Modelo de Artigo a ser utilizado (prof.

Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>

A transformação do Bussiness Intelligence ao Bussiness Analytics

como vantagem ao processo de decisão

Italo Galdino de Souza, Pós-Graduando Gestão Empresarial Estratégica (UFF) italogalsouza@gmail.com

Carlos Navarro Fontanillas, Pós DSc (UFRJ) navarro@facc.ufrj.br
Mauricio de Souza Leão, DSc (UFF) msleao@id.uff.br

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.

Palavras-chave: Business Analytics – Business Intelligence – Vantagem Competitiva –

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>

que prediz o futuro utilizando modelos matemáticos. Entender esses conceitos é

fundamental para conhecermos como buscar as melhores ferramentas para apoiar as
decisões de negócios, fomentar abordagens competitivas e permitir que as empresas
conheçam o seu valor operacional e estratégico.
Produtos de dados vem sendo desenvolvidos pelas organizações para uso interno ou sendo
criados e vendidos para o mercado por empresas que descobriram como utilizar o grande
potencial que os dados possuem ganhando somas vultuosas ou economizando quantias
expressivas, entre a sua diversidade de aplicações, utilizado também para o apoio a
decisão. DAVENPORT (2018) comenta que “Decisões são importantes para as empresas
que entraram nessa era, mas elas perceberam que a análise e os dados podem apoiar não
apenas decisões, mas também produtos e serviços”. O mundo dos negócios está em
constante evolução e mudanças vem ocorrendo a todo momento, Business Analytics é um
termo que faz parte desta corrida e está ajudando a encabeçar essas mudanças. A
tecnologia não é vista mais como mera coadjuvante neste processo de transformação, tem
um papel central nas empresas trazendo uma séria de benefícios e vantagens competitivas.
De acordo com PETTEY (2019), num documento do Gartner Group, relata que estamos
ainda na fase inicial de adoção da informação com um ativo para as empresas, mas ela é
um diferencial competitivo para as organizações líderes que estão focando na
transformação digital, onde dados e análises passam a ser prioridades estratégicas. Neste
contexto os dados tornam-se a chave principal para a transformação digital, o estudo ainda
diz que organizações líderes em todos os setores estão utilizando dados e análises em suas
estratégias competitivas e prevê que em 2022, 90% das estratégias corporativas anunciarão
explicitamente a informação como um ativo empresarial crítico e a análise como uma
competência primordial. Conforme relatado por BROCCHI (2018), num artigo do Mckinsey
Global Institute, grandes benefícios podem ser criados por transformações de dados bem-
sucedidas e conta que um banco dos EUA esperava uma economia de US $ 400 milhões
com a racionalização dos seus ativos de dados de TI e US $ 2 bilhões em ganhos de
receitas suplementares, melhorar a sua eficiência operacional e utilizar menos requisitos de
capital. Comenta ainda que outra instituição conta com um aumento em 25% nos seus
resultados financeiros nos segmentos e produtos alvo através de iniciativas de negógios
baseadas em dados. Para ROGERS (2017) a transformação digital proporciona uma
enxurrada de dados através principalmente da interação com mídias sociais, dispositivos
móveis, sensores e que essa imensa quantidade de dados não estruturados pode ser usada
pelas empresas na criação de previsões e descobrimento de padrões.
A jornada de evolução do BI para o BA traz como benefício um salto de excelência no
processo de tomada de decisão, uma vez que embasa as decisões “antecipando o futuro”
 Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>

com a previsão de acontecimentos, entregando insights e auxiliando no atingimento de

metas, contribuindo assim em última análise para o aumento da rentabilidade da empresa.
O presente artigo tem por objetivo mostrar os passos para evolução de um processo de
inteligência de negócios em que só podemos ter informações do resultado das ações
passadas (BI), para um sistema que possa prever tendências, descobrir padrões e
prescrever ações para a melhora do processo decisório (BA). Dessa forma, este trabalho
pretende responder ao seguinte questionamento: como pode ser realizada a migração de
um sistema baseado no passado, Business Intelligence (BI) para um sistema baseado no
futuro, Business Analytics (BA) nas organizações contemporâneas?

