TCC 02

Pró-Reitoria Acadêmica
Programa de Pós-Graduação Stricto Sensu

em Governança, Tecnologia e Inovação
Trabalho de Conclusão de Curso
DESENVOLVIMENTO DE CULTURA ORGANIZACIONAL

DATA-DRIVEN: UMA VISÃO DOS PROFISSIONAIS DE
AGÊNCIAS DE PUBLICIDADE.
Autora: Ariadna Neves dos Santos

Orientador: Prof. Dr. Eduardo Amadeu Dutra Moresi
Brasília - DF
2021
1
ARIADNA NEVES DOS SANTOS
Desenvolvimento de cultura organizacional Data-Driven:

Uma visão dos profissionais de agências de publicidade.
Projeto de Dissertação apresentado ao Programa de

Pós-Graduação Stricto Sensu em Governança,
Tecnologia e Inovação da Universidade Católica de
Brasília, como requisito parcial para obtenção do grau
de Mestre em Governança, Tecnologia e Inovação.
Orientador: Prof. Dr. Eduardo Amadeu Dutra Moresi
Brasília
2021
2
3
4
À minha família e amigos, pelo apoio.
5
RESUMO
Referência: SANTOS, Ariadna Neves. Desenvolvimento de cultura organizacional

Data-Driven: Uma visão dos profissionais de agências de publicidade. 2021.
Dissertação de Mestrado do Programa de Pós-Graduação strictu sensuem
Governança, Tecnologia e Inovação – Universidade Católica de Brasília, Brasília-DF,
2021
As grandes transformações que vêm ocorrendo na sociedade do conhecimento por

meio dos dados digitais, gerando um alto volume de informações, tem trazido para
empresas e organizações desafios e oportunidades, exigindo, principalmente,
mudanças em processos e visão de negócio, levando estes à reflexão sobre
estratégias a serem adotadas a partir da análise de dados. Desse modo, objetivou-se
com esta pesquisa verificar, na percepção dos profissionais de agências de
publicidade, qual o atual nível de maturidade em análise de dados das empresas
brasileiras, bem como a real aplicação nas estratégias de tomadas de decisão nos
negócios. Utilizou-se no estudo, de forma adaptada e apenas como orientação na
condução das entrevistas, o modelo de avaliação de maturidade data-driven
desenvolvido pela Computer Science Corporation (CSC). Nas entrevistas individuais
utilizou-se de uma abordagem qualitativa realizadas com 10 profissionais de agências
de publicidade com mais de cinco anos de experiência. O público-alvo desta pesquisa
foi formado por especialistas das mais variadas formações, mas que executam
trabalhos voltados para a implementação e o desenvolvimento de cultura data-driven
nos negócios. Os resultados quantitativos apontaram um nível de maturidade
intermediário (Repetível), sendo confirmado pelo resultado qualitativo. Este nível
destaca que as empresas já costumam ter projetos analíticos recorrentes e
guiados por uma estratégia, mas que ainda pecam no uso dos dados na hora da
tomada de decisão
Palavras-chave: Data-driven; Maturidade de dados; Tomada de Decisão; Análise de

Dados.
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.
Key words: Data-driven; Data Maturity; Decision Making; Data Analysis.
7
LISTA DE ILUSTRAÇÕES
Figura 1 – Cenário evolutivo de documentos científicos produzidos com o termo “data-

