Escolar Documentos
Profissional Documentos
Cultura Documentos
Brasília - DF
2021
1
ARIADNA NEVES DOS SANTOS
Brasília
2021
2
3
4
À minha família e amigos, pelo apoio.
5
RESUMO
6
ABSTRACT
The great transformations that have been taking place in the knowledge society
through digital data, generating a high volume of information, have brought challenges
and opportunities to companies and organizations, mainly requiring changes in
processes and business vision, leading them to reflect on strategies to be adopted
from the data analysis. Thus, the objective of this research was to verify, in the
perception of advertising agency professionals, what the current level of maturity in
data analysis of Brazilian companies is, as well as the actual application in decision-
making strategies in business. The data-driven maturity assessment model developed
by the Computer Science Corporation (CSC) was used in the study, in an adapted way
and only as a guideline in conducting the interviews. In the individual interviews, a
qualitative approach was used, carried out with 10 professionals from advertising
agencies with more than five years of experience. The target audience of this research
was formed by specialists from the most varied backgrounds, but who carry out work
aimed at the implementation and development of a data-driven culture in business.
The quantitative results indicated an intermediate maturity level (Repeatable), which is
confirmed by the qualitative result. This level highlights that companies already have
recurrent analytical projects guided by a strategy, but that they still fail to use data
when making decisions.
7
LISTA DE ILUSTRAÇÕES
8
LISTA DE QUADROS
9
LISTA DE TABELAS
10
Tabela 19 – Consolidado das respostas da pergunta 2 quanto ao nível de maturidade
Pessoas .................................................................................................................... 71
Tabela 20 – Consolidado das respostas da pergunta 6 quanto ao nível de maturidade
Pessoas .................................................................................................................... 73
Tabela 21 – Consolidado das respostas da pergunta 7 quanto ao nível de maturidade
Pessoas .................................................................................................................... 74
Tabela 22 – Consolidado das respostas da pergunta 7 quanto ao nível de maturidade
Pessoas .................................................................................................................... 74
Tabela 23 – Resultado geral do questionário a nível de dimensão........................... 76
Tabela 24 – Resultado geral do questionário por respondente a nível de dimensão 77
11
SUMÁRIO
1. INTRODUÇÃO .................................................................................................... 13
1.1 CONTEXTUALIZAÇÃO ...................................................................................... 13
1.2 QUESTÃO DE PESQUISA ................................................................................. 14
1.3 OBJETIVOS........................................................................................................ 15
1.3.1 Objetivo geral ......................................................................................... 15
1.3.2 Objetivos específicos ............................................................................. 15
1.4 JUSTIFICATIVA .................................................................................................. 16
1.5 ORGANIZAÇÃO DA DISSERTAÇÃO ................................................................. 19
2. REVISÃO DE LITERATURA ............................................................................... 20
3. REFERENCIAL TEORICO ................................................................................. 31
3.1 CULTURA DATA-DRIVEN.................................................................................. 31
3.2 BIG DATA ........................................................................................................... 34
3.3 BUSINESS ANALYTICS ..................................................................................... 37
3.4 TOMADA DE DECISÃO ..................................................................................... 39
4. METODOLOGIA ................................................................................................. 41
4.1 CLASSIFICAÇÃO DA PESQUISA ...................................................................... 41
4.2 PROCEDIMENTOS METODOLÓGICOS ........................................................... 42
4.2.1 Seleção do público-alvo ......................................................................... 42
4.2.2 Aplicação de questionário ...................................................................... 44
4.2.2.1 Avaliação do nível de maturidade .......................................................... 45
4.2.3 Realização de entrevista ........................................................................ 47
4.2.3.1 Roteiro das entrevistas ........................................................................... 47
5. ANÁLISE DOS RESULTADOS ........................................................................... 48
5.1 MATURIDADE INTENÇÃO................................................................................. 48
5.2 MATURIDADE DADOS ...................................................................................... 53
5.3 MATURIDADE TECNOLOGIA ............................................................................ 57
5.4 MATURIDADE PROCESSOS ............................................................................ 62
5.5 MATURIDADE PESSOAS .................................................................................. 67
6. CONCLUSÃO ..................................................................................................... 75
7. REFERÊNCIAS BIBLIOGRÁFICAS ................................................................... 78
8. APÊNDICE 1 – Modelo de Avaliação de Maturidade Data-driven ...................... 85
12
1. INTRODUÇÃO
1.1 CONTEXTUALIZAÇÃO
13
1.2 QUESTÃO DE PESQUISA
14
e Cyrk (agência digital de conteúdo). O objetivo da aquisição foi ampliar a atuação nas
áreas de performance, mídia digital, experiência do usuário e dados. Todas as
empresas atuam de maneira independente, porém, com a capacidade de integrar todo
seu portfólio de serviços à Stefanini e demais coligadas (M&M, 2017). Esse fato
possibilita maior especialização das empresas, bem como dos profissionais, trazendo
conhecimentos e habilidades especificas no desenvolvimento de cultura data-driven
para os negócios (PEZZOTTI, 2019).
Frente a essas observações, em que as organizações demonstram não
estarem preparadas culturalmente e estruturalmente no uso dos dados como fonte de
informação para melhor atender os objetivos traçados nos negócios, e o fato de que,
nos últimos anos, os profissionais das agências de publicidade estão cada vez mais
inseridos no processo de desenvolvimento de cultura data-driven das empresas, a
questão de pesquisa levantada para este estudo é: na visão dos profissionais do
mercado publicitário, o nível de maturidade existente atualmente nas
empresas/organizações possibilita afirmar que os dados estão a serviço da tomada
de decisão nos negócios?
1.3 OBJETIVOS
15
b) Verificar se empresas e/ou organizações apesentam níveis distintos de
maturidade data-driven a partir das dimensões intenção, dados, tecnologia e
processos.
c) Identificar e verificar o nível de maturidade data-driven geral que as
empresas/organizações já possuem na percepção de profissionais de agências
de publicidade.
1.4 JUSTIFICATIVA
16
Mundo (a). Brasil (b)
17
100
80
63 62
52 55
60 48
45 45
37
40 31
18
20
0
2016 2017 2018 2019 2020
18
1.5 ORGANIZAÇÃO DA DISSERTAÇÃO
19
2. REVISÃO DE LITERATURA
1
Ferramenta de software utilizada para criação, visualização e exploração de mapas baseado em redes
de dados. (VOSviewer Manual,2017).
2
Plataforma interativa de visualização e exploração de todos os tipos de redes e sistemas complexos,
grafos dinâmicos e hierárquicos (Tutorial Gephi, 2017).
20
AND ("performance analysis" OR "performance
data-driven 4017
assessment" OR "decision-making")
AND ("deep learning" OR validation OR
data-driven methods 781
decisions)
Fonte: Base de dados Scopus. Tabela de dados elaborada pela própria autora.
1400
1200
1000
800
600
400
200
0
1990
2009
1982
1984
1985
1986
1987
1988
1989
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
2020
2021
Exponencial (Soma)
Figura 3 – Quantidade publicação anuais. Fonte: Scopus. Gráfico elaborada pela própria autora
A partir da pesquisa, foi possível identificar os dez artigos mais citados (tabela
2). Estes abrangem publicações realizadas entre 2004 e 2017.
O artigo de Wang (2010) aparece como o mais citado (492). O autor aborda o
controle de gerenciamento de dados dos sistemas de transporte, trazendo
informações com foco na computação em nuvem.
Imakaev et al. (2012) descrevem uma validação técnica computacional com o
objetivo de mapear leituras de sequenciamento cromossômico, produzindo mapas de
21
todo o genoma. Labrinidis e Jagadish (2012) exploram controvérsias e desmascaram
mitos em todo do Big Data.
Nr. de
Documento Tema
Citações
Wang (2010) Sistemas de transportes inteligentes 492
Fonte: Base de dados Scopus. Tabela de dados elaborada pela própria autora.
