Monitoramento 360° do Power BI automatizado: como unimos autonomia, governança e eficiência na Afya

Quando pensamos em governança de dados, quase sempre lembramos de regras, normas e processos. No nosso caso, antes de falar em monitoramento, tivemos que encarar um passo anterior: construir as nossas próprias diretrizes junto com as áreas. Foi um trabalho intenso de ouvir o negócio, alinhar expectativas e transformar essas demandas em regras claras o suficiente para orientar o uso dos dados no dia a dia.

Depois dessa etapa, veio um desafio tão grande quanto: garantir a aderência dessas regras em um ambiente de self-service BI, no qual as áreas de negócio têm autonomia para criar e atualizar seus próprios relatórios. Esse desafio ficava ainda maior porque, no início, não tínhamos visibilidade total do ambiente. Caminhávamos quase no escuro, sem saber exatamente quais relatórios existiam, quais eram as fontes de dados, quem acessava o quê ou quais áreas mais produziam análises. Faltava um mapa do ambiente e, sem ele, a insegurança só aumentava.

Em um cenário com centenas de dashboards, múltiplas áreas envolvidas e um volume crescente de análises, ficou claro que precisávamos dar um passo além e operacionalizar o monitoramento de todo o ambiente do Power BI, com mais visibilidade, controle e capacidade real de atuação sobre o que acontecia na prática. Foi nesse ponto que a junção da Governança de Dados com a Engenharia de Dados fez diferença de verdade, unindo a clareza das regras com a capacidade técnica para transformar tudo isso em monitoramento.

Antes de chegar no monitoramento 360° do Power BI automatizado, começamos por uma versão tecnicamente simples, mas muito trabalhosa: monitorávamos tudo de forma manual, o que gerava bastante dor operacional para o time.

O primeiro passo: o monitoramento manual

Com as primeiras visões do ambiente disponíveis, a partir das tabelas que o nosso engenheiro de dados extraiu da API do Power BI e ingeriu no Databricks, demos um primeiro passo que precisávamos viver: analisar tudo a partir dessas tabelas. Não foi um trabalho simples. O engenheiro estruturou uma base robusta que permitiu à governança começar a jogar luz sobre o ambiente. Eram centenas de linhas e colunas. Antes de qualquer alerta ou conclusão, precisávamos entender aquelas tabelas, os campos, como se relacionavam e o que cada linha representava dentro do contexto do self-service BI e de todo o ambiente do Power BI. Só depois dessa “decodificação” inicial é que conseguíamos cruzar os dados com as nossas regras e, aí sim, começar a enxergar inconformidades, gaps e oportunidades de melhoria.

Como no self-service BI existiam várias regras relacionadas a acessos, controles de acesso, uso de fontes de dados e armazenamento dos relatórios, não bastava olhar para os dados de forma isolada. Cada análise exigia correlacionar essas informações com as normas, entender o contexto de uso e avaliar se o cenário fazia sentido ou indicava um possível risco. Para conseguir dar conta, dividíamos o trabalho por semana e cada semana era dedicada a um conjunto específico de regras.

O fluxo acabava sendo sempre parecido. Primeiro fazíamos o mapeamento a partir das tabelas tratadas pelo engenheiro de dados, depois filtrávamos os casos que indicavam possíveis inconformidades e, a partir daí, começávamos o trabalho de correção. Mesmo sendo tudo manual, não parávamos na etapa de apontar o problema: batíamos na porta das áreas responsáveis, fossem de negócio ou técnicas, explicávamos o cenário e acompanhávamos até que as correções fossem feitas.

Tudo isso gerava muita dor operacional para o time de governança de dados, mas também abriu uma oportunidade importante de aproximação com as áreas de negócio. A partir do momento em que passamos a enxergar quem acessava o quê dentro do ambiente, conseguimos nos aproximar de forma mais propositiva, entendendo a realidade de uso e direcionando cada área para o caminho mais aderente às normas, oferecendo apoio em vez de apenas apontar inconformidades.

Com o tempo, fomos amadurecendo esse processo. À medida que repetíamos o ciclo, passamos a ter uma visão cada vez mais clara do que, de fato, era inconformidade em relação às nossas regras, o que podia ser tratado como exceção justificada e quais padrões se repetiam com mais frequência, preparando o terreno para a automatização do monitoramento.

