Sua Empresa Não Precisa de uma Estratégia de Dados. Precisa de uma Estratégia de Negócio com Dados.

Por alguém que acredita que dados são sobre pessoas, não apenas números

1 Por que este tema me importa

Já participei de conversas em que a pergunta na mesa era “qual a nossa estratégia de dados?” — e todo mundo saiu satisfeito com uma resposta que, olhando em retrospecto, não dizia nada. Falamos de plataforma, de catálogo, de lakehouse, de modelo operacional. Falamos de tudo, menos de qual decisão da empresa ficaria melhor por causa daquilo.

É desconfortável admitir, mas boa parte do desperdício em dados não vem de má execução. Vem de uma pergunta mal formulada lá no começo. E perguntas mal formuladas são caras: consomem anos de trabalho competente de gente talentosa, produzem artefatos tecnicamente impecáveis e não movem um único indicador que o conselho reconheça.

Minha tese neste texto é simples e um pouco incômoda: sua empresa provavelmente não precisa de uma estratégia de dados. Precisa de uma estratégia de negócio que leve dados a sério. A diferença parece semântica. Não é. Ela explica por que tanto investimento honesto produz tão pouco resultado — e, no caminho, por que tantos líderes de dados são demitidos por um problema que não era deles.

2 O sintoma que ninguém quer olhar de frente

Comece pelo dado mais desconfortável da profissão.

Thomas Davenport e Randy Bean, dois dos pesquisadores que mais acompanham a função há duas décadas, estimam que o mandato médio de um Chief Data Officer é de dois a dois anos e meio.¹ Para efeito de comparação, é menos da metade do que dura um CFO típico. Não é um cargo difícil. É um cargo estruturalmente instável.

Davenport e Bean apontam três causas, e vale reparar que nenhuma delas é técnica: a novidade do papel (as empresas ainda não sabem o que querem dele), expectativas irrealistas (“muitas empresas esperam o impossível de seu CDO”) e um problema de tradução — CDOs “têm dificuldade de vender suas conquistas reais para uma audiência de negócio; simplesmente não falam a mesma língua”.²

O Gartner colocou número na consequência. Em pesquisa com 504 executivos de dados e analytics conduzida entre setembro e novembro de 2024, a consultoria constatou que 70% dos CDAOs já têm responsabilidade primária pela estratégia de IA da organização — e projetou que, até 2027, 75% dos CDAOs que não forem percebidos como essenciais ao sucesso da empresa em IA perderão a cadeira de C-level.³

Leia essa frase de novo, porque ela é mais reveladora do que parece: o critério de sobrevivência não é entregar valor. É ser percebido como essencial. Sobrevive quem consegue mostrar a linha que liga o trabalho de dados a um resultado que o negócio já queria.

E o mesmo Gartner prevê que 80% das iniciativas de governança de dados e analytics falharão até 2027 por falta de uma crise real ou fabricada que lhes dê urgência. A conclusão do analista Saul Judah é a frase mais direta que li sobre o tema: “Um programa de governança de D&A que não viabiliza resultados de negócio priorizados fracassa.”⁴

Três números, uma mesma história. O problema quase nunca está no como. Está no para quê.

3 O erro de enquadramento

Existe uma diferença silenciosa entre duas frases que soam idênticas em reunião:

• “Precisamos de uma estratégia de dados.”
• “Precisamos que nossa estratégia de negócio seja executável com dados.”

A primeira cria um documento paralelo. Ele tem visão, princípios, arquitetura-alvo, roadmap de plataforma e um capítulo de cultura. É honesto, é bem-feito e é órfão: não pertence a nenhum P&L, não tem um executivo de negócio disposto a defendê-lo no comitê de orçamento e não morre quando o mercado muda — porque nunca esteve vivo o suficiente para isso.

A segunda não cria documento nenhum. Ela obriga a abrir a estratégia que já existe — crescer em determinado segmento, defender margem, reduzir churn, entrar em um mercado, cumprir uma exigência regulatória — e perguntar, para cada aposta: que decisão precisamos tomar melhor ou mais rápido para isso acontecer, e que dado torna isso possível?