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.

2.1 Processo Decisório

Uma decisão pode impactar diretamente na relação entre o sucesso ou o fracasso de um

empreendimento, tomar decisões com base em informações fidedignas, disponibilizas no
momento certo e com alto grau de relacionamento sobre o assunto em questão elevam
bastante as chances de ser bem-sucedido.

Decisão é definida de diversas formas no dicionário de administração por DUARTE (2015),

entre elas:

- Escolha da tática e da estratégia para se atingir o objetivo;

- Definicação por uma, entre várias linhas de ação, visando conseguir a forma mais
eficiente e mais eficaz de alcançar o objetivo desejado;

- Tomada de posição do dirigente ou da dirigência de uma organização, fundamentada

na interpretação e na análise correta de uma linha ou linhas de ações sugeriidas,
objetivando a realização de um plano.

O processo decisório pode ser entendido como um processo desde a identificação do

problema, passando pelo mapeamento de alternativas até chegar à realização de uma
escolha baseada num determinado critério.
Nada obstante, conforme RIBEIRO (2015) as decisões podem ser tomadas a partir de uma
grande ponderação sobre o problema, rapidamente e de forma inadvertida e até mesmo não
tomar nenhuma decisão.
Invariavelmente precisamos tomar decisões, é um processo contínuo. Novos desafios são
apresentados a todo momento para que os gestores das organizações possam definir os
 Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>

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.

2.2 Tipos de Análise

O processo decisório atualmente pode utilizar a enorme quantidade de dados gerados a

todo momento por aplicações empresariais, de relacinamentos, econômicos, financeiros,
Internet, dispositivos móveis, lançamento mão de técnicas de análises para transformar
esses dados em informações relevantes e auxiliar a tomada de decisão. Conforme
DAVENPORT (2018) as análises são categorizadas como descritivas, preditivas,
prescritivas e autônomas, definindas conforme abaixo:

- Análise Descritiva: associada ao Business Intelligence (BI), fornece acesso às informações

históricas ou atuais, com a capacidade de alertar, explorar e relatar. Indica “O que
aconteceu ou está acontecendo?”, mas não informa o “por que”;
- Análise Preditiva: associada ao Business Analytics (BA), utiliza técnicas quantitativas e
tecnologias que usam dados passados para rever o futuro. Indica o “O que é mais provável
que aconteça?” no futuro;
- Análise Prescritiva: um pouco mais profunda que a Análise Preditiva, utiliza uma variedade
de técnicas quantitativas e tecnologias para especificar os comportamentos e ações ideais.
Indica “O que pode acontecer?” no futuro se certa decisão for tomada, identifica quais as
melhores medidas a serem implementadas.;
- Análise Autônoma (Cognitiva): emprego de inteligência artificial ou tecnologias cognitivas
para criação e melhoria de modelos e aprendizado dos dados. Relacionada a descoberta de
conhecimento e aprendizado de máquina.
O Gartner Group ainda relaciona um outro tipo de análise, ANÁLISE DE DIAGNÓSTICO
(2020):
- Análise Diagnóstica: também associada ao BI e sendo uma especialização da Análise
Descrita como uma forma de análise avançada para responder à pergunta “Por que isso
aconteceu?”.
Na definição de WILDER (2015) analítica é “a aplicação de processos e técnicas que
transformam dados brutos em informações significativas para melhorar a tomada de
decisão”.
 Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>

2.3 Business Intelligence (BI) ou Inteligência de Negócios

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”.

2.4 BIG DATA

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”.

