Escolar Documentos
Profissional Documentos
Cultura Documentos
Resumo
Muito se tem falado na utilização de dados no apoio ao processo decisório, este presente
artigo tem o intuito de explicar quais são as fases e premissas que uma organização deve
observar desde a Inteligência de Negócios clássica baseada em fatos ocorridos no passado
ou Business Intelligence (BI) até os recursos mais avançados de Business Analytics (BA) ou
Análise de Negócios que possibilite a criação e análise de cenários futuros com o propósito
de antecipar acontecimentos, melhorar o processo decisório e por seguinte possibilitar uma
gestão mais eficaz. Visa identificar como as empresas podem tirar o máximo dos dados para
que os líderes das organizações possam utilizá-los de forma eficaz para a tomada de
decisão, evoluindo do BI para o BA com foco no processo decisório. O BA se torna
essencial para que o processo de tomada de decisão baseado em dados mitigue o fator
“suposição” e impacte diretamente na performance da organização. Quais são os passos e
premissas necessárias para evoluir o BI que utiliza análises descritivas e diagnosticas para
o BA através de análise preditiva, prescritiva e cognitiva? Pesquisa exploratória, bibliográfica
e documental, será baseada em modelos de gestão e governança das organizações
empresariais. Demonstrar como as organizações podem evoluir para um patamar que lhes
permitam acompanhar, analisar tendências e predições impactando diretamente o processo
decisório das organizações. O presente trabalho tem por objetivo oferecer um caminho para
evolução do processo de tomada de decisão das organizações baseando-se em dados e
mitigando a suposição no processo decisório.
1. Introdução
Organizações modernas têm utilizado análises e dados de forma sistemática para adquirir
vantagem competitiva baseado num processo decisório que seja mais assertivo e eficaz.
GOASDUFF (2020) ao analisar as tendências em dados para 2020 num relatório do Gartner
Group elencou cada vez mais a unidade dos dados a análise descrevendo que o choque
entre dados e análises implicará no aumento da interação e colaboração entre dados e
funções analíticas, impactando toda a cadeia envolvida no processo decisório desde as
pessoas e processos que os suportam até as tecnologias e recursos fornecidos. Pesquisa
da DELOITTE com mais de 2000 executivos, DELOITTE INSIGHTS (2020), mostrou que
Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>
muitas organizações que estão implementando uma estratégia para a indústria 4.0 tendem a
utilizar Analytics, forma coloquial para designar Business Analytics, para conectar suas
organizações e utilizar os dados para analisar, agir e começar a aprender a antecipar melhor
cenários e mudanças futuras.
Na década de 80 conceitos de inteligência de negócios, também conhecida como Business
Intelligence (BI), surgiram para coletar dados, organizá-los e compartilhar informações de
fatos históricos para auxiliar a tomada de decisão. Porém, a crescente quantidade de dados
disponíveis para análise, facilitados por tecnologias como o BIG DATA permite o
armazenamento e processamento de dados gerados em velocidade, volume e variedade
cada vez maiores MARQUESONE (2016), trazendo assim um universo de oportunidades.
Vivemos um período de intensas transformações na maneira como gerimos os negócios e
as nossas vidas. Segundo o BROCCHI (2018), num artigo do Mckinsey Global Institute, as
principais instituições financeiras que antes utilizavam apenas análises descritivas,
intrinsicamente ligadas ao BI, para apoiar o processo decisório agora estão utilizando
análises em produtos, processos e serviços, e onde antes construíam Data Warehouses
relacionais para armazenar dados estruturados de fontes específicas, agora estão operando
Data Lakes com sistemas de arquivos distribuídos em grande escala, trabalhando com
dados estruturados e não estruturados de uma grande diversidade de fontes. Contudo,
muitas empresas ainda não evoluíram para um processo de análise que vá além das
capacidades do BI, fato corroborado por um artigo do MIT de DAVENPORT (2020) onde os
resultados da pesquisa demostram que os concorrentes analíticos são minoria atualmente,
embora as tecnologias com BIG DATA e Analytics estejam disponíveis a vários anos. O
artigo ainda comenta que existe uma multidimensionalidade de fatores que levam uma
organização a ser movida por dados e análises, perfazendo uma combinação de dados,
ferramentas, talento e cultura para que as empresas possam aproveitar ao máximo os
insights que obtêm e os incorporem às decisões, utilizando assim todo este universo de
dados disponíveis com o objetivo de predizer e criar cenários futuros. A criação da predição
baseada em fatos do passado registrados no próprio BI é a técnica conhecida como
Business Analytics (BA), conhecer as fases e premissas da inteligência de negócio (BI) e
Analytics é fundamental para evolução de um sistema de BI para o BA, pois o BI é condição
para o BA e sua utilização permite que as organizações possam se antecipar aos
acontecimentos futuros, tomando cada vez mais decisões acertadas e criando assim
vantagem competitiva. Descobrir quais são os passos necessários para esta evolução é
uma das formas das empresas manterem o seu diferencial competitivo no mercado.
