Resposta curta: Comece por definir a decisão que a gestão vai tomar; depois registe os eventos de campo com identidade única, momento e responsável. Produza os indicadores com granularidade fixa, porta de qualidade de dados e aprovação humana.
Porque é que os dados de campo não são diretamente um valor de indicador?
Cada linha num formulário de tablet é um evento mensurável; mas, por si só, não é uma resposta de gestão. Abrir uma ordem de trabalho, iniciar a visita de campo, concluir o ponto de controlo, verificar uma não conformidade e publicar o relatório são eventos de negócio diferentes. Reuni-los num único campo “concluído” confunde velocidade com qualidade e carga de trabalho com resultado.
O guia de esquema em estrela da Microsoft refere que as tabelas de factos guardam observações ou eventos, enquanto as dimensões permitem filtrar e agrupar. O mesmo guia exige especificamente que as tabelas de factos sejam carregadas com uma granularidade consistente. A consequência técnica é clara: ordem de trabalho, visita, ponto de controlo e relatório não devem ser contados como se fossem do mesmo tipo de linha.
Um bom indicador começa por explicar que decisão apoia; depois, que eventos conta, em que janela temporal e com que regra.
Primeiro passo: escolha uma única pergunta de gestão
O desenho de um painel não começa pela escolha de gráficos. Primeiro escreve-se a pergunta de decisão: “Em que etapa se acumulam os trabalhos atrasados?”, “Qual é a causa comum dos trabalhos que exigem nova visita?” ou “Porque é que a publicação do relatório se desvia da data planeada?” Cada uma destas perguntas exige eventos, âmbitos e responsáveis diferentes.
A secção Measure 2.5 do Playbook da NIST AI RMF aborda, no contexto da validação de construto, a verificação de que um indicador mede realmente o conceito que afirma medir. O equivalente no desenho da Vizyon AI é não aceitar como verdade, por si só, o resultado produzido pelo modelo ou pela regra. O indicador deve ser apresentado junto com os registos de origem, a regra de cálculo, o limite de utilização e a análise humana autorizada.
Preencha o cartão de KPI antes de o calcular
| Campo | Pergunta a fazer | Exemplo |
|---|---|---|
| Decisão | Que ação desencadeia este indicador? | O responsável pelo planeamento altera a distribuição dos trabalhos. |
| Evento | Que registo conta? | Visita de campo encerrada por utilizador autorizado. |
| Granularidade | O que representa uma linha? | Uma única visita de campo numa ordem de trabalho. |
| Tempo | Que início, fim e fuso horário são utilizados? | Início planeado e encerramento real, hora de Istambul. |
| Âmbito | Que registos estão incluídos ou excluídos? | Os trabalhos cancelados são reportados em separado no denominador. |
| Responsável | Quem aprova a definição e o limiar? | O gestor de operações e o responsável pelos dados. |
| Prova | A que registos o resultado é rastreável? | Identidades da ordem de trabalho, da visita e do histórico de operações. |
Construa o modelo de eventos sobre uma espinha imutável
Cada evento de campo deve ser mantido, no mínimo, com identidade única de evento, identidade da ordem de trabalho, tipo de evento, hora de ocorrência, hora de registo, função responsável, origem e histórico de estados. Quando for necessária correção, em vez de sobrepor silenciosamente o evento antigo, estabeleça-se nova versão ou ligação de correção. Assim, é possível explicar porque mudou posteriormente um indicador de gestão.
O modelo de dados de métricas estável do OpenTelemetry trata como conceitos separados o evento no momento do registo, a série temporal armazenada e o fluxo de métricas transportado. Esta distinção aplica-se também à operação de campo: o evento bruto é prova, a métrica é uma vista calculada com uma janela e uma unidade específicas, e o painel é a apresentação da decisão. Contador, estado instantâneo e distribuição de duração não devem ser usados como se fossem o mesmo número.
Execute a porta de qualidade de dados antes do cálculo do KPI
Dados em falta não significam baixo desempenho; sincronização atrasada também não é atraso operacional. A ISO 8000-8:2015 define os conceitos de qualidade da informação e dos dados, bem como os pré-requisitos necessários para a sua medição dentro da gestão da qualidade. A norma foi publicada em 2015 e a sua validade foi confirmada em 2022. Esta referência apoia a criação de uma barreira de qualidade de dados mensurável à frente de cada indicador.
