Os processos por onde circulam Os provedores e (consumidores) ® Domani TI
  66. 66. Definição de Requisitos de Dados ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  67. 67. Requisitos de dados=Requisitos de negócios- O que é preciso? Entender os Dados e os Processos que os criam e consomem Várias representações de Modelos de dados Entendimento dos PN(processos de negócios) e do ciclo de vida(outra PA) Entendimento dos Provedores de dados-outra PA Requisitos de dados definidos em termos claros(negócios) outras PA(Glossário e Metadados) Responde a pergunta: O que eu preciso de dados? ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  68. 68. Definição de Requisitos de Dados Exemplo prático • No caso do projeto de medidor inteligente, a definição dos Requisitos de dados começa pela modelagem dos dados, aplicadas nos vários níveis demandados, conforme os desenhos a seguir. Vai desde a visão mais “áreas de assunto”, envolvendo as áreas de Consumidores, Faturamento, Rede de distribuição, até a visão mais operacional das tabelas de dados • Uma parte relativa a coleta automática pelo medidor inteligente deverá ser modelada antes de se integrar com os dados do ambiente transacional(SAP, Legados,etc). Essa parte poderá ser baseada no conceito de repositório temporário(ODS, Data Lake(*),etc) • Também a parte de DW/BI(Analytics), visando a oferta de informações analíticas para os clientes deverá ser considerada em requisitos separados • Também a parte de Mining/Inferencial poderá ser definida, caso um dos requisitos de dados seja uma camada de análise de Big data, com tratamento estatístico e inferencial OPERAÇÕES DE DADOS (*)-arquivo intermediário com todos os dados fluindo para o mesmo repositório, sem ainda um processamento definido- Difere de um DMart, onde as estruturas analíticas já foram previamente definidas, pelos níveis de hierarquização das dimensões ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  69. 69. Definição de Requisitos de Dados Exemplo prático • Para se levantar os requisitos de dados, na forma de modelos, há que se entender os processos de negócios atuais e planejados( o que remete a próxima PA). Há diferentes abordagens, como BPM, RUP, Casos de Uso, Togaf,etc, que aplicadas, trazem à tona, os requisitos de dados demandados para o projeto, no caso o de medidor inteligente. OPERAÇÕES DE DADOS ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  70. 70. Áreas de Assunto(negócios) Modelo Conceitual Modelo Lógico Modelo Lógico de Aplicações Modelo Físico de Aplicações Visão Corporativa Visão Aplicações Alinhamento Visão Canônica ©CarlosBarbieri-DomaniTecnologia ® Domani TI Visão macro
  71. 71. AA-Áreas de Assunto MCC-Modelo Conceitual Corporativo Modelo de Informação Matriz Aplicações x Dados Processos x dados(DFD-CRUD) Matriz RACI MLC-Modelo Lógico Corporativo Visão Negócios Visão TI MLC-Modelo Lógico Aplicação-02MLC-Modelo Lógico Aplicação-01 Dado Específico -Auditoria -Segurança -Negócio esp. Relacional SGBOO NOSQL(Chave-valor),(BD Documentos), (Colunares),( Grafos) 71 Modelo Físico ©CarlosBarbieri-DomaniT ® Domani TI Nível Projeto Nível Corporativo Relacional SGBOO NOSQL(Chave-valor),(BD Documentos), (Colunares),( Grafos)
  72. 72. Pré- Game Game Post- Game Release backlog Planeja Desenvolvimento Demonstra ção Retrospectiva Sprint backlogCiclo de Releases Ciclo de Sprints Follow UP Diário Requisitos Detalhe por sprint Estratégia de Dados Arquitetura Dados Requisitos de Dados Dados Processos Negócios Tecnologia Informação Big Data DNE, Metadados BackLog de Dados Requisitos em maior nível Priorização Valor de negócios Abordagem Iterativa Incremental Estratégias de Negócios Revisa Planeja Planeja Revisa ©CarlosBarbieri-DomaniTecnologia ® Domani TI Abordagem Iterativa-Incremental
  73. 73. Cliente Medições FaturaPonto de Consumo Rede Local Tarifa Componentes Equipamento Manutenção Schedule 73 Medidor Problemas Valor Data Hora Minuto Id Nome tipo Id Tipo fabricante Valor Data-referência Data-emissão Valor Referência ©CarlosBarbieri-DomaniTecnologia ® Domani TI Modelo por área de assunto