2.5 Business Analytics (BA), Analytics ou Análise 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>

e estatísticas. Analytics como o uso extensivo de dados, análise estatística e qualitativa,

modelos explicativos e preditivos e gerenciamento baseado em fatos para ações e tomada
de decisão DAVENPORT (2018).
Tanto o BI quanto o BA bebem da mesma fonte, os dois conceitos são parecidos, utilizam os
mesmos dados para geração de informações uma vez que o BA utiliza toda a base histórica
gerada pelo BI. Contudo, o BA é uma evolução do BI, em última análise o Business
Analytics olha para o futuro, enquanto o Business Intelligence olha para o passado, para o
retrovisor.

2.6 Conceitos Gerais

2.6.1. Dados Estraturados e Não Estruturados

Dados estruturados estão organizados em esquemas rígidos e adequados para o formato
de tabela e os não estruturados não possuem um formato pré-definido, assim se tornando
mais complexo o seu armazenamento, podem se apresentar como vídeos, imagens,
formatos de texto. Existem estimativas que 80% dos dados disponíveis globalmente são
considerados dados não-estruturados MARQUESONE (2016).

2.6.2. Data Warehouse

Para BARBIERI (2020) representa um “armazém de dados” utilizado para guardar os dados
estruturalmente modificados com o objetivo de atender a Inteligência de Negócios (BI)
acumulando dados ao longo da dimensão tempo, formando um histórico. Lugar onde existe
um acúmulo controlado de dados transacionais, compõe as transações do dia a dia
corporativo, aumentando vegetativamente com o incremento de novos fatos organizacionais.

2.6.3. Data Lake

Segundo BARBIERI (2020) “São depósitos passageiros que servem para a filtragem,
limpeza e consolidação dos dados, que normalmente podem ser buscados em fontes
transacionais distintas, com formatos diferentes”. O Data Lake surgiu com o advento do BIG
DATA, pois permiti o armazenamento dos dados “in natura”, deixando o tratamento para um
outro momento. Armazenam um grande espectro de tipos de dados aumentando assim a
quantidade de dados disponível para tomada de decisão.

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.

2.6.6. Transformação Digital ou Digitalização

Conforme DAHER (2020) “Transformação Digital (TD) se refere à adoção de processos e
ferramentas digitais para atingir metas estratégicas de negócios. Trata-se de um processo
complexo que exige enorme mudança cultural na organização.”. É o fato de utilizar a
tecnologia como peça-chave para o negócio, aumentos seus resultados e utilizando o
conceito em toda a organização.

2.6.7. Analista de Dados, Ciências de Dados ou Data science

Para FAWCETT (2018) Analista de Dados é “apenas mais um termo para designar os
profissionais que estão praticando BI na forma de compilação e limpeza de dados, extração
de relatórios e talvez alguma visualização”. Suas habilidades passam pelo Excel, linguagem
de consulta de dados e geração de relatórios. Capacidades reconhecidas com a análise de
dados descritiva ou de extração de relatórios.
Ainda segundo FAWCETT (2018) os cientistas de dados realizam a análise preditiva,
análise prescritiva, análise cognitiva e ferramentas e algoritmos analíticos mais avançados.
São profissionais que preferencialmente devem ter conhecimento mais aprofundado em
programação para conseguirem escrever códigos de limpeza e análise de dados, além de
desenvolver especializações em modelagem, experimentação e análise de dados.
Para FAWCETT (2018) Data Science é “um conjunto de princípios fundamentais que
norteiam a extração de conhecimento a partir de dados”. Envolvendo princípios, processos e
técnicas para entender fenômenos por meio da análise (automatizada) de dados.

2.6.8. Data Mining ou Mineração dos Dados

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>

Discovery in Databases (Descoberta de Conhecimento sob Base de Dados) HURLEY

(2020). Conforme SHARDA (2019) os Datawarehouses “são muito grandes e ricos em
recursos, e tornou-se necessário “minerar” os dados corporativos a fim de “revelar” pepitas
novas e úteis de conhecimento para aprimorar processos e práticas empresariais, o que deu
origem aos termos mineração de dados e mineração de texto”.

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

4.1. As fases de evolução entre o BI e o BA

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.

