EnANPAD 2018

Curitiba/PR - 03 a 06/10/2018

BIG DATA: UMA NOVA FORMA DE INTUIÇÃO NOS PROCESSOS DE

TOMADAS DE DECISÕES?

Autoria
Diego Vinícius de Castro Pereira - diegovcastro@yahoo.com.br
Prog de Pós-Grad em Admin - PPGA/UnB - Universidade de Brasília

Edgar Reyes Junior - prof.edreyes@gmail.com

Prog de Pós-Grad em Admin - PPGA/UnB - Universidade de Brasília

Resumo
O uso da intuição é um aspecto importante do processo de decisão em quase todos os setores
da sociedade. Por outro lado, em um ambiente econômico e social cada vez mais complexo,
acessar grandes quantidades de dados e informações pode ajudar organizações e governos a
fazer melhores políticas, previsões e decisões, assim big data pode se tornar uma ferramenta
necessária e importante neste contexto. O presente artigo tem como objetivo contextualizar o
cenário sobre o uso de big data e intuição no processo de tomadas de decisão, apresentando
suas características e semelhanças. Através da análise da literatura, foi identificada uma
aparente dicotomia com alguns autores defendendo o uso da intuição e outros autores
defendendo a substituição da intuição pelo uso de big data. Diante do estudo aqui realizado
foram sugeridos três proposições para trabalhos futuros.
 EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018

BIG DATA: UMA NOVA FORMA DE INTUIÇÃO NOS PROCESSOS DE TOMADAS

DE DECISÕES?

Resumo

O uso da intuição é um aspecto importante do processo de decisão em quase todos os setores

da sociedade. Por outro lado, em um ambiente econômico e social cada vez mais complexo,
acessar grandes quantidades de dados e informações pode ajudar organizações e governos a
fazer melhores políticas, previsões e decisões, assim big data pode se tornar uma ferramenta
necessária e importante neste contexto. O presente artigo tem como objetivo contextualizar o
cenário sobre o uso de big datas e intuição no processo de tomadas de decisão, apresentando
suas características e semelhanças. Através da análise da literatura, foi identificada uma
aparente dicotomia com alguns autores defendendo o uso da intuição e outros autores
defendendo a substituição da intuição pelo uso de big data. Diante do estudo aqui realizado
foram sugeridos três proposições para trabalhos futuros.

Palavras-chave: Intuição, big data, tomada de decisão, gestão do conhecimento,

racionalidade.

1. Introdução

As organizações são sistemas abertos que operam sob condições de turbulência

substancial, risco (incógnitas conhecidas) e incerteza (incógnitas desconhecidas) em que
buscam equilibrar estabilidade e coerência com flexibilidade e mudança em busca de níveis
mais altos de eficácia, excelência, relevância contínua, resiliência e sustentabilidade
(Carayannis, Giudice, Peruta, & Sindakis, 2017).
As organizações e seus membros operam em ambientes cada vez mais complexos,
dinâmicos e até perturbadores, com riscos e incertezas, o que torna cada vez mais necessário a
qualidade da tomada de decisões dos seus gestores (Carayannis et al., 2017). Uma decisão
envolve metas ou valores, alguns fatos sobre o meio ambiente, e algumas inferências a partir
dos valores e fatos. As metas e os valores podem ser simples ou complexas, consistentes ou
contraditórias; os fatos podem ser real ou supostos, com base na observação ou no relatos de
outros; as inferências podem ser válidas ou falsas (Simon, 1959). Porém a maioria das
organizações nem sabem quais são suas decisões mais importantes e não podem dizer se suas
decisões estão melhorando ou não (Pauleen, 2017).
Para Simon (1960), a tomada de decisão é sinônimo de todo o processo de
gerenciamento. É fundamental para o que os gerentes fazem e está integrado a todos os tipos
de funções de gestão (Intezari & Gressel, 2017).
Os processos através dos quais uma organização toma decisões podem ser estruturados
ou não estruturados. Decisões estruturadas exigem que os gerentes categorizem o problema
que enfrentam e, em determinadas circunstâncias, exigem o uso da análise para encontrar a
resposta correta. É uma decisão baseada na racionalidade analítica (Intezari & Gressel, 2017).
Por sua vez, as decisões não estruturadas são vagas, incertas e difusas, para os quais não
existe um processo pré-definido e uma solução ótima, a intuição, a experiência e o julgamento
humano são muitas vezes a base para a tomada de decisões (Intezari & Gressel, 2017; Zhang,
Lu, & Ya, 2015). Portanto a decisão pode seguir as regras racionais ou não. A intuição e o
raciocínio são formas alternativas de resolver problemas (Kahneman, 2003).
Entretanto, pesquisadores têm acumulado evidências de que a tomada de decisão
humana é, de fato, longe de ser racional (Tversky & Kahneman, 1974), guiados por emoção e
intuição (Matzler, Uzelac, & Bauer, 2014). Mas os avanços na tecnologia, como por exemplo,

1
 EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018

o big data, está permitindo que as decisões se tornem mais baseadas em dados, evidencias e
rigor em vez de intuição (O’Connor & Kelly, 2017; Tian, 2017).
Seguindo outro ponto de vista, Ransbotham, Kiron, & Prentice (2016) diz que gerentes
também podem misturar informações e experiências para tomar decisões específicas. O autor
diz que análise e intuição são misturados e não equilibrados (Ransbotham et al., 2016).
Gigerenzer & Goldstein (1996) acredita que, após décadas de discussão com a noção de
racionalidade limitada, é hora de superar a oposição entre o racional e o psicológico e reunir
os dois.
Diante disso, este ensaio teórico tem como objetivo analisar a produção científica
sobre o uso de big data e da intuição como apoio aos processo de tomadas de decisões
estratégicas nas organizações, apresentando uma visão geral do cenário atual. Ressalta-se que
a literatura diverge sobre o papel de big data e da intuição nos processos de tomadas de
decisão.
Entretanto, após a análise e estudo da teoria foi identificada a seguinte lacuna: Existem
similaridades entre big data e intuição no processo de tomada de decisão?
Após esta breve introdução, o artigo apresenta a seguinte estrutura: no referencial
teórico, são abordadas considerações sobre a racionalidade limitada; a gestão do
conhecimento na tomada de decisão; o papel de big data e intuição nos processos de tomada
de decisão e discussão. Por fim são apresentadas as considerações sobre a agenda de pesquisa
com base nos achados da pesquisa.

