A IMPORTÂNCIA DA QUALIDADE DE DADOS NA TOMADA DE DECISÃO: COM INFLUÊNCIA NA CONTINUIDADE DOS NEGÓCIOS

Transcrição

1 1 A IMPORTÂNCIA DA QUALIDADE DE DADOS NA TOMADA DE DECISÃO: COM INFLUÊNCIA NA CONTINUIDADE DOS NEGÓCIOS Rafael Marini Rôlo * PÓS-GRADUAÇÃO EM BUSINESS INTELLIGENCE RESUMO Esse artigo tem por objetivo estudar a importância da qualidade da informação na tomada de decisão do gestor da empresa, além do impacto dessa decisão quando se dá por meio de informações pouco confiáveis originadas dos sistemas de informação da organização. Com isso, é verificado nesse estudo o impacto que uma decisão mal subsidiada pode provocar para organização e como essa pode impactar na continuidade de seus negócios. Através dessa análise, são feitas recomendações de como a organização, principalmente a área de TI (Tecnologia da Informação), precisará se comportar para evitar que sejam inseridos dados em seus sistemas que não reflitam a realidade da empresa, evitando impactos negativos na tomada de decisão do seu gestor. Neste artigo serão propostas práticas baseadas na gestão da qualidade da informação, como a Gestão Total da Qualidade dos Dados (Total Data Quality Management TDQM), com o intuito de garantir um maior controle das informações que são inseridas e geradas pelos sistemas de informações da empresa. Palavras-chave: Qualidade da Informação, Tomada de Decisão, Continuidade de Negócios, Gerenciamento Total de Qualidade dos Dados. * Formado em TI pela Universidade Estadual de Campinas [rafarolo@gmail.com]

2 2 1. INTRODUÇÃO Estamos na era da informação e do conhecimento, onde tecnologias mudam vertiginosamente e a informação é extremamente essencial para qualquer empresa do cenário mundial. Quem possui dados com maior qualidade e agilidade garante um diferencial de competitividade entre as empresas do mesmo setor. Com toda essa importância da informação nos tempos atuais, surge a necessidade de dar um tratamento especial aos dados que trafegam entre as diversas áreas da empresa. Para isso, existem diversas práticas adotadas pelo mercado e pela área acadêmica para o gerenciamento da informação e de melhoria de sua qualidade. Esse artigo aborda a metodologia de Gestão Total da Qualidade dos Dados, que possuí uma série de procedimentos que visam a melhoria continua da qualidade das informações. 2. TOMADA DE DECISÃO Em um ambiente empresarial onde a competitividade e o dinamismo são intensos, a tomada de decisão estratégica com eficiência pode ser essencial para o sucesso da empresa, pois as variáveis do mercado em que a mesma está inserida mudam constantemente. Na atual conjuntura do mundo empresarial, a tomada de decisão é uma tarefa complexa e constante. A cada dia, mais e mais variáveis são consideradas, como qualidade e granularidade das informações, que são subsídios cruciais para as ações estratégicas das empresas. As informações para tomada de decisão normalmente são advindas de diversos sistemas de origem, onde são extraídas, tratadas e consolidadas, tendo como objetivo fornecer indicadores resumidos das diversas áreas da empresa. Este conjunto de indicadores, são demonstrados em um painel, denominado Dashboard, extremamente importante para o acompanhamento da evolução dos principais objetivos traçados pela companhia (ARAÚJO, 2001). De acordo com Araújo (2001), o conceito de eficiência na de tomada de decisão se define no fato de escolher a alternativa que traz melhor benefício diante de todas as situações possíveis apresentadas. Para garantir se a decisão realmente é eficiente, é necessário criar processos de controle para monitorar se as decisões trouxeram os resultados esperados, caso contrário, uma nova ação será elaborada e o fluxo é reiniciado.