driven” ....................................................................................................................... 17
Figura 2 – Índice médio de interesse pelos termo data-driven ................................. 18
Figura 3 – Quantidade publicação anuais ................................................................ 21
Figura 4 – Número de publicações por ano......................................................................24
Figura 5 – Número de publicações por área de estudo ............................................ 24
Figura 6 – Rede de Concorrências de palavras-chave............................................. 25
Figura 7 – Estrutura de organização orientada a dados ........................................... 33
Figura 8 – Data Never Sleeps 8.0 (ago/2020) .......................................................... 34
Figura 9 – 5Vs do Big Data....................................................................................... 35
Figura 10 – Estágios do Business Analytics ............................................................. 38
Figura 11 – Modelo de tomada de decisão inserida no contexto de Big Data .......... 40
Figura 12 – Resultado da questão 2 quanto ao nível de maturidade Intenção ......... 51
Figura 15 – Resultado da questão 2b quanto ao nível de maturidade Dados .......... 55
Figura 16 – Resultado da questão 2d quanto ao nível de maturidade Dados .......... 55
Figura 17 – Resultado da questão 2f quanto ao nível de maturidade Dados ........... 55
Figura 18 – Resultado da questão 2a quanto ao nível de maturidade Dados .......... 56
Figura 19 – Resultado da questão 1f quanto ao nível de maturidade Tecnologia .... 60
Figura 20 – Resultado da questão 2d quanto ao nível de maturidade Tecnologia ... 60
Figura 21 – Resultado da questão 1a quanto ao nível de maturidade Tecnologia ... 61
Figura 22 – Resultado da questão 2c quanto ao nível de maturidade Tecnologia ... 61
Figura 23 – Resultado da questão 2f quanto ao nível de maturidade Tecnologia .... 62
Figura 24 – Resultado da questão 1 quanto ao nível de maturidade Processos ...... 65
Figura 27 – Resultado da questão 5 quanto ao nível de maturidade Pessoas ......... 72
8
LISTA DE QUADROS
Quadro 1 – Resumo da classificação da pesquisa ................................................... 42

Quadro 2 – Ações propostas x Procedimentos ........................................................ 43
Quadro 3 – Classificação dos profissionais ............................................................. 44
Quadro 4 – Intervalo de pontuação para definição do nível de maturidade ............. 46
Quadro 5 – Categorias de maturidade organizacional ............................................. 46
Quadro 6 – Ações propostas na entrevista x Procedimentos ................................... 47
9
LISTA DE TABELAS
Tabela 1 – Volume de dados gerado pelo Mundo .................................................... 18

Tabela 2 – Expressões de busca e resultado gerados ............................................. 20
Tabela 3 – Dez artigos mais citados ......................................................................... 22
Tabela 4 – Expressão de busca final e resultado gerados ...................................... 23
Tabela 5 – Artigos relativos à expressão de busca driven culture AND "decision
making" OR "framework" OR innovation OR "organizational culture". ...................... 26
Tabela 6 – Resultado individual do questionário quanto ao nível de maturidade
Intenção .................................................................................................................... 49
Tabela 7 – Resultado geral do questionário quanto ao nível de maturidade Intenção
.................................................................................................................................. 49
Tabela 8 – Resultado individual do questionário quanto ao nível de maturidade Dados
.................................................................................................................................. 53
Tabela 9 – Resultado geral do questionário quanto ao nível de maturidade Dados . 54
Tecnologia ................................................................................................................. 58
Tabela 11 – Resultado Geral do questionário quanto ao nível de maturidade
Tecnologia ................................................................................................................. 58
Processos.................................................................................................................. 63
Tabela 13 – Resultado Geral do questionário quanto ao nível de maturidade
Processos.................................................................................................................. 64
Tabela 14 – Representatividade das alternativas ..................................................... 64
Pessoas .................................................................................................................... 68
Tabela 16 – Resultado Geral do questionário quanto ao nível de maturidade Pessoas
.................................................................................................................................. 68
Tabela 17 – Consolidado das respostas da pergunta 4 quanto ao nível de maturidade
Pessoas .................................................................................................................... 69
Pessoas .................................................................................................................... 70
10
Pessoas .................................................................................................................... 71
Pessoas .................................................................................................................... 73
Pessoas .................................................................................................................... 74
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
A transformação tecnológica expande-se expressivamente e se caracteriza