2. Referencial Teórico

2.1. Racionalidade Limitada

Cada organismo humano vive em um ambiente que gera milhões de bits de novas
informações a cada segundo, mas o gargalo do aparato perceptivo não admite mais de 1.000
bits por segundo, e provavelmente muito menos (Simon, 1959).
Gigerenzer & Goldstein (1996), por sua vez, ressalta que humanos e animais fazem
inferências sobre o mundo sob tempo e conhecimento limitados. Porém, mesmo diante dessas
limitações, tem-se que encontrar uma maneira de alcançar boas decisões, de uma forma
consistente e compatível com as limitações das capacidades mentais (Simon, 1993).
Diante dessas limitações, Simon (1955) propôs modelos de racionalidade limitada em
vez de racionalidade clássica. Mostrou que os seres humanos contentam-se com as decisões
que sejam satisfatórias (atingimento mínimo) e que atendam as devidas expectativas, porém
não necessariamente a decisão ideal. De acordo com Jones (2003), a racionalidade limitada
possui quatro princípios, sendo eles: (1) o princípio da racionalidade pretendida, o qual
começa com a noção de que as pessoas são orientadas para objetivos, mas muitas vezes não
conseguem atingir metas por interações entre aspectos de suas arquiteturas cognitivas e as
complexidades fundamentais dos ambientes que enfrentam; (2) o princípio da adaptação, onde
o pensamento humano assume a forma das tarefas que enfrentam, ou seja, o pensamento
humano é adaptativo; (3) o princípio da incerteza, na qual afirma que as pessoas têm grandes
dificuldades em trabalhar com probabilidades, avaliar o risco e fazer inferências quando a
incerteza está envolvida e por fim (4) o princípio dos trade-offs.
Ao longo das duas últimas décadas, os avanços em tecnologias de informação
mudaram drasticamente os ambientes nos quais os gerentes operam. Graças a PCs, laptops,
telefones inteligentes e tablets, a humanidade agora gera grandes quantidades de informações
disponibilizadas em todos os momentos. Estes, juntamente com o fato de que os seres
humanos têm apenas uma capacidade cognitiva relativamente limitada, reduzem a
oportunidade dos gestores de se envolverem em análises deliberadas e fundamentadas.

2
 EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018

Desde que Herbert Simon, na década de 1950, começou a revelar o processo pelo qual
os seres humanos realmente chegam às decisões (Simon, 1955), a noção de nós mesmos como
agentes racionais, deliberadamente examinando todas as informações relevantes, foi abalada
(Matzler et al., 2014). Ainda assim, as teorias positivas continuam focadas na otimização da
escolha entre algumas alternativas. Não informam como os atores decidem resolver certos
problemas, de onde as alternativas são ou sobre o número de alternativas que os atores
provavelmente consideram na tomada de decisões do mundo real (Chisholm, 1995).

2.1.1. Racionalidade versus Irracionalidade no processo de Tomada de Decisão

A perspectiva de tomada de decisão tem sido mais elaborada na pesquisa normativa,

que prescreve como as decisões devem ser tomadas. Esse tipo de pesquisa define os critérios
para uma decisão racional. Grandes esforços foram dedicados a prescrever como a melhor
escolha deve ser feita, dado um problema específico, alternativas específicas e informações
específicas (Brunsson, 1982). O comportamento é racional, e as decisões que conduzem ao
comportamento são racionais se verificar que o comportamento prescrito está bem adaptado a
seus objetivos. Racionalidade corresponde a um conjunto de habilidades ou aptidões que são
usados para encontrar cursos de ação que levem à realização dos objetivos. A ação é racional,
na medida em que está bem adaptada a esses objetivos (Simon, 1993).
Muito esforço foi dedicado a prescrever como as organizações devem alcançar mais
racionalidade. No entanto, a tomada de decisões racionais proporciona uma base de ação nem
sempre ideal. Algumas irracionalidades são requisitos necessários para ações organizacionais.
A irracionalidade é uma característica básica do comportamento organizacional. A tomada de
decisão organizacional tende a ser irracional (Brunsson, 1982).
Etzioni (1988) diz que os fatores afetivos moldam em grande parte a tomada de
decisões, na medida em que, as informações são coletadas, nas formas em que são
processadas, em que as inferências são desenhadas. Ressalta que a cognição, a inferência e o
julgamento refletem processos individuais, psicodinâmicos (Etzioni, 1988).
A irracionalidade é uma característica inerente dos seres humanos e essas
características são difíceis de mudar (Goldberg, 1968). Nem mesmo os especialistas podem
ser totalmente racionais, e a racionalidade total só pode ser alcançada por fórmulas
matemáticas ou programas de computador (Brunsson, 1982).

2.2. Gestão do Conhecimento na Tomada de Decisão

Reunir, analisar e considerar dados e informações confiáveis são extremamente

importantes na tomada de decisões estratégicas (Nicolas, 2004). Em um contexto comercial
turbulento e volátil, as organizações precisam ligar sua dimensão estratégica aos seus ativos
de conhecimento (Intezari & Gressel, 2017; Nonaka, 1994).
Os dados não significam conhecimento (Ackoff, 1989; I. Nonaka & Takeuchi, 1995).
Segundo Polanyi (1969), o conhecimento é uma atividade que seria melhor descrita como um
processo de conhecimento (Polanyi, 1969). As ideias, habilidades e arte que os indivíduos
possuem são o que os tornam valiosos como um especialista necessário em seu campo.
Polanyi compreendeu que o conhecimento deveria ir além das verdades universais (Polanyi &
Prosch, 1975).
Atualmente, a necessidade de poder transformar os dados e a informação em
conhecimento para a tomada de decisões continua a ser o fator mais crítico para o sucesso dos
negócios em todos os setores (Tian, 2017).
O conhecimento é um capital essencial (Davenport & Prusak, 1998; Intezari &
Gressel, 2017) e quando usado corretamente, os resultados do conhecimento podem se

3
 EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018

transformar em uma fonte de vantagem competitiva (Dabija, Pop, & Săniuță, 2017). Diante
disso, o conhecimento, então, passou a ser visto como um recurso, que precisava ser
"desbloqueado" dos cérebros dos funcionários através de uma gestão apropriada (Newell,
2015).
A gestão efetiva do conhecimento, ou knowledge management (KM) requer a
funcionalidade de três processos organizacionais básicos e essenciais (Sanchez, 2005), sendo
eles: (1) manter loops de aprendizagem em todos os processos organizacionais, (2) divulgar
sistematicamente conhecimento novo e existente em toda a organização; e (3) aplicar o
conhecimento onde quer que seja usado em uma organização (Carayannis, Grigoroudis, Del
Giudice, Della Peruta, & Sindakis, 2017). O KM geralmente é definido como um processo
sistemático para criar, adquirir, compartilhar e implementar o conhecimento (Khan & Vorley,
2016). Refletem a necessidade de as organizações responderem a uma série de recursos em
grande parte intangíveis (ou percebidos como capital intelectual), desde ideias, know-how até
conversas organizacionais ( Tian, 2017). De uma forma geral, o KM compreende atividades
ou processos de criação e divulgação de conhecimento para alcançar diferentes objetivos
organizacionais (Sumbal, 2017).
De acordo com Nonaka & Takeuchi (1995); Polanyi (1962); Tian (2017) o
conhecimento pode ser classificado como conhecimento explícito e o conhecimento tácito.
O conhecimento tácito sugere que os indivíduos sabem mais do que falam (Polanyi,
1967). O conhecimento tácito implica compromisso e envolvimento em contextos específicos
e tem uma qualidade pessoal (Nonaka, 1994). Como Polanyi (1958) afirmou, o objetivo de
um desempenho hábil é alcançado pela observância de um conjunto de regras que não são
conhecidas como tal para a pessoa que as segue. Assim, o conhecimento tácito é difícil de
codificar, articular e comunicar. Termos como "know-how", "conhecimento subjetivo",
"conhecimento pessoal" e "conhecimento processual" foram usados para descrever a
dimensão tácita do conhecimento (Hitta, Irelandb, & Leec, 2000). O conhecimento explícito,
por sua vez, é um conhecimento estruturado que pode ser documentado, categorizado e
facilmente transmitido a outros (Sumbal et al., 2017). É mais fácil de se comunicar e mais
compartilhável (Nonaka & Takeuchi, 1995). As técnicas de conhecimento explícito
geralmente envolvem sistemas de Tecnologia de Informação (Rothberg & Erickson, 2017).