22
Todorov et al. (2008) defendem uma abordagem alternativa baseada em dados
para identificar e modelar a estrutura da avaliação facial, tendo em vista que é comum
fazerem inferências de personalidade de maneira automática. Xia et al. (2017)
fornecem uma revisão abrangente das técnicas de classificação de cenas aéreas
existentes, bem como métodos de deep learning. Os autores trazem uma análise de
desempenho que serve como resultado de linha de base para um benchmark do setor
aéreo. Racine e Li (2004) propõem um novo método de regressão de dados. De
acordo com as autoras, as simulações realizadas sugerem que o novo estimador
proposto no estudo tem um despenho melhor que o método convencional.
Como observado, apesar dos dez artigos mais citados trazerem de forma indireta
a tomada de decisão baseada em dados, as abordagens estavam mais relacionadas a
questões metodológicas ou tecnológicas. Desse modo, foi necessário a realização de
um recorte ainda mais preciso na tentativa de filtrar publicações com maior indicativo
de abordagens conceituais e de aplicações reais sobre tomada de decisão baseada em
dados na gestão de negócios, optando-se, portanto, por analisar somente os artigos
encontrados a partir da expressão final “data-driven culture (tabela 4).
Tabela 4 – Expressão de busca final e resultado gerados pela base de dados Scopus
Fonte: Base de dados Scopus. Tabela de dados elaborada pela própria autora.
23
8
7
6
5
4
3
2
1
0
2012 2015 2016 2017 2018 2019 2020
Figura 4 – Número de publicações por ano. Fonte: Scopus. Gráfico elaborado pela própria autora
0 2 4 6 8 10 12 14
Computer Science
Engineering
Decision Sciences
Mathematics
Medicine
Social Sciences
Energy
Environmental Science
25
Tabela 5 – Artigos relativos à expressão de busca driven culture AND "decision making" OR
"framework" OR innovation OR "organizational culture".
Nr de
Documento Tema
Citações
O desenvolvimento de novos produtos embutidos em
Wang et al. (2020) 0
Big Data.
Explicando a vantagem competitiva gerada a partir do
Herden (2020) 0
Analytics com a visão baseada no conhecimento.
Compreender o impacto do Business Analytics na
Duan et al. (2020) 15
inovação.
Estudo empírico sobre as possibilidades de análise
Wang et al. (2020) 2
de negócios.
Esteller-Cucala et al. (2020) Rumo à cultura baseada em dados. 0
Rumo a se tornar uma organização orientada a
Berntsson et al. (2020) 0
dados.
Papel da liderança na construção de bases de
Kiula et al. (2019) 0
análise.
Atitudes corporativas em relação ao Big Data e seu
Pugna et al. (2019) 10
impacto na gestão de desempenho.
Wang; Krisch (2019) Base para construir uma cultura baseada em dados. 1
Desafios da cultura organizacional para a adoção de
Lunde et al. (2019) 0
Big Data.
Capacidade de Big Data, agilidade do cliente e
Hassna; Lowry (2018) 3
desempenho da organização.
Jornada em direção a uma cultura baseada em
McCarthy et al. (2017) 0
dados.
Barik et al. (2016) Estudo de caso de registro e telemetria 22
Captura de benefícios dos 'momentos de estabilidade
Black (2016) 0
e capacidade'
Picard; Pan (2015) Desafios e oportunidades de Big Data. 5
Fonte: Base de dados Scopus. Tabela de dados elaborada pela própria autora.
27
tornar uma organização data-driven é uma tendência crescente que muitas empresas
estão dispostas a adotar. No entanto, para isso, é necessária uma transformação
organizacional que, nem sempre, é tão simples e lógica. No resultado da pesquisa, todos
os fatores foram detectados como um risco durante um desenvolvimento de projeto.
Berntsson Svensson e Taghavianfar (2020) enfatizam que, apesar dos potenciais
benefícios de uma empresa se tornar orientada a dados, o número real de organizações
que usam tal ação de forma eficiente e obtêm sucesso, permanece baixo. Os autores
destacam que a ênfase da literatura tem sido direcionada para a tecnologia, com atenção
limitada aos desafios organizacionais. Desse modo, o artigo investiga os desafios e os
benefícios das organizações ao se tornarem empresas orientadas a dados a partir de
cinco fatores: gestão, dados, ferramentas, organização e processo de decisão. Por
exemplo, em gestão, a pesquisa aborda que esta é importante e precisa estar ativamente
envolvida no desenvolvimento de uma estratégia de cultura baseada em dados. Caso
contrário, a iniciativa ficará presa em silos dentro da organização.
Kiula, Waiganjo e Kihoro (2019) abordam um estudo sobre a influência da
orquestração de liderança na adesão de e-readiness no ensino superior na República
do Quênia. O estudo mostrou que há correlação entre o desempenho da liderança e
a prontidão da instituição para a era digital e questionou se essa correlação também
se aplica à adoção de tomada de decisão baseada em dados no mundo de negócios.
No artigo, os autores concluíram que a adoção e a aplicação eficazes de análise de
dados, visualização e inteligência de negócios dependem da diretamente da liderança.
O artigo recomenda orientar as lideranças para a tomada de decisões baseada em
dados e, assim, melhorar a qualidade e produtividade do ensino superior.
Pugna, Duţescu e Stanila (2019) narram os impactos organizacionais gerados
pelo Big Data na gestão de negócios. Entre as principais descobertas estão a falta de
conscientização, compreensão e confiança nos dados, além da inexistência de
compromisso com uma cultura baseada em dados, necessitando de mudanças nas
próprias organizações. Os resultados obtidos revelam questões mais críticas que
requerem intervenção se a ideia é desenvolver uma cultura data-driven:
conscientização e compreensão, definição de metas, avaliação de benefícios e
limitações, aprendizagem de confiar em dados e compromisso com uma cultura
baseada em dados.
28
Wang e Krisch (2019) trazem diretrizes para a construção de uma cultura
orientada por dados dentro das organizações, fornecendo uma estrutura de como os
dados podem desempenhar um papel importante na solução de problemas e tomadas
de decisão. Os autores afirmam que não se pode confiar apenas em tecnologias; em
vez disso, as organizações devem encontrar um equilíbrio entre pessoas e tecnologias
no desenvolvimento de uma cultura data-driven.
Lunde, Sjusdal e Pappas (2019) discorrem em seu artigo, por meio uma revisão
sistemática de literatura, os desafios e benefícios que cercam a cultura organizacional
ao adotar o Big Data. De forma geral, para os autores, as descobertas revelam que
tomada de decisão utilizando Big Data ainda é algo novo no aspecto da cultura
organizacional e que a maioria dos artigos apenas menciona a cultura organizacional
como um fator importante na adoção de Big Data e que esta desempenhava um papel
crítico para as organizações ao tentarem ter sucesso com a adoção de Big Data.
Hassna e Lowry (2018) trazem, do ponto de vista prático, insights sobre como
melhorar a competividade das organizações no mercado por meio do uso de Big Data.
De acordo com os autores, as iniciativas de Big Data apoiam a capacidade da
organização de perceber oportunidades relacionadas ao consumidor, além de
enfatizar a importância de se ter a capacidade organizacional necessária para
responder às oportunidades encontradas. O artigo também destaca que antes de
investir em iniciativas de Big Data, os líderes de negócios e de TI devem se certificar
de que suas organizações são orientadas para o consumidor e que já possuam a
cultura de tomada de decisão baseada em dados.
McCarthy, Sammon e Murphy (2017) trazem um estudo que analisa o impacto
que uma mudança em direção a uma cultura baseada em dados pode ter sobre o
comportamento de lideranças em uma instituição de nível superior. Conforme
colocado pelos autores, as mudanças organizacionais em direção a uma cultura
orientada a dados dependem significativamente dos líderes que tomam as decisões
e, portanto, entender o comportamento desses é um fator de extrema importância.