  74. 74. Gerência do Ciclo de Vida dos Dados ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  75. 75. Entender o dado pela ótica dos Processos de negócios Como os dados circulam pelos processos Visão de dados, desde a sua criação até sua desativação(archiving) From Requirement to Retirement POSMAD: Plan,Obtain,Store/Share,Maintain, Apply(Use), Dispose Mapeia dependências e impactos Tem sabor de BPM ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  76. 76. Gerência do ciclo de vida dos Dados Exemplo prático • Os dados dentro do projeto de medidor inteligente seguem um ciclo de vida, esquematizado pela figura a seguir. Os dados de medições são produzidos nas camadas do sistema de medidor inteligente e transferidos para uma camada de Big Data, onde são armazenados num ambiente de ODS ou “data lake”. Os dados ali serão tratados/analisados e seguirão o fluxo para a camada transacional, onde se encontram os sistemas que apoiam os processos de negócios de Clientes e Faturamento(ERP, sistema legado,etc), Arrecadação e Corte. Dentro desses módulos há outros fluxos não mostrados , por onde dados específicos seguirão. Desta camada os dados irão para a camada Informacional(DW/BI) ou para a Analítica/Inferencial. Para essa, os dados poderão vir direto da camada de Big Data. • Observe que as setas denotam interações/integrações entre dados de diferentes processos • Esses processos deverão estar documentados, com ênfase nos seus fluxos de dados • Matriz RACIS poderá ser usada como instrumento inicial para o mapeamento Quem x O Quê x Dados OPERAÇÕES DE DADOS ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  77. 77. Matriz Dados x Processos Por área de assunto/foco da GD Descrição Sistemas-TI Área 1 Área 2 Área 3 Área 4 Dados Mestres ID do Ponto de consumo SAP CIS Dados Referenciais Código de faturamento Depto X- C Dados Transacionais Consumo de energia Cliente D-Define C-Criação dos dados R-Leitura/Uso U-Atualização E-Deleção/Eliminação Processo de negócios Nome do especialista no processo Nome do especialista nos dados DCRUE ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  78. 78. Sistema de medidor inteligente ERP Dados lidos ETL DW DM Módulos Clientes e Faturamento Módulos Arrecadação e Corte Analytics (Mining) Módulo Archiving Transacional Informacional-Dimensional-DW/BI Inferencial ODS Proprietário(Owner) Gestores(Stewards) Consumidores(consumers) Custodiadores(TI) 78 Processos de negócios Processos de Big data Processos operacionais Processos informacionais/inferenciais Big data ELT © Carlos Barbieri-Domani Tecnolo Processos principais e dados Sistema de Medidores inteligentes ® Domani TI
  79. 79. Gerência de provedores de Dados ® Domani TI
  80. 80. Provedores/Fontes de dados Fontes internas ou externas Internas-sistemas do ciclo de vida Externas-outras fontes SLA com os provedores Entrega de dados com Qualidade Cumprimento dos Requisitos de dados(PA) Garante os objetivos de negócios ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  81. 81. • O Sistema de medidor inteligente pode ser entendido como um conjunto de processos que seguem em fluxo. Esses processos , no fundo, são os provedores internos de módulos downstream. Pode haver dados externos (com provedores), não considerados no exemplo. • Essa PA sinaliza para os cuidados com a Qualidade oferecida por esses módulos/sistemas. Por vezes são sistemas cuidados por outras áreas e portanto um SLA (interno) deve ser definido em termos da Qualidade e do Timeliness(disponibilidade) dos dados, a fim de garantir o alcance dos objetivos de negócios • O diagrama, a seguir mostra alguns dos módulos provedores envolvidos nesse projeto, com os fluxos downstream e os dados OPERAÇÕES DE DADOS Gerência do provedores de Dados Exemplo prático ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  82. 82. Sistema de medidor inteligente ERP Dados lidos ETL DW DM Módulos Clientes e Faturamento Módulos Arrecadação e Corte Analytics (Mining) Módulo Archiving Transacional Informacional-Dimensional-DW/BI Inferencial ODS 82 Fornecedores de dados-Processos de negócios Fornecedores de dados-Processos de Big data Fornecedores de dados- Processos informacionais/inferenciais Big data ELT Fornecedores de dados-Processos de Archiving Principais fornecedores de dados Sistema de Medidores inteligentes Indicadores financeiros(externos) ou dados de regulação Fornecedor de dados externos -Indicadores financeiros ® Domani TI