2.3. O Uso de Big data na Tomada de Decisão

As organizações têm estado conscientes do gerenciamento do conhecimento (KM) e

das várias maneiras de gerenciar seus conhecimentos. No entanto, novos desafios continuam a
surgir e novas estratégias precisam ser adotadas para enfrentar esses desafios (Sumbal et al.,
2017). A crescente quantidade de dados disponíveis para os tomadores de decisão na
organização consiste em um dos desafios para a KM. Na prática, esses dados não podem ser
processados manualmente e, consequentemente, as ferramentas de KM são necessárias para
suportar a tomada de decisões mais informada e efetiva em tempo hábil. É neste contexto que
as ferramentas de análise de dados oferecem um meio para identificar padrões, informações e
conhecimentos não triviais de grande quantidade de dados estruturados e não estruturados
que, de outra forma, não podem ser visíveis (Khan & Vorley, 2016).
Diante disso, o uso de big data pode ser importante no KM (Wang & Wang, 2008),
pois pode ajudar não só no compartilhamento do conhecimento comum da inteligência de
negócios, mas também no desenvolvimento do conhecimento humano (Khan & Vorley,
2016). Além disso, pode ajudar a combinar o conhecimento tácito com conhecimento
explícito, aumentando assim ainda mais a capacidade de tomada de decisão (Sumbal et al.,
2017).

4
 EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018

Davenport (2013); Khan & Vorley (2016) conceituam Big data como um processo de
extração e geração de informações e conhecimento úteis a partir de dados estruturados e não
estruturados, que por meio de sua categorização, visualização e interpretação podem permitir
um KM mais efetivo (Chen et al., 2012; Davenport, 2013; Khan & Vorley, 2016).
O objetivo das análises de big data está muito relacionado à previsão e a tomada de
decisão, focando no por que os eventos estão acontecendo e o que acontecerá em seguida,
além de como otimizar as ações futuras da empresa (Ajana, 2015). Assim, são capazes de
fornecer sugestões de estratégia mais avançadas (S. Zhu & Qiu, 2016).
O volume, ao longo da velocidade e da variedade, compreende os três Vs de Big data
identificados pela primeira vez por Lancy (2001). Fosso-Wamba, Akter, Edwards, Chopin, &
Gnanzou (2015), incluem outros três Vs, sendo eles veracidade, variabilidade (complexidade)
e valor. O termo "velocidade" descreve a taxa na qual os dados fluem para dentro e para fora,
com grande parte deles chegando ou quase em tempo real (Aasheim, Williams, Rutner, &
Gardiner, 2015). Além disso, indica a necessidade de extrair rapidamente informações úteis
dos dados (Aasheim et al., 2015). Por sua vez, o termo "variedade" descreve a multiplicidade
de formatos incompatíveis e semântica inconsistente entre os dados que chegam de fontes
diferentes (Aasheim et al., 2015). As fontes podem ser estruturadas, semi-estruturadas ou não
estruturado (Schroeck, Shockley, Smart, Romero-Morales, & Tufano, 2012).
O termo “valor” enfatiza a importância de extrair benefícios econômicos e o termo
"Veracidade" destaca a importância da qualidade dos dados e o nível de confiança nas
diversas fontes de dados (Fosso-Wamba, Akter, Edwards, Chopin, & Gnanzou, 2015;
Mehmood, Meriton, Graham, Hennelly, & Kumar, 2017).
As organizações podem criar valor a partir de Big Data atuando em diferentes
possibilidades (Fosso-Wamba, Akter, Edwards, Chopin, & Gnanzou, 2015; Wang &
Alexander, 2015). Podem criar uma maneira mais holística e transparente de tomar decisões,
permitir a experimentação para descobrir necessidades, expor a variabilidade e melhorar o
desempenho com base na evidência de dados. Além de inovar produtos, serviços e modelos
de negócios com base em evidências de dados, em vez de práticas teóricas ou conceituais
(Comuzzi & Patel, 2016).

Figura 1: Modelo de tomada de decisão com a intuição e big data. Fonte: Próprio autor

5
 EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018

2.4. O Uso da Intuição na Tomada de Decisão

Os processos intuitivos evoluem a partir de uma longa experiência e aprendizagem (

