--- title: Como um banco restabeleceu governança em analytics e recuperou a capacidade de operar dados com segurança description: Veja como um grande banco elevou seu score global de compliance, tratou mais de 60 mil eventos irregulares e recuperou a capacidade de operar dados navegacionais com mais segurança e governança. image: https://math.group/hubfs/Gemini_Generated_Image_i6cxuyi6cxuyi6cx-1.png --- ![logo-2](https://math.group/hs-fs/hubfs/logo-2.png?width=186&height=33&name=logo-2.png) # Como um banco restabeleceu governança em analytics e recuperou a capacidade de operar dados com segurança ![Gemini_Generated_Image_i6cxuyi6cxuyi6cx](https://math.group/hs-fs/hubfs/Gemini_Generated_Image_i6cxuyi6cxuyi6cx.png?width=2752&height=1536&name=Gemini_Generated_Image_i6cxuyi6cxuyi6cx.png) Setor Serviços financeiros Challenge Depois de uma penalização regulatória por exposição de dados sensíveis em seu ecossistema de analytics, o banco passou a operar sob risco de nova sanção e com severa limitação no uso de dados navegacionais. A infraestrutura de martech acumulava eventos legados, inconsistências de consentimento e exposição potencial de identificadores únicos a terceiros. Results O projeto elevou o score global de compliance em 10 pontos, alcançou 83% de aprovação em privacidade, tratou mais de 60 mil eventos irregulares em cinco meses e identificou mais de 40 jornadas críticas com inconformidades neutralizadas. LGPD Analytics Auditor LGPD Analytics Auditor +10 pts Evolução no score global de compliance 83% Aprovação em privacidade junto à área de Compliance +60mil Eventos irregulares ajustados em 5 meses +40 Jornadas críticas identificadas e neutralizadas ## “Sem uma base auditada e tecnicamente protegida, cada novo uso de dados amplia risco em vez de gerar valor. O projeto devolveu previsibilidade para a operação de analytics.” Diretora de Governança de Dados e Privacidade Serviços financeiros ![Gemini_Generated_Image_lnld72lnld72lnld](https://math.group/hs-fs/hubfs/Gemini_Generated_Image_lnld72lnld72lnld.png?width=2752&height=1536&name=Gemini_Generated_Image_lnld72lnld72lnld.png) ## Sobre a operação A operação pertence a um setor em que confiança institucional, rastreabilidade e segurança de dados são parte central da capacidade de operar. Em ambientes regulados, analytics não é apenas uma disciplina de mensuração. É uma infraestrutura que precisa equilibrar visão de negócio, integridade técnica e aderência contínua às exigências de privacidade. Quando esse equilíbrio se rompe, o problema não fica restrito ao time de dados ou marketing. Ele atinge governança, reduz visibilidade sobre a jornada do cliente e compromete a base sobre a qual decisões futuras, inclusive com inteligência artificial, poderiam ser construídas. ## O desafio O ponto de partida era crítico. Depois de uma penalização regulatória por exposição de dados sensíveis a terceiros no ecossistema de analytics, a operação passou a conviver com risco concreto de nova sanção e com uma limitação prática no uso de dados navegacionais. O impacto não era apenas jurídico. Era estratégico. A ameaça regulatória tinha peso real. Em um setor altamente sensível à confiança e à conformidade, a exposição de identificadores únicos e outros sinais de PII colocava a operação diante de potenciais multas, suspensão de atividades de tratamento e desgaste institucional. A penalização anterior já havia produzido um efeito imediato: seis meses de paralisação operacional, com perda de visibilidade e restrição severa da capacidade analítica. Ao mesmo tempo, a infraestrutura de martech acumulava problemas silenciosos. Eventos legados do Universal Analytics, dados duplicados, configurações desalinhadas entre GTM, GA4 e Consent Mode e baixa padronização técnica criavam uma camada de ruído que aumentava risco legal, inflava custos de processamento e distorcia leitura de performance. Esse cenário também bloqueava inovação. Sem uma base de dados sanitizada, auditada e tecnicamente protegida, qualquer avanço em automação analítica ou aplicações de IA ampliaria o problema em vez de resolvê-lo. Antes de pensar em novos usos, era preciso restabelecer o direito básico de operar dados com segurança. ## A solução A resposta não foi uma limpeza pontual. Foi uma auditoria técnica com lógica de governança contínua. A MATH submeteu todo o ecossistema de analytics a uma metodologia proprietária de auditoria composta por 61 pontos de verificação. O objetivo era mapear, com profundidade técnica, as inconformidades existentes entre coleta, parametrização, consentimento e exposição de dados. A análise passou por