Será conceituado nesse artigo o processo decisório, tipos de análises envolvidos para
auxiliá-lo, como se iniciou o processo decisório baseado em inteligência de negócios e como
ele evoluiu seguindo passos e premissas para um processo baseado em análise de dados
Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>
2. Referencias bibliográficas
Com o objetivo de dar suporte à discussão das explicações, este capítulo exibe o referencial
teórico dos principais temas envolvidos no artigo em questão.
- Definicação por uma, entre várias linhas de ação, visando conseguir a forma mais
eficiente e mais eficaz de alcançar o objetivo desejado;
rumos de suas empresas. Para GOMES (2019), “Uma decisão precisa ser tomada sempre
que se está diante de um problema que possui mais que uma alternativa para sua solução”.
FONTANILLAS (2014) descreve que foi no Renascimento que surgiu o estudo sistemático
da decisão, em meio as revoluções científica e cultural que ocorreram na época que se deu
o início dos estudos onde se encontram as origens da estatística e da probabilidade, sendo
os primeiros mecanismos matemáticas desenvolvidas com o objetivo de desvendar o futuro
de maneira científica.
É um termo cuja criação é creditada a Howard Dresner, quando em 1989 utilizou no Gartner
Group a palavra “guarda-chuva” para o conjunto de conceitos e métodos para o suporte à
tomada de decisão utilizando sistemas fundamentados em fatos e dimensões
BRAGHITTONI (2017), o autor ainda destaca que Howard Dresner a descreveu da seguinte
forma “Uma metodologia pela qual se estabelecem ferramentas para obter, organizar,
analisar e prover acesso às informações necessárias aos tomadores de decisão das
empresas para analisarem os fenômenos acerca de seus negócios”. Fornece uma visão
histórica de fatos ocorridos no ambinete de negócios por meio de um processo de coleta,
organização, análise, compartilhamento e monitoramento de informações para suportar a
gestão, transformando dados brutos em informações reletantes para a tomada de decisão.
Segundo SHARDA (2019) BI é um termo que combina arquitetura, ferramentas, bases de
dados, ferramentas analíticas, aplicativos e metodologias para que os tomadores de
decisões obtenham vislumbres valiosos ao analisarem dados, situações, desempenhos
históricos e atuais. Pelo alinhamento do Gartner Group, BUSINESS INTELLIGENCE BI
(2020) “é um termo abrangente que inclui os aplicativos, infraestrutura e ferramentas, e as
melhores práticas que permitem o acesso e a análise de informações para melhorar e
otimizar decisões e desempenho”.
É uma das chaves para evolução do BI apara o BA uma vez que possibilita o tratamento de
um grande volume de dados, essencial para o processo preditivo, de formas variadas e com
grande veolcidade. Para MACHADO (2018)” uma nova onda de tecnologia e arquitetura
destinada a extrair valor de uma imensa variedade de dados, o que permite alta velocidade
com um objetivo de capturar, descobrir e anlisar estas informações e dados, de forma a
transformá-los em informações importantes e valliosas no âmbito de gestão de negócios”.
É uma expressão que tem se confundido e ao mesmo tempo sido dada como sinônimo do
próprio Business Intelligence, Análise Preditiva, Análise de Negócios em sua tradução direta
ou simplesmente Analytics. O que não se confunde é que BA tem sido atribuído ao uso da
análise de dados (Data Analytics) através de modelos matemáticos para geração e
compreenção de cenários futuros para criação de valor para as empresas. Na definição do
Gartner Group, BUSINESS ANALYTICS (2020) é um conjunto de soluções utilizadas para
criar modelos de análise e simulações de cenários, entender realidades e prever futuros
lançando mão de ferramentas de mineração de dados, análise preditiva, análises aplicadas
Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>
2.6.4. ETL
Conforme BARBIERI (2020) “.ETL (Extract, Transform and Load, ou Extração,
Transformação e Carga) e tem um forte viés de integração de dados, mas a palavra-chave é
qualidade”. O significado deste acrônimo é a capacidade de transferir via cópia os dados do
ambiente transacional, transformá-los de forma que se adequem as necessidades de forma
profilática, evitando elementos incompletos, campos insignificantes e dados errados ou
duvidosos prejudiquem ao processo decisório e a realização da carga para o ambiente de
Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>
inteligência.