4.1.1 O início de tudo

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>

explorando relatórios e dashboards com informações de eventos que ocorreram no passado

e sua tentativa de criar tendências para predizer o futuro (análise preditiva) ou recomendar
como se pode melhor fazer um trabalho (análise prescritiva) é bastante limitada, utiliza uma
pequena fração de todo o potencial que os dados coletados, armazenados e organizados
são capazes de proporcionar DAVENPORT (2018). Contudo, ela ainda hoje é necessária
pois é a base para as outras fases, pois a análise preditiva e prescritiva utiliza dados de
fatos históricos para vislumbrar o futuro.
Ainda segundo DAVENPORT (2018) empresas sofisticadas contuniam a utilizar o BI
tradicional atualmente e nem poderia ser diferente em função da base descritiva necessária
as outras fases, mas tentam controlar o seu volume e angariar usuários ao invés de
usuários especialistas em análises para utilizá-lo. Dentro desta fase o proprio BI tradicional
evoliou de relatórois e dashboards criados apenas pela área de TI ou pela área ou
profissionais especialistas em análises para o BI Self-Service aonde o próprio usuário da
área de negócios pode criar as suas análises definido como BI de autoatendimento pelo
Gartner Group, SELF SERVICE BUSINESS INTELLIGENCE (2020), onde os usuários finais
criam e implantam os seus próprios relatórios e análises apoiados por uma arquitetura e
ferramentas apropriadas para essa finalidade. DAVENPORT (2018) chama este conjunto de
ferramentas que surgiu ainda nesta primeira fase para facilitar o trabalho de “análise de
autoatendimento”, dando mais liberdade e flexibilidade para que usuários criem
principalmente análise visual. Contudo, um desafio desta flexbilização e da utilização de
planilhas ainda nos dias atuais como principal ferramenta analítica é o surgimento do que
DAVENPORT (2018) chama de “múltiplas versões da verdade”, erros causados pela falta de
governança sobre os dados disponíveis para utilização. DAVENPORT (2018) ainda comenta
que nesta fase se utilizou os “armazens de dados relacionais” ou Datawarehoses, banco de
dados relacionais que através de um processo custoso e lento, chamado ETL, pudessem
realizar a tarefa de extração, transformação e carga dos dados. Com isso, os dados são
coletados, transformados e organizados para numa estrutura aonde possam ser utilizados
no futuro BRAGHITTONI (2017), como o processo de ETL é muito especializado,
geralmente apenas a área de TI é capaz de realizá-lo, tornando um trabalho lento e reativo
ainda segundo DAVENPORT (2018).

4.1.2 O próximo passo – O Big Data

A pouco mais de 10 anos, grandes empresas do Vale do Silício viram a necessidade de

capturar, organizar e entender um volume imenso de dados oriundos de cliques que seus
clientes haviam produzido principalmente em páginas da Internet. Mas para que fosse
possível lidar com o grande volume, velocidade e principalmente variedade que os dados se
apresentavam seria necessário lançar mão de uma tecnologia que fosse além os
 Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>

Datawarehouses tradicionais, incapazes de atender a variedade de dados não estruturados

MARQUESONE (2016). O BIG DATA, capaz de armazenar um grande conjunto de dados,
possibilitou ir um passo além da análise descritiva, pois com uma volume maior de dados foi
possível desenvolver analises preditivas. Para AMARAL (2016) “é o fenômeno em que
dados são produzidos em vários formatos e armazenados por uma grande quantidade de
dispositivos e equipamentos”. Segunda SHARDA (2019) “Basicamente, Big Data são dados
que não podem ser armazenados em uma única unidade. Refere-se a dados existentes em
muitas formas diferentes: estruturados, não estruturados, em fluxo e assim por diante”.
DAVENPOR (2018) classifica esta segunda fase como “Análise 2.0” e a relaciona a essas
empresas pioneiros no Vale do Silício que hoje estão entre as maiores empresas do mundo.
Contudo, não recomenda que outras organizações adotem essa abordagem diretamente,
mas evidencia que algumas lições são importantes na “Análise 2.0”. BIG DATA é ideal para
trabalhar com toda essa grande quantidade, velociade e variedade de dados as
organizações, esta nova tecnologia permitiu que a análise preditiva e prescritiva
deslanchassem em função principalmente do seu volume, “o desempenho preditivo continua
a melhorar conforme mais dados são utilizados” FAWCETT (2018). Para ROGERS (2017) “.
Essas ferramentas de “big data” criam condições para que as empresas façam novos tipos
de previsões, descubram padrões inesperados nas atividades de negócios e liberem novas
fontes de valor”.