3 3 As decisões estratégicas deverão estar alinhadas com a missão e valores da empresa para conseguir atingir as metas definidas no Plano de Negócios da empresa. Para se tomar a melhor decisão estratégica é necessário que a informação chegue com qualidade e que reflita a realidade. Apenas desta forma será possível atingir os resultados esperados e realizar as medições necessárias da eficiência de cada ação tomada (ARAÚJO, 2001). Assim, a tomada de decisão com eficiência está intrinsecamente ligada com a qualidade dos dados, visto que as informações sem qualidade não representam a atual situação da empresa e qualquer ação direcionada para atingir um resultado não terá exatidão esperada. 3. CONTINUIDADE DOS NEGÓCIOS Toda empresa está exposta a diversos tipos de riscos, seja financeiros ou de depreciação da sua imagem. Esses riscos podem vir ambiente interno ou externo. Segundo Mattar (1997), existe o ambiente externo constituído pela estimativa potencial e evolução do mercado, além da demanda por segmento, comportamento do consumidor (necessidades, desejos e motivações de consumo) e o ambiente interno, constituído pelos processos, pessoas e recursos da empresa. O risco interno é operacional em setores da empresa e podem gerar impactos financeiros. Os riscos externos são mais difíceis se prever e mensurar e em razão de não possuir o controle sobre esse ambiente, pode haver impactos nas finanças da empresa principalmente se a mesma atua com exportação. Um exemplo é o mercado cambial, que pode impactar nesse sentido e levar até a falência da empresa. Há métodos que minimizam o risco, através de estratégias denominadas hedges, que funcionam como uma espécie de defesa contra esse fator cambial. O risco é inerente ao ambiente empresarial e não pode ser totalmente eliminado. Para mitigar o risco é necessário adotar processos de verificação contínuos para garantir que a empresa prossiga com suas atividades em um ambiente adverso. 4. GERENCIAMENTO DA QUALIDADE TOTAL DOS DADOS Em sistemas de Business Intelligence os executivos utilizam as informações originadas de diversas fontes de dados para tomar decisões sobre seu negócio, mas a grande parte deles não se preocupam em saber o quão real são essas informações, contentando-se apenas com a integridade

4 4 dos dados garantida pelos analistas da sua empresa. A integridade dos dados é apenas uma das dimensões analisadas como conformidade em relação à qualidade dos dados. 4.1 DEFINIÇÃO DA QUALIDADE O termo qualidade vem do latim qualitate, que pode conter diversos significados dependendo da interpretação e aplicação. Juran (1999), um dos principais pioneiros da área, propõe duas definições de importância crítica para o gerenciamento da qualidade: Satisfazer os clientes com produtos que atendam plenamente as suas exigências. Ausência de falhas na fabricação de produtos que resultam em insatisfação do cliente. Os documentos do Sistema de Gestão da Qualidade ISO definem qualidade como sendo o grau no qual um conjunto de características inerentes satisfaz a requisitos (LUCINDA, 2010). Com a utilização da qualidade de forma interdisciplinar e multidimensional houve uma evolução histórica de sua utilização, respondendo a mudanças políticas, sociais e econômicas. 4.2 EVOLUÇÃO DA QUALIDADE O conceito de qualidade é tão antigo quanto à existência do primeiro produto que o homem teve a sua disposição para consumir. A consciência da qualidade como elemento inerente ao processo de produção nasceu junto com a revolução industrial, mais especificamente com o desenvolvimento da produção em série (ROSENBERG; SILVA, 2000). Em 1924, Dr. Walter Andrew Shewhart, físico, engenheiro e estatístico norte americano quando trabalhava nos laboratórios da Bell Telephone tinha um grande questionamento com relação à qualidade e variabilidade encontrada na produção de bens e serviços. Desenvolveu, então, um sistema de mensuração dessas variabilidades que ficou conhecido como Controle Estatístico de Processo (BERGER et al., 2002). Essa experiência foi transferida às Forças Armadas dos EUA a partir do início da década de 40, como importante elemento estratégico para a indústria bélica (ROSENBERG; SILVA, 2000). Nessa época Shewhart criou também o Ciclo PDCA (Plan, Do, Check e Action), método essencial do Controle Total da Qualidade (Total Quality Control - TQC), também conhecido como Ciclo Deming, pelo fato de William E. Deming, que trabalhava com ele, ter convencido