pela habilidade de centralizar informação e conhecimento. As novas tecnologias estão
mais convergidas, disponibilizando o mundo em uma rede totalmente integrada, na
qual a quantidade de dados produzidos e armazenados tem aumentado de maneira
acelerada. A informação nunca foi tão acessível, produzida e disseminada
(DAVENPORT, 2007).
Esse grande volume de informações também se transformou numa grande
oportunidade para o mundo corporativo, ao permitir coletar dados a partir de várias
fontes, combiná-los em sistemas de armazenamento e analisá-los em busca de
padrões, o que pode possibilitar ofertas de serviços personalizados e mensagens mais
bem dirigidas, estimulando decisões mais seguras e assertivas por meio do uso da
inteligência analítica (PUGNA et al., 2019) – que, para Davenport (2007), permite
melhorar o poder de competição, além de ser uma parte importante do Business
Intelligence.
É comum encontrarmos nas seções de negócios de blogs, jornais e revistas
que o uso de dados como ferramenta estratégica de marketing promete valiosas ideias
para aqueles que o utilizam, permitindo analisar e compreender o novo consumidor
de uma forma mais profunda. É o que diz a MCkinsey Global Institute, ao publicar um
relatório sobre o potencial econômico do uso dos dados, afirmando que este tem o
potencial para inovar, encurtando processos, personalizando o atendimento aos
clientes, melhorando a gestão, ampliando resultados corporativos, além de
desenvolver novos modelos de negócios. Isso graças à capacidade de lidar com
dados em volume, variedade e velocidade (MANYIKA et al., 2011).
No entanto, apesar de todas as vantagens propagadas sobre o uso dos dados,
o principal desafio enfrentado hoje pelas empresas está no como usar essa fonte de
informação para melhor atender os objetivos traçados nos negócios. O não saber
como, é uma das principais razões pela qual as empresas falham na tentativa de
aplicar tomadas de decisões pautadas nos dados (WANG, KRISCH, 2019).
13
1.2 QUESTÃO DE PESQUISA
Apesar de todo benefício que se prega sobre a análise de dados, o número de

organizações que, de fato, são orientadas a dados, é ínfimo. Muitos autores afirmam
que o principal motivo é a ausência ou o entrave causado pela cultura organizacional
(LUNDE et al. 2019), onde esta não permite preencher lacunas de conhecimento,
falha ao lidar com a resistência das pessoas às mudanças, não viabiliza suporte e
envolvimento da administração e, também, a falha na comunicação (ESTELLER-
CUCALA el al. 2020). Além do mais, muitas vezes, além da cultura organizacional, o
desenvolvimento de cultura data-driven esbarra na falta de entendimento de
processos, focando apenas no âmbito tecnológico (ferramental), não tendo uma visão
abrangente do ecossistema a qual os dados estão inseridos; fato que acarreta
decisões baseadas apenas em inferências, reduzindo a efetividade das estratégias
(SOARES, 2017).
Soares (2017) afirma que, antes das empresas investirem apenas em estrutura
tecnológica acreditando que assim estarão buscando o maior uso dos dados, é
importante que antes seja realizada uma avaliação com o intuito de entender o seu
nível organizacional, focando na diligência para a execução de trabalhos orientados a
dados e no entendimento do seu nível de maturidade (coleta, integração,
gerenciamento e potencialização das fontes). Essa avaliação é que possibilita a
criação de uma estrutura em torno de dados, direcionando por onde começar.
É comum, hoje no mercado, encontrar agências de publicidade executando,
como consultoras, a avaliação organizacional e estrutural em dados citada no
parágrafo anterior. Muito porque, nos últimos anos, grandes holdings buscaram novas
formas de reinventar o modelo de agências, realizando a fusão de empresas e, assim,
atuando em vários segmentos de mercado. Como exemplo, podemos citar a Denstu
Aegis, multinacional de mídia e comunicação que, em 2016, adquiriu a empresa de
consultoria empresarial Cosin, incorporando capacidades de consultoria às demais
empresas do grupo (PROPMARK, 2016).
O caminho inverso também vem acontecendo, onde grandes empresas do
segmento de tecnologia se fundem com agências de consultoria e/ou agências de
publicidade. A Stefanini, multinacional com foco na prestação de serviços de software,
adquiriu, em 2017, as agências Gauge (empresa de consultoria e performance digital)
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
1.3.1 Objetivo geral
Objetivou-se com esta pesquisa verificar, na percepção dos profissionais de