2.6.5. Insights
Define-se “INSIGHT” como “Entendimento súbito e claro de alguma coisa; estado,
luz: “Ter insight é, de repente, sacar as coisas, perceber o não percebido, descobrir o óbvio,
desvendar o que está contido mais além do trivial”.” INSIGHT (2020). É o valor auferido
através do uso de análises, são ideias de alto valor para o negócio pois podem ser utilizadas
para sua expansão através do vislumbre de oportunidades.
Para FAWCETT (2018) Data Mining representa a extração de conhecimento a partir dos
dados utilizando tecnologias para este fim e completa “Como termo, “data science” muitas
vezes é aplicado mais amplamente do que o uso tradicional de “data mining”, mas as
técnicas de mineração de dados fornecem alguns dos mais claros exemplos de princípios de
data science.”. Mineração de dados é um processo para descobrir padrões em grandes
bases de dados tendo como um dos maiores benefícios a criação de inteligência de
negócios sobre determinado assunto, também conhecida como: KDD – Knowledge
Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>
3. Metodologia de pesquisa
Empresas que já possuem uma jornada com Business Intelligence podem lançar mão da
evolução em fases para migrar para o mais alto grau em Business Analytics.
Atualmente as empresas mais inovadoras possuem uma estratégia de BA, obtendo insights
para tomada de decisão. Algumas premissas também devem ser levadas em consideração
numa estratégia de transição do BI a para o BA.
Tais fases e premissas foram levantadas num estudo bibliográfico e documental onde uma
nova metodologia surge como estratégia de migração.
4. Estudo de caso
Este capítulo tem por objetivo analisar as fases desde o nascimento do BI baseado em
fontes de dados do passado até o conceito mais atual do BA com a automação das análises
(análises cognitivas), utilizando o BI como alicerce para toda a jornada em análise de
negócios.
Em pouco mais do que a última década a Análise de Negócios, BA, vem evoluindo muito
mais do que em todo o período da existência da Inteligência de Negócios ou BI.
DAVENPORT (2018) classifica as etapas e posiciona as organizações em quatro fases,
porém menciona que as três últimas fases surgiram a partir de 2007. A primeira fase, aonde
muitas empresas ainda se encontram, chamada de “Análise 1.0” é praticada por
organizações que não evoluíram sua maturidade em Analytics e ainda utilizam o BI como
ele se iniciou. Para MARQUESONE (2016) o conceito de BI teve início na década de 80
quando se começo a coletar, organizar e compartilhar informação para auxiliar a tomada de
decisão, BRAGHITTONI (2017) também posiciona o aparecimento do termo no final da
década de 80, já SHARDA (2019) considera que o termo foi cunhado na década de 90 pelo
Gartner Group, mas destaca que o conceito é bem mais antigo e diz que suas raízes
remontam aos sistemas de informações gerenciais geradores de relatórios da década de 70.
Independente do exato período de surgimento, o BI utiliza a análise descritiva e diagnóstica
Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>
Para BENGFORT (2019) produtos de dados são como “sistemas que aprendem com dados,
Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>
são autoadaptáveis e altamente aplicáveis”, extraindo valor dos dados e gerando mais
dados. O autor ainda descreve como “capazes de descobrir padrões individuais na atividade
humanas, esses produtos orientam decisões, cujas ações e influências resultantes também
são registradas como novos dados.”. Na fase da “Analíca 3.0.” de DAVENPORT (2018)
dados e análise se tornam essenciais em muitas estratégias e modelos de negócios para
criação de produtos de dados que geram bilhões de dólares em receita. FAWCETT (2018)
menciona como “projetos de análise de dados” que podem alcançar todas as unidades de
negócios, que os funcionários dessas unidades devem interagir com a equipe de cientista de
dados para realmente entender o que esta acontecendo na empresa estes funcionários
devem ter “uma base fundamental nos princípios de pensamento analítico de dados”. Ainda
segundo FAWCETT (2018) “quando confrontado com um problema de negócios, você deve
ser capaz de avaliar se e como os dados podem melhorar o desempenho” e relaciona as
fases para aferir um problema de negócio em termos de valor e dividi-lo em tarefas de
Mineração de Dados:
Os dados são a matéria-prima para solução que será contruída, por isso é muito importante
conhecer muito bem os dados que estão disponíveis e saber se são suficientes para o
desenvolvimeto da solução em questão. “Conforme o entendimento dos dados avança,
caminhos de solução podem mudar de direção em resposta e os esforços da equipe podem
até se dividir”
Nem sempre e na maioria das vezes os dados não estão no formato ideal para serem
utilizados sem nenhum tratamento. Sendo assim, remover ou inferir valores ausentes,
converter formatos, normalizações são tarefas necessárias para sua adequação.