Parikh, 1994; Simon, 1987) e consistem na massa de fatos, padrões, conceitos, técnicas,
abstrações e, geralmente, do conhecimento formal ou crenças, que estão nas mentes das
pessoas (Khatri & Alvin, 2000; Simon, 1987).
A intuição é subconsciente. Embora a intuição esteja ao longo de um contínuo de
consciência/subconsciência, apenas uma fração de lições de experiência se cristalizam
completamente como fatos e, portanto, são acessíveis à mente consciente. A maior parte disso
é um subconsciente extraindo de inúmeras experiências que são armazenadas (Agor, 1990a).
Algumas dessas experiências / conhecimentos armazenadas (os) no subconsciente estão mais
disponíveis do que outras através da intuição. Parikh (1994) observou que a intuição poderia
ser uma forma de inteligência em um nível que simplesmente não se pode acessar com o
pensamento racional. Segundo ele, a intuição consiste em acessar o reservatório interno da
experiência cumulativa e experiência desenvolvida ao longo de um período de anos, e destilar
dessa resposta, ou um desejo de fazer ou não fazer algo, ou escolher algumas alternativas,
novamente sem poder entender conscientemente como obtemos as respostas (Khatri & Alvin,
2000).
Simon (1993) ressalta que existe um grande dispositivo de indexação nas cabeças das
pessoas. É uma rede de discriminação que classifica os estímulos que se vê na frente, que são
familiares, escolhe os pedaços e, assim, dá acesso à informação. O autor chama este processo
de reconhecimento e diz que a intuição pode ser explicada por este processo. O princípio do
reconhecimento é um princípio intuitivamente plausível que parece não ter sido usado até
agora em modelos de racionalidade limitada. No entanto, há muito utilizado com grande
vantagem por humanos e outros animais (Gigerenzer & Goldstein, 1996).
De acordo com Kahneman & Frederick (2002) a maioria dos julgamentos e a maioria
das escolhas são feitas intuitivamente e as regras que governam a intuição são geralmente
semelhantes às regras da percepção (Kahneman, 2003).
Simon (1992) definiu a intuição como o que acontece quando uma situação fornece
uma sugestão. A sugestão dá ao especialista acesso a informações armazenadas na memória
que fornecem respostas possíveis para o problema em questão (Okoli, Weller, & Watt, 2016).
A intuição pode usar heurísticas mentais que dão resultados rápidos, mas às vezes imprecisos
(Gilovich, Griffin, & Kahneman, 2002), podem disfarçar respostas emocionais ocultas
(Provis, 2015). Eraut (2000) fala sobre a intuição como um recurso cognitivo pessoal, e
Hogarth (2010) refere-se a ela como o "capital cultural" de uma pessoa. Além disso, o
conhecimento tácito (Pérez‐Luño, Saparito, & Gopalakrishnan, 2016; Polanyi, 1967) é um
termo frequentemente usado no lugar da intuição (Nuthall & Old, 2018).
Khatri & Alvin (2000); Simon (1987) diz que a intuição não vem da emoção, embora
Vaughan (1990) observou que o medo e o desejo interferem na percepção intuitiva (Khatri &
Alvin, 2000). Além disso, valores e crenças também influenciam a maneira como as decisões
estão sendo tomadas (Okoli et al., 2016).
Novos gerentes, sem experiência ou compreensão de produção, acham difícil tomar
decisões de sucesso (Wright & Stigliani, 2012). Com o tempo e a prática, as habilidades da
maioria dos gerentes melhoram com a observação e a reflexão, especialmente com relação a
erros (Nuthall & Old, 2018). O conhecimento e experiência faz com que o especialista esteja
preparado (mas apenas no domínio da especialização) para responder a muitas situações
intuitivamente, através de reconhecimento da situação (Simon, 1991).
Agor (1990b) identificou as condições sob as quais a capacidade intuitiva parece
funcionar melhor, sendo elas: (1) quando existe um alto nível de incerteza, (2) quando um
pequeno precedente anterior existe, (3) quando as variáveis são menos previsíveis

6
 EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018

cientificamente, (4) quando os fatos são limitados, (5) quando os fatos não indicam
claramente o caminho a seguir, (6) quando os dados analíticos são de pouca utilidade, (7)
quando existem várias soluções alternativas plausíveis para escolher, com bons argumentos
para cada, e por fim (8) quando o tempo é limitado e existe uma certa pressão para chegar à
decisão correta.
Um dos achados centrais em estudos de decisões intuitivas, descrito por Klein (1998),
é que os tomadores de decisão experientes que trabalham sob pressão (por exemplo, capitães
de organizações de combate a incêndios) raramente precisam escolher entre opções porque, na
maioria dos casos, apenas uma única opção vem mente (Kahneman, 2003). O autor salienta
que o pensamento intuitivo também pode ser poderoso e preciso. A alta habilidade é adquirida
pela prática prolongada, e o desempenho das habilidades é rápido e sem esforço (Kahneman,
2003).

Variáveis que compoem a intuição Variáveis que influenciam a intuição

Figura 2: Variáveis que compoem e influenciam a intuição. Fonte: Próprio autor

Provis (2015) diz que ambientes institucionais complexos criam uma necessidade do
uso de intuição, análise e reflexão. Por sua vez, Matzler (2014) ressalta que a tomada de
decisão intuitiva pode ser vantajosa quando os profissionais são confrontados com tarefas não
estruturadas e complexas, pressão do tempo e quando eles têm experiência particular em um
campo. Okoli et al (2016) cita que muitos estudiosos sugerem o uso da intuição como a
solução final para racionalidade limitada.

3. Discussão

Um dos principais desafios da gestão contemporânea é o processo decisório com base

em informações subjetivas e incompletas, as quais evidenciam uma necessidade de ação
imediata sobre um problema, muitas vezes, mal identificado. Dessa forma, diante de um
cenário de mudanças, a tomada de decisão não pode considerar somente uma perspectiva
racional (Motta, 2007; Motta, 2004).
De acordo com Janis (1972), melhores alternativas podem ser encontradas se o
processo de decisão for mais racional. Mas decidir de forma mais racional para evitar grandes
falhas é um caminho difícil de seguir. Se as decisões devem iniciar ações, a irracionalidade
torna-se relevante e não deve ser substituída por procedimentos de decisão mais racionais
(Brunsson, 1982). Entretanto, a irracionalidade nas decisões é propensa a erros (Felin &
Zenger, 2018). Gigerenzer & Goldstein (1996); Kahneman, Slovic & Tversky (1982) diz que
a inferência humana é sistematicamente tendenciosa a erros . Dada essa visão abismal do

7
 EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018

julgamento humano, não é de admirar que alguns autores tenham sugerido que algoritmos e
inteligência artificial deveriam desempenhar um papel maior nas decisões estratégicas. Sem
dúvida, o viés e o erro são preocupações importantes na tomada de decisões estratégicas
(Felin & Zenger, 2018).
Mas em muitas situações, o tempo e as informações são limitadas e a atuação rápida
pode ser tão importante quanto correta. Assim pode entrar em cena a intuição (Gigerenzer &
Goldstein, 1996). Entretanto, autores como Matzler, Bailom, & Mooradian (2007) reforçam a
ideia de que o uso da intuição deve estar fora de cogitação nas tomadas de decisões dos
executivos. Complementam que em uma era científica, sentimentos devem ser dominados,
enquanto os dados revelam o caminho correto (Constantiou & Kallinikos, 2015).
Mas em um ambiente de "alta velocidade" e instável, as decisões estratégicas precisam
ser feitas rapidamente e na ausência de dados ou precedentes anteriores (Eisenhardt, 1989).
Assim, vários estudiosos sugeriram o uso da intuição para melhorar a qualidade da decisão em
tais contextos (Agor, 1990a; Eisenhardt, 1989; Harper, 1988; Khatri & Alvin, 2000; Prietula
& Simon, 1989; Quinn, 1980). Além disso, um ambiente instável apresentam três desafios
para processamento ou análise de dados: (1) restrição de tempo na coleta de dados /
informações; (2) precisam coletar uma grande quantidade de dados para lidar com a
instabilidade ambiental; e (3) falta de confiabilidade dos dados ou informações (Khatri &
Alvin, 2000).
De fato, ferramentas de análise de dados tradicionais, não conseguem auxiliar de
forma efetiva nas tomadas de decisões mediante essas situações. Porém, muitos estudiosos
proclamam que o uso de Big Data irá revolucionar a tomada de decisões (Richey, Morgan,
Lindsey-Hall, & Adams, 2016).
As análises realizadas por big data são diferentes das realizadas com ferramentas de
dados tradicionais em muitos aspectos (Akter & Wamba, 2016). Essa distinção de Big Data
em comparação com as ferramentas de análise tradicional de dados é distinguida em seus três
elementos caracterizadores mais importantes, chamado de os três "Vs": variedade, velocidade
e volume (Carayannis et al., 2017). Além dos elementos mencionados também passaram a ser
consideradas a veracidade, variabilidade (complexidade) e valor (Carayannis et al., 2017), os
quais foram descritos no tópico 4.
Diante desses elementos citados acima, a análise e processamento de dados utilizando
big data poderiam superar os desafios identificados por (Khatri & Alvin, 2000) em um
ambiente instável, ou seja, a restrição de tempo na coleta de dados, a coleta de uma grande
quantidade de dados e a falta de confiabilidade dos dados. Neste caso a utilização de big datas
neste tipo de ambiente poderia apresentar bons resultados.
Além disso, é importante ressaltar que em muitos casos, big data não representam
mais do que o conteúdo gerado pelo usuário ao ar livre, como em mídias sociais, sites de
internet ou outros contextos de vida social que são registrados digitalmente (por exemplo,
facebook, blogs, YouTube, localizador do smartphone, entre outros). Massas de dados desse
tipo circulam diariamente nas redes sociais, bancos de dados corporativos e outros
repositórios de dados (Constantiou & Kallinikos, 2015).
Os dados não estruturados, não possuem um formato fixo e, principalmente, derivam
das interações humanas (Intezari & Gressel, 2017; Kopenhagen, Katz, Mueller, & Maedche,
2011). Todos os dias, milhões de pessoas compartilham seus acontecimentos atualizando seu
status. Elas transmitem opiniões publicando mensagens em seu perfil ou linha do tempo,
deixam notas pessoais e comentários sobre os dos outros usuários, comunicam-se usando
ferramentas de bate-papo, exibem fotos de suas viagens, festas, organizam o futebol entre
amigos, eventos diversos e compartilham vídeos (Pereira, Salgueiro, & Mateus, 2014).
Essas milhões de pessoas compartilham opiniões, ideias, experiências e perspectivas.
(Kaplan & Haenlein, 2009). Expressam seus desejos, preferências e paixões (Ferrell, 2012).