  83. 83. Plataformas de DM Integração de Dados Dados Históricos, Archiving E Retenção Padrões Arquiteturais Abordagem Arquitetural PLATAFORMA E ARQUITETURA © Carlos Barbieri-Domani Tec ® Domani TI
  84. 84. Barbix-2015® Domani TI
  85. 85. Definir o estilo das camadas arquiteturais de dados Tem a visão mais conceitual e foca na importância da arquitetura de dados Ganhos na redução de fontes de dados Ganhos na integração de dados Ganhos na minimização de riscos de redundância Menor risco de redundância leva à melhor Qualidade dos dados Menor redundância e maior qualidade leva à melhor governança dos dados PLATAFORMA E ARQUITETURA ©CarlosBarbieri-DomaniTecnologia Estruturas e camadas de dados Padrões de arquitetura Plataformas Integração Armazenamento ® Domani TI
  86. 86. Abordagens arquiteturais ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  87. 87. Espécie de um croquis das arquiteturas que serão necessárias para as camadas de dados Deverão permitir o alcance dos objetivos de negócios, além de características tecnológicas Deverão estar alinhadas com padrões arquiteturais definidos na PA (seguinte) Deverão ser aprovadas pelos envolvidos relevantes As escolhas técnicas deverão estar alinhadas com a abordagem arquitetural Métricas deverão ser definidas e coletadas para acompanhamento-GD Abordagens: BD, DW/BI, ERP, MDM, Metadados, Big data, processamento RT,etc ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  88. 88. • No caso do projeto de medidor inteligente há várias camadas arquiteturais com abordagens distintas em função de seus objetivos. – Há a abordagem arquitetural voltada para a rede física onde ficam os medidores inteligentes. Ali há camadas de tecnologias como RFID na rede HAN(Home área network), com a ligação dos diferentes “appliances”. – Há a conexão com a rede externa WAN, para a comunicação com a empresa distribuidora. – Na parte de tratamento negocial de dados, há uma abordagem arquitetural que encaminha os dados para o tratamento transacional, onde estão os ERP, ou sistemas de billing, de clientes, de arrecadação, corte,etc – Segue-se, a esta, uma camada arquitetônica focada no processamento informacional, com o DW/BI e Data Marts, ODS,etc, visando o processamento dos dados com uma latência maior – Finalmente, pode-se ter uma abordagem arquitetural focada no tratamento analítico de Big Data, com processamento quase tempo real, visando a prospecção de padrões de informações de consumo, interrupções,etc , com foco em dados de baixa latência Abordagens arquiteturais Exemplo prático Plataforma/ Arquitetura ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  89. 89. Fonte: http://smartgrid.ieee.org/ieee-smart-grid/smart-grid-conceptual-model Abordagem arquitetural Modelo Conceitual de Smart Grid ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  90. 90. http://smartgrid.ieee.org/ieee-smart-grid/smart-grid-conceptual-model Abordagem arquitetural Rede de Distribuição de Eletricidade ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  91. 91. Water Heater Zigbe e Compressor Pool Pump Smart Thermostat Energy Management and Conservation via a HAN for in home devices RF (Radio Frequency) Abordagem Arquitetural Home Area Network (HAN) Cliente Residencial 91 ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  92. 92. Abordagem Arquitetural Arquiteturas de camadas Sistema de medidor inteligente ERP Dados lidos ETL DW DM Módulos Clientes e Faturamento Módulos Arrecadação e Corte Analytics (Mining) Módulo Archiving Transacional Informacional-Dimensional-DW/BI Inferencial ODS Proprietário(Owner) Gestores(Stewards) Consumidores(consumers) Custodiadores(TI) 92 Processos de negócios Processos de Big data Processos operacionais Processos informacionais/inferenciais Big data ELT © Carlos Barbieri-Domani Tecnologia® Domani TI