Barik et al. (2016) desenvolvem um estudo sobre a transição para uma cultura
de tomada de decisão baseada em dados da empresa Microsoft. De acordo com os
autores, grandes organizações de software estão fazendo a transição para
plataformas de dados de eventos à medida que mudam culturalmente para oferecer
melhor suporte à tomada de decisão baseada em dados. No artigo, os autores
29
descobriram que o uso de dados abrange todas as funções de trabalho e que
diferentes perspectivas, esses dados criam tensões entre funções ou equipes e que
os profissionais relatam desafios sociais e técnicos nas atividades.
Black (2016) explora conceitos preliminares em como as organizações podem
sair de uma cultura de decisões contínuas para uma baseada em inovações com foco
em Big Data. O autor disserta que, muitas vezes, obter uma resposta acionável com
dados não é uma tarefa fácil. Que é mais rápido decidir sobre um curso de ação com
base no instinto, opiniões e experiências anteriores. O artigo destaca que um padrão
de tomada de decisão baseado em opiniões e instintos está prejudicando a
capacidade de inovação. Para o autor, atender construir uma cultura de tomada de
decisões com base em dados exige que o repositório de dados contenha dados
estruturados e preparados.
Picard e Pan (2015) abordam a importância das ferramentas de análise de
dados, e que estas trazem inovação e valor para a área, ajudando a construir serviços
inovadores e valiosos para seus clientes. Para os autores, dispositivos inteligentes e
internet industrial produzem cada vez mais dados que as tecnologias e ferramentas
de Big Data permitem analisar, oferecendo enormes oportunidades.
Vallejo et al. (2012) trazem como foco de estudo o processo de transformar
grandes quantidade de dados hospitalares em informação relevante e útil para a
tomada de decisão clínica. Os autores citam a complexidade nas etapas culturais e
tecnológicas, que exigindo tempo e recursos. No artigo, os autores afirmam que para
melhorar a saúde no século 21 dependerá da quantidade de dados que são extraídas.
No entanto, converter dados em informações que podem ser usadas para apoiar a
decisão clínica é uma tarefa complexa. O processo envolve uma combinação de
etapas culturais e tecnológicas que consomem tempo e exigem muitos recursos.
Como foi possível constatar, as 16 publicações extraídas de uma expressão de
busca mais direcionada certificaram que a abordagem dos autores é aderente ao tema
desse estudo. Os artigos contemplam tanto a parte mais conceitual, com a apresentação
de modelos, metodologias e experimentos, quanto tecnológicas, com indicações de
ferramentas que podem contribuir para o alcance de uma cultura data-driven.
30
3. REFERENCIAL TEORICO
31
se torna disponível e utilizá-la no momento oportuno. É o que também apresenta
Mayer-Schonberger e Cukier (2013, p. 72) ao alegarem que “o valor real dos dados
é como um iceberg que flutua no oceano”, em que apenas uma pequena fração é
visível, ficando a maior parte submersa. As empresas inovadoras capazes de
entender isso extraem valor oculto e aproveitam os enormes benefícios, tornando-
se, assim, uma empresa de cultura data-driven.
De acordo com Duan, Cao e Edwards (2020, p. 6) a definição de cultura data-
driven está alinhada com a de cultura organizacional, “definida como um conjunto
complexo de valores, crenças, suposições e símbolos que definem a maneira
como uma empresa conduz seus negócios”. Desse modo, para justamente
deliberar da melhor forma seus negócios, uma empresa data-driven costuma
utilizar os dados para as tomadas de decisões, aplicando ações estratégicas por
meio de previsões e insights que os dados fornecem (HANNILA, 2019).
As empresas que já desenvolvem uma cultura de tomada de decisão com
base em dados apresentam padrões de comportamentos e práticas de
compreensão e uso dos dados (KIRON et al., 2012), além de serem caracterizadas
por um processo que enfatiza o teste e a experimentação, onde os dados superam
as opiniões baseadas em experiências e inferências (BERNDTSSON et al., 2018).
Carl Anderson (2020) define cultura data-driven como uma organização com
direção clara e visão comum, além de metas transparentes, KPIs claramente
definidos e índice de desempenho amplamente acessível, com todos os membros
da equipe entendendo como seu trabalho contribui com o todo.
Berntsson Svensson e Taghavianfar (2020) apresentam definições
aproximadas com as dos demais autores. Eles sustentam que cultura data-driven
é aquela em que as decisões da organização são baseadas em informações,
dados e estatísticas, significando dizer que a cada dia a intuição vem dando lugar
às ações apoiadas por números e, assim, apontando para um caminho mais
promissor. Os autores também afirmam que, apesar dos potenciais benefícios de
uma empresa se tornar orientada a dados, o número real de organizações que usam
tal ação de forma eficiente e obtêm sucesso, ainda permanece baixo, destacando que
a ênfase da literatura tem sido direcionada para a tecnologia, com atenção limitada
aos desafios organizacionais.
32
Com relação aos desafios organizações, muitos estudos destacam que a
cultura organizacional tem um papel importante nas iniciativas de uso de dados,
no entanto, esta mesma cultura, frequentemente, apresenta-se como um
obstáculo (LUNDE, SJUSDAL E PAPPAS, 2019), uma vez que a decisão de extrair
informações relevantes para tomadas de decisão exige mudanças de padrões,
processos e visão de negócios (SOARES, 2017).
Em estudo publicado por Esteller-Cucala, Fernandez e Villuendas (2020), os
autores identificam alguns dos potencias problemas que surgem durante a
transformação de uma empresa tradicional em uma com foco na tomada de decisão
baseada em dados, são eles: não seguir um procedimento de mudança
organizacional, não preencher lacunas de conhecimento, resistência de alguns
profissionais; baixo ou pouco envolvimento das lideranças e falta de comunicação. De
acordo com os autores, se tornar uma organização data-driven é uma tendência
crescente, no entanto, para isso, é necessária uma transformação organizacional que,
nem sempre, é tão simples e lógica.
Vidgen, Shaw e Grant (2017), afirmam que para que essa transformação
organizacional ocorra, as empresas precisam desenvolver vantagem competitiva
por meio do uso dos dados e que sua estrutura organizacional precisa ser revista
contemplando quatro pilares (figura 7) que, se bem constituídos, vão definir a
capacidade analítica da empresa e criarão valor para os negócios: tecnologia,
organização, pessoas e processos.
33
3.2 BIG DATA
Figura 8 – Data Never Sleeps 8.0 (ago/2020). Fonte: Data Every Minute.
3Data Never Sleeps 7.0. Data Every Minute. Disponível em: <https://www.domo.com/learn/data-
never-sleeps-7>. Acesso em: out. 2020
34
empresas a coletar, filtrar e modelar informações, gerando importantes subsídios
para tomadas de decisão (FARIA, 2014). Destaca-se ainda que, conforme exposto
por Vidgen, Shaw e Grant (2017) as ferramentas e todo aparato tecnológico que
envolve principalmente a coleta de dados são de fundamental importância na
estrutura de uma organização orientada a dados, estando presente no pilar de
tecnologia (figura 7).
Consonato (2013, p. 4) afirma que todo o “alto volume, velocidade e variedade
que demandam formas eficientes e inovadoras de processamento dos dados para
obtenção de insights melhorados e tomadas mais precisas de decisão” é chamado de
Big Data.
Davenport, Joachimsthaler e Sweeney (2013) complementam os 3 Vs de
Consonato afirmando que Big Data gera Volume, porque com a evolução da
sociedade e o constante crescimento e facilidade de acesso à tecnologia, cada vez
mais dados são produzidos; Variedade porque os dados são coletados de diversos
canais; e Velocidade porque é possível coletar, analisar e responder em tempo real.