Leandro DalleMule e Thomas Davenport formalizaram isso na Harvard Business Review de 2017 com uma distinção que continua sendo a melhor ferramenta de conversa executiva que conheço: toda estratégia de dados se posiciona entre defesa (conformidade, segurança, qualidade, “uma única fonte da verdade”) e ataque (receita, competitividade, “múltiplas versões da verdade” toleradas em nome da velocidade). Não existe posição correta universal — existe a posição coerente com a estratégia competitiva daquela empresa naquele momento. Bancos e seguradoras reguladas tendem à defesa; varejo e bens de consumo, ao ataque.⁵

O ponto que quero sublinhar é o que vem antes: você não consegue escolher entre defesa e ataque sem antes saber qual é o jogo. Empresas que constroem estratégia de dados no vácuo acabam, por default, na defesa — porque defesa é o que se consegue justificar sem um dono de negócio ao lado. Daí o “data lake que virou pântano”: não foi má engenharia, foi ausência de demanda com nome e sobrenome.

Michael Porter escreveu, em 1996, que eficácia operacional não é estratégia — fazer melhor a mesma coisa que todos fazem não gera vantagem sustentável, apenas mantém você no jogo.⁶ Trinta anos depois, plataformas de dados são exatamente isso para a maioria das empresas: eficácia operacional necessária, confundida com estratégia.

4 O que a evidência de 2025–2026 acrescentou

Se o diagnóstico acima fosse apenas conceitual, ele já teria vinte anos. A onda de IA generativa fez algo útil: encurtou o ciclo entre investimento e desilusão, e portanto tornou o erro de enquadramento visível em meses, não em anos.

O relatório The GenAI Divide: State of AI in Business 2025, da iniciativa NANDA do MIT, é o mais citado sobre o tema e por um motivo constrangedor: aponta que cerca de 95% das iniciativas piloto de IA generativa não produziram retorno mensurável no P&L.⁷ O relatório atribui isso ao que chama de learning gap — ferramentas que não retêm feedback, não se adaptam ao contexto e não melhoram com o uso, operando em modo de “alta adoção e baixa transformação”. As exceções, os 5%, concentram-se onde a fricção operacional é maior e o retorno é mais direto, tipicamente em back office, e não nas demonstrações vistosas de front office.⁸

Reparem no padrão. A diferença entre os 95% e os 5% não é qualidade de modelo. É acoplamento a um processo real de negócio que alguém é responsável por melhorar.

Aqui cabe uma ressalva de honestidade intelectual, e faço questão de registrá-la: o número de 95% virou manchete e passou a ser citado com uma segurança que a metodologia do estudo não sustenta inteiramente — a amostra combina entrevistas, levantamento e análise de anúncios públicos, e “retorno mensurável no P&L” é um critério exigente, que muitos pilotos legítimos ainda não teriam como atender no primeiro ano. Prefiro tratar o número como ordem de grandeza e sinal de direção, não como medida exata. Mesmo assim, a direção é inequívoca e coerente com tudo o que os outros levantamentos mostram.

5 Dois casos, um contraste

5.1 Quando a linha está desenhada: DBS

O DBS, banco singapurense, é o exemplo mais documentado de estratégia de dados subordinada a resultado. O próprio banco reporta ter desenvolvido mais de 600 modelos de IA/ML cobrindo 300 casos de uso, e quantifica o retorno: em 2022, essas iniciativas geraram SGD 180 milhões de valor econômico — SGD 150 milhões de incremento de receita e SGD 30 milhões de custo evitado e ganho de produtividade —, com projeção de contribuir com SGD 1 bilhão de receita ao longo de cinco anos.⁹

O que me interessa nesse caso não é o número. É a forma do número. O DBS não reporta “quantidade de dados governados” nem “percentual de tabelas catalogadas”. Reporta receita incremental e custo evitado, separadamente, com casos de uso nomeados por trás. A conversa com o conselho não é sobre a plataforma; é sobre o negócio — e a plataforma aparece como consequência.

O mecanismo concreto também é revelador: o banco envia cerca de 30 milhões de “nudges” personalizados por mês a 3,5 milhões de clientes digitais, com taxa de aproveitamento entre 10% e 12%.¹⁰ Isso não é um projeto de dados. É uma mudança na forma como o banco conversa com o cliente, que por acaso só é possível com dados.