8
 EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018

Além de também compartilharem dicas, avaliações e comentários sobre produtos e marcas

(Pagani, 2017), sendo que estes comentários podem ser declarações positivas ou negativas
(Feng & Papatla, 2011). Essas informações, de certa forma, refletem o momento em que essas
pessoas estão vivendo, e muitas dessas informações trazem consigo as experiências, os
conhecimentos, as crenças, os valores políticos e outras formas de expressão de seus usuários.
Elas expressam de certa forma, suas intuições e experiências sobre determinado tema,
produto, marca, serviço, localidades e entre outros.
Big data busca identificar padrões nestes grandes conjuntos de dados (De Mauro,
Greco, & Grimaldi, 2016). Assim, big data desempenha um papel importante na geração de
conhecimentos valiosos, o que, de outra forma, seria impossível para as organizações originar
e compartilhar (Khan & Vorley, 2016).
Outro ponto importante e que deve ser destacado é que big data está relacionado a
eventos em tempo real (Bhimani & Willcocks, 2014; Constantiou & Kallinikos, 2015). Os
dados produzidos por meio dos processos e operações associadas a big data resultam na
atualização constante das fontes de dados (Kallinikos, 2006, 2009). O conteúdo gerado
modifica a todo o momento à medida que os usuários adicionam em massa novos conteúdos
(Constantiou & Kallinikos, 2015). A análise de dados utilizando big data permite que as
organizações adotem ações imediatas (Intezari & Gressel, 2017). Respondendo de forma
rápida e contínua à interrupção ou alteração do mercado. (Constantiou & Kallinikos, 2015;
McAfee & Brynjolfsson, 2012). Permitindo o compartilhando de informações em tempo real
(Malhotra, Gosain & Sawy, 2007; Park et al., 2017; Sahaym, Steensma, & Schilling, 2007).
Neste contexto, autores sugerem que a utilização de big data substitui a necessidade
do uso da intuição. Por exemplo, Zhu (2014), diz que a utilização de big data leva à mudança
do modelo de tomada de decisão. A decisão é baseada em dados e racionalidade em vez de
experiência e intuição. O processo de tomada de decisões passa a ser uma análise lógica,
encontrando a relação causal. Ainda de acordo com Zhu (2014), o processo de tomada de
decisão de big data é a mineração de dados, análise qualitativa, e identificação de
relacionamentos. O’Connor & Kelly (2017), por sua vez, diz que o papel de big data na
tomada de decisões contraria o pensamento e a maneira como os gerentes tomam decisões
orientadas pela experiência e intuição, visto que a decisão passa a ser baseada em dados e
racionalidade.
Seguindo outro ponto de vista, Okoli et al. (2016) diz que a mente intuitiva não pode
ser substituída por nenhuma forma de dados, análise ou regras. Rothberg & Erickson (2017);
Zhao (2013) argumentam que os pontos de vista realmente importantes são extraídos dos
dados por análise humana e a intuição se faz necessária. Matzler et al. (2007), em seu trabalho
ressalta que para muitas decisões complexas, a analise baseada em dados não pode superar a
experiência de vida que nutri o instinto ou a intuição. Assim, gerentes especialistas e com
experiência tendem a ter boa intuição e podem ver novas possibilidades em qualquer situação.
Gigerenzer & Goldstein (1996), por sua vez, apresenta como resultado de seu artigo
que mecanismos psicológicos simples podem produzir quase (ou mais) inferências corretas
em menos tempo do que modelos estatísticos que incorporam propriedades clássicas de
inferência racional.
Mas a literatura fornece também um contraponto a esta aparente dicotomia, sugerindo
que o poder de big data não apaga a necessidade da visão humana e que podem se
complementar (McAfee & Brynjolfsson 2012; O’Connor & Kelly, 2017).
Assim, propõem-se as seguintes proposições:
Proposição 1: Um gestor, com pouca experiência e não especialista em um
determinado tema, ao tomar uma decisão utilizando informações obtidas através de big data
apresenta resultados melhores em menos tempo do que um gerente experiente e especialista
utilizando a intuição.

9
 EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018

Proposição 2: Um gestor experiente e especialista em um determinado tema ao tomar

uma decisão utilizando a sua intuição apresenta resultados melhores em menos tempo do que
um gestor com pouca experiência e não especialista ao usar informações obtidas através de
big data.
Entretanto, através da literatura pode-se observar que diante de um cenário de tomadas
de decisão, o uso da intuição e big data apresentam muitas características em comum,
conforme quadro abaixo.