4.1.3 Produtos de dados - O dado se torna estratégico

Já na última década, segundo DAVENPORT (2018) as empresas chegam a conclusão que

o BIG DATA não é apenas um capricho e que existem importantes tecnologia e lições para
serem adotadas. Porém, se torna necessária a combinação da “Análise 1.0” e “2.0”
culminando na “Análise 3.0” o que DAVENPORT (2018) chama de “BIG DATA para grandes
empresas” que é a união do small data (pequenos dados) indicando como os clientes
compraram no passado, e o grande volume gerado pelas mídias sociais, dados de IOT
(Internet das Coisas) e informações de clientes. Torna-se uma questão da capacidade em
analisar todos os dados, para DAVENPORT (2018) esta fase caracteriza-se pela utilização
da análise de dados não apenas para tomada de decisão. Para o autor a “análise
operacional” integra-se aos processo de produção e sistemas, aonde a análise é utilizada
para gerar decisões com aplicações analíticas para rotas de motoristas, realizando a análise
de dados em tempo real sobre a melhor rota a ser utlizada por transportadores na logistica,
campanhas de marketing analisam a interação com os clientes e realizam ofertas em tempo
real na web, a cadeia de suprimentos também é impactada sob a forma, quantidade correta
de produtos a serem armazenados.

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:

a) Compreensão dos 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”

b) Preparação dos Dados

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

Confiança é a palavra chave nesta fase, avaliações rigorosas sobre o resultado

apresentados devem se realizadas para verificar se os dados e modelos são válidos e
confiáveis antes de proceguir. Uma vez que é muito mais fácil e barato o teste do modelo
num ambinete de desenvimento. Esta fase também ajuda na garatia de que o modelo
 Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>

satisfaça os objetivos de negócios da organização. FAWCETT (2018) corrobora a frase

anterior com “Lembre-se de que o objetivo principal da ciência de dados para negócios é
apoiar a tomada de decisão e que iniciamos o processo com foco no problema de negócio
que gostaríamos de resolver”.

4.1.4 Cognitividade - Automação das análises com Machine Learning

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>

5. Premissas e ações para o estabelecimento da migração

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>

padrão”. Só possuíam dados relacionados as condições oferecidas no passado e para os

clientes que eram avaliados dignos de crédito baseados no modelo existente.
O que o banco fez foi investir em dados, obtendo os dados necessários a um custo.
Começaram a oferecer diferentes condições de crédito para os seus clientes afim de gerar a
massa de dados necessária a avaliação do modelo. “Diferentes termos foram oferecidos
aleatoriamente para diferentes clientes” para realização de experimentos, isso acabou
levando a uma elevação no índice de atrasos em três pontos percentuais, mas foi visto não
com uma perda e sim um investimento em dados. “Neste caso, as perdas são o custo da
aquisição de dados. O pensador analítico de dados precisa considerar se espera que os
dados tenham valor suficiente para justificar o investimento”. No início as cotas ruins
aumentaram e as perdas continuaram por alguns anos, embora os investidores
reclamassem eles persistiram em sua estratégia esse tornou tão rentável que foi
“desmembrada em outras operações do banco que, agora, estavam ofuscando o sucesso
de crédito ao consumidor”, os princípios de ciência de dados forma aplicados não apenas na
aquisição de clientes, mas também em sua retenção. “Quando um cliente liga à procura de
uma oferta melhor, modelos orientados por dados calculam a potencial rentabilidade de
várias ações possíveis (diferentes ofertas, incluindo manter o status quo) e o computador do
representante do serviço ao cliente apresenta as melhores ofertas para se fazer.”
Segundo BARBIERI (2020) a passagem dos dados do ambiente transacional (Sistemas de
RH, Financeiro, Vendas) para o informacional “necessitam de uma avaliação com relação à
qualidade da sua estrutura e do seu conteúdo. Afinal, há estatísticas que apontam que os
dados com baixa qualidade podem levar a perdas entre 15% a 25% da receita da empresa”.
Um olhar de qualidade é fundamental pois este é o momento da preparação dos dados para
que a alta gerência tome decisões críticas ainda segundo BARBIERI (2020) que também
defini o conceito de qualidade da seguinte forma “O conceito de qualidade de dados se
baseia em definições formais de precisão, exatidão (acurácia), integridade, disponibilidade,
completude, etc.”.