Já Ishwarappa e Anuradha (2015) acrescentam ainda outras duas
características do Big Data, obtendo-se o 5 Vs (figura 9): Veracidade, porque os dados
precisam ser confiáveis; e Valor, porque os dados coletados são forçados a gerar
relevância para o negócio.
35
Já para Maçada e Canary (2014), o termo Big Data tem vários conceitos dentro
do mercado, visto que as organizações têm diferentes perspectivas sobre o uso e
aplicações. Por exemplo, é comum o mercado definir Big Data como inteligência
artificial ou aprendizado de máquina, no entanto, o termo está diretamente ligado a
previsões (MAYER-SCHONBERGER, CUKIER, 2013),
Big Data não tem a ver com tentar “ensinar” um computador a “pensar” como ser
humano. Ao contrário, trata-se de aplicar a matemática a enormes quantidades
de dados a fim de prever probabilidades: a chance de um e-mail ser um spam;
de as letras “mas” na verdade significarem “mas”; de a trajetória e velocidade de
uma pessoa que atravesse a rua significarem que ela a atravessará a tempo [...]
O segredo é que esses sistemas funcionam porque são alimentados por
enormes quantidades de dados, que formam a base das previsões. Além disso,
os sistemas são criados para se aperfeiçoarem com o tempo, ao continuamente
analisar os melhores sinais e padrões a fim de encontrar mais dados para uso.
(MAYER-SCHONBERGER; CUKIER, 2013, p. 8).
36
o grande ganho para os negócios acontece quando as empresas conseguem
combinar e analisar dados estruturados a partir de suas aplicações
corporativas com os dados não estruturados da internet e dados de fontes
públicas ou pagas. E isso significa que as empresas deverão ter ferramentas
analíticas e pessoas com um novo conjunto de habilidades para tirar o
máximo proveito do fluxo de informações e fazer as melhores análises
preditivas. (DAVENPORT; JOACHIMSTHALER; SWEENEY, 2013, p. 3)
Para Lunde, Sjusdal e Pappas (2019), o Big Data desafia até mesmo os
modelos de negócios já bem estabelecidos, pois requer a superação de diversos
desafios, destacando-se a cultura organizacional. O autor declara que muitos dos
obstáculos em relação as iniciativas e aos resultados de Big Data estão mais
relacionadas a ausência de uma cultura data-driven na organização, que em dados
ou tecnologia.
38
Cada vez mais, a inovação está se tornando parte integrante das
organizações, e os avanços tecnológicos com Big Data e Business Analytics
proporcionam oportunidades de inovação para as organizações, permitindo,
gradativamente, tornar as informações mais transparentes, os serviços mais
personalizados e o desenvolvimento de novos produtos (Duan e Cao, 2015).
39
Figura 11 – Modelo de tomada de decisão inserida no contexto de Big Data. Fonte: Maçada e
Canary (2014) – com adaptações.
40
4. METODOLOGIA
41
Olhando para os objetivos, essa pesquisa pode ser classificada como
descritiva, pois “envolve o uso de técnicas padronizadas de coleta de dados:
questionário e observação sistemática. Assume, em geral, a forma de
Levantamento” (GERHARDT, SILVEIRA, 2009, p. 35).
Quanto aos procedimentos técnicos, que visa trazer a maneira pela qual
coletamos os dados, será pesquisa de campo. Esse tipo de pesquisa tem como
objetivo “conseguir informações e/ou conhecimentos acerca de um problema para
o qual procuramos uma resposta, ou ainda o levantamento de uma hipótese que
queiramos comprovar” (PRADANOV, FREITAS, 2013, p. 59).
Quantitativa e Pesquisa de
Aplicada Descritiva Entrevista
Qualitativa campo
Como ações propostas (quadro 2), para alcançar o objetivo geral desta
pesquisa, foram selecionados dez profissionais de agências de publicidade com
mais de cinco anos de experiência na área de análise de dados. Os entrevistados
42
foram escolhidos a partir da própria rede de conhecidos da autora e, também, por
indicações, levando em consideração três fatores: localidade – na tentativa de
abranger percepções de profissionais de outros estados, no entanto, limitou -se a
Brasília, São Paulo e Rio de Janeiro – tempo de experiência e área de atuação.
Sobre este último, é possível encontrar nas agências de publicidade profissionais
que atuam com análise de dados em três funções gerais distintas: análise,
negócios e estratégia (quadro 3).
43
Quadro 3 – Classificação dos profissionais
Áreas
Área de Tempo de
Respondente Formação Localidade atendidas
atuação experiência
(últimos 3 anos)
Instituições
Jornalismo/ financeiras públicas,
1 Análise Desenvolvimento Brasília 5 Governo Federal e
de Sistemas Instituições de
Ensino Superior.
Governo local,
Relações instituições
2 Negócios Brasília 6
Públicas financeiras privadas
e rede de shoppings.
Órgãos do Governo
Federal e Estadual,
3 Análise Publicitário São Paulo 7
Telefonia e Rede de
supermercados.
Órgãos do Governo
Análise de
4 Análise Brasília 5 Federal e empresas
Sistemas
de tecnologia.
Empresas de
5 Negócios Biblioteconomia São Paulo 7 tecnologia e de
varejo.
Instituições
financeiras públicas
6 Análise Jornalista Brasília 6
e órgãos do Governo
Federal
Órgãos do Governo
Rio de
7 Estratégia Publicitário 5 Local e indústrias
Janeiro
automotivas.
Indústria, Instituições
8 Estratégia Publicitário Brasília 7
financeiras privadas.
Bebidas, telefonia e
9 Negócios Publicidade São Paulo 7
eletrônicos.
Telefonia,
eletrodomésticos,
Rio de
10 Estratégia Publicidade 8 Instituições de
Janeiro
Ensino e Governo
Estadual.
45
Quadro 4 – Intervalo de pontuação para definição do nível de maturidade
Dimensão Categoria
Projetos analíticos recorrentes, guiados por uma estratégia. Tem uma visão
Repetível retrospectiva abrangente; os resultados do projeto incluem a adoção de
soluções.
47
5. ANÁLISE DOS RESULTADOS
48
resultado individual do questionário quanto ao nível de maturidade Intenção,
consideraram que, no geral, as empresas e/ou organizações, nos últimos três anos,
vêm apresentando projetos analíticos recorrentes e com objetivos definidos, além de
já contarem, na maior parte das vezes, com orçamentos exclusivos para cada projeto
e de já conseguirem identificar alguns benefícios com a análise de dados, fato que
trouxe como resultado geral o nível de maturidade Repetível (nível 3/5) (tabela 7). Já
os entrevistados 1, 2 e 9, que apresentaram como resultados individuais os níveis Ad
Hoc e Oportunista, apesar de concordarem com a visão dos respondentes anteriores,
acreditam que algumas empresas ainda encontram dificuldades na definição de
objetivos, o que acaba por atrapalhar o resultado final ou até mesmo inicial de um
projeto.
49
executivos das mesmas sobre a importância dos dados. Vale destacar que, de acordo
com matéria publicada no site Digitalks (2019), pesquisa realizada com gerentes,
diretores e presidentes de empresas com mais de 40 funcionários em todo o Brasil,
também chegou à conclusão de que quanto maior a empresa, maior a utilização de
dados na tomada de decisão. Contudo, há áreas que demandam mais informações e
que este fato pode demonstrar que muitas organizações estão trabalhando com o
“achismo”.
Durante a entrevista do profissional de número 5, da área de negócios, foi
perguntado se no momento da prospecção de clientes estes apresentavam alguma
relutância em se tornar uma empresa data-driven. De acordo com o profissional, na
maioria das vezes, as empresas se declaravam atrasadas, mas que ainda assim
apresentavam interesse em iniciar a jornada.