  93. 93. Abordagem arquitetural-Sharding Tratamento de Big data Tempo de Transferência Controladora Controladora paralela P1 P2 P3 P4 P5 Pn Tempo de resposta Melhora escalável com o # de nós X Probabilidade de Problemas de hdw P1 P2 P3 P4 P5 Pn > Probabilidade de Problemas de hdw Espelhamento Redundância pró-segurança O dado está replicado e pode ser acessado (em outro nó), em caso de perda de um nó ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  94. 94. Padrões arquiteturais ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  95. 95. Padrões arquiteturais com foco em: representação, acesso e distribuição de dados Padrões definidos nos níveis de DMS-Data Management Services Envolve aspectos de padrões de representação(MER,XML), acesso(SOA,CLOUD,SQL/NOSQL) e Distribuição(replicação,MDM). Pense no Dropbox, GoogleDrive Padrões alinhados com TI e Negócios Aderência aos padrões verificada via QA Considera padrões entre plataformas, visando a melhor integração Garante os objetivos de negócios ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  96. 96. • Há vários padrões arquiteturais que cabem no projeto de medidor inteligente: • Padrão arquitetural para acesso e distribuição de dados mestres e referenciais(MDM) – Consolidação, Diretório /Registry, Coexistência, Centralização com SOA • Padrão arquitetural para distribuição de dados em DW/BI – DW, Dmarts, ODS-padrões combinados,Data lake – DMart: esquema estrela e snowflake • Padrão arquitetural acesso e distribuição de dados em ERP – Localizado ou in-cloud • Padrão arquitetural para Metadados – Padrões de Dublin, ISO-IEC 11179 • Padrão arquitetural para representação, acesso e distribuição em Big Data – Hadoop(estruturação), MapReduce(acesso distribuído) – Sharding, Replication(M/S, Peer to Peer) – NOSQL: orientado a chave-valor, documentos, grafos, estruturas colunares – SQL: Hive sobre Hadoop, Teradata, Netezza/Aster • Padrão arquitetural para acesso e distribuição de dados “in-streaming” – Plataforma lambda • Padrão estrutural para documentos • Padrão arquitetural para representações de dados conceituais , lógicos e físicos – Modelos arquiteturais em camadas: C/L(visão organizacional) e C/L/F(visão projetos), MER,UML,XML,etc Ainda entra como padrão as marcas/tecnologi as: Oracle,DB2,MS, MongoDB, Cassandra,Neo4J Padrões arquiteturais Exemplo prático Plataforma/ Arquitetura ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  97. 97. Grande volume de dados (Tera-Peta-Exa) dividido em milhares de pequenos arquivos Milhares de nós processadores, com dados e funções de Map e Reduce •Dados e funções replicadas, •Armazenamento key-value, alta taxa de compressão •MPP •Fault Tolerant Consulta: é mapeada (dividida) em diversas subconsultas Enviada a diversos nós processadores, controlado pelo nó master Retornam ao Master que os consolida (Reduce) na resposta Nó master Resultado Map Reduce Outros “nós” Padrão arquitetural-Hadoop-MapReduce ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  98. 98. Fontes de dados semi ou Não estruturadas Fontes de Dados estruturados Hadoop Cluster-HDFS DW Analytics de MapReduce Analytics de BI Analytics em TR-HBase Bi-Business Intelligence Ações em Tempo Real Ações por decisões analíticas Operações e decisões em tempo real Operações e decisões analíticas ETL Alta Latência Padrão Arquitetural Plataforma e Arquitetura de Analytics para Big Data Baixa Latência ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  99. 99. CLIENTE DADOS OPERACIONAIS REDE DADOS SUMARIZADOS DADOS CONSOLIDADOS DW C:D Data Marts SERVIDOR DADOS TRANSACIONAIS FERRAMENTAS OLAP/MINING CATÁLOGO/ REPOSITÓRIO METADADOS DADOS PARA MINING STAGING DATA WAREHOUSE PROCESSOS DE EXTRAÇÃO, TRANSFORMAÇÃO E CARGA 100 DM DM Outras fontes Padrão Arquitetural Arquitetura de DW/BI-Integração Data Warehousing © Carlos Barbieri-Domani T ® Domani TI
  100. 100. ESTAÇÕES CLIENTE DADOS OPERACIONAIS REDE DADOS SUMARIZADOS DADOS CONSOLIDADOS DW/DM C:D PROCESSOS DE EXRAÇÃO TRANSFORMAÇÃO CARGA DM SERVIDOR DADOS TRANSACIONAIS FERRAMENTAS OLAP/MINING CATÁLOGO/ REPOSITÓRIO METADADOS DADOS PARA MINING STAGING DATA MARTS INTEGRADOS DATA WAREHOUSE 101 Bus integração DM DM Outras fontes Padrão Arquitetural Arquitetura de DW/BI-Integração Data Marts integrados © Carlos Barbieri-Domani T ® Domani TI
  101. 101. Plataformas de DM ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  102. 102. Plataforma de serviços de DM (BD,MDM,DW,Big Data,etc) Constitui um sistema de registro de dados Constitui um sistema de dados confiável e autorizado Oferece ativos de transformação e integração Coerente com requisitos de dados e com a arquitetura Pessoas bem formadas e treinadas nas plataformas Garante os objetivos de negócios ©CarlosBarbieri-DomaniTecnologia Visão Software+Hardware Fonte de registro de dados ® Domani TI