5.1. Ferramentas

Para SHARDA (2019) os pilares da gestão moderna estão calcados em ferramentas de

análise de dados e BI como “armazenamento de dados, mineração de dados,
processamento analítico online (OLAP – online analytical processing), dashboards e uso de
sistemas baseados na nuvem para apoio a decisões”, relaciona ainda redes de sistemas
informatizados de alta velocidade para auxiliar os gestores na sua tarefa mais importante
que segundo ele é tomar decisões.
 Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>

A figura abaixo apresentada por SHARDA (2019) demonstra as diversas ferramentas,

funcionalidades e técnicas que podem ser incluídas em um sistema BI além de apresentar a
evolução do BI.

Fonte: (SHARDA, 2019)

SHARDA (2019) acrescenta a este arcaboço ferramental a modelagem estatística para

análise estatística empresarial que em fase da popularidade da análise de négocios uma
vez que vem atraindo usuários comerciais, estatísicos e profissionais de análise de dados
por ser um ferramenta de apoio ao processo decisório embasado em evidências.

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.

5.2. Contar com analistas qualificados que entendem as tecnologias e os negócios

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>

autor “além de executivos comprometidos, a maioria das organizações orientadas a dados e

análises tem um grupo de profissionais analíticos inteligentes e esforçados dentro de suas
organizações”.

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>

conceder acesso a todos os funcionários a algumas medidas importantes de cada vez

WALLER (2020).

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.

6. Análise das informações

Apresenta a análise das informações coletadas visando a responder a questão problema.

(até 2 páginas) – não exceder a 1 pagina.

Embora alguns autores divirjam na definição de BI e BA, se são conceitos e métodos

distintos ou não, a maioria concorda que o BA é uma evolução do BI e que o BA utiliza os
dados do passado para criar tendências e previsões.
Para SHARDA (2019) a geração de previsões e análises de tendências podem ser
caracterizadas dentro do processo de BI, pois segundo ele fornecedores e pesquisadores
utilizam o termo BI para referenciar tais análises. Para o autor “Embora a maioria das
pessoas provavelmente concorde que a BI evoluiu para se tornar análise de dados e ciência
de dados, muitos fornecedores e pesquisadores ainda usam esse termo.”, ainda comenta
que em meados do ano 2000 os sistemas de BI incorporaram funcionalidades de
inteligência artificial e poderosos recursos analíticos.
Já DAVENPORT (2018) faz uma separação clara entre os conceitos de BI e BA,
descrevendo o BI como o sistema que olha para fatos históricos, utilizando principalmente
análise descritiva e o BA como uma evolução do BI, utilizando esses dados históricos
 Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>

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.

Gráfico 1: O potencial de vantagem competitiva aumenta com análises mais

sofisticadas

Fonte: (Adaptado de Davenport, 2018)

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.