O salto: monitoramento automatizado e visão 360°

A partir do momento em que o processo manual amadureceu e os padrões ficaram claros, o passo seguinte foi natural: aproveitar as tabelas já estruturadas pelo engenheiro de dados no Databricks para deixar de olhar tudo “no olho” e transformar as regras de governança em visões e rotinas de monitoramento 360° automatizado do ambiente de Power BI.

Hoje monitoramos comportamentos como:

• Se os acessos aos relatórios e workspaces estão sendo feitos exclusivamente via grupos AD, garantindo que toda liberação e revogação passe obrigatoriamente pelo fluxo automatizado no ServiceNow e pelas aprovações dos Data Owners, evitando acessos nominais e reduzindo riscos.

• Se existem relatórios armazenados em workspaces pessoais e ao mesmo tempo compartilhados com outras pessoas. Quando isso acontece, o usuário é orientado a mover obrigatoriamente esse relatório para o ambiente de Self-Service BI da sua área, onde existe maior rastreabilidade, governança aplicada e controle sobre acessos e fontes de dados.

• No ambiente do Self-Service BI, fiscalizamos a utilização de fontes de dados, garantindo que dados do Data Lake não sejam cruzados com planilhas de Excel ou outras fontes externas dentro do mesmo conjunto de dados, evitando vieses e preservando a consistência das análises.

• Na modalidade cem por cento autônoma, quando as áreas criam suas visões com seus próprios dados, o monitoramento identifica quando algum relatório teve modificação naquele mês. A partir disso, os atualizadores entram em um fluxo em que casos específicos são direcionados para o Comitê, onde apresentam as visões para os times de privacidade, segurança e governança de dados. Esse acompanhamento de perto nos permite orientar as áreas de negócio nas adequações necessárias.

• Acessos tanto por workspace quanto por audiência, já que hoje conseguimos identificar quem consome cada relatório e em qual contexto.

As visões automatizadas geram alertas que são enviados para um grupo em canal no Teams. Cada tipo de alerta possui uma SLA definida para correção, o que garante priorização e acompanhamento estruturado dos casos. Além dos alertas, consolidamos todas essas inconformidades em um dashboard no Databricks, que mostra a quantidade total de inconformidades por classificação e a quantidade de casos dentro do prazo, fora do prazo ou a vencer.

Também desenvolvemos telas complementares de monitoramento no Databricks que aprofundam a leitura do ambiente. Nessas visões conseguimos enxergar quem acessa cada relatório e workspace, tanto por workspace quanto por audiência, além da quantidade de acessos, acessos distintos e totais, data da última modificação do relatório, quais workspaces são mais utilizados, quais relatórios têm maior ou menor consumo e quais conjuntos de dados alimentam essas visões.

Para os relatórios do Self-Service BI, essas telas mostram quais tipos de dados estão sendo consumidos, se são provenientes do Data Lake ou de planilhas armazenadas em drives pessoais ou corporativos. Somado à visão de acessos, isso fortalece a rastreabilidade sobre uso de fontes de dados. Também conseguimos acompanhar a progressão das correções ao longo do tempo e analisar a evolução da aderência às regras.

Resultados alcançados com monitoramento 360 do Power BI

O monitoramento 360° gerou ganhos concretos não apenas para o time de Governança de Dados, mas também para as áreas de negócio e de análise. E isso aparece na fala de quem está na ponta, como o Rafael, da área de negócio:

“Um ponto importante é que as informações ajudam sim no dia a dia, pois temos aqui vários públicos diferentes que acessam nossos relatórios, e é importante termos mapeado se as pessoas vêm utilizando ou não esses materiais na sua gestão. Um exemplo disso é o programa Afyados na Gestão, conduzido com as unidades de Graduação e Edmed. No dash de acessos, conseguimos correlacionar, por exemplo, se as unidades com maior deficiência no programa têm usado nossos relatórios no dia a dia. Isso já nos ajuda a mapear causas-raiz e possíveis soluções em ações.”