c) Modelagem
Nesta fase são criados modelos ou padrões para capturar a regularidade nos dados. É
nessa etapa onde as principais técnicas de minerção são aplicadas, modelos matematicos
são criados tendo com sua principal estrela os algoritmos para descoberta de padrões,
regras e associações com os dados.
d) Avaliação
A fase classificada como “Análise 4.0” por DAVENPORT (2018), análise cognitiva é o que
existe de mais avançado atualmente em questões de Business Analytics, nas outras três
fases a análise era realizada por uma ou mais pessoas, após toda organização dos dados,
formação de hipótese e indicação ao computador do que precisava ser realizado. Já a
análise cognitiva elimina ou melhor dizendo limita o papel do compomente humano da
equação DAVENPORT (2018) que ainda indica a “Inteligência artificial ou tecnologias
cognitivas são amplamente vistas como, talvez, a força tecnológica mais disruptiva que o
mundo enfrenta hoje”. Para MARR (2017) é baseada no aprendizado de máquina (Machine
Learning) e na tecnologia de aprendizado profundo (Deep Learning), permitindo que os
computadores aprendam com os dados de forma autônoma. Segundo DAVENPORT (2018)
“existe uma variedade de diferentes tecnologias embaixo do “guarda-chuva” da
cognitividade”, são ferramentas na maioria das vezes baseadas em análise ou modelos
estatíscos, mas destaca-se aqui o aprendizado de máquina que possui em sua essência
uma grande parte estatística. No aprendizado de máquina os modelos são criados pela
própria ferramenta e validam se os modelos se encaixam nos dados e se necessários criam
mais modelos. Conforme DAVENPORT (2018) em algumas formas de aprendizado de
máquina, pode-se dizer que os modelos são criados pelos dados, um conjunto de dados
treinam o modelo e este se adapta as novas formas. Segundo DAVENPORT (2018) a
“ascensão do aprendizado de máquina é uma resposta para o rápido crescimento de dados,
disponibilidade de software e o poder da arquitetura de computação atual”, ainda para o
autor as redes neurais são uma versão do aprendizado de máquina de estatísitica que vem
sendo utilizadas desde 1950 e nas versões atuais chamadas de aprendizado profundo
(Deep Learning), porque segundo DAVENPORT (2018) “possuem camadas múltiplas de
características ou variáveis para predizer ou tomar uma decisão a respeito de alguma coisa
— necessitam de grande quantidade de dados para aprender e um alto nível de poder de
computação para resolver os complexos problemas abordados”. Para SHARDA (2019)
“sistemas computadorizados possibilitam que as pessoas superem seus limites cognitivos
ao acessarem e processarem rapidamente vastas quantidades de informações
armazenadas” e ainda descreve que os gestores necessitam de sistemas informatiza para
auxiliá-los na tomada de decisões, mas em muitos casos tais decisões estão sendo
automatizadas, acabando com a necessidade de qualquer intervenção gerencial.
Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>
Muito se tem falado sobre a importância dados nas organizações e como o seu volume,
variedade e velocidade vem crescendo vertiginosamente, dando origem a soluções com o
BIG DATA. Para FAWCETT (2018) os dados são um importante ativo estratégico, que esta
visão permite analisar o quanto se deve investir neles e faz uma relação entre os dados e
equipe de profissionais necessários para extrair o melhor deles. Ele ainda reforça que
mesmo a melhor equipe de cientistas de dados pode gerar pouco valor sem os dados
adequados e que muitas vezes os dados mais adequados não podem melhorar o processo
decisório sem um talento adequado em ciência de dados.
Ainda segundo FAWCETT (2018) “alguns dados estarão disponíveis praticamente de graça,
enquanto outros exigirão um esforço para serem obtidos. Alguns dados podem ser
comprados. Ainda outros simplesmente não existem e exigirão projetos auxiliares para
organizar sua coleção”.