A documentação do Microsoft Purview trata a qualidade dos dados em dimensões distintas, como exatidão, completude, conformidade, consistência, atualidade e unicidade. No ecrã operacional, em vez de comprimir todas estas dimensões numa única pontuação artificial, torne visíveis as que são críticas para a decisão:
- Completude: A existência dos campos obrigatórios de campo e das ligações a provas.
- Unicidade: Que o mesmo evento não seja contado duas vezes devido a sincronização offline ou nova tentativa.
- Consistência: Que o estado da ordem de trabalho não contradiga os estados da visita e do relatório.
- Atualidade: A hora do último fluxo de dados bem-sucedido e a janela de latência aceite.
Se a barreira de dados não for ultrapassada, o resultado do Vizyon AI não deve ser apresentado como um KPI normal; deve indicar o número de registos fora do âmbito, a hora da última atualização e a necessidade de revisão. Assim, o gestor consegue distinguir operação deficiente de cobertura de dados fraca.
Como deve ser limitada a camada de análise do Vizyon AI?
O Vizyon AI pode ser utilizado para detetar padrões em eventos de negócio definidos, priorizar exceções e colocar possíveis causas numa ordem de exame. Contudo, uma previsão ou recomendação não substitui a decisão de conformidade nem o relatório publicado. Em especial, condições como amostra pequena, alteração do formulário de campo, nova equipa ou fluxo de dados atrasado devem ser apresentadas junto com o resultado.
Esta abordagem está em conformidade com as funções de governação, mapeamento, medição e gestão do NIST AI RMF 1.0. Na implementação técnica, mantém-se o seguinte rasto para cada resultado de análise:
- A janela de dados utilizada e os filtros,
- A versão do dicionário de indicadores,
- A versão do modelo ou da regra,
- A hora em que a recomendação foi gerada,
- O papel do revisor e a decisão tomada,
- A justificação da correção efetuada posteriormente.
Para avaliar adicionalmente os limites de tarefas entre inteligência artificial e aprovação humana, pode consultar o guia inteligência artificial e aprovação humana em processos de inspeção . Se for necessário preservar a integridade dos identificadores de integração, o artigo sobre transferência de dados para ERP e contabilidade sem duplicação de registos completa a estrutura técnica.
Escolha um âmbito pequeno e auditável para o primeiro painel
Na primeira versão, em vez de transferir toda a operação para um único ecrã, escolha um ciclo de decisão. Por exemplo, monitorize em conjunto as visitas de campo planeadas e concluídas, os motivos de espera e a completude dos dados. Confirme que, a partir de cada cartão, é possível descer até à ordem de trabalho de origem e à lista de eventos.
Lista de verificação pré-publicação
- Cada KPI está associado a uma única questão de decisão?
- Numerador, denominador, janela temporal, fuso horário e exclusões estão documentados?
- A granularidade do evento é a mesma em todos os períodos?
- Dados em falta, duplicados e atrasados são apresentados separadamente?
- O utilizador consegue descer do total até ao registo de origem?
- A recomendação da IA é apresentada com origem, limites e aviso de confiança?
- A aprovação técnica e a decisão operacional estão numa pessoa autorizada?
- Quando a definição ou o modelo muda, o resultado anterior pode ser reproduzido?
Este controlo transforma o painel de um relatório decorativo numa ferramenta de decisão auditável. Para avaliar o modelo de dados e o fluxo de análise específicos da sua organização, pode explorar as soluções de inteligência artificial da VizyonTech ou definir um âmbito piloto com base no seu processo de campo atual.
Fontes
- NIST — Quadro de gestão de riscos da inteligência artificial (AI RMF 1.0), 26 de janeiro de 2023.
- NIST AI Resource Center — Guia de aplicação do AI RMF, versão integral de 30 de março de 2023.
- ISO — ISO 8000-8:2015, Qualidade de dados — Conceitos e medição, novembro de 2015; confirmada em 2022.
- OpenTelemetry — Modelo de dados de métricas, documentação estável atual do modelo.
- Microsoft Learn — Compreender o esquema em estrela e a sua importância para o Power BI, última atualização em 30 de dezembro de 2024.
- Microsoft Learn — Relatório do estado da qualidade dos dados no Unified Catalog, documentação atual.