Intuição Big data

 Decisões não estruturadas e tarefas não  Decisões baseados em Dados não
estruturadas (vagos, incertos e difusos). estruturados (vagos, incertos e difusos) e
 Ideal quando houver complexidade dos estruturados.
dados.  Apresenta com uma de suas
 Ausência de dados ou volume de dados características trabalhar com dados
(que não é tratado por softwares complexos.
tradicionais).  Volume de dados.
 Identificação de padrões;  Identificação de padrões.
 Baseada em conhecimento explícito e  Captura conhecimento explícito e tácito.
tácito.  Identifica comportamentos, padrões,
 Identifica fatos, padrões, conceitos; relacionamentos e tendências.
 Baseado em experiência, conhecimento  Os dados não estruturados podem
formal e informal, crenças, fatores apresentar a experiência, conhecimento,
emocionais, políticos. emoção, crenças dos usuários, dentre
 Ideal para ambientes em rápida mudança outros.
ou em configurações de crise.  Ideal para ambiente dinâmico, ou seja,
 Ideal também para ambientes complexos em rápida mudança.
e instáveis.  Ideal também para ambientes complexos
 Decisões rápidas. e instáveis.
 Restrição de tempo.  Decisões rápidas.
 Decisões em Tempo real.  Restrição de tempo.
 Ações imediatas.  Decisões em Tempo real.
 Ideal para novidades.  Ações imediatas.
 Processa múltiplas informações em  Apresentam informações para novos
paralelo produtos e serviços.
 Processa múltiplas informações em
paralelo
Quadro 1 – Características semelhantes entre Intuição e Big data. Fonte: Próprio autor

Outro ponto chama a atenção ao realizar uma analogia entre o funcionamento da

intuição e big data, conforme descrito abaixo.
Considerando que Big data utiliza dados estruturados e não estruturados para gerar
conhecimento útil para a tomada de decisão. Os dados / conhecimentos estruturados
(conhecimento explícito) de uma organização correspondem aos registros, documentos, entre
outros. São principalmente advindos do ambiente interno da organização, são de fácil acesso e
interpretação e podem estar armazenados como fatos (formato fixo). Os dados não
estruturados podem expressar conhecimentos explícitos e tácitos. Correspondem às
experiências, emoções, ideias, crenças, opiniões, comentários e diversas outras formas de
expressões das pessoas sem um formato fixo, os quais são advindos principalmente de seu
ambiente externo através da identificação de padrões.
A intuição, por sua vez, conforme citado por (Agor 1990a), apenas uma fração de
lições de experiência e conhecimento se cristalizam completamente como fatos e, portanto,
são acessíveis à mente consciente, são de rápido acesso e muito semelhante ao conhecimento
estruturado.

10
 EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018

Entretanto a maior parte disso é um subconsciente extraindo de inúmeras experiências,

crenças, emoções que são armazenadas ao longo da vida do indivíduo, as quais quando se
tornam necessárias são identificadas por padrões. Isso ocorre através de um grande dispositivo
de indexação nas cabeças das pessoas, uma rede de discriminação que classifica os estímulos
que se vê na frente, que são familiares, escolhe os pedaços e, assim, dá acesso à informação.
Capturando assim, conhecimento explícito e tácito (Simon, 1993), o qual apresenta também
semelhança ao conhecimento não estruturado, conforme figura 3.

Figura 3: Intuição versus Big data. Fonte: Próprio autor

Diante das semelhanças de características pode-se pensar em big data como uma nova
forma de intuição?
Assim, o autor apresenta a seguinte proposição:
Proposição 3: Diante das características em comuns entre big data e intuição (quadro
1), o uso de informações obtidos através de big data na tomada de decisão por um gerente
inexperiente e não especialista apresenta resultados equivalentes ao uso da intuição por um
gerente experiente e especialista.
Diante das características e semelhanças aqui discutidas, o autor sugere um novo
conceito: Intuição organizacional, sendo ela dividida em consciência organizacional e
subconsciente organizacional.

4. Considerações

O presente trabalho apresentou, através da literatura existente, o papel da intuição e

big data no processo de tomada de decisão, identificando suas características e pontos em
comuns, em um contexto pouco explorado pelos pesquisadores.
O estudo realizado identificou uma aparente dicotomia na literatura, quando se trata do
uso de big data e intuição no processo de tomada de decisão. Conforme citado anteriormente,
há autores que defendem que o uso de big data possa substituir a necessidade da visão e
julgamentos humanos e consequentemente substituir a necessidade da intuição. Entretanto,
apresentando outro ponto de vista, há autores que sugerem que o uso da intuição não poderá
ser substituída por nenhuma ferramenta analítica ou fontes de dados, e que a intuição e big

11
 EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018

data trabalhando em conjunto poderiam oferecer melhores resultados em um processo de

tomada de decisão. O presente estudo também identificou através da literatura que o uso da
intuição e big data apresentam muitos pontos em comuns em um cenário de tomadas de
decisões.
Além disso, outro ponto que chamou a atenção na literatura foi ao realizar uma
analogia entre o funcionamento da intuição e big data. Através da comparação foi possível
identificar similaridades no funcionamento da intuição e big data, o que pode sugerir que Big
data venha a ser uma nova forma de intuição.
O presente autor sugere como agenda de pesquisa comparar resultados do uso da
intuição e big data na tomada de decisão. A principal limitação encontrada corresponde a
pouca literatura existente que trabalham em conjunto os temas intuição e big data na tomada
de decisão. Além de poucos trabalhos empíricos unificando os dois temas.

5. Referências

Ackoff, R. (1989). From data to wisdom. Journal of Applied Systems Analysis, 16(1), 3–9.
Aasheim, C. L., Williams, S., Rutner, P., & Gardiner, A. (2015). Data analytics vs. data
science: A study of similarities and differences in undergraduate programs based on
course descriptions. Journal of Information Systems Education, 26(2), 103–115.
Agor, W. H. (1990a). Intuition in organizations: Leading and managing productively.
Newbury Park, CA: Sage Publications, A.
Agor, W. H. (1990b). The logic of intuition: How top executives make important decisions.
Organizational Dynamics, C, 157–70.
Ajana, B. (2015). Augmented borders: Big data and the ethics of immigration control. Journal
of Information, Communication & Ethics in Society, 13(1), 130–138.
Akter, S., & Wamba, S. F. (2016). Big data analytics in E-commerce: a systematic review and
agenda for future research. Electronic Markets - Springer, 26(2), 173–194.
Bhimani, A., & Willcocks, L. (2014). Digitisation, “Big Data” and the transformation of
accounting information. Accounting and Business Research, 44(4), 1–22.
Brunsson, N. (1982). The Irrationality Of Action And Action Rationality: Decisions,
Ideologies And Organizational Actions. Journal of Management Studie, 19(1).
Carayannis, E. G., Grigoroudis, E., Del Giudice, M., Della Peruta, M. R., & Sindakis, S.
(2017). An exploration of contemporary organizational artifacts and routines in a
sustainable excellence context. Journal of Knowledge Management, 21(1), 35–56.
Chen, H., Chiang, R. H. L., & Storey, V. C. (2012). Business Intelligence and Analytics:
From Big Data to Big Impact. MIS Quarterly, 36(4), 1165–1188.
Chisholm, D. (1995). Problem Solving and Institutional Design. Working Paper.
Comuzzi, M., & Patel, A. (2016). How organisations leverage Big Data: a maturity model.
Industrial Management & Data Systems, 116(8), 1468–1492.
Constantiou, I. D., & Kallinikos, J. (2015). New games, new rules: big data and the changing
context of strategy. Journal of Information Technology.
Dabija, D.-C., Pop, N. Al, & Săniuță, A. (2017). Innovation In Do-It-Yourself Retail: An
Empirical Study On Generation X Among Professional Craftsmen And Consumers.
Economics & Sociology, 10(2), 296–311.
Davenport, T. H. (2013). Analytics 3.0. Harvard Business Review, 91(12), 64–72.
Davenport, T. H., & Prusak, L. (1998). Working Knowledge: How Organizations Manage
What They Know. Harvard Business Review Press.
De Mauro, A., Greco, M., & Grimaldi, M. (2016). A formal definition of Big Data based on
its essential features. Library Review.
Eisenhardt, K. (1989). Making fast strategic decisions in high-velocity environments.