Maturidade Fase Técnica Característica

Análise 4.0 Machine Learning BA Análise Cognitiva

 Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>

Análise 3.0 Analytics BA Análise Preditiva e Prescritiva

Análise 2.0 BIG DATA BI/BA Estruturado e Não Estruturado
Análise 1.0 Business Intelligence BI Dado Estruturado
Fonte: (Adaptado de Davenport, 2018)

Tabela 1 – Maturidade entre as fases para evolução em BA

Premissas:

o Dados como um ativo organizacional

o Ferramentas adequadas
o Pessoal qualificado
o Cultura da organização
A observância das fases e das premisas é um método para que as organizações possam se
estruturar para percorrer a jornada de evolução para o BA.

7. Conclusões e trabalhos futuros

Somente olhar para o passado já não garante as organizações um diferencial competitivo no

mercado em que atuam, neste cenário somente a utilização do BI não garante um processo
decisório onde os gestores conquistem metas e alcancem objetivos. Para que isso seja
possível, é fundamental utilizar todo o potencial que os dados possuem com o BA, uma
evolução do BI gerando previsões e tendências para o futuro, dando aos gestores um
direcionamento claro para a tomada de decisão. Neste sentido na era da transformação
digital a evolução para o BA é fundamental para entender como se descortina o futuro da
empresa, seus resultados e seu desenvolvimento.
A avaliação permanente permite agir “antes da tormenta”, não se antecipar aos desvios no
caminho em tempo hábil pode levar ao comprometimento de todo o negócio. Por isso é
fundamental analisar os cenários de forma permanente, avaliar os fatos ocorridos em
tempos passados para descobrir tendências para correção do rumo. O Business Analytics é
capaz de identificar e informar para que o gestor possa tomar as medidas necessárias antes
do agravamento do problema. Trabalhar constante com o BA vai ajudar ao gestor tomar
decisões antes da implantação efetiva do problema.
A vantagem competitiva adquirida com a previsão de cenários futuros, através da evolução
de um sistema de BI que só olha para o passado pode ser o diferencial entre estar entre os
líderes no mercado em que a organização atua alcançando os seus objetivos ou estar entre
os negócios que fracassaram pela falta de visão no caminho.

6. Bibliografia Referenciada
 Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>

AMARAL, Fernando. Introdução à Ciência de Dados: Mineração de dados e Big Data.

Rio de Janeiro: Alta Books Editora, 2016.

ANÁLISE DE DIAGNÓSTICO. In: Gartner IT glossary. Disponível em:

<https://www.gartner.com/en/information-technology/glossary/diagnostic-analytics>. Acesso
em: 07 junho de 2020.

BARBIERI, Carlos, Governança de Dados: Práticas, conceitos e novos caminhos. Rio

de Janeiro: Alta Books, 2020.

BENGFORT, Benjamin; KIM, Jenny. Analítica de dados com Hadoop: Uma introdução
para cientistas de dados. São Paulo: Novatec Editora, 2019.

BRAGHITTONI, Ronaldo. Business Intelligence: Implementar do jeito certo e a custo

zero. São Paulo: Editora Casa do Código, 2017.

BROCCHI, Chiara; GRANDE, Davide; ROWSHANKISH, Kayvaun; SALEH, Tamim;

WEINBERG, Allen. Designing a data transformation that delivers value right from the start.
Mckinsey, 2018. Disponível em: <https://www.mckinsey.com/industries/financial-
services/our-insights/designing-a-data-transformation-that-delivers-value-right-from-the-
start>. Acesso em: 13 setembro de 2020.

BUSINESS ANALYTICS. In: Gartner IT glossary. Disponível em:

<https://www.gartner.com/en/information-technology/glossary/business-analytics>. Acesso
em: 07 junho de 2020.

BUSINESS INTELLIGENCE BI. In: Gartner IT glossary. Disponível em:

<https://www.gartner.com/en/information-technology/glossary/business-intelligence-bi
>. Acesso em: 07 junho de 2020.

DAHER, Elias. Transformação Digital e o futuro do emprego. Clube de Autores

(managed), 2020.

DAVENPORT, Thomas H.; HARRIS, Jeanne G. Competição analítica: vencendo através

da Nova Ciência. Rio de Janeiro: Alta Books, 2018.