5 5 grandes executivos japoneses do poder dos métodos estatísticos e da importância da qualidade como fator estratégico. Esta mudança de postura gerencial colocou o Japão em grande evidencia. Joseph Moses Juran também trabalhou sob a supervisão de Shewhart e sugeriu uma expansão dos conceitos de aplicação intensiva de métodos estatísticos para que houvesse um envolvimento com toda a estrutura organizacional das instituições que buscavam ampliar sua qualidade. Com esse novo paradigma, Armand Feigenbaum introduziu o conceito de que a qualidade deve ser de responsabilidade não apenas de toda a organização como se estende a todos os processos da empresa, abordagem que levou a criação da Gestão Total da Qualidade (Total Quality Management TQM) metodologia que visa gerenciar a organização como um todo para atingir a excelência exigindo uma mudança de mentalidade (BESTERFIELD et al., 2003): de produto para cliente, do curto para o longo prazo, de detecção para prevenção de defeitos, de operações para o sistema como um todo, da qualidade como responsabilidade de um departamento para o envolvimento de todos (REIS, 2001). Desta forma, os sistemas da qualidade variam, fundamentalmente, de acordo com o conceito de qualidade que melhor convém à estratégia mercadológica ou política da empresa ou organização (ROSENBERG; SILVA, 2000). 4.3 QUALIDADE TOTAL APLICADA AOS DADOS Os dados são importantes ativos que devem ser administrados. Após serem organizados, ordenados, receberem significado e contexto viram informações valiosas (MCGEE; PRUSAK, 1994). A baixa qualidade de grupos de dados pode afetar gravemente a percepção do consumidor final da informação. No início da década de 90, com o aumento dos de organizações utilizando informações como diferencial estratégico, o professor Dr. Richard Wang e outros pesquisadores do MIT (Massachusetts Institute of Technology), um dos maiores centros de pesquisas tecnológicas do mundo, foram os pioneiros no desenvolvimento um sistema de gestão da qualidade aplicado a dados computacionais denominada Gestão da Qualidade Total dos Dados (Total Data Quality Management TDQM) oriunda dos conceitos da TQM. O repositório de dados analíticos utilizado por instituições é conhecido como Data Warehouse, definido por Inmon (1997) como uma coleção de dados classificada por assunto, não volátil, integrada e variante que tem por objetivo dar suporte aos processos de tomada de decisão.

6 6 Esses repositórios utilizam fontes diversas, inclusive da internet, que ao passar pelos processos de extração, integração, limpeza e transformação podem ameaçar a qualidade das informações que serão analisadas posteriormente através de relatórios e Dashboards. Wang (1998) acompanhando esse processo de transformação nas empresas adotou a perspectiva da informação como um produto utilizando uma analogia da manufatura de produtos com a produção de informações demonstrado no Quadro 1: Quadro 1 - Analogia entre produto e informação. Entrada Matérias primas Dados brutos Processo Transformação Sistema de informação Saída Produto Físico Produto de Informação Fonte: Wang, 1998 Utilizando esta mesma abordagem foram adaptadas ferramentas de qualidade, como é o caso do ciclo TDQM, que utiliza o conceito de melhoramento contínuo do ciclo PDCA possibilitando-se trabalhar de forma objetiva com qualidade dos dados. A Figura 1 mostra as 4 etapas deste ciclo que são divididas em: Definir os requisitos de qualidade e as métricas que serão adotadas. Medir a qualidade ao longo do ciclo de vida da informação. Analisar as potenciais causas dos problemas de qualidade. Melhorar os processos e sistemas de informações. Figura 1: Ciclo TDQM adaptado do Ciclo PDCA. Fonte: Wang et al., 2000

7 7 4.4 DIMENSÕES DA QUALIDADE DE DADOS As metodologias de qualidade evoluíram e após alguns anos utilizando o ciclo TDQM e a observação empírica os pesquisadores do MIT chegaram à uma lista com diversas dimensões fundamentais para analisar a qualidade de dados. No Quadro 2 essas dimensões são divididas em categorias com suas respectivas análises de forma quantitativa. Quadro 2 - Categorias e dimensões da Qualidade da Informação. Categoria Dimensão Análise Intrínseca Precisão Quanto a informação é correta? Credibilidade Quanto a informação é verdadeira? Objetividade Quanto a informação é imparcial? Reputação Quanto a informação é confiável? Acessibilidade Facilidade de Acesso Quanto a informação é facilmente recuperada rapidamente? Segurança de Acesso Quanto a informação está restrito apropriadamente? Contextual Integridade O quanto a informação é completa e não extraviada? Relevância O quanto a informação é aplicável e útil? Valor Agregado Quanto a informação é benéfica e proporciona vantagens? Temporalidade Quanto a informação está suficientemente atualizada? Quantidade de Informação Quanto o volume da informação é adequado para seu uso? Representativa Facilidade de Entendimento Quanto a informação é facilmente compreendida? Facilidade de Manipulação Quanto a informação é fácil de ser manipulada? Facilidade de Interpretação Quanto a informação está definida em linguagem apropriada? Representação Concisa Quanto a informação está representada de forma compacta? Representação Consistente Quanto a informação é apresentada em apenas um formato? Fonte: Wang, 1998 Para facilitar o calculo das métricas, Wang (1998) também desenvolveu um software que analisa todas essas dimensões e organiza de forma gráfica a análise feita sobre os dados. A aplicação da TDQM e os problemas comuns encontrados em dados com baixa qualidade serão vistos nos próximos tópicos. 5. VALIDAÇÃO E ANÁLISE Para exemplificar a importância da qualidade de dados no cenário empresarial, optou-se pela escolha de um indicador interno, como lucro líquido e market share como indicador externo.