Ainda os respondentes 6 e 8, com resultado individual Gerenciado, ressaltaram
que, mesmo que haja interesse das empresas na concepção de projetos data-driven,
muitas vezes, a implementação esbarra em uma outra cultura, a organizacional – fato
que vai ao encontro com as literaturas existentes, em que alguns autores afirmam que
o principal desafio de uma cultura data-driven é a ausência ou o entrave causado pela
cultura organizacional (LUNDE et al. 2019). Marchisotti et al. (2017, p. 20) declaram que
50
Ainda sobre orçamento, a empresa Cortex (2021), detentora de uma plataforma
de inteligência e insights para marketing, em vídeo publicado no Youtube, destaca que
se a empresa permanece a ver o capital em análise de dados como um custo e não
como um investimento, os orçamentos tendem a cair cada vez mais, sendo
responsabilidade do gestor da área provar o retorno sobre o investimento.
51
já realizaram trabalhos de tomada de decisão baseada em dados, essa é uma
conquista recente, que foi iniciada a partir do momento em que a análise de dados
passou a ser entendida e vista como parte fundamental na geração de novos negócios
e não apenas como um setor de produção de relatórios. Já 3 responderam que o
trabalho de análise de dados era realizado em várias unidades de negócios
(respondentes 5, 6 e 8), estes explicaram que, por atender grandes órgãos, cada área
contempla um núcleo estratégico de dados. Cabem a estes manterem a interlocução
para a geração de resultados com objetivos comuns. De acordo com Berndtsson et
al. (2018), algumas organizações tratam a competência em análise de dados como
uma extensão natural de cada setor da empresa, enquanto outras organizações
introduzem um centro de competência analítica separado.
52
5.2 MATURIDADE DADOS
Vale ressaltar que apesar de Repetível aparecer como resultado final para 4
dos 10 entrevistados, os níveis Oportunista e Gerenciável surgem na sequência com
representatividade de 3 cada (tabela 15). Quando questionados sobre esse resultado,
os entrevistados, em sua totalidade, concordaram com a colocação do entrevistado
de número 2, em que afirma que o resultado pode demonstrar que ainda não há um
padrão de maturidade a nível de dados nas empresas e/ou organizações. Ele
complementou a sua resposta declarando que uns reconhecem a necessidade de
53
investirem mais na aquisição de informação, outros menos. De acordo com pesquisa
realizada pela empresa Digitalks (2019), observou-se que processos e ferramentas
escolhidas para a coleta e estruturação dos dados diferem bastante de uma empresa
para outra.
Destaca-se ainda que seis dos dez entrevistados (3, 4, 6, 8, 9 e 10) comentaram
sobre a qualidade, confiabilidade e segurança dos dados na tomada de decisão (figuras
15, 16 e 17), afirmando só confiarem plenamente após a realização de diagnóstico no
processo de implementação de cultura data-driven. Os respondentes afirmaram achar
preferível, inicialmente, sugerir uma decisão com base em experiências anteriores que
por dados adquiridos de bases pouco confiáveis, sem segurança e regras de
governança.
De acordo com Calazans (2018), a falta de qualidade nos dados de uma
empresa/organização pode gerar impactos direto nos negócios, devendo ser
diagnosticada. Também Soares (2017) afirma que, antes das empresas investirem em
estrutura tecnológica buscando o maior uso dos dados, é importante que seja realizada
uma avaliação com o intuito de entender o seu nível organizacional. Já Wang et al.
(2020) sugerem que o aprimoramento e o gerenciamento dos dados podem fortalecer
a gestão da segurança. Black (2016) disserta ainda que, muitas vezes, obter uma
resposta acionável com dados não é uma tarefa fácil. Que é mais rápido decidir sobre
um curso de ação com base no instinto, opiniões e experiências anteriores. O autor
destaca que um padrão de tomada de decisão baseado em opiniões e instintos
prejudica a capacidade de inovação e que construir uma cultura de tomada de
decisões com base em dados exige que o repositório de dados contenha dados
estruturados e preparados.
54
Figura 15 – Resultado da questão 2b quanto ao nível de maturidade Dados.
55
Ainda sobre a confiabilidade dos dados, ao observar o resultado sobre essa
pergunta (figura 16), em que, numa escala de 0 a 5, zero o profissional não confia e
cinco confia totalmente, nota-se diversificação de opiniões. Observou-se que os três
profissionais que deram nota 4 (respondentes 4, 5 e 8) têm maior afinidade com
bancos de dados e, dessa forma, maior confiança no que é coletado. Já os
profissionais que deram nota 1 (respondentes 2 e 1), tem maior participação na
condução de novos negócios e estratégias e concordaram que precisam estar mais
inseridos no processo para ter real clareza sobre os dados que estão sendo coletados.
Pugna, Duţescu e Stanila (2019) afirmam que a falta de conscientização,
compreensão e confiança nos dados, além da inexistência de compromisso com uma
cultura baseada em dados, indicam a necessidade de mudanças nas organizações.
Vale destacar que uma parcela dos entrevistados (6 ao todo) avaliou que os dados
não costumam ficar disponíveis no momento certo para a tomada de decisão (figura 18).
Afirmaram que, muitas vezes, os dados não chegam no formato desejado,
necessitando de um trabalho extra de manipulação e modelagem mais apurada.
De acordo com Marshall (2009, p. 1), tomar decisões em um ambiente de
inteligência de negócios pode se tornar desafiador se os dados nos quais as decisões
se baseiam forem de baixa qualidade. “Só é possível utilizar os dados de forma eficaz
quando são precisos, atualizados, completos e disponíveis quando necessário”.
56
Quando à segurança da informação, esta diz respeito as práticas que visam
garantir não só a integridade, como a disponibilidade e a confidencialidade das
informações (STEFANINI, 2021). Este tema é de suma importância na gestão de
negócios e, de acordo com 4 respondentes (figura 17), numa escala de 0 a 5, os dados
das empresas a qual trabalham ou trabalharam nesses últimos três anos têm nível de
segurança 1. Se somados com os respondentes de nível 2 e 3, que ainda configuram
baixa garantia, esse número chega a 7, demonstrando que há pouca cautela das
empresas sobre essa questão – de acordo com a empresa de telefonia Embratel
(2019), a Gartner, empresa de consultoria tecnológica, no ano de 2019 eram
esperados cerca de RS$ 3,8 trilhões de investimento em Tecnologia da Informação
em todo o Mundo, sendo grande parte em segurança de dados – um aumento de 3,2%
quando comparado ao ano de 2018. No Brasil, chama-se a atenção para a Lei Geral
de Proteção de dados (LGPD), que teve início em agosto de 2020, exigindo que as
empresas brasileiras se adequassem a proteção e a segurança da informação.
Durante as entrevistas, outros assuntos levantaram discussões, como a
questão do volume de dados. De acordo com os respondentes 5, 9 e 10,
ocasionalmente, a grade quantidade de dados pode atrasar a tomada de decisão, pois
o tempo de processamento, bem como a análise posterior dos mesmos, exigiam
critérios maiores de ajustes do processo. Já os entrevistados 1, 3 e 4 (perfis mais
voltados para quesitos tecnológicos), expuseram que, apesar de existirem bancos de
dados gratuitos e confiáveis, além de ferramentas e profissionais capazes de extrair,
transformar e carregar dados, muitas empresas se limitam a trabalhar com poucos
conjuntos de dados (na maioria das vezes já estruturados) por desconhecimento ou
porque julgam caro ou desnecessário a aquisição de novas tecnologias e informação.
57
processo de negócios de TI têm um efeito positivo nas possibilidades de tomada de
decisão.
De forma geral, a sessão do questionário direcionada à dimensão Tecnologia
teve como objetivo identificar atributos voltados à capacidade das empresas de
reconhecimento e de gerenciamento tecnológico, buscando segurança, recursos e
funcionalidades necessárias para auxiliar na tomada de decisão.