— Rafael Vieira (Analista de Gestão Senior)

O relato do Rafael é apenas um exemplo dos impactos desse mapeamento. Entre os principais ganhos, podemos destacar:

• Antes, gastávamos em torno de 3 horas diárias para rodar o fluxo manualmente. Com a automatização, esse tempo caiu para cerca de 30 minutos, exigindo basicamente a nossa ação de acompanhamento dos status e correções. Na prática, tivemos um ganho expressivo de tempo e eficiência, reduzindo drasticamente o esforço operacional do time, que antes fazia grande parte das verificações manualmente.

• Reduzimos de forma significativa o risco de erros humanos, já que as validações hoje acontecem em grande parte de forma automatizada.

• Aumentamos a maturidade das áreas, que agora entendem melhor seus comportamentos a partir dos alertas e conseguem agir de forma mais preventiva.

• Ganhamos celeridade, já que as análises passaram a ser feitas com base em visões confiáveis e atualizadas do ambiente.

• Passamos a ter rastreabilidade sobre quais fontes as áreas estão utilizando, inclusive identificando quando usam planilhas armazenadas em drives pessoais, como o OneDrive.

• Com a visibilidade dos dados e mais clareza sobre quem são os usuários do Self-Service BI e do Power BI como um todo, passamos a entender padrões de uso, contextos específicos e necessidades de atuação de algumas áreas. Isso nos ajudou a perceber gaps e oportunidades e fez com que o time de Governança de Dados se aproximasse cada vez mais das áreas de negócio.

• As áreas de negócio passaram a ter mais autonomia na manutenção de seus próprios ambientes. As visões de acesso permitem acompanhar quem está utilizando os relatórios, se indicadores estratégicos estão sendo acessados somente por pessoas autorizadas e se relatórios com baixo acesso ainda fazem sentido existir, o que fortalece a gestão do ambiente e a segurança da informação.

• Estruturamos uma atuação mais holística: não apenas vemos o problema, como também acionamos os responsáveis e acompanhamos até a resolução.

Mais do que monitorar, passamos a educar. Com base na leitura do ambiente, criamos pílulas de conhecimento alinhadas às necessidades reais de cada área, fortalecendo a cultura data driven e aumentando a conformidade.

Conclusão

Mais do que qualquer ferramenta, o que esse caminho nos ensinou foi a importância de ter Governança de Dados, Engenharia de Dados e Análise de Dados caminhando juntas. O monitoramento 360° só se tornou possível porque esses times se aproximaram, alinharam expectativas e construíram uma visão compartilhada sobre o que significa, na prática, cuidar do ambiente de Power BI.

Nosso monitoramento tem uma característica de processo vivo. À medida que novos cenários aparecem, revisamos regras, ajustamos visões, incluímos novos indicadores e buscamos formas melhores de apoiar as áreas. Não é algo “pronto e fechado”, e sim um fluxo em constante evolução, sempre olhando para melhorias. Autonomia e governança deixaram de ser pontos de tensão e passaram a caminhar lado a lado.

O monitoramento 360° no Power BI não é apenas uma solução técnica. É uma evolução na forma como enxergamos, controlamos e fortalecemos nosso ecossistema analítico, aproximando times, reduzindo riscos e dando mais segurança para quem usa dados no dia a dia.

Obrigada por chegar até aqui e pela leitura. Se quiser trocar ideias sobre o monitoramento ou algo semelhante na sua realidade, você pode me encontrar no LinkedIn. Vou ficar feliz em continuar essa conversa por lá.

Em breve teremos a continuação deste artigo sob a ótica de Engenharia de Dados. Para acompanhar quando a nova publicação for ao ar, você pode seguir o engenheiro da squad, Lucas, por meio deste link.

Se você gostou deste artigo, leia também:

• API REST do Power BI: Uma Abordagem Proativa para Monitoramento de Dados
• Escalando a IA: Estudo para Implementação de uma Arquitetura de MLOps
• Da Fragmentação à Unificação: Como Construímos uma Plataforma MLOps Escalável com Databricks

👉 Candidate-se às nossas vagas e venha transformar a saúde com educação e tecnologia na Afya: afya.com.br/carreiras