12
 EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018

Academy of Management Journal, 32(3), 543–76.

Eraut, M. (2000). Non-formal learning and tacit knowledge in professional work. Educational
Psychology, 70, 113–136.
Etzioni, A. (1988). Normative-Affective Factors Toward A New Decision-Making Model.
Journal of Economic Psychology, 9, 125–150.
Felin, T., & Zenger, T. (2018). What Sets Breakthrough Strategies Apart. MIT Sloan
Management Review.
Feng, J., & Papatla, P. (2011). Advertising: Stimulant or Suppressant of Online Word of
Mouth? Journal of Interactive Marketing, 25, 75–84.
Ferrell, L., & F. (2012). Redirecting direct selling: High-touch embraces high-tech. Business
Horizons, 55, 273—281.
Fosso-Wamba, S., Akter, S., Edwards, A., Chopin, G. and Gnanzou, D. (2015). How “big
data” can make big impact: findings from a systematic review and a longitudinal case
study. International Journal of Production Economics, 165, 234–246.
Gigerenzer, G., & Goldstein, D. G. (1996). Reasoning the Fast and Frugal Way: Models of
Bounded Rationality. Psychological Review, 103(4).
Gilovich, T., Griffin, D., & Kahneman, D. (2002). Heuristics and biases: The psychology of
intuitive judgment. New York: Cambridge University Press.
Goldberg, L. R. (1968). Simple models or simple processes? Some research on clinical
judgments. American Psycholog, 23.
Harper, S. C. (1988). Intuition: What separates executives from managers. Harper, S.C., 13–
19.
Hitta, M. A., Irelandb, R. D., & Leec, H. (2000). Technological learning, knowledge
management, firm growth and performance: an introductory essay. J. Eng. Technol.
Manage, 17, 231–246.
Hogarth, R. M. (2010). Intuition: a challenge for psychological research on decision making.
Journal Psychological Inquiry, 21, 338–353.
Intezari, A., & Gressel, S. (2017). Information and reformation in KM systems: big data and
strategic decision-making. Journal of Knowledge Management, 21(1), 71–91.
Janis, I. L. (1972). Victins of Groupthink. Boston, Mass.: Houghton Mifflin.
Jones, B. D. (2003). Bounded Rationality and Political Science: Lessons from Public
Administration and Public Policy. Journal of Public Administration Research and
Theory, 13(4), 395–412.
Kahneman, D. (2003). Maps of Bounded Rationality: Psychology for Behavioral Economics.
The American Economic Review, 95(5).
Kahneman, D., & Frederick, S. (2002). Representativeness Revisited: Attribute Substitution
in Intuitive Judgment, in Thomas Gilovich, Dale Griffin, and Daniel Kahneman, eds.,
Heuristics and biases: The psychology of intuitive thought. Cambridge University Press,
49– 81.
Kahneman, D., & Klein, G. (2009). Conditions for intuitive expertise: a failure to disagree.
American Psychologist, 64(6), 515–526.
Kahneman, D., & Slovic, E, & Tversky, A. (1982). Judgment under uncertainty: Heuristics
and biases. Cambridge, England: Cambridge University Press.
Kallinikos, J. (2006). The Consequences of Information: Institutional Implications of
Technological Change. Cheltenham: Elgar.
Kallinikos, J. (2009). The Making of Ephemeria: On the Shortening Life Spans of
Information. Journal of Interdisciplinary Social Sciences, 4(3), 227–236.
Kaplan, A. M., & Haenlein, M. (2009). The fairyland of Second Life: Virtual social worlds
and how to use them. Business Horizons, 52, 563—572.
Khan, Z., & Vorley, T. (2016). Big Data Text Analytics an enabler of Knowledge

13
 EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018

Management. Journal of Knowledge Management. https://doi.org/DOI:10.1108/JKM-06-

2015-0238
Khatri, N., & Alvin, H. (2000). The role of intuition in strategic decision making. Human
Relations, 53(1), 57–86.
King, W. R. (2009). Text analytics: Boon to knowledge management? Information Systems
Management, 26(1).
Klein, G. (1998). Sources of power: How people make decisions. MIT Press.
Kopenhagen, N., Katz, N., Mueller, B., & Maedche, A. (2011). How do procurement
networks become social? Design principles evaluation in a heterogeneous environment
of structured and unstructured interactions. System Sciences (HICSS), 4–7.
Lancy, D. (2001). 3D Data Management: Controlling Data Volume, Velocity, and Variety.
Retrieved April 23, 2018, from META Group, Inc. Http://blogs.gartner.com/doug-
laney/files/2012/01/ad.
Lev, B. (2001). Intangibles: Management, Measurement and Reporting. Brookings Institute,
Washington, DC.
Malhotra, A., Gosain, S., & El Sawy, O. A. (2007). Leveraging standard electronic business
interfaces to enable adaptive supply chain partnerships. Information Systems Research,
18(3), 1–20.
Matzler, K., Bailom, F., & Mooradian, T. A. (2007). Intuitive Decision Making. MIT SLOAN
MANAGEMENT REVIEW.
Matzler, K., Uzelac, B., & Bauer, F. (2014). Intuition’s value for organizational
innovativeness and why managers still refrain from using it. Management Decision,
52(3), 526–539.
McAfee, A., & Brynjolfsson, E. (2012). Big data: the management revolution. Harvard
Business Review, 1–9.
Mehmood, R., Meriton, R., Graham, G., Hennelly, P., & Kumar, M. (2017). Exploring the
influence of big data on city transport operations: a Markovian approach. International
Journal of Operations & Production Management, 37(1), 75–104.
Motta, P. R. (2004). Gestão contemporânea: a ciência e a arte de ser dirigente. Record, 15.
Motta, P. R. (2007). A modernização da administração pública brasileira nos últimos 40 anos.
Rev. Adm. Pública, 41, 87–96.
Newell, S. (2015). Managing knowledge and managing knowledge work: what we know and
what the future holds. Journal of Information Technology, 30(1).
Nicolas, R. (2004). Knowledge management impacts on decision making process. Journal of
Knowledge Management, 8(1), 20–31.
Nonaka, I. (1988). Creating organizational order out of chaos: self renewal in Japanese firms.
CA Management Review, 30(3), 57–73.
Nonaka, I., & Takeuchi, H. (1995). The Knowledge-creating Company. Oxford University
Press.
Nonaka, K. (1994). A dynamic theory of organizational knowledge creation. Organization
Science, 5(1), 17–37.
Nuthall, P. L., & Old, K. M. (2018). Intuition, the farmers’ primary decision process. A
review and analysis. Journal of Rural Studies, 58, 28–38.
O’Connor, C., & Kelly, S. (2017). Facilitating knowledge management through filtered big
data: SME competitiveness in an agri-food sector. Journal of Knowledge Management,
21(1), 156–179.
Okoli, J. O., Weller, G., & Watt, J. (2016). Information processing and intuitive decision-
making on the fireground: towards a model of expert intuition. Cognition, Technology &
Work, 18(1), 89–103.
Pagani, M., & M. (2017). Experiential Engagement and Active vs. Passive Behavior in

