Escolar Documentos
Profissional Documentos
Cultura Documentos
Curitiba/PR - 03 a 06/10/2018
Autoria
Diego Vinícius de Castro Pereira - diegovcastro@yahoo.com.br
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
Resumo
1. Introdução
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
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).
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).
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
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).
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
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
9
EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018
10
EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018
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
11
EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018
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
13
EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018
14
EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018
15
EnANPAD 2018
Curitiba/PR - 03 a 06/10/2018
16