Ao analisar as respostas do questionário quanto a variável, a nota média
atribuída individualmente foi de 31,8 (Tabela 10), o que enquadraria essa dimensão
também no nível Repetível (3/5). No entanto, a metodologia aplicada como resultado
final foi a validação a partir do nível de maior representatividade. Desse modo, dos
dez entrevistados, cinco trouxeram como resultado final o nível Gerenciável (4/5)
(Tabela 11) – este possui certo grau de escalabilidade, facilitando a expansão e a
contração de ferramentas avançadas, além de disponibilizar com maior facilidade
recursos de visualização, análise e manipulação de dados.
59
Sobre as ferramentas, Berndtsson (2018) define as de visualizações de dados
como “BI de autoatendimento”, onde os profissionais de cada setor de uma empresa
podem fazer suas análises descritivas por conta própria. No entanto, o uso destas
devem, obrigatoriamente, desencadear maior aprimoramento tecnológico e analítico
se a empresa, de fato, quer se tornar data-driven, fato que passa por maior facilitação
do acesso aos dados e a adoção ferramentas de mineração de dados
60
da organização em relação a análise de dados e a tomada de decisão como um todo,
bem como o pouco entendimento da necessidade de profissionais cada vez mais
capacitados para análises aprofundadas. De acordo com Berndtsson (2018),
ferramentas mais avançadas podem gerar insights de negócios mais rapidamente do
que as abordagens tradicionais. No entanto, vale avaliar se a aquisição é adequada
ou não para o momento da organização. Picard e Pan (2015) também afirmam que
ferramentas de análise de dados são importantes e que estas trazem inovação e valor
para os negócios, ajudando a construir serviços inovadores e valiosos.
61
O resultado da questão relativa as ferramentas tecnológicas utilizadas
comumente no mundo corporativo (Figura 23) chamou à atenção, com 4 entrevistados
avaliando com nota 4 para a aplicação de análise e inteligência. De acordo com
entrevistados 5, 6, 8 e 9, responsáveis pelo resultado, sendo 6 e 10 da área de
negócios e 7 e 9 de análise e estratégia, esse resultado também tem relação direta
com o tamanho da organização e o nível de maturidade da empresa sobre a
importância da análise de dados no mundo empresarial.
62
Analisando a pontuação média a nível individual (Tabela 12), o resultado da
maturidade a nível de Processos seria Repetível (3/5). Nesse nível é possível afirmar
que nas empresas e/ou organizações os projetos existentes já são gerenciados, mas
nem sempre padronizados. No entanto, conforme já ressaltado, a metodologia
aplicada como resultado final é a validação a partir da dimensão com maior
representatividade e, nesse caso, é possível observar (Tabela 13) um empate entre o
nível Oportunista (2/5) e Repetível (3/5), cada um com representatividade de 3
respondentes. No caso do primeiro, de forma geral, as empresas e/ou organizações
apresentam processos específicos com resultados totalmente imprevisíveis, pouco
definidos e sem padronização.
Vale ainda destacar que também os níveis Gerenciado (4/5) e Otimizado (5/5)
apresentaram representatividade similares (2 cada), sendo que este último aparece,
pela primeira vez, com algum tipo de relevância (para as demais maturidades o
resultado foi de 0).
Durante as entrevistas, os respondentes 5, 6 e 7, que tiveram como resultado
individual o nível Oportunista (2/5) e atuam nas áreas de negócios, análise e
estratégia, respectivamente, afirmaram que, de fato, ainda que as empresas lidem
com certa frequência com a implementação de projetos, há uma dificuldade clara em
seguir processos, tornando esses imprevisíveis, ainda que haja gerenciamento. Já
para os respondentes 1, 2 e 3, sendo 1 e 3 da área de análise e o 1 de negócios, o
resultado tem relação direta com outro tipo de maturidade, o de gerenciamento de
projetos como um todo. Estes afirmaram que passaram por empresas que, quando
bem executado, o projeto apresenta início, meio e fim, podendo inclusive surgir novos
63
ao longo da execução. Afirmação compartilhada também pelos respondentes 8 e 10,
da área de estratégia e que tiveram como resultado o nível Otimizado (5/5) – nesta
dimensão, os processos são definidos, medidos e gerenciados, além de apesentar
melhoria contínua.
Quantidade
Nível 1: Ad Hoc 0
Nível 2: Oportunista 3
Nível 3: Repetível 3
Nível 4: Gerenciado 2
Nível 5: Otimizado 2
Total 10
64
mercado, o caminho para alcançá-los é contar com uma metodologia de análise de
dados bem definida”, do contrário, essa corre o risco de utilizar informações pouco
relevantes.
Durante as entrevistas, os profissionais foram questionados sobre modelos de
metodologia de análise de dados repassados para as empresas. O entrevistado de
número 10 disse que aplica um método que ele define como “ciclo da inteligência”,
que contempla seis etapas: objetivo, planejamento, coleta, análise, direcionamento e
avaliação. De acordo com o profissional, após a implementação, as empresas
passaram a ter relatórios mais estruturados e direcionados aos objetivos. Já o
entrevistado de número 7, da área de estratégia, diz aplicar um processo que
contempla apenas quatro etapas: o que e como analisar, coleta de dados, análise e
direcionamento estratégico.
66
Figura 26 – Resultado da questão 5 quanto ao nível de maturidade Processos.
70
A segunda pergunta da dimensão Pessoas buscava entender o nível de
maturidade das empresas quanto à contratação, desenvolvimento e retenção de
talentos da equipe analítica e, assim como na pergunta de número 1, a média geral
não ultrapassou a nota 3, de um total de 5 (Tabela 19). Conforme colocado
anteriormente pelo o respondente 10, e frisado novamente na questão 2, a
contratação de perfis com habilidades exclusivas também vai variar de acordo com o
porte das empresas, das necessidades e quão avançadas elas estão em tomadas de
decisões com base em dados. De nada servindo, por exemplo, um cientista de dados,
quando o trabalho ainda se resume em apenas monitorar as redes sociais da marca.
Para o respondente número 1, o resultado da pergunta de número 2, ainda que
tenha sido aplicado apenas para 10 profissionais, pode sim vir a confirmar,
estatisticamente, a realidade de muitas empresas e/ou organizações no País,
demonstrando que, às vezes, há pouco esforço no que diz respeito a investimento em
equipe. Já os respondentes 3, 4, 5 e 7 foram unânimes em dizer que ainda há poucos
e bons profissionais no mercado. Por ser uma área recente, afirma o respondente 5,
a maior parte dos perfis possui habilidades pouco desenvolvidas.
71
De acordo com o profissional 2, voltado para a área de negócios, ainda que
uma parte do processo de contratação, desenvolvimento e retenção de profissionais
de análise de dados demonstre fragilidade no desenvolvimento de cultura data-driven,
a difusão do uso de tecnologia e processos de análise de dados nas empresas
demonstra estar cada vez mais presente no dia a dia empresarial, seja no momento
em que os resultados são apresentados, seja por meio de palestras e, até mesmo,
workshops. Fato confirmado pela Figura 27, em que 7 entrevistados deram nota 3 e 4
para o quesito levantado. No entanto, é preciso ressaltar que, na opinião dos
candidatos 1, 3, e 10, ainda que se observe um cenário positivo, o termo “análise de
dados” está em evidência no mercado, mas ninguém sabe direito por onde ou como
começar, implicando em todo processo data-driven.
72
pergunta de número 6, que buscava entender o quão envolvidas as áreas de gestão
executiva e não executiva estavam com a promoção e o uso de soluções de análise
de dados, a nota média geral foi de 2,95 (tabela 20), sendo que a gestão executiva
demonstrou maior nota média de envolvimento (3,1). Vale destacar que Herden (2020)
afirma que a gerência da organização deve incitar a manutenção e o avanço das
soluções de dados, além de criar novas iniciativas a partir dos resultados obtidos.
73
Tabela 21 – Consolidado das respostas da pergunta 7 quanto ao nível de maturidade Pessoas.