14
 EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018

Mobile Location-based Social Networks: The Moderating Role of Privacy. Journal of

Interactive Marketing, 37, 133–148.
Parikh, J. (1994). Intuition: The new frontier of management. Oxford: Blackwell Business.
Pauleen, D. J. (2017). Davenport and Prusak on KM and big data/analytics: interview with
David J. Pauleen. Journal of Knowledge Management, 21(1), 7–11.
Park, Y., El Sawy, O. A., & Fiss, P. C. (2017). The Role of Business Intelligence and
Communication Technologies in Organizational Agility: A Configurational Approach.
Journal of the Association for Information, 18, 648–686.
Pereira, H. G., Salgueiro, M. de F., & Mateus, I. (2014). Say yes to Facebook and get your
customers involved! Relationships in a world of social networks. Business Horizons, 57,
695—702.
Pérez‐Luño, A., Saparito, P., & Gopalakrishnan, S. (2016). Small and medium-sized
enterprise’s entrepreneurial versus market orientation and the creation of tacit
knowledge. Journal Small Business Management, 54, 262–278.
Polanyi, M. (1958). Personal Knowledge: Towards A Post-Critical Philosophy. University of
Chicago Press, Chicago.
Polanyi, M. (1962). Personal Knowledge: Towards a Post-critical Philosophy. Chicago:
University of Chicago Press.
Polanyi, M. (1967). The Tacit Dimension. Doubleday Press, Garden City, New York.
Prietula, M. J., & Simon, H. A. (1989). The experts in your midst. Harvard Business Review,
67(1), 120–4.
Provis, C. (2015). Intuition, Analysis and Reflection in Business Ethics. Journal of Business
Ethics, 140, 5–15. https://doi.org/10.1007/s10551-015-2688-z
Quinn, J. B. (1980). Strategies for change: Logical incrementalism. Homewood, IL: Irwin.
Ransbotham, S., Kiron, D., & Prentice, P. K. (2016). Beyond the Hype: The Hard Work
Behind Analytics Success. MIT Sloan Management Review, 1–16.
Richey, R. G., Morgan, T. R., Lindsey-Hall, K., & Adams, F. G. (2016). A global exploration
of Big Data in the supply chain. International Journal of Physical Distribution &
Logistics Management.
Rothberg, H. N., & Erickson, G. S. (2017). Big data systems: knowledge transfer or
intelligence insights? Journal of Knowledge Management, 21(1), 92–112.
https://doi.org/https://doi.org/10.1108/JKM-07-2015-0300
Sahaym, A., Steensma, H. K., & Schilling, M. A. (2007). The influence of information
technology on the use of loosely coupled organizational forms: An industry-level
analysis. Organization Science, 18(5), 865–880.
Sanchez, R. (2005). Knowledge management and organizational learning: fundamental
concepts for theory and practice. Working Paper Series, 3.
Schroeck, M., Shockley, R., Smart, J., Romero-Morales, D., & Tufano, P. P. (2012).
Analytics: The real-world use of big data. NY, USA: IBM Institute for Business Value.
Simon, H. A. (1955). A behavioral model of rational choice. The Quarterly Journal of
Economics, 69(1), 99–118.
Simon, H. A. (1959). Theories of Decision Making in Economics and Behavioral Sciences.
The American Economic Review, 49(3), 253–283.
Simon, H. A. (1960). The New Science of Management Decision. Harper & Row.
Simon, H. A. (1987). Making management decisions: The role of intuition and emotion.
Academy of Management Executive, 57–64.
Simon, H. A. (1991). Bounded Rationality and Organizational Learning. ORGANIZATION
SCIENCE, 2(1).
Simon, H. A. (1992). What is an explanation of behavior? Psychological Science, 3(3), 150–
161.

15
 EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018

Simon, H. A. (1993). Decision Making: Rational, Nonrational, and Irrational. Educational

Administration Quarterly, 29(3), 392–411.
Sumbal, M. S., Tsui, E., & W.K, E. (2017). Interrelationship between big data and knowledge
management: an exploratory study in the oil and gas sector. Journal of Knowledge
Management, 21(1), 180–196.
Thomas, J. C., Kellogg, W. A., & Erickson, T. (2001). The knowledge management puzzle:
human and social factors in knowledge management. IBM Systems Journal, 40(4), 863–
884.
Tian, X. (2017). Big data and knowledge management: a case of déjà vu or back to the future?
Journal of Knowledge Management, 21(1), 113–131.
Tversky, A., & Kahneman. (1974). Judgment under uncertainty: heuristics and biases.
Science, 185(4157), 1124–1131.
Vaughan, F. E. (1990). Varieties of intuitive experience. Newbury Park, CA: Sage
Publications, 40–61.
Wang, H., & Wang, S. (2008). A knowledge management approach to data mining process
for business intelligence. Industrial Management & Data Systems, 108(5), 622–634.
Wang, L., & Alexander, C. A. (2015). Big data driven supply chain management and business
administration. American Journal of Economics and Business Administration, 7(2), 60–
67.
Wright, M., & Stigliani, I. (2012). Entrepreneurship and growth. International Small Business
Journal, 31, 3–22.
Zhang, G., Lu, J., & Ya, G. (2015). Multi-level Decision Making: Models, Methods and
Applications. Springer.
Zhao, D. (2013). Frontiers of big data business analytics: patterns and cases in online
marketing. Big Data and Business Analytics.
Zhu, S., & Qiu, S. (2016). Research on the Innovation of Group Financial Strategy
Implementation System Under Big Data Background. Management & Engineering, 53–
57.
Zhu, Y. (2014). Research on the Application of Big Data in the Environmental Decision-
making of the Government. Applied Mechanics and Materials, 685, 524–527.
Zikopoulos, P., & Eaton, C. (2011). Understanding Big Data: Analytics for Enterprise Class
Hadoop and Streaming Data. McGraw-Hill Osborne Media.

16