GA4, GTM e Consent Mode, cobrindo desde UTMs e estruturas de eventos até o tratamento de User IDs e sinais potencialmente sensíveis. A segunda frente foi o tratamento preventivo dos dados. Em vez de atuar apenas depois da coleta, a lógica de proteção foi aplicada no próprio Google Tag Manager. Quando identificadores únicos ou outros sinais indevidos eram detectados na camada de dados, o sistema aplicava hash ou bloqueio antes do envio ao Google Analytics. Na prática, isso significou mover a proteção para a origem do fluxo, com uma abordagem real de privacy by design. A terceira frente concentrou-se na correção do Consent Mode. A infraestrutura foi readequada para garantir que o sinal de consentimento do usuário fosse respeitado tecnicamente em toda a cadeia de coleta, impedindo o envio de dados em cenários de opt-out e reduzindo o passivo jurídico associado a coletas indevidas. A quarta frente foi a racionalização da base. Eventos irregulares, dados duplicados e estruturas legadas foram excluídos, ajustados ou redesenhados para que a operação voltasse a trabalhar com uma base mais limpa, consistente e confiável para leitura de jornada e tomada de decisão. Além de corrigir o presente, o projeto preparou o futuro. A arquitetura estabeleceu as bases para um sistema contínuo de monitoramento de tags e dados sensíveis, transformando governança em processo vivo, e não em resposta emergencial. >  O ganho do projeto não foi apenas conformidade. Foi a reconstrução da confiança técnica necessária para voltar a operar dados com utilidade, segurança e continuidade.  ## Os resultados Os efeitos do projeto apareceram em quatro camadas: risco, governança, qualidade operacional e prontidão futura. Na camada de risco, a auditoria reduziu de forma material a exposição a novas sanções e mitigações financeiras desproporcionais ao investimento do projeto. Mais do que evitar multa, o trabalho protegeu a continuidade operacional de uma estrutura que já havia sofrido seis meses de interrupção analítica. Na governança, a operação avançou 10 pontos no score global de compliance do grupo. Esse resultado não representa apenas adequação técnica local. Ele demonstra que o modelo aplicado no Brasil passou a funcionar como referência concreta de eficácia na gestão de privacidade dentro de um ecossistema global. A aprovação de 83% junto à área de Compliance reforça esse ponto. Na qualidade operacional, mais de 60 mil eventos irregulares foram excluídos ou ajustados em apenas cinco meses. Isso reduziu ruído, corrigiu distorções de leitura e melhorou a integridade da base analítica. Além disso, mais de 40 jornadas críticas foram identificadas e neutralizadas quanto a inconformidades LGPD, o que elevou o controle sobre fluxos de coleta mais sensíveis. Na camada estratégica, o projeto devolveu à organização a capacidade de operar dados navegacionais com mais segurança e abriu caminho para evoluções futuras em analytics e IA. Sem uma base auditada, o dado amplifica risco. Com uma base protegida, ele volta a gerar direção. ## Sua operação de analytics está preparada para escalar com segurança? [![Falar com a MATH](https://no-cache.hubspot.com/cta/default/21993063/interactive-195487063105.png) ](https://math.group/hs/cta/wi/redirect?encryptedPayload=AVxigLI%2F%2BP4FdqPGbS8TRuttqKsc2a%2FAx6FDqFVHufGW5n5icUgmbRr6AeY1%2BrdWP4KKP0rqCWhd0nDZc4Y0cQuy38S8MT6NrgqdtRcmOKda%2FWP1IecQZa9ypq39NcxEOBOtw7xepSffZP8MtGLudFlaVSemU10rvXVU0jYMAQj9&webInteractiveContentId=195487063105&portalId=21993063&hsLang=pt-br) ## Estudos de caso relacionados [![](https://math.group/hs-fs/hubfs/Gemini_Generated_Image_hs6x9yhs6x9yhs6x.png?width=2752&height=2752&name=Gemini_Generated_Image_hs6x9yhs6x9yhs6x.png) Serviços financeiros ### LP AI Tools: IA com RAG para acelerar landing pages e escalar aquisição ](https://math.group/cases-de-sucesso/lp-ai-tools-rag-landing-pages-eficiencia-aquisicao?hsLang=pt-br) [![](https://math.group/hs-fs/hubfs/Gemini_Generated_Image_er58mper58mper58.png?width=2752&height=2752&name=Gemini_Generated_Image_er58mper58mper58.png) Serviços financeiros ### Case Modernização: governança de dados e mitigação de risco em seguros ](https://math.group/cases-de-sucesso/modernizacao-governanca-dados-mitigacao-risco?hsLang=pt-br) [![](https://math.group/hs-fs/hubfs/Gemini_Generated_Image_o65ztdo65ztdo65z.png?width=2752&height=2752&name=Gemini_Generated_Image_o65ztdo65ztdo65z.png) Serviços financeiros ### Lighthouse Insights: Banco com operação digital orientada a performance ](https://math.group/cases-de-sucesso/lighthouse-insights-observabilidade-seo-eficiencia-tecnica?hsLang=pt-br)