  103. 103. • O Sistema medidor inteligente tem um conjunto possível de plataformas de DM • São os diferentes serviços oferecidos pelas camadas de Data management, indo de serviços operacionais(distribuição de EE), de Sistemas transacionais(ERP-plataforma SAP), informacionais(DW/BI-BW/Hana) e de Big Data/Analytics High Performance (SAP-Hana ou Teradata) • Essas plataformas foram especificadas anteriormente baseada em abordagens arquiteturais e padrões de arquiteturas definidos pela empresa de energia elétrica(ou até por regras de compliance regulatórias) Plataformas de DM Exemplo prático Plataforma/ Arquitetura ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  104. 104. Integração de Dados ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  105. 105. Alinhamento entre TI e Negócios visando a integração. Algumas áreas de negócios compram tecnologia à revelia Envolve Processos e Ferramentas Aderência aos Padrões (PA´s anteriores) e Requisitos de dados(PA) Pesquisa e avalia técnicas de integração Envolve Conversão, Transformação e Enriquecimento de dados Envolve conhecimento de dados e arquivos duplicados-redução de redundância Somatório de várias PA´s anteriores ©CarlosBarbieri-DomaniTecnologia Dados Dados+Metadados(XML) ® Domani TI
  106. 106. • O Sistema de medidor inteligente apresenta, na sua visão arquitetural vários pontos de integração. • Integração entre os sistemas físicos de medição, com os sistemas de ERP, onde rodam os processos negociais • Integração entre módulos do ERP ou dos sistemas transacionais, envolvendo Faturamento, Cliente, Arrecadação, Corte,etc • Integração entre a camada transacional com a camada de informações OLAP, via ODS ou camadas de ETL-Extração Transformação e Carga • Integração entre esses dados e os dados de Big Data, nas camadas de tratamento de dados de menor latência. Integração de Dados Exemplo prático Plataforma/ Arquitetura ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  107. 107. Abordagem Arquitetural Integrações Sistema de medidor inteligente ERP Dados lidos ETL DW DM Módulos Clientes e Faturamento Módulos Arrecadação e Corte Analytics (Mining) Módulo Archiving Transacional Informacional-Dimensional-DW/BI Inferencial ODS 108 Big data ELT © Carlos Barbieri-Domani Tecnologia® Domani TI Pontos de integração entre camadas Pontos de integração dentro de camadas
  108. 108. Dados históricos, Arquivamento e Retenção ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  109. 109. Retenção de dados sensíveis Arquivamentos de dados históricos Aspectos de regulação Obrigatoriedades negociais Processos definidos em conjunto com a GD Políticas definidas com a GD Necessidades de negócios definem os 5 W 2 H desta PA ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  110. 110. • O Sistema de medidor inteligente possui vários pontos onde o arquivamento e a retenção de dados deve ser considerada: – Arquivamento dos dados de leitura de consumo, em alto volume( a cada 30 minutos), representa um ponto significativo no volume de dados principal. Considerando que um registro de leitura tenha 100 bytes e seja enviado a cada 30 minutos, teremos 12 ocorrências vezes 100 bytes, ou seja 1200 bytes por dia por cliente. Considerando uma estimativa de 8 milhões de clientes, teremos: (8*(10**6))*1200=9,6 bilhões de bytes/dia de crescimento de volume (9,6 GB/dia). Considerando o mês: quase 300 GB/mês – Outros dados deverão ser considerados, como as retenções de backup de bancos de dados no ambiente transacional e no ambiente informacional. As informações sobre clientes, faturamento, pagamento e corte são sensíveis a regulações. – Os dados de natureza informacional, como os nos DW e Dmart são , por natureza, de crescimento vegetativo , e a preocupação deverá ser mais com relação a gerações de backups – Os dados físicos de rede de distribuição são fundamentais de serem retidos pois normalmente estão no corpo de exigências de agências reguladoras – As políticas de retenção e arquivamento deverão ser desenvolvidas pela GD em parceria com a área de DM, via os gestores de dados daqueles assuntos. Dados históricos, Arquivamento e retenção Exemplo prático Plataforma/ Arquitetura ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  111. 111. Estratégia de Gestão de Dados Governança de Dados Qualidade de Dados Operações de Dados Plataforma e Arquitetura ProcessosdeSuporte ® Domani TI