8 8 Em um cenário em que a empresa tenha como meta crescer 10% de market share em determinado produto, que contém uma margem de 30% de lucro líquido. O executivo toma a decisão reduzir o valor do produto em 20%. Em um segundo momento, percebeu-se que o lucro líquido do produto era de 15%, devido a um erro no tratamento e consolidação das informações. A combinação desses indicadores pode demonstrar a capacidade de crescimento e rentabilidade da empresa. Se for uma empresa com ações na bolsa de valores, bons indicadores podem atrair novos investidores que aportarão recursos com o objetivo de conseguir trazer um retorno ainda maior em um ciclo contínuo. No cenário apresentado, a decisão foi tomada com base em informações errôneas, que resultariam um impacto financeiro e certa desconfiança dos investidores. Com isso, a perspectiva apresenta para esse cenário é demonstrada na Tabela 1: Tabela 1 Cenário hipotético do impacto financeiro da tomada de decisão Indicadores Informação Real Impacto Desconto 0% 20% +20% Market Share 10% 20% +10% Lucro Líquido 30% 15% -5% Informações sem qualidade podem ter grandes impactos na efetividade geral de uma organização. Pesquisas revelaram que nos Estados Unidos mais de 60% das empresas de médio porte com vendas anuais acima de 20 milhões de dólares, tinham problemas com qualidade da informação. Nos arquivos de registros criminais nos EUA, entre 50% e 80% das informações são incompletas, ambíguas, ou sem precisão (WAND; WANG, 1996). 6. PROPOSTA DE SOLUÇÕES Devido as múltiplas fontes de dados, a tarefa de coleta de dados é bastante complexa, por isso a dificuldade de manter a qualidade e integridade dos dados. Não importam como os dados são coletados, eles devem ser validados, para evitar a clássica expressão, lixo que entra, lixo que sai (GIGO Garbage In, Garbage Out). A qualidade dos dados é o fator determinante da qualidade nas decisões tomadas. Segundo Turban (2004) para melhor compreender como administrar os dados, é preciso traçar seu fluxo dentro da empresa. Para determinar as causas e as possíveis soluções do problema, faz

9 9 se necessário associar as quatro categorias e dimensões da TDQM como também entender o ciclo de vida dos dados da empresa. 6.1 CICLO DE VIDA DOS DADOS Segundo Kimball (2008), 90% dos erros de qualidade dos dados podem ser encontrados na fonte dos dados e 10% no restante do fluxo. Kimball aconselha a iniciar a analise dos dados pela menor granularidade possível. A Figura 2 representa o ciclo de vida dos dados. Figura 2: Ciclo de vida dos dados Fonte: Kossowski, 2008 Para iniciar a analise, é necessário entender como funciona, como é composto e em que parte do processo se encaixam os indicadores market share e lucro liquido. Market share é o indicador que mostra como a empresa esta posicionada no mercado e quanto ela representa. Se o objetivo da empresa é medir em qual região do Brasil ela cresceu mais em market share, o que precisa ser entendido é o que é região e como ela é composta. Região pode ser qualquer área geográfica que forme uma unidade distinta em virtude de determinadas características. No Brasil há cinco regiões que contém estados e estes compostos por diversas cidades. Partindo deste principio, a menor granularidade da região é a cidade.