3. Até que ponto cada área dentro das empresas/organizações colabora, se
Nota média
comunica e/ou se coordena com outros grupos em atividades de análise de
(0 a 5)
dados para alcançar os resultados desejados?
a) Grupos de TI e Negócios. 2,7
7. Quão influentes são as saídas ou os resultados das soluções de análise de Nota média
dados nas decisões tomadas pelos seguintes colaboradores (relacionadas a (0 a 5)
cada uma de suas funções)?
a) Executivos 3,3
74
nota, demonstra que profissionais que lidam diretamente com os dados e a análise,
costumam apresentar maior segurança na aplicação dos resultados encontrados, e
que é necessário compreender mais profundamente a insegurança dos demais
colaboradores.
Para o entrevistado de número 10, além de concordar com a colocação dos
demais entrevistados sobre a questão de número 7, é possível, conforme já levantado,
apesar de já haver uma evolução na difusão de soluções tecnológicos e uso, algumas
áreas ainda não conseguem reconhecer o real valor os dados no seu dia a dia,
reduzindo o grau de envolvimento na promoção e uso.
6. CONCLUSÃO
75
O fato de o resultado geral do questionário a nível de dimensão (Tabela 29) ter
identificado dois principais tipos de maturidade (repetível e gerenciado), responde
afirmativamente a um dos objetivos específicos (existência ou não de níveis distintos
de maturidade data-driven) – uma empresa pode ser Ad Hoc a nível de Intensão e
ainda assim apresentar Gerenciado quanto a Pessoas, visto que, como relatado no
capítulo de análise dos resultados, algumas dimensões trabalham em conjunto com
outros setores (mais estruturados), ou ainda profissionais mais dedicados, fato que
pode influenciar na maior ou menor maturidade da dimensão.
Ainda sobre as diferenças nos níveis de maturidade por dimensão, vale
destacar o resultado de Tecnologia e Pessoas – ambas exibiram um nível maior
que as demais (4/5) (Tabela 23).
Como foi possível observar durante o processo de análise, a automatização
de parte do trabalho e maior acessibilidade de ferramentas são alguns dos fatores
que ocasionam maior investimento das empresas nessa dimensão, o que resulta
um nível mais elevado de maturidade. No entanto, vale também destacar o fato de
ainda existir lideranças empresariais que, por não entender o processo de análise
de dados, acabam por investir em tecnologia acreditando ser a solução do
problema. Wang, Zhang e Song (2020) destacam que é necessário que as lideranças
adotem uma forte orientação de negócios baseado em dados e incorporem estas nos
sistemas operacionais e valores culturais da organização.
No caso da dimensão Pessoas, destaca-se, principalmente, o fato das
empresas terem passado a dar mais atenção a contratação de perfis com
habilidades específicas, muito por conta da já existência de áreas exclusivas de
análise de dados, bem como de gestores experientes.
76
Ao analisarmos o resultado do questionário por respondente (Tabela 24),
observa-se que o nível Gerenciado aparece 18 vezes contra 16 do nível Repetível.
Ainda assim, quando os entrevistados foram questionados (na opinião pessoal
deles) sobre qual maturidade as empresas brasileiras se encontravam, o nível
Repetível foi unanime.
Respondendo ao objetivo principal da pesquisa, é possível afirmar que, na
percepção dos profissionais de agências de publicidade, de forma geral, o atual nível
de maturidade em análise de dados das empresas brasileiras é o Repetível – nível
considerado mediano (3/5) e, alguns momentos, quase incipientes, que pode
evidenciar que as empresas já evoluíram muito, mas ainda há um longo processo
de imersão no que se refere a análise de dados. Este resultado também responde
e resume sobre o a real aplicação dos dados nas estratégias de tomadas de decisão
nos negócios – conforme já relatado, nesse nível, as empresas têm projetos
analíticos guiados por uma estratégia, mas trazem dificuldades no uso dos dados
na hora da tomar decisões.
Dimensão
Intensão Dados Tecnologia Processos Pessoas
Resp. 1 Ad Hoc Oportunista Oportunista Repetível Gerenciado
Resp. 2 Oportunista Oportunista Ad Hoc Repetível Repetível
Resp. 3 Repetível Repetível Repetível Repetível Repetível
Resp. 4 Repetível Gerenciado Gerenciado Gerenciado Gerenciado
Resp. 5 Repetível Repetível Gerenciado Oportunista Gerenciado
Resp. 6 Gerenciado Gerenciado Gerenciado Oportunista Gerenciado
Resp. 7 Repetível Oportunista Ad Hoc Oportunista Oportunista
Resp. 8 Gerenciado Gerenciado Gerenciado Otimizado Gerenciado
Resp. 9 Oportunista Repetível Gerenciado Gerenciado Gerenciado
Resp. 10 Repetível Repetível Repetível Otimizado Oportunista
77
Além da avaliação do nível de maturidade data-driven sob a perspectiva de
cinco dimensões (intensão, dados, tecnologia, processos e pessoas) e sob ótica de
dez profissionais de agências de publicidade, considera-se que este estudo possa
contribuir de forma substancial para o processo de conscientização de cultura data-
driven, levando em consideração a existência tanto de desafios quanto de
oportunidades em cada uma das dimensões aqui apresentadas.
Sob o ponto de vista teórico, esta pesquisa buscou direcionar energia para as
vantagens de se construir uma empresa orientada a dados. Como apontado Vidgen,
Shaw e Grant (2017) e Lunde, Sjusdal e Pappas (2019), por meio da análise de
dados é possível se obter valor e desenvolver vantagem competitiva, resultando em
organizações mais produtivas e lucrativas.
Para pesquisas futuras, sugere-se a possibilidade de aprofundamento, de
forma desagregada, das dimensões apresentadas, além da possibilidade de separar
os resultados por empresas imigrantes e nativas digitais, ou ainda, públicas e
privadas, afim de melhor compreender os desafios e as oportunidades apresentadas
ao longo do desenvolvimento de uma cultura data-driven, orientando para soluções
mais direcionadas.
7. REFERÊNCIAS BIBLIOGRÁFICAS
BARIK T., Deline R., Drucker S., Fisher D. The bones of the system: A case study of
logging and telemetry at Microsoft. 2016.
BLACK J.H. Capture the benefits of the 'stable and capable moments'. 2016.
BOYD, D.; CRAWFORD, K. Critical Questions for Big Data: provocations for a
cultural, technological, and scholarly phenomenon. Information, Communication &
Society, 2012.
CAO G., DUAN Y. The affordances of business analytics for strategic decision-
making and their impact on organisational performance. 2015.
CAO, G.; Duan, Y.; LI, G. Linking Business Analytics to Decision Making
Effectiveness: A Path Model Analysis. IEEE Trans. Eng. Manag. 2015.
COSTA, T.; SÍLVIA LOPES, S.; FERNÁNDEZ-LLIMÓS, F.; AMANTE, M. J.; LOPES,
P. F. A Bibliometria e a Avaliação da Produção Científica: indicadores e
ferramentas. Disponível em: < encurtador.com.br/kOXZ5 > Acesso em: 16 nov.
2019
79
DANTAS, Edmundo Brandão. A importância da pesquisa para a tomada de
decisões. Disponível em: <http://bit.ly/1lNBT39>. Acesso em: out. 2020.
Data Never Sleeps 7.0. Disponível em: < https://bit.ly/3d0dpmZ >. Acesso em: out.
2020
Digitalks. Pesquisa inédita revela como C-Levels brasileiros utilizam dados para
tomada de decisão. 2019. Disponível em: < encurtador.com.br/iltDH>. Acesso em: 25
mai. 2021
DUAN, Yanqing Duan; CAO, Guangming, Li, Gendao. Linking Business Analytics
to Decision Making Effectiveness: A Path Model Analysis, 2015.
80
GUPTA, B.; GOUL, M.; DINTER, B. Business Intelligence and Big Data in Higher
Education: status of a multi-year model curriculum development effort for business
school undergraduates, MS graduates, and MBAs. Communications of the Association
for Information Systems, 2015.