  112. 112. Garantia da Qualidade e do Processo Gerência de Risco Gerência de ConfiguraçãoGerência de ProcessoMedições e Análise PROCESSOS DE SUPORTE © Carlos Barbieri-Domani Te® Domani TI
  113. 113. Barbix-2015 ® Domani TI
  114. 114. Processos básicos aplicados aos processos de dados , como camada de apoio Base: Processos do CMMI e MPS.BR. Envolve: Medições, Qualidade, Configuração, Risco e Processo Processo: (Meta) processo que cuida da forma pela qual os processos de dados são desenvolvidos e mantidos, adaptados e evoluídos Medição: processo de controle, via dados numéricos. Aplica-se em todos os processos, inclusive nos de Suporte QA: Envolve a aferição, por auditoria, da aderência das atividades aos processos e aos produtos de trabalho Risco:Envolve o tratamento preventivo e corretivo de riscos passíveis de acontecer no domínio dos processos de dados Configuração: visa controlar a integridade dos artefatos e produtos de trabalho do processo Processos de Suporte ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  115. 115. Medições e Análise ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  116. 116. Forma concreta e objetiva de gerência, além da percepção Diretamente ligada a objetivos de negócios. Nunca medir por medir!! Definir objetivos e medidas associadas Detalhar as medidas: Como obter e armazenar Detalhar as medidas: Como analisar Detalhar as medidas: Como reportar e interpretar Ações em função dos resultados das medidas ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  117. 117. • O Sistema de medidor inteligente apresenta um conjunto de métricas que deverá ser observado do ponto de vista negocial, operacional e de Governança de dados. Por exemplo, no âmbito operacional: – DEC: Duração equivalente de interrupção por unidade consumidora – FEC: Freqüência equivalente de interrupção por unidade consumidora – DIC: Duração de interrupção individual por unidade consumidora – FIC: Freqüência de interrupção individual por unidade consumidora – DMIC: Duração máxima de interrupção contínua por unidade consumidora ou ponto de conexão: – DICRI: Duração da interrupção individual ocorrida em dia crítico por unidade consumidora ou ponto de conexão. • O glossário de negócios, deverá conter a definição clara de cada desses indicadores • Com a descrição clara, deve-se buscar as métricas primárias(aquelas que trabalhadas, dão origem à métrica desejada). As operações necessárias à sua produção deverão ser detalhadas • A forma de coleta de cada uma dessas medições primárias deverá ser descrita • Os valores de referência para uma análise de pertinência ou aceitação da métrica deverá ser detalhada • As métricas finais deverão ser enviadas aos envolvidos em relatórios e disponibilizadas para análise • As ações resultantes das análises deverão ser avaliadas para a definição de possíveis ações Medições e Análise Exemplo prático Processos de Suporte ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  118. 118. • Outras métricas operacionais poderão ser definidas, sempre em função dos objetivos de negócios do projeto. Por exemplo, – O grau de satisfação com a adoção dos medidores inteligentes , por parte dos consumidores; – A incidência de problemas físicos na rede derivada diretamente dos medidores; – O índice de reclamações classificadas por tipo(falta de conhecimento no uso, na interpretação dos dados, na manipulação de acessórios,etc), – Problemas de erros de registros de medições,etc • A Governança de dados poderá definir métricas que mostrem o andamento de suas ações, naquele segmento de DM. – Problemas de pendências que escalaram para a resolução de esferas superiores; – Problemas de não-conformidades de processos de DM voltados para a implementação de projetos de BIG Data, DW/BI, etc • Também métricas associadas com “compliance” e regulações são importantes, como – Número de autuações, glosas, comunicações, valores de multas por parte das agências reguladoras em função da implantação ou de reclamações de consumidores acerca do novo sistema. Comparação destas métricas ao longo do tempo Medições e Análise Exemplo prático -II Processos de Suporte ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  119. 