agências de publicidade, qual o atual nível de maturidade da cultura data-driven das
empresas brasileiras, bem como a real aplicação nas estratégias de tomadas de
decisão nos negócios.
1.3.2 Objetivos específicos
Para a realização da pesquisa, os seguintes objetivos específicos foram definidos:
a) Identificar, na literatura, o que é uma organização data-driven.
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
Observa-se que a literatura de todo o mundo tem priorizado apenas estudos

relativos à transformação tecnológica (ferramentas), dando pouco ou nenhuma
atenção a real capacidade dos dados serem convertidos em negócios (BERNTSSON
SVENSSON, TAGHAVIANFAR, 2020).
A escolha do tema se deve pelo fato do crescente interesse da autora pela área
de tecnologia e análise de dados ao longo da sua trajetória acadêmica e profissional, que
possibilitou acompanhar os desafios e as oportunidades gerados a partir da análise de
dados ao longo de mais 10 anos de carreira executando projetos digitais para empresas
públicas e privadas. Durante esse período observou-se o anseio das instituições pela
tomada de decisão baseado em dados, mas que na maior parte das vezes falhavam por
falta de entendimento, principalmente quanto a processos e pessoas, o que fazia com
que o investimento ficasse preso apenas na aquisição de tecnologia.
Estudos com a temática data-driven têm ganhado destaque no cenário
internacional com o aumento crescente de publicações científicas a cada ano (Figura
1, a). No Brasil, embora ainda tímida, com apenas 595 documentos registrados na
base de dados Scopus desde o ano de 2005, a temática já ganha espaço no cenário
nacional (Figura 1, b), mostrando que tanto pesquisadores quanto empresas estão em
processo de desenvolvimento de uma cultura data-driven.
16
Mundo (a). Brasil (b)
Figura 1 – Cenário evolutivo de documentos científicos produzidos com o termo “data-driven”.

Fonte: Base de dados Scopus.
De forma geral, os estudos relativos a data-driven apontam para uma variedade

de definições e aplicações e esse resultado apenas demonstra que há lacunas no
conhecimento que precisam ser explorados, fato que vai de encontro com que diz
Mikalef et al. (2017, p. 2):
A necessidade de aproveitar todo o potencial da rápida expansão de volume,

velocidade e variedade de dados tem permitido uma evolução significativa de
técnicas e tecnologias para armazenamento, análise e visualização de dados.
No entanto, tem havido consideravelmente menos atenção de pesquisa sobre
como as organizações precisam mudar para abraçar essas inovações
tecnológicas, bem como sobre as mudanças de negócios que elas acarretam.
Diante das informações apresentadas, o estudo se justifica na importância de

trazer para empresas e profissionais uma visão mais clara sobre a relevância do
desenvolvimento da cultura organizacional quando se busca a aplicabilidade dos
dados na tomada de decisões estratégicas.
A pesquisa também possui relevância dado o fato do aumento crescente da
importância e do interesse sobre o tema data-driven no Brasil e no Mundo – numa
rápida pesquisa exploratória pelo termo no Google Trends, ferramenta que permite
acompanhar a evolução do número de buscas por uma determinada palavra-chave ao
longo do tempo, tendo como índice de popularidade valores que variam ente 0 e 100,
é possível observar um aumento crescente de buscas sobre o assunto (Figura 2).
17
100
80
63 62
52 55
60 48
45 45
37
40 31
18
20
0
2016 2017 2018 2019 2020
Mundo Brasil Linear (Mundo) Linear (Brasil)
Figura 2 – Índice médio de interesse pelos termo data-driven.