10 10 No ciclo de vida, a fonte de dados sobre cidades, é obtida pelos dados do banco de dados transacional, dados de departamentos e dos sistemas de gestão, que por sua vez estes dados são inseridos através dos atendentes do Centro de Atendimento ao Cliente. O lucro líquido, equivale ao lucro bruto menos as deduções de imposto de renda e de outras taxas que a empresa tenha que pagar. Lucro bruto, nada mais é do que o resultado positivo das vendas menos os custos. A fonte de dados sobre lucro líquido advém da base de dados transacional e dos dados de departamentos. 6.2 APLICANDO AS DIMENSÕES DA TDQM As dimensões utilizadas na qualidade de dados são relevantes para se aumentar a qualidade das informações. No contexto do estudo de caso, para analisar a qualidade de dados, foi definido que a qualidade dos dados deveriam atender a no mínimo duas dimensões da categoria Intrínseca como precisão e credibilidade. Utilizando a dimensão precisão, a análise dos dados é feita através do questionamento, "Quanto a informação é correta?". Analisando os dados foi possível detectar que eles não eram precisos, pois existiam falhas na inserção. Estas falhas estavam ligadas, a erros de digitação, campos em branco, dados fora de padronização e utilização de moedas sem a devida conversão de valores. Em relação a dimensão credibilidade, o questionamento é "Quanto a informação é verdadeira?". Se os dados não são precisos, a informação que estes dados representam, passam a não ter credibilidade. Neste caso, os dados não atenderam aos requisitos definidos como mínimos para um dado com qualidade. Detectado as principais causas do problema de qualidade, o próximo passo do ciclo TDQM é a melhoria do processo e dos sistemas de informação. 6.3 MELHORIA DO PROCESSO Para a melhoria do processo, podem ser adotados um conjunto de telas de visualização, onde é possível verificar se alguma regra de qualidade foi violada. Essas regras podem ser relacionadas a inserção de valores nulos, valores que devem seguir um determinado padrão como R$9999,99, campos que devem ter um número mínimo de caracteres, valores que devem

11 11 obedecer a uma determinada lista, campos que tenham relação entre si, como CEP, cidade, estado, rua e número de residência ou nome e sobrenome. Outras regras que podem ser adotadas na inserção dos dados, é a de limitar os campos, no caso de dados relativos a cidade, o sistema de origem deve utilizar de caixas tipo drop-box no qual aparecem as cidades relativas a um determinado Estado, o responsável pela inserção, seleciona o estado, e a partir desta seleção, fica disponível as cidades relacionadas a este Estado, desta forma limita-se a probabilidade de erros. Outra forma de limitar os erros seria adotar o sistema de CEP (Código Endereçamento Postal) utilizado pelos Correios que é mais preciso e mais atual, além de conter informações mais detalhadas. No caso de dados financeiros, se a moeda varia entre as diversas fontes de dados é sempre importante estabelecer uma única moeda que vai ser inserida no Data Warehouse, desta forma se evita alguns erros no momento da conversão de uma moeda para outra, devido a grande variação do cambio. Estas telas e regras são aplicadas na interface do usuário. Na Tabela 2, Turban apresenta alguns problemas típicos e as possíveis soluções relacionados aos dados. Tabela 2 Problemas apresentados pelos dados. Problema Causa Típica Possíveis Soluções (em alguns casos) Os dados não estão corretos Os dados não foram gerados no momento oportuno Os dados não foram medidos ou classificados corretamente Os dados não existem Dados inseridos incorretamente Os dados foram gerados de forma descuidada O método de geração dos dados não foi suficientemente rápido para suprir as necessidades. Dados brutos foram coletados segundo uma lógica ou periodicidade não adequada aos objetivos da análise Ninguém armazenou os dados que agora são necessários Os dados necessários nunca existiram Criar uma forma sistemática para assegurar a precisão dos dados brutos. Usar scanners ou sensores (Automatizar). Monitorar cuidadosamente os valores dos dados e a forma como os dados foram gerados. Verificar se as regras para a coleta dos mesmos foram observadas. Modificar os sistemas de geração de dados. Passar para um sistema cliente/servidor. Automatizar. Desenvolver um sistema para redimensionar ou recombinar os dados classificados de forma inadequada. Usar agentes inteligentes de busca. Quer sejam necessários agora ou não, armazenar os dados para uso futuro. Usar a internet para pesquisar dados similares. Contar com especialistas. Fazer um esforço para gerar os dados ou calculá-los (usar especialistas). Usar computação neural para reconhecimento de padrões. Fonte: Turban, 2004

12 12 7. CONCLUSÃO Em ambientes empresariais altamente competitivos não somente a capacidade tecnológica da empresa define como serão suas expectativas futuras na continuidade do seu negócio, mas também como seus processos são relacionados e mensurados. O artigo aborda os aspectos teóricos e práticos para a aplicação da TDQM como forma de aumentar a qualidade dos dados. Este trabalho demonstra que não somente a implantação de sistemas de informação, mas todos os níveis da empresa devem estar alinhados com seu objetivo e seguir determinadas recomendações de qualidade para atingir a excelência na obtenção de informações estratégicas. Ao optar por extrair dados com informações valiosas as instituições que adotarem metodologias de melhoramento contínuo, como a TDQM, automaticamente estarão repensando vários dos processos realizados pela empresa, gerando um melhoramento mais amplo do que o esperado nos sistemas de apoio a decisão. Os principais problemas que ocorrem atualmente podem estar associados a falta de compreensão do negócio como um todo pelo departamento de TI da empresa, pois muitos profissionais de informática vem de formação estritamente técnica e nem sempre compreendem que a falta de uma analise bem estruturada na coleta de dados pode afetar gravemente a tomada de decisão dos executivos, principalmente se ela estiver atrelada à continuidade do negócio. Com os diversos estudos realizados na área de qualidade das informações os especialistas demonstram que cada vez mais quem não se preocupar devidamente com seus dados tem uma grande desvantagem competitiva tendendo a obter perdas financeiras e até consequências piores.