119. Apólices Seguro Baseado nsa KPI´ do exemplo: Fonte: www.klipfolio.com/resources/kpi-examples Acessado em 10/03/13 Número de erros de dados em cargas do DW % de erros sobre registros carregados/atualizados 2 4 6 1 Número médio de Não conformidades(QA) em processos de dados/tamanho do projeto 7% 10%0% Distribuição de pendências(issues), por tipo detectadas pela GD e levadas ao Conselho de GD Integração de dados Duplicação de dados Segurança de dados Qualidade-Compliance Qualidade-Reputação Qualidade-Regulatório 0% 10% Percentual de erros de regulações/glosas pela agência reguladora, devido a erros de dados/período 8% Exemplos de medidas-Projeto Medidores inteligentes © Carlos Barbieri-Domani Tecnologia® Domani TI
  120. 120. MÉDIA +1 sigma -1 sigma +2 sigma -2 sigma Iterações Erros de Requisitos de Dados por Sprints de Projetos Diagrama de Controle ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  121. 121. Gerência de Processos ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  122. 122. Processo para definição de Processo Gera processos padrão de DM Processos padrão são adaptados por guias e critérios Processos adaptados são aplicados nos projetos de DM Tem: Inputs, outputs, participantes (RACI), tools, controles ,etc Uso de processos e suas adaptações geram conhecimento Melhorias de processos sempre alinhadas com objetivos de negócios ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  123. 123. • A implementação de um Sistema de medidor inteligente deverá ser definida via um ou mais projetos, que deverão seguir processos organizacionais definidos, pelas áreas de DM, Engenharia e negócios, com a supervisão/orientação da GD • Haverá um conjunto de processos de implementação e de controle, que servirão de guias para a execução das atividades de DM do projeto • Os processos de GD deverão ser definidos, de forma a serem aplicados no âmbito organizacional, visando a interação com todos os projetos estruturantes. Por exemplo, processos de Medições e de Controle por QA • Os processos poderão ter os atributos definidos como os processos padrões do CMMI/MPS.BR, contendo : atividades de entradas e saídas, insumos de entrada, entregáveis de saída, envolvidos com suas respectivas participações(RACI), ferramentas e controles aplicados • As adaptações nos processos padrão devem ser documentadas, especificando “o quê” o “como” e “o porquê”. Gerência de Processos Exemplo prático Processos de Suporte ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  124. 124. • Alguns processos a serem definidos: – Processo de Coleta e análise dos dados do medidor inteligente – Processo de Faturamento – Processo de Arrecadação – Processo de Corte – Processo de Gerência da Rede de Distribuição – Processo de Manutenção da Rede – Processo de DW/BI – Processo de Big data/Analytics – .... Gerência de Processos Exemplo prático Processos de Suporte ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  125. 125. 126 Exemplo-Processo padrão de Governança de dados-DMBOK DMBOK-fonte: The DMM Guide to Data Management Body of Knowledge- Data Governance Context Diagram-página 37
  126. 126. Garantia da Qualidade de Processo ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  127. 127. Qualidade de processos e de produtos Foca nos processos de DM e nos seus produtos Verifica a Qualidade do processo Verifica a Qualidade dos produtos Não conformidades são registradas e encaminhadas Não conformidades não resolvidas são escalonadas para instâncias superiores GQA acompanha a resolução das NC, até o seu final ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  128. 128. • O projeto de implementação de medidor inteligente deverá ter um Plano de avaliação de qualidade, baseado no Processo de QA • A avaliação de qualidade verificará os processos e produtos gerados no projeto ou em ciclos organizacionais, buscando a sua aderência • O foco será em qualidade dos processos de DM e dos produtos gerados, e as NC (não conformidades) serão registradas e acompanhadas até o seu final. • Alguns processos que deverão ser analisados pelo Processo de QA do projeto medidor inteligente: – Processos de Recebimento e Análise de medições dos medidores inteligentes – Processo de Calculo de Faturamento – Processo de Arrecadação – Processo de Corte – Processo de controle e manutenção da Rede de Distribuição – Processos de Governança de dados Garantia da Qualidade de Processo Exemplo prático Processos de Suporte ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  129. 129. Gerência de Risco ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  130. 130. Processo para tratar os potenciais Riscos de projetos de Dados Envolve entendimento dos tipos de Riscos existentes no projeto e no catálogo global Envolve entender a Probabilidade x Impacto para definir a prioridade de cada risco Os riscos são monitorados Envolve planos de Mitigação, para atenuar o risco na sua incidência Envolve planos de Contingência para resolver as consequências do risco Garante os objetivos de negócios, pela gerência de riscos ao longo dos projetos ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  131. 131. • O projeto de medidor inteligente apresenta, um conjunto de riscos de variadas naturezas. Há os culturais, riscos negociais, técnicos/operacionais e institucionais(compliance, reputação) • Os riscos culturais (inadaptação dos clientes à nova sistemática de medição) deverão ser analisados em função da tecnologia emergente e da adaptação ao seu uso • Os riscos institucionais de “compliance” envolvem a garantia de envio de dados corretos à ANEEL, segundo as políticas deste novo tipo de serviço (medições inteligentes) • Os riscos institucionais de reputação podem estar , por exemplo, relacionados à ações por dados /ameaças à saúde, pelos efeitos de RFID (NYTimes-05/01/11) • O projeto de medidores inteligentes contemplará um Plano de Riscos Gerência de Risco Exemplo prático Processos de Suporte ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  132. 132. Gerência de Configuração ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  133. 133. Garantia de integridade de elementos /produtos de dados, quando de alterações(versões) Envolve Arquivos, Interfaces,etc Formas de gerência de Configuração: Versionamento, Linhas de Base ou ambos Controle de alterações de elementos críticos de dados Controle e Gerência de Releases Manter um estado preciso sobre a situação dos elementos de dados(Data store e interfaces) nas suas configurações Garante os objetivos de negócios, via a manutenção da integridade dos elementos de dados de um projeto ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  134. 134. • Do ponto de vista de Configuração, o Sistema de medidor inteligente deverá ter um Plano, que defina controles sobre os arquivos envolvidos e as interfaces existentes entre os diferentes sistemas/plataformas. Esse plano contemplará – o detalhamento dos itens a serem controlados (arquivos, interfaces, documentos, etc) , – as formas de controle(versionamento e/ou linhas de base) e – um planejamento de auditorias a ser aplicado em pontos do cronograma. • Para processos organizacionais, desvinculados de projetos, aplica-se os mesmos conceitos, considerando-se os ciclos de execução do processo. Gerência de Configuração Exemplo prático Processos de Suporte ©CarlosBarbieri-DomaniTecnologia ® Domani TI
  135. 135. Referências • Data Management Maturity Model-CMMI Institute-August 2014- Version 1.0 • Data Management Maturity Model-Introduction-University of Ottawa- CMMI Institute-December-2014 • Introduction to DMM Concepts-Course-CMMI Institute-Washington DC-2015 • The DAMA Guide to Data Management Body of Knowledge(Dama- DMBOK Guide)-First Edition 2009 • Dama-DMBOK2-Framework-Patricia Cupoli; Susan Earley; Debora Henderson-September-2012 • OpenDataGovernance-DMBOK2-Chapter4-em revisão • TDWI-The DataWarehouse Institute-Big Data Maturity Model and Assessment Tool- acessado em tdwi.org, em 25 de junho de 2015 136
  136. 136. Carlos Barbieri Consultores Associados ® Contatos carlos.barbieri@gmail.com Carlos Barbieri Carlos Barbieri Carlos Barbieri Carlos Barbieri

×