Fonte: Google Trends. Gráfico produzido pela autora.
A importância do tema é também levantada quando olhamos o volume de

dados produzido pelo mundo atualmente. De acordo com pesquisa divulgada pela IDC
Infobrief (2020), em 2018, foram criados 33 zettabytes de novos dados em todo mundo
(1 ZB = 1 trilhão de gigabytes) e, até 2023, mais de 103 ZB deverão ser criados
(Tabeka 1). Os números apresentados apontam não só a necessidade de novas
soluções para dados cada vez mais qualificados, como também, direcionamento
sobre como melhor utilizá-los para tomadas de decisão.
Tabela 1 – Volume de dados gerado pelo Mundo
2013 2018 2023 (previsão)
4,4 trilhões de gigabytes 33 trilhões de gigabytes 103 trilhões degigabytes
Fonte: IDC Infobrief. Tabela produzida pela própria autora
O estudo visa uma abordagem de utilização e conhecimento sobre o

desenvolvimento da cultura data-driven por empresas brasileiras, identificando não só
os principais desafios, mas também as oportunidades de inovação geradas a partir de
sua aplicação. Este conhecimento também colaborará com a percepção apresentada
por Mikalef et al. (2017), que afirma que a ênfase das pesquisas acadêmicas tem sido
nos aspectos técnicos, com atenção limitada às mudanças organizacionais e no como
os dados podem ser aproveitados estrategicamente.
18
1.5 ORGANIZAÇÃO DA DISSERTAÇÃO
Este trabalho está organizado da seguinte forma:

Capítulo 1 – Introdução: o capítulo aborda a introdução ao tema,
contextualização sobre o assunto, questão da pesquisa, definição dos objetivos (geral
e específicos), além da justificativa e a organização do presente trabalho.
Capitulo 2 – Revisão da Literatura: este capítulo trata do resumo da
informação existente sobre o tema proposto de pesquisa.
Capítulo 3 – Referencial teórico: o capitulo expõe, de forma estruturada,
estudos relacionados ao tema e ao problema de pesquisa que já foram publicados.
Capítulo 4 – Metodologia: capítulo que descreve os procedimentos
metodológicos utilizados na pesquisa, bem como a abordagem de estudo aplicada.
Capitulo 5 – Análise dos resultados: este capítulo descreve o resultado do
questionário aplicado a dez profissionais de agência de publicidade sobre maturidade
data-driven, confrontado o resultado geral quantitativo com as opiniões dos
entrevistados.
Capitulo 6 – Conclusão: o capítulo responde aos objetivos (geral e
específicos), relata contribuições e direciona para possíveis estudos futuros.
Capitulo 7 – Apêndice: o capítulo traz o instrumento da pesquisa (questionário
aplicado).
Capitulo 8 – Referências: Descreve todas as referências bibliográficas
utilizadas.
19
2. REVISÃO DE LITERATURA
Segundo Ferreira e Alvarenga (2011 apud PIMENTA et al., 2017), as pesquisas

de natureza bibliométrica possuem um papel importante para a compreensão da
qualidade e do desempenho das atividades de produção científica, e que entender as
publicações de determinado campo simboliza “lançar luzes que levam à compreensão
do mesmo”. Desse modo, para compreender de forma mais abrangente o tema de
estudo proposto neste trabalho, a revisão de literatura foi desenvolvida a partir de
técnicas de organização e representação do conhecimento, buscando levantar os
artigos publicados na área acadêmica e científica que debatem e/ou divulgam
pesquisas relativas à tomada de decisão baseada em dados.
A exploração foi realizada a partir da base de dados Scopus. A escolha dessa
fonte levou em consideração os aspectos relatados por Costa et al. (2009), em que
destacam que a base Scopus possui o maior número de títulos de periódicos e uma
cobertura mais forte ao nível das revistas de ciência e tecnologia – fato que possibilitou
uma visão mais categórica das discussões em torno do assunto.
Para selecionar as expressões de busca mais relevantes, foi realizada pesquisa
preliminar com o tema “data-driven culture”, no entanto, a Scopus retornou volume
pouco representativo de documentos (44), optando-se então por excluir da expressão
o termo “culture” e aumentar a abrangência da pesquisa. Os resultados foram
analisados e classificados nas ferramentas VOSviewer1 e Gephi2 e, a partir das
informações resultantes, elaborou-se as expressões de busca elencadas na Tabela 2.
Tabela 2 – Expressões de busca e resultado gerados pela base de dados Scopus
Origens Saídas Resultados
AND ("data use" OR innovation OR "knowledge

