Produtividade dos data teams
- Direção
- Aumento
- Escopo
- Métrica reportada no escopo do case Mango — Data Governance.
- Confiança
- Média
- Contexto
- Interpretar conforme a fonte e o nível de evidência.
MA
MangoMango · Global · 2026
Mango — Data Governance
Mango adotou Collate/OpenMetadata para unificar discovery, observability, quality e governance sobre um ambiente de dados complexo, criando base confiável para analytics e IA.
EscaladoEvidência A · Forte
RELATO DO CASE
O que a empresa fez
01
- O problema original
- Silos de dados, qualidade inconsistente, dificuldade de colaboração e múltiplas definições de termos de negócio aumentavam esforço e risco.
- Como era antes
- Data teams e áreas de negócio dependiam de sistemas separados, knowledge tribal e suporte manual para encontrar e confiar nos dados.
02
- O objetivo
- Estabelecer uma single source of truth, aumentar discovery e trust e sustentar pricing ML, GenAI e analytics em escala.
- A solução de IA
- Collate/OpenMetadata para discovery, observability, data quality, governance e contexto para AI workloads.
Como funciona
Metadados e contratos de dados são centralizados; usuários encontram definições, qualidade e lineage; workflows e testes no-code reduzem dependência das data teams.
Fontes corporativas → metadata/data quality/governance → portal interno → analytics/ML/GenAI.
Dados utilizados
Metadados; tabelas de warehouse; dashboards; glossário; contratos de dados; lineage; quality checks.
Decisão apoiada
Qual dado, definição e fonte são confiáveis para esta análise ou modelo de IA?
Ação gerada
Usar fonte governada, corrigir qualidade, criar contrato/teste e reduzir dependência de reconciliação manual.
O que continua sob decisão humana
Data owners e stewards continuam responsáveis por definição, qualidade e aprovação.
- O que fica com a IA
- Collate/OpenMetadata para discovery, observability, data quality, governance e contexto para AI workloads.
- Quem utiliza
- Data engineers; data scientists; analysts; business users.
- Integração ao processo
- Integrado ao portal interno de dados da Mango.
- Limitações
- Métricas são publicadas pelo fornecedor da plataforma.
- Riscos reportados no case
- Governança centralizada não elimina a necessidade de ownership e qualidade na origem.
EVIDÊNCIAS DO CASE
Resultados publicados
Usuários de dados atendidos
- Direção
- Sem direção
- Escopo
- Métrica reportada no escopo do case Mango — Data Governance.
- Confiança
- Média
- Contexto
- Interpretar conforme a fonte e o nível de evidência.
Velocidade de integração de novos dados
- Direção
- Aumento
- Escopo
- Métrica reportada no escopo do case Mango — Data Governance.
- Confiança
- Média
- Contexto
- Interpretar conforme a fonte e o nível de evidência.
- Síntese dos resultados
- Até 20% de produtividade adicional em data teams, 800+ data users e integração de novos dados 3x mais rápida.
- Benefícios
- Mais confiança, menos silos, maior self-service, menor retrabalho e melhor base para modelos de pricing e IA.
Evidência A
Customer story com métricas operacionais e confirmação do responsável de Data Governance da Mango.
O nível representa a força da evidência disponível na biblioteca, não uma avaliação da empresa.
Problemas AMEM relacionados
Capacidades de IA utilizadas
Analytics Conversacional e NLQ
- Papel
- Analisar dados
- Aplicação
- No case Mango — Data Governance, “Analytics Conversacional e NLQ” contribui para Metadados e contratos de dados são centralizados; usuários encontram definições, qualidade e lineage; workflows e testes no-code reduzem dependência das data teams. e apoia: Qual dado, definição e fonte são confiáveis para esta análise ou modelo de IA?
- Tecnologia
- Collate/OpenMetadata para discovery, observability, data quality, governance e contexto para AI workloads.