HASSNA G., LOWRY P.B. Big Data capability, customer agility, and organization
performance: A dynamic capability perspective. 2018.
IDC infoBrief. Using Data Intelligently: Unification and Pipelining Patterns in the
Digital Economy, sponsored by TIBCO. January, 2020.
IMAKAEV M., FUDENBERG G., McCord R.P., Naumova N., Goloborodko A., Lajoie
B.R., Dekker J., Mirny L.A. Iterative correction of Hi-C data reveals hallmarks of
chromosome organization. 2012.
JENSEN, Maria Hoffmann; NIELSEN, Peter Axel; PERSSON, John Stouby; Managing
Big Data analytics projects: the challenges of realizing value, 2019
KIRON, David; KIRK, Pamela. Prentice and Renee Boucher Ferguson. Innovating
With Analytics, 2012.
KIULA M., WAIGANJO E., KIHORO J. The Role of Leadership in Building the
Foundations for Data Analytics, Visualization and Business Intelligence. 2019.
LABRINIDIS A., JAGADISH H.V. Challenges and opportunities with Big Data.
2012.
81
MAÇADA, Antonio Carlos Gastaud; CANARY, Vivian Passos. A tomada de decisão
no contexto do Big Data: Estudo de caso único. XXXVIII Encontro do ANPAD,
2014.
MANYIKA, James; et al. Big Data: The next frontier for innovation, competition,
and productivity. McKinsey Global Institute, 2011. Disponível em:
<http://bit.ly/1gYqIAC>. Acessado em: out. 2020.
MCNUTT T.R., BOWERS M., CHENG Z., HAN P., HUI X., MOORE J., ROBERTSON
S., MAYO C., VOONG R., QUON H. Practical data collection and extraction for Big
Data applications in radiotherapy. 2018.
MIKALEF, Patrick; PAPPAS, Ilias O.; KROGSTIE, John; GIANNAKOS, Michail. Big
Data analytics capabilities: a systematic literature review and research agenda,
2017.
ORDONEZ-ANTE L., Van Seghbroeck G., Wauters T., Volckaert B., De Turck F. A
Workload-Driven Approach for View Selection in Large Dimensional Datasets.
2020.
PENG Y., DONG M., ZUO M.J. Current status of machine prognostics in
condition-based maintenance: A review. 2010.
PICARD M.-L., PAN X. Big Data challenges and opportunities for a utility as EDF.
2015.
PROVOST F., FAWCETT T. Data Science and its Relationship to Big Data and
Data-driven Decision Making. 2013.
VALLEJO, B.C., KREPPER, R., NORA, H., FINE, D.J. Converting data into
information. 2012.
WANG Y., ZHANG H., SONG M. Does Big Data–Embedded New Product
Development Influence Project Success? 2020.
83
WANG Z., LIU D., YANG J., HAN W., HUANG T. Deep networks for image super-
resolution with sparse prior. 2015.
XIA G.-S., HU J., HU F., SHI B., BAI X., ZHONG Y., ZHANG L., LU X. AID: A
benchmark data set for performance evaluation of aerial scene classification.
2017.
84
8. APÊNDICE 1 – Modelo de Avaliação de Maturidade Data-driven
Seção 1: Intenção
1. Nos últimos 3 anos, quais os níveis de estratégia de dados foram encontrados nas
empresas e/ou organizações que buscavam maior desenvolvimento de cultura data-
driven?
1) Não existia estratégia.
2) Era realizada por departamentos individuais.
3) Era realizada pela Unidade de negócios.
4) Era realizada em várias unidades de negócios.
5) Era realizada por toda a empresa.
6) Não sei responder.
85
• Aquisição e/ou retenção de clientes.
• Atendimento ao cliente e suporte.
• Estratégias e programas de preços.
• Melhoria e inovação de produtos, serviços ou programas.
• Mercado e Inteligência Competitiva.
• Otimização e Controle de Processos e Operações.
• Planta, instalações e projeto de equipamento, manutenção e utilização.
• Gerenciamento de capital humano.
• Gerenciamento operacional, de fraude e de risco malicioso.
• Conformidade regulatória, controles financeiros.
• Gestão da Cadeia de Abastecimento e Logística.
• Otimização e / ou modernização da tecnologia da informação.
• Outro.
• Não sei responder.
4. Se você pensar sobre os projetos recentes voltados para análise de dados de forma
agregada, as empresas/organização experimentaram algum dos seguintes tipos de
benefícios com esses projetos?
1) Não experimentaram benefícios.
2) Experimentaram benefícios não quantificados.
3) Experimentaram benefícios quantificados que não atenderam às expectativas.
4) Experimentaram benefícios quantificados que atenderam às expectativas.
5) Experimentaram benefícios quantificados que excederam às expectativas.
6) Não sei responder.
Seção 2: Dados
86
4) Nenhuma das acima.
5) Não sei responder.
2. Numa escala de 0 (zero) a 5 (cinco), como você avalia hoje as características dos
dados disponíveis nas empresas/organizações para apoiar a tomada de decisão?
87
b) Rich media (por exemplo, vídeo, áudio, imagens)
1) Integrado com um ou mais outros tipos de dados.
2) Autônomo.
3) Não coletado ou analisado.
4) Não sei.
c) Fluxo da web
1) Integrado com um ou mais outros tipos de dados.
2) Autônomo.
3) Não coletado ou analisado.
4) Não sei.
e) Dados geográficos
1) Integrado com um ou mais outros tipos de dados.
2) Autônomo.
3) Não coletado ou analisado.
4) Não sei.
g) Texto relacionado à interação com o cliente de fontes não sociais (por exemplo, e-
mails, perguntas abertas de pesquisas, notas da central de atendimento etc.)
1) Integrado com um ou mais outros tipos de dados.
88
2) Autônomo.
3) Não coletado ou analisado.
4) Não sei.
Seção 3: Tecnologia
1. Numa escala de 0 (zero) a 5 (cinco), até que ponto os seguintes recursos de tecnologia
de análise de dados já atendem aos requisitos das empresas/organizações?
c) Confiabilidade / Disponibilidade
123450
e) Segurança
123450
89
f) Recursos e funcionalidades necessários (por exemplo, visualização, análise,
manipulação de dados, etc.)
123450
d) Dashboards
123450
f) Em geral, até que ponto vários aplicativos corporativos (por exemplo, ERP, CRM,
SCM, etc.) nas empresas e organizações incorporam análise, inteligência de negócios
ou funcionalidade de suporte à decisão?
123450
Seção 4: Processos
91
2) Alguns, mas nem todos os processos são definidos, existe gerenciamento de
projetos
3) A maioria dos processos são definidos, padronizados e aceitos pela organização.
4) Os processos são definidos, medidos e gerenciados.
5) A melhoria contínua do processo é possibilitada por feedback quantitativo para o
processo e do piloto de novas soluções inovadoras.
6) Não sei responder.
Seção 5: Pessoas
92
c) Análise de dados usando análise multidimensional ou OLAP, planilhas, ferramentas
de descoberta visual
123450
93
c) Cientistas de dados, estatísticos, mineradores de dados
123450
3. Até que ponto cada grupo das empresas/organizações colabora, se comunica e/ou
se coordena com outros grupos em atividades de análise de dados para alcançar os
resultados desejados?
a) Grupos de TI e Negócios (ou Programa no governo)
123450
94
e) Todos os três grupos (TI, Negócios / Programa, Análise) juntos
123450
95
4) Em estreita colaboração entre quaisquer dois ou três desses grupos.
5) não realizado.
96
6. Numa escala de 0 (zero) a 5 (cinco), qual é o grau de envolvimento dos seguintes
gerentes na promoção e incentivo do uso das soluções de análise de dados nas
empresas/organizações?
a) Gestão executiva
123450
Executivos
123450
97