management" OR "performance measurement"
data-driven decision making OR "self-efficacy" OR "performance 221
management" OR "mixed methods" OR
"performance evaluation" OR "decision support")
AND ("decision making" OR "framework" OR
data-driven culture 23
innovation OR "organizational culture")
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)
data-driven model AND ("decision support tool" OR performance) 1.377
AND ("performance analysis" OR "performance

data-driven analysis 37
evaluation" OR "decision support")
Fonte: Base de dados Scopus. Tabela de dados elaborada pela própria autora.
Os novos termos de busca totalizaram mais de 5.500 documentos únicos e o

volume de publicações anuais é apresentado na figura 3, sendo possível observar
crescimento exponencial ao longo dos anos, com destaque a partir de 2014 –
possivelmente gerado por um boom de desenvolvimento tecnológico em todo o
mundo.
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.
Tabela 3 – Dez artigos mais citados
Nr. de
Documento Tema
Citações
Wang (2010) Sistemas de transportes inteligentes 492
Imakaev et al. (2012) Organização cromossômica 456
Labrinidis el al. (2012) Desafios e oportunidades com Big Data 412
Booher-Jennings (2005) Triagem educacional 403
Wang el al. (2005) Redes profundas para super-resolução de imagem 400
Ciência de dados e sua relação com Big Data e

Todorov et al. (2013) 397
tomada de decisão baseada em dados
Peng et al. (2010) Prognósticos de máquinas 348
Todorov et al. (2008) Compreendendo a avaliação de rostos. 330
AID: Um conjunto de dados de referência para

Xia et al. (2017) 320
avaliação de desempenho
Racine (2004) Estimativa não paramétrica de funções de regressão 319
Booher-Jennings (2005) apresenta estudo relativo a duas tradições dominantes

no sistema educacional do estado do Texas (EUA). O autor mostra como as notas
altas dos alunos reconstituiu a identidade profissional do professor e as relações entre
eles. Wang et al. (2015) desenvolveram estudo sobre um novo modelo de deep
learning aplicado a melhoria de restauração de imagens. O modelo proposto avalia
uma ampla gama de imagens e mostra vantagem sobre os métodos de última geração
existentes em termos de restauração, precisão e qualidade.
Provost e Fawcett (2013) ilustram a relação da ciência de dados e do Big Data
com a tomada de decisão baseada em dados. Os autores apresentam conceitos e
trazem uma lista parcial dos princípios fundamentais da ciência de dados. Peng, Dong
e Zuo (2010) exploram a estratégia CBM (Condition-based maintenance) de tomada
de decisão. Com base na revisão de algumas abordagens típicas e novos métodos,
os autores descrevem sobre as vantagens e desvantagens da metodologia.
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
Expressão final Saídas Resultados
AND ("decision making" OR "framework" OR

data-driven culture 23
innovation OR "organizational culture")
Como alternativa para uma pesquisa bibliográfica mais eficiente, houve a

decisão de uma análise ainda mais direcionada, contemplando documentos do tipo
artigo e conference papper, e tendo como base a seguinte expressão de busca: data-
driven culture AND "decision making" OR "framework" OR innovation OR
"organizational culture" – esta representada na segunda linha da tabela 1.
Ainda que com um resultado pouco significado (23 documentos), foi possível
observar que os estudos são recentes, com o mais antigo datado de 2012 (figura 4).
Apesar do assunto que envolve análise de dados ser um tema recorrente no meio
acadêmico, estudos que envolvem sua aplicação como tomada de decisão no mundo
dos negócios ainda é pouco expressiva.
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
O resultado da pesquisa também revelou que, ainda que a tomada de decisão

baseada em dados tenha uma maior relação negocial, 12 dos documentos têm com
principal área de estudos a Computer Science (figura 5) – fato que atesta a forte
relação com a área tecnológica.
0 2 4 6 8 10 12 14
Computer Science
Business, Management and Accounting
Engineering
Decision Sciences
Mathematics
Medicine
Social Sciences
Energy
Agricultural and Biological Sciences
Biochemistry, Genetics and Molecular Biology
Environmental Science
Figura 5 – Número de publicações por área de estudo. Fonte: Scopus.