FAWCETT (2018) comenta a clássica história de um pequeno banco na Virgínia EUA que
na década de 90 provou a importância do investimento em dados e a relevância de
considerá-lo um ativo estratégico. Segundo ele na década de 80 a ciência de dados
transformou o setor de crédito ao consumidor com a modelagem da probabilidade de
inadimplência, “desde a avaliação pessoal da probabilidade de inadimplência até estratégias
de grande escala e participação de mercado, o que trouxe consigo economias
concomitantes”. Na época os cartões de crédito praticavam preços uniformes porque as
empresas não tinham sistemas adequados de informação para trabalhar com os preços
diferenciados em grande escala e que a administração do banco acreditava que a
discriminação dos preços não seria apoiada pelos clientes. Contudo, Richard Fairbanks e
Nigel Morris perceberam que a tecnologia da informação já era capaz de criar um modelo
preditivo mais sofisticado, porém não conseguiram convencer os grandes bancos, mas
conseguiram a atenção desse pequeno banco regional na Virgínia. O gerente do banco ficou
convencido que modelar a rentabilidade era a estratégia correta e não apenas a
probabilidade de inadimplência, era sabido que uma pequena fatia dos clientes representava
mais de 100% do lucro do banco a partir de operações de cartão de crédito uma vez que o
restante dos clientes ou eram pontos de equilíbrio ou de perda de dinheiro. Eles
vislumbraram que modelando a lucratividade poderiam fazer melhores ofertas para os
melhores clientes. Todavia, o banco tinha uma grande questão a ser resolvida, ele não
possuía os dados necessários para modelar a lucratividade com o objetivo de oferecer
diferentes condições para diferentes clientes, na realidade ninguém possuía porque “os
bancos estavam oferecendo crédito com um conjunto específico de condições e um modelo
Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>
5.1. Ferramentas
Ferramentas com BIG DATA, Mineração de Dados, Machine Learning, Deep Learning,
Inteligência Artificial (IA) e Data Viz (visualização de dados) estão a disposição para que os
profissionais envolvidos nas análises possam tirar o máximo dos dados.
Muito além de computadores, softwares e relatório são necessários para realizar o trabalho
de análise, são pessoas que realizam as análises e são recursos escassos hoje nas
organizações LOPES (2016).
Segundo LOPES (2016) “é necessário um ser humano inteligente para interpretar os
padrões identificados, validar, confirmar e traduzir em novos insights e recomendações para
que outros seres humanos inteligentes realmente tomem alguma ação”, ainda segundo o
Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>
5.3. Cultura
Um dos pilares para impulsionar a evolução de uma organização que ainda está na base do
BI tradicional para uma organização que usa extensivamente os dados para tomar decisões
é a sua cultura. Numa entrevista recente para a Mckinsey, conduzido por DELALLO (2019),
Sam Yagan CEO da ShopRunner e ex-CEO do Match Group, ressalta a importância de uma
abordagem baseada em dados mencionando que logo que se tornou CEO da ShopRunner
logo deixou claro que todos tomariam decisões influenciadas pelos dados, sabendo que
nem todos encaixaram-se mais na cultura da empresa e que no momento da contratação de
pessoas a experiência em dados passaria a ser utilizada como filtro para seleção
perguntando para os candidatos como eles usaram os dados no passado para tomar
decisões, pontuando ainda a importância da tomada de decisões baseada em dados pela
equipe executiva, pois isso facilita a implantação da cultura pois todos os outros
trabalhadores da organização se espelharão neles. WALLER (2020) relata que as maiores
questões para implantação de negócios baseados em dados não são técnicos e sim
culturais, que a mudança de mentalidade se apresenta com um desafio assustador e
empresas que já possuem sua cultura Data-Driven tendem a ter gerentes de alto escalão
que fomentam que as decisões devem ser ancoradas em dados, então a cultura começa no
topo. Conforme WALLER (2020) um efeito poderoso pode ser exercido através dos líderes
ao escolherem habilmente o que deve ser medido e quais métricas eles fomentem que os
colaboradores usem, então a escolha das métricas também é fundamental para implantação
de uma cultura baseada em dados. Trazer o profissional de dados para junto do negócio é
uma estratégia importante porque Analytics não vai sobreviver ou trazer valor se ficar
separado do restante das áreas de negócio, e que é importante compartilhar o
conhecimento de negócio e o know-how técnico, pois ao levar a ciência de dados para mais
perto do negócio, o negócio é puxado para ciência de dados, principalmente ao persistir que
os colaboradores sejam alfabetizados em BA WALLER (2020). Para FAWCETT (2018) os
funcionários de todas as unidades devem interagir com a equipe de cientista de dados, pois
se eles não têm “uma base fundamental nos princípios de pensamento analítico de dados,
eles não vão realmente entender o que está acontecendo na empresa”.
Democratizar o acesso aos dados dentro das organizações é fundamental, pois os analistas
precisam de dados para criar muitas analises e sem eles a cultura baseada em dados é
impossivel de enraizar e crescer. Corrijir o problema de acesso aos dados velozmente e
Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>
Trabalhar com medidas de confiança, pois segundo WALLER (2020) é importante solicitar
as equipes que sejam explícitas e quantitativas sobre o grau de confiança da informação,
mediar o nível de incerteza é importante para verificar se os dados são confiáveis, saber o
grau de incerteza ajuda aos analistas a ter uma compreensão maior sobre o modelo
utilizado e leva a empresa a realizar experimentos para verificar o grau de acurácia dos seus
dados e modelos.
Comece pequenos, simples, mas robusto e só depois aumente e o seu nível de sofisticação.
WALLER (2020) destaca ainda que é importante criar provas de conceito simples e
robustas, indicando ainda que treinamentos devem ser oferecidos na hora certa para que os
funcionários não esqueçam rapidamente o que aprenderam casa não ponham em prática
rapidamente.
As análises devem ajudar também os funcionários da empresa, não apenas os clientes,
beneficiando-os com a utilização de Analytics para que eles posam por exemplo economizar
tempo, evitar retrabalho ou buscando informações frequentemente necessárias. Ter cuidado
com a flexibilidade pois muitas vezes o que WALLER (2020) chama “tribos de dados” são
prejudiciais a organização uma vez que muito esforço deve ser desprendido para equalizar
versões levemente dispares de uma métrica que deveria ser universal.
presentes no BI para através de análises preditivas “olhar” para o futuro. SAHAY (2018)
compartilha da visão de Davenport e aponta que o BI analisa dados históricos enquanto o
BA trata de tendências futuras.
O gráfico abaixo é uma leve adaptação da visão de DAVENPORT (2018) pois incluí a
análise diagnóstica dentre as análises e as descreve em fases bem definidas onde qualquer
organização pode se espelhar para realizar a migração do BI para o BA aumentando o seu
grau de maturidade em análise de dados.
O gráfico apresenta uma jornada bem definida para a evolução da maturidade em análise de
dados. Como o BI é a base para o BA, empresas que ainda não começaram a sua jornada
em análise de dados devem percorrer toda a caminhada desde a Análise Descritiva.
Contudo, para aquelas organizações que já começaram, devem verificar em que estágio se
encontram em sua corrida de dados e evoluir para o patamar seguinte observando as fases
e premissas descritas abaixo.
Premissas:
6. Bibliografia Referenciada
Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>
BENGFORT, Benjamin; KIM, Jenny. Analítica de dados com Hadoop: Uma introdução
para cientistas de dados. São Paulo: Novatec Editora, 2019.
FAWCETT, Tom; PROVOST, Foster. Data Science para Negócios: O que você precisa
saber sobre mineração de dados e pensamento analítico de dados. Rio de Janeiro: Alta
Books, 2018.
Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>
GOASDUFF, L. Gartner Top 10 Trends in Data and Analytics for 2020. Gartner, 2020.
Disponível em: <https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-
and-analytics-for-2020/>. Acesso em 13 de setembro de 2020.
HURLEY, Richard. Business Intelligence: The ultimate guide to BI, artificial intelligence,
machine learning, Big Data, cybersecurity, data science, and predictive analytics.
Independently Published, 2020.
MACHADO, F. N. R. Big Data: o futuro dos dados e aplicações. São Paulo: Erica, 2018.
MARR, Bernard. Data strategy: How to profit from a world of big data, analytics and the
internet of things. Kogan Page Publishers, 2017.
RIBEIRO, Ivano. Implicações da obra de March e Simon para as teorias das organizações e
tomada de decisão. Revista Ibero-Americana de Estratégia, v. 14, n. 4,
2015.aDisponívelaem:a<https://periodicos.uninove.br/index.php?journal=riae&page=article&
op=view&path%5B%5D=15612 > Acesso em: 21 de julho de 2020.
ROGERS, David L. Transformação digital: Repensando o seu negócio para a era
digital. São Paulo: Autêntica Business, 2017.