13 13 THE IMPORTANCE OF DATA QUALITY IN DECISION-MAKING: WITH INFLUENCE ON BUSINESS CONTINUITY ABSTRACT This paper studies the importance of information quality in the decision taken by the company manager, beyond the impact of this decision when it occurs by means of unreliable information originating from the organization's information systems. In this study is verified the impact of one bad decision on organization's business continuity. Through this analysis, recommendations are made for the organization, specially the area of IT (Information Technology) that needs to comport to avoid the entered data into their systems that do not reflect the company's reality, avoiding negative impacts on decision making by your manager. For this reason, practices will be proposed, based in quality management information, such as Total Quality Management of Data (Total Data Quality Management - TDQM), to ensure the control of information that is entered and generated by company s information systems. Keywords: Decision Making, Business Continuity, Total Data Quality Management, Information Quality REFERÊNCIAS ARAUJO, L. C. G. Organização, Sistemas e Métodos e as Modernas Ferramentas de Gestão Organizacional: Arquitetura, Benchmarking, Empowerment, Gestão pela Qualidade Total, Reengenharia. São Paulo: Atlas, BERGER, R. W.; BENBOW, D. W.; ELSHENNAWY, A. K.; WALKER, H. F. The Certified Quality Engineer Handbook, 2ª Ed. American Society for Quality, BESTERFIELD, D. H.; BESTERFIELD-MICHNA, C.; BESTERFIELD, G. H.; BESTERFIELD-SACRE, M. Total Quality Management. Prentice Hall, INMON, W. H. Como Construir o Data Warehouse, 2ª Ed. Rio de Janeiro: Campus, JURAN, J.M.; GODFREY, A. B. Juran's Quality Handbook, 5ª Ed. McGraw Hill, KIMBALL, R. An Architecture for Data Quality, Kimball Group, KIMBALL, R. Eight Recommendations for International Data Quality, InformationWeek, Disponível em: < Acesso 02 de Maio de KIMBALL, R. Indicators of Quality, Kimball Group, 2000 KIMBALL, R. Is Your Data Correct?, Kimball Group, 2000

14 14 KOSSOWSKI, L. Qualidade de dados na Integração entre sistemas: um estudo de caso em um sistema integrado, Curitiba, Dissertação de Mestrado (Mestrado em Engenharia de Produção e Sistemas) - Programa de Pós-Graduação em Engenharia de Produção e Sistemas, PUCPPR, 2008 LEE, Y. W.; PIPINO, L. L.; FUNK, J. D.; WANG, R. Y. Journey to Data Quality. MIT Press, LUCINDA, M. A. Qualidade: Fundamentos e Práticas. Brasport, MATTAR, F. N. Pesquisa de Marketing: Metodologia e Planejamento. São Paulo: Atlas, MCGEE, J.; PRUSAK, L. Gerenciamento Estratégico da Informação, 7ª Ed. Campus, OLSON, J., Data Quality: The Accuracy Dimension, Morgan Kaufman, REIS, M. M. Um modelo para o ensino do Controle Estatístico da Qualidade. Universidade Federal de Santa Catarina, ROSENBERG, F. J.; SILVA, A. B. M. Sistemas da qualidade em laboratórios de ensaios. Rio de Janeiro: Qualitymark, TURBAN, E. Tecnologia da Informação para Gestão: Transformando os Negócios na Economia Digital, 3ed., Porto Alegre, Bookman, 2004 WAND, Y.; WANG, R. Y. Anchoring data quality dimensions in ontological foundations. Communications of the ACM, vol. 39, nº 11, WANG, R. Y. A Product perspective on Total Data Quality Management. Communications of the ACM, vol. 41, nº 2, WANG, R. Y.; ZIAD, M.; LEE, Y. W. Data quality. Kluwer Academic Publishers, 2000.