DAVENPORT, T; MITTAL, N; SAIF, I. What Separates Analytical Leaders From Laggards?

MIT Sloan Management Review, 2020. Disponível em :
<https://sloanreview.mit.edu/article/what-separates-analytical-leaders-from-laggards/>.
Acesso em: 19 de agosto de 2020.

DELALLO, Laura. Building an innovative, data-driven culture: An interview with

ShopRunner CEO Sam Yagan. Mckinsey, 2019. Disponível em:
<https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/building-an-
innovative-data-driven-culture-an-interview-with-shoprunner-ceo-sam-yagan>. Acesso em:
04 de julho de 2020.

DELOITTE INSIGHTS, The Fourth Industrial Revolution, At the intersection of readness

and responsability. UK: Deloitte Insight, 2020.

DUARTE, Geraldo. Dicionário de administração. São Paulo: KBR, 2015.

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>

FONTANILLAS, Carlos Navarro; CRUZ, Eduardo Picanço; BARRETO, Cesar Ramos: O

processo decisório nas organizações. Rio de Janeiro:Editora Intersaberes, 2014.

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.

GOMES, L. F. A. M.; GOMES, C. F. S. Métodos para tomada de decisão: enfoque

multicritério. 6. ed. São Paulo: Atlas, 2019.

HURLEY, Richard. Business Intelligence: The ultimate guide to BI, artificial intelligence,
machine learning, Big Data, cybersecurity, data science, and predictive analytics.
Independently Published, 2020.

INSIGHT. In: MICHAELIS moderno dicionário da língua portuguesa. São Paulo:

Melhoramentos. Disponível em: <https://michaelis.uol.com.br/moderno-
portugues/busca/portugues-brasileiro/insight/>. Acesso em: 18 de setembro de 2020.

LOPES, J. E. F.; SOARES, D. J. Empresas Orientadas a Dados e Análises: as pessoas

estão preparadas? In: Encontro de Gestão e Negócios - EGEN, 2016, Uberlândia - MG.
Encontro de Gestão e Negócios - EGEN, 2016.

MACHADO, F. N. R. Big Data: o futuro dos dados e aplicações. São Paulo: Erica, 2018.

MARQUESONE, Rosangela. Big Data: Técnicas e tecnologias para extração de valor

dos dados. São Paulo: Casa do Código, 2016.

MARR, Bernard. Data strategy: How to profit from a world of big data, analytics and the
internet of things. Kogan Page Publishers, 2017.

PETTEY, C. Data & Analytics. Gartner, 2019. Disponível em:

<https://www.gartner.com/smarterwithgartner/why-data-and-analytics-are-key-to-digital-
transformation/> Acesso em: 12 de setembro de 2020.

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.

SAHAY, A. Business Analytics, Volume I: A Data-Driven Decision-Making Approach for

Business. Business Expert Press, 2018.

SHARDA, Ramesh; DELEN, Dursun; TURBAN, Efraim. Business Intelligence e Análise de

Dados para Gestão do Negócio-4. Porto Alegre: Bookman Editora, 2019.

SELF SERVICE BUSINESS INTELLIGENCE. In: Gartner IT glossary. Disponível em:

<https://www.gartner.com/en/information-technology/glossary/self-service-business-
intelligence>. Acesso em: 09 de junho de 2020.
 Modelo de Artigo a ser utilizado (prof. Martius Vicente Rodriguez y Rodriguez) – <nome dos autores>

WALLER, D. 10 Steps to Creating a Data-Driven Culture, Harvard Business Review, 2020.

Disponível em: <https://hbr.org/2020/02/10-steps-to-creating-a-data-driven-culture>. Acesso
em: 08 de agosto de 2020.

WILDER, C. R.; OZGUR, C. O. Business Analytics Curriculum for Undergraduate

Majors. INFORMS Transactions on Education, v. 15, n. 2, p. 180–187, 2015.