- Fornecedor
- Collate / OpenMetadata
Busca Semântica e RAG
- Papel
- Informar / recuperar conhecimento
- Aplicação
- No case Mango — Data Governance, “Busca Semântica e RAG” contribui para Metadados e contratos de dados são centralizados; usuários encontram definições, qualidade e lineage; workflows e testes no-code reduzem dependência das data teams. e apoia: Qual dado, definição e fonte são confiáveis para esta análise ou modelo de IA?
- Tecnologia
- Collate/OpenMetadata para discovery, observability, data quality, governance e contexto para AI workloads.
- Fornecedor
- Collate / OpenMetadata
Detecção de Anomalias e Mudanças
- Papel
- Detectar anomalias
- Aplicação
- No case Mango — Data Governance, “Detecção de Anomalias e Mudanças” contribui para Metadados e contratos de dados são centralizados; usuários encontram definições, qualidade e lineage; workflows e testes no-code reduzem dependência das data teams. e apoia: Qual dado, definição e fonte são confiáveis para esta análise ou modelo de IA?
- Tecnologia
- Collate/OpenMetadata para discovery, observability, data quality, governance e contexto para AI workloads.
- Fornecedor
- Collate / OpenMetadata
Automação Inteligente e Orquestração
- Papel
- Automatizar workflow
- Aplicação
- No case Mango — Data Governance, “Automação Inteligente e Orquestração” contribui para Metadados e contratos de dados são centralizados; usuários encontram definições, qualidade e lineage; workflows e testes no-code reduzem dependência das data teams. e apoia: Qual dado, definição e fonte são confiáveis para esta análise ou modelo de IA?
- Tecnologia
- Collate/OpenMetadata para discovery, observability, data quality, governance e contexto para AI workloads.
- Fornecedor
- Collate / OpenMetadata
INTERPRETAÇÃO EDITORIAL · AMEM / RECTRIX
Como este case pode inspirar sua empresa?
Avaliação editorial para apoio à análise durante o Workshop AMEM.
- Aprendizado executivo
- Antes de escalar IA, a organização precisa tornar definições, origem, qualidade e contexto de dados utilizáveis pelas pessoas e pelos modelos.
- Aplicação AMEM
- Criar catálogo governado de vendas, estoque, produto e financeiro com definições únicas e quality checks.
- MVP sugerido
- Começar pelos 15–20 KPIs/datasets mais usados no workshop e mapear owner, definição, fonte, atualização e teste de qualidade.
- Dados mínimos do MVP
- Inventário de tabelas/planilhas; KPIs; owners; glossário; qualidade; lineage básico.
Impacto AMEM5 / 5Replicabilidade4 / 5Complexidade4 / 5Score AMEM4,05 / 5
Sugestões para experimentação no contexto AMEM. Não são resultados publicados nem garantias de desempenho.
RASTREABILIDADE
Fontes e evidências
Fonte principalCase de fornecedor
Mango drives company-wide data culture in global fashion
- O que a fonte sustenta
- A fonte sustenta o case “Mango — Data Governance” e, conforme aplicável, o resultado: Até 20% de produtividade adicional em data teams, 800+ data users e integração de novos dados 3x mais rápida.
- Tipo de evidência
- Métrica
- Localizador · trecho
- Customer story: métricas e seções Unified Data Discovery / Shared Data Contracts
- Confiança no claim
- Alta
Customer story do fornecedor da plataforma; métricas não são auditoria independente.
Abrir fonteFonte secundáriaSite corporativo
Mango's data discovery, observability, and governance transformation with Collate
- O que a fonte sustenta
- A fonte sustenta o case “Mango — Data Governance” e, conforme aplicável, o resultado: Até 20% de produtividade adicional em data teams, 800+ data users e integração de novos dados 3x mais rápida.
- Tipo de evidência
- Métrica
- Localizador · trecho
- eBook Mango governance transformation
- Confiança no claim
- Média
Fonte do mesmo fornecedor; usada como triangulação documental, não independente.
Abrir fonte