5.2 Quando a linha nunca existiu: GE e o Predix

O contraponto clássico é a General Electric. Em 2015, a GE consolidou suas apostas digitais na GE Digital em torno da plataforma industrial Predix, com a ambição declarada de se tornar uma das dez maiores empresas de software do mundo até 2020. Em julho de 2018, a companhia contratou bancos para avaliar a venda dos ativos digitais.¹¹

As análises do caso convergem em causas que não são de engenharia: tentativa de transformar todas as unidades de negócio simultaneamente em vez de um recorte focado; parceiros que não conseguiam encaixar o Predix em seus próprios modelos de negócio; subestimação de concorrentes como Amazon, Google e Microsoft; e prioridade ao produto em detrimento das pessoas que deveriam usá-lo.¹²

Traduzindo para a tese deste texto: a GE construiu uma estratégia de dados de altíssima ambição e a desacoplou da estratégia de negócio de cada unidade que deveria sustentá-la. A plataforma existia. A demanda com dono, não.

Faço uma ressalva justa: a GE enfrentava simultaneamente problemas graves em energia e em serviços financeiros, e seria simplista atribuir o desfecho apenas ao Predix. Mas o padrão de falha — ambição de plataforma sem ancoragem em resultado de unidade — é o mesmo que vejo repetido, em escala menor, em empresas que nunca escreverão um estudo de caso.

6 A dimensão que os frameworks costumam esquecer

Poderia terminar aqui, com um argumento puramente econômico, e o texto funcionaria. Mas seria incompleto — e, na minha leitura, desonesto.

Quando uma estratégia de dados não está ancorada em um objetivo de negócio explícito, ela não fica neutra. Ela fica sem accountability. E ausência de accountability tem endereço: recai sobre quem está na ponta.

Um modelo de propensão que ninguém sabe explicar para qual decisão serve é também um modelo que ninguém audita. Um score de risco construído “porque temos os dados” é um score cuja consequência sobre pessoas reais — crédito negado, prêmio majorado, currículo descartado, atendimento despriorizado — nunca foi objeto de discussão executiva. A pergunta “que resultado de negócio isso serve?” é gêmea de outra: “quem ganha e quem perde quando isso funciona como projetado?”

Iniciativas com dono de negócio claro são mais fáceis de questionar eticamente, não menos. Porque existe alguém com nome, cadeira e orçamento a quem se pode perguntar: e se o modelo estiver certo em média e errado justamente com quem tem menos poder de recorrer? Iniciativas órfãs não têm a quem perguntar.

Não é acaso que os mesmos 80% de programas de governança projetados para falhar sejam aqueles que não viabilizam resultados priorizados.¹³ Governança que existe para produzir conformidade documental protege a empresa no papel. Governança acoplada a decisões reais protege pessoas — e, no caminho, protege a empresa de verdade.

Justiça e resultado apontam, na maior parte do tempo, na mesma direção. Quando não apontam, minha posição é conhecida e não é negociável: justiça primeiro. Mas vale registrar que o desalinhamento entre dados e negócio produz, simultaneamente, desperdício financeiro e opacidade ética. São a mesma falha vista de dois ângulos.

7 Aplicação no contexto brasileiro

O Brasil tem uma particularidade interessante nesse debate, e ela não é a que se imagina.

O State of AI 2026 da Deloitte, com 3.235 executivos globais e 115 brasileiros, mostra o país à frente da média global em ambição: 42% dos respondentes brasileiros usam IA para transformação estrutural do negócio (contra 34% globalmente), 59% relatam melhora em decisão e insights (contra 53%) e 87% esperam crescimento de receita puxado por IA nos próximos anos — contra 74% da média global.¹⁴

E, ao mesmo tempo, 58% escalaram 20% ou menos de seus pilotos, e apenas 23% escalaram 40% ou mais.¹⁵ O contraste mais eloquente do levantamento: 95% pretendem adotar IA agêntica em até dois anos, mas apenas 27% têm modelos de governança maduros.¹⁶

Ou seja: não temos um problema de entusiasmo. Temos um problema de ancoragem. Somos rápidos em começar e lentos em conectar o que começamos a um resultado defensável — o que é exatamente o perfil de risco que o erro de enquadramento produz.

Há um agravante local. Em empresas tradicionais brasileiras — varejo, indústria, serviços, agro —, a área de dados frequentemente nasce dentro de TI, com orçamento de TI, reportando para TI. Isso é operacionalmente conveniente e estrategicamente fatal: coloca a função em uma estrutura que a avalia por disponibilidade e custo, não por resultado de negócio. O CDO brasileiro médio não é demitido por entregar mal. É demitido por ter sido posicionado onde é impossível provar que entregou.

E há a dimensão regulatória, que no Brasil funciona como aliada e não como obstáculo. A LGPD, ao exigir finalidade específica e legítima para o tratamento de dados pessoais, obriga uma disciplina que a estratégia deveria impor sozinha: dizer para que serve, antes de coletar. Com a discussão do marco legal de IA avançando, essa exigência tende a se estender de “para que serve o dado” para “para que serve a decisão automatizada”. Quem já organizou seus dados por objetivo de negócio chega nessa conversa com meio caminho andado.

8 Como faço isso na prática

Não tenho fórmula, e desconfio de quem oferece uma. Mas há cinco movimentos que aprendi a defender — inclusive errando, inclusive tendo defendido o contrário em algum momento da carreira.

1. Inverta a ordem do documento. Não escreva “estratégia de dados”. Pegue as três a cinco apostas estratégicas que a empresa já assumiu e escreva, para cada uma, uma página: qual decisão precisa melhorar, quem é o dono dessa decisão, qual dado a viabiliza, qual métrica prova. Se sobrar alguma iniciativa de dados que não coube em nenhuma das páginas, ela precisa de justificativa própria — ou de uma morte digna.

2. Exija um dono de negócio, não um patrocinador. Patrocinador aprova orçamento e aparece no kick-off. Dono é quem tem a meta que a iniciativa promete mover e responde por ela no fim do trimestre. Iniciativa de dados sem dono de negócio não é iniciativa: é hobby caro. Se ninguém do negócio quer ser dono, essa é a informação mais valiosa que você vai obter naquele mês.

3. Trate dados como produto, não como projeto. Projeto termina; produto evolui, tem usuário, dono, ciclo de vida e SLA. A pergunta operacional que mais mudou minha prática foi a mais simples: quem usa isso toda semana, e o que acontece com essa pessoa se isso parar de funcionar amanhã? Se não há resposta, não há produto — há entrega.

4. Meça em três camadas, honestamente. Eficiência (custo evitado), receita (crescimento) e opcionalidade (capacidade que hoje não rende, mas destrava decisões futuras). A maioria só mede a primeira, porque é a mais fácil. Reportar as três separadamente, como o DBS faz, é o que impede tanto o subdimensionamento quanto o exagero. E vale mais reportar um número pequeno e verdadeiro do que um número grande e indefensável — a credibilidade do time de dados é o ativo que leva mais tempo para construir e menos tempo para perder.

5. Coloque a pergunta ética no mesmo formulário da pergunta financeira. Não em um comitê separado que se reúne trimestralmente. No mesmo documento de aprovação, ao lado do business case: quem é afetado, quem pode ser prejudicado, como essa pessoa recorre. Ética que mora em um processo paralelo é ética que chega tarde.

9 Uma reflexão final

O título deste texto é provocativo de propósito, mas não é retórico. Estratégia de dados como documento autônomo é, na melhor das hipóteses, um plano de capacidades — útil, necessário e insuficiente. Ela só vira estratégia quando alguém consegue apontar para uma decisão da empresa e dizer: esta aqui ficou melhor por causa daquilo.

Os números que abrem este texto não descrevem uma profissão em crise. Descrevem uma profissão colocada, com frequência, em uma posição impossível: cobrada por resultado de negócio e estruturada para produzir capacidade técnica. Mandato de dois anos e meio não é falha de caráter de CDOs. É o tempo que leva para todo mundo perceber que a pergunta estava errada desde o começo.

A boa notícia é que a correção é barata. Não exige nova plataforma, nova consultoria ou novo organograma. Exige uma reunião em que alguém tenha a coragem de perguntar, sobre cada iniciativa em curso: que decisão isso melhora, de quem, e como saberemos? É desconfortável. Algumas iniciativas queridas não sobreviverão à pergunta. Sobreviverão as que importam — e, com elas, as pessoas que as lideram.

Porque, no fim, dados são sobre pessoas em dois sentidos que costumamos separar e não deveríamos: sobre as pessoas afetadas pelas decisões que os dados informam, e sobre as pessoas cujo trabalho perde ou ganha sentido conforme a pergunta que lhes foi feita.

E aí: se você listar hoje as cinco maiores iniciativas de dados da sua organização, quantas delas têm um dono de negócio disposto a ser cobrado pelo resultado? Fico curioso com as respostas — inclusive com as desconfortáveis. Vamos conversar.

10 Referências