Numa operação, o robô que preenche cadastros começa a recusar pedidos numa segunda-feira qualquer. Rolando Bonaccorsi, especialista em gestão de operações de TI e excelência em serviços, avalia que situações como essa mostram uma verdade simples: a automação depende menos da ferramenta e mais da qualidade do que ela recebe. A fila cresce, a equipe corre para entender o motivo, e a causa não está no robô. Por isso, checar a informação de entrada é parte do próprio desenho da automação.
Por que a qualidade dos dados decide se uma automação funciona?
Porque a automação executa sem questionar o que recebe. Uma pessoa percebe que um endereço veio sem número ou que um valor parece absurdo e para para conferir. Um fluxo automatizado segue em frente, repete o erro em escala e espalha o problema por outros sistemas antes que alguém note. Quanto mais rápida a automação, mais rápido o dado ruim chega longe.
Como destaca Rolando Bonaccorsi, a pergunta que antecede qualquer projeto de automação é se a informação de entrada merece a confiança que o fluxo vai depositar nela. Quando a resposta é incerta, o ganho de velocidade vira prejuízo, porque o retrabalho para corrigir o que foi processado de forma errada costuma custar mais do que a tarefa manual que se queria eliminar.
Que tipos de problema nos dados mais atrapalham?
Os mais comuns são campos preenchidos de formas diferentes para a mesma informação, registros duplicados, dados desatualizados e lacunas que ninguém percebe até o fluxo travar. Um mesmo consumidor cadastrado com três grafias de nome, por exemplo, faz com que um sistema o trate como três pessoas distintas e quebra qualquer regra que dependa de identificá-lo.
Há ainda o problema da origem. Em operações de tecnologia, informações vêm de planilhas, formulários, sistemas antigos e integrações com parceiros, e cada fonte segue um padrão próprio. Sem um dicionário que diga o que cada campo significa e em que formato deve chegar, a automação passa a depender de acordos que só existem na cabeça de quem montou o processo.
Quando ninguém responde por um campo, cada área o preenche do seu jeito, e a divergência se acumula sem que ninguém perceba. Só aparece quando um relatório ou uma automação expõe o problema, já com estrago feito. Dado sem dono tende a ficar errado, e quanto mais áreas tocam o mesmo campo, mais rápido isso acontece. Vale mapear quem responde por cada informação antes de ligar qualquer automação a ela.
Como Rolando Bonaccorsi analisa a preparação dos dados antes de automatizar?
A preparação começa por um levantamento simples do que o processo realmente consome. Conforme detalha Rolando Bonaccorsi, o primeiro passo é mapear de onde vêm as informações, quem as preenche e que regras elas precisam respeitar, antes de escolher qualquer tecnologia. O mapa costuma revelar pontos frágeis que ninguém via enquanto o trabalho era manual e a experiência das pessoas compensava as falhas.
Depois do mapa, entram a limpeza e a padronização. Limpar significa corrigir duplicidades e preencher lacunas; padronizar significa definir um formato único para datas, nomes, códigos e valores. Em operações de TI, esse trabalho ganha mais força quando alguém assume a responsabilidade por cada conjunto de dados, de modo que as regras continuem valendo depois do projeto e a qualidade não se perca em poucos meses.
É preciso ter dados perfeitos para começar?
Não. Perfeição é um critério irreal e acaba servindo de desculpa para adiar qualquer iniciativa. O que se exige é qualidade suficiente para o processo escolhido, e ela varia: um fluxo que apenas organiza documentos tolera mais imperfeição do que um que aprova pagamentos ou libera acessos a sistemas.
Na análise de Rolando Bonaccorsi, o caminho mais seguro é começar por um processo cujos dados já são razoavelmente confiáveis e medir o que acontece. Os erros que aparecem no piloto funcionam como um diagnóstico barato, pois apontam onde a informação precisa melhorar antes de ampliar a automação para áreas mais sensíveis. A qualidade dos dados evolui junto com o projeto, em vez de virar uma etapa interminável que o antecede.
Como manter a qualidade depois que a automação entra no ar?
Com monitoramento contínuo e rotinas de verificação. Em operações automatizadas, alertas para volumes fora do padrão, campos vazios acima do normal e rejeições repetidas permitem perceber a degradação cedo. Uma amostra revisada por pessoas, em intervalos regulares, confere se o que o fluxo considera correto continua fazendo sentido para o negócio.
Como observa Rolando Bonaccorsi, a automação não elimina a necessidade de gente cuidando da informação, apenas muda o papel dessa gente: sai quem digita e entra quem acompanha, corrige regras e decide o que fazer quando o dado foge do esperado. A supervisão fecha o ciclo, porque devolve ao processo o julgamento que o robô não tem e mantém a confiança de quem depende dos resultados todos os dias.
Qual é o sinal de que a automação está pronta para crescer?
O sinal mais claro é a estabilidade: o fluxo roda por semanas com poucas rejeições, as causas dos erros são conhecidas e as correções já viraram regra. Quando a equipe consegue explicar por que cada exceção aconteceu e o que foi feito, o processo deixou de ser um experimento e passou a ser uma operação.
Antes de ampliar, vale verificar se os dados do novo processo passaram pelo mesmo trabalho de mapeamento e padronização. Replicar o fluxo sobre informações desconhecidas repete o problema original em outro lugar. Crescer com segurança significa levar junto a disciplina que fez o primeiro projeto funcionar, e não apenas a ferramenta, que é a parte mais fácil de copiar.