Gráfico elaborado pela própria autora
Como exposto anteriormente, para compreender de forma mais abrangente o

tema de pesquisa proposto, a revisão de literatura foi desenvolvida a partir de técnicas
de organização e representação do conhecimento. Como apresentado por Schlemmer
et al. (2008), as redes de conhecimentos se apresentam como uma possibilidade para
representar relações semânticas construídas entre conceitos.
24
Ainda que com apenas 23 documentos, foi realizado um mapeamento
terminológico utilizado a ferramenta VOSViewer com parâmetro de, no mínimo, 3
ocorrências por palavra-chave. A ferramenta gerou uma rede com 3 clusters e 142
links. Um thesaurus também foi utilizado para a remoção de expressões não
correlatadas.
Na figura 6 é possível visualizar o agrupamento das palavras e a separação
dos clusters. Observa-se que os clusters estão representados pelas palavras-
chaves Big Data, decision making, data-driven e data-driven culture. O primeiro
cluster (vermelho) tem como elemento central o termo Big Data e conta com
palavras ligadas diretamente à tomada de decisão (data-driven), demonstrando
que, nos documentos extraídos, estes assuntos estão conectados. Ainda neste
mesmo grupo, fica como ponto de atenção as palavras organizational culture e
data-driven decision making, que aparecem com arestas mais distantes dos
elementos centrais. Já o segundo cluster (verde) destaca, principalmente, a
vantagem competitiva gerada a partir da inteligência de negócios. Por fim, o grupo
(azul), que traz a palavra decision making como termo central, sugere que os
artigos oferecem uma abordagem direta com a geração de informação.
Figura 6 – Rede de Concorrências de palavras-chave. Fonte: Scopus.

Elaborado pela própria autora no software VOSViewer
Na análise de referências bibliográficas, um thesaurus também foi utilizado para a

remoção de artigos duplicados ou não correlatados. Dessa forma, dos 23 artigos
extraídos, apenas 17 tinham relação mais próxima com o assunto proposto (tabela 5).
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
Vallejo et al. (2012) Convertendo dados em informação. 1
Wang, Zhang e Song (2020) exploram o desenvolvimento de novos produtos

utilizando Big Data e avaliam em que medida este influencia no sucesso de um projeto,
trazendo recomendações para aqueles que estão buscando aplicar decisões de
negócios baseadas em dados. De acordo com os autores, a incorporação de Big Data
no ecossistema de uma organização pode ser significativa, ajudando a determinar os
pontos fortes e fracos de um projeto já no início do ciclo de desenvolvimento. Os
pesquisadores também destacam que é necessário lideranças que adotem uma forte
orientação de negócios e incorporem estas nos sistemas operacionais e valores
culturais da organização.
Herden (2020) disserta sobre a geração de vantagem competitiva a partir da
análise de dados. Em suma, o autor destaca que, no processo de análise, deve-se
26
identificar um problema de negócio e, na sequência, ser avaliado por uma equipe de
especialistas multifuncionais que apresentarão percepções intermediárias extraídas
de dados para avaliação e orientação. O artigo ainda menciona a necessidade de uma
apreciação final dos resultados de negócios por parte da gerencia, que devem incitar
a manutenção e o avanço das soluções implantadas, além de criar novas iniciativas
de a partir dos resultados obtidos.
Duan, Cao e Edwards (2020) questionam o fato de que poucas pesquisas
investigam o mecanismo pelo qual a análise de dados contribuiu para o sucesso de uma
empresa. O artigo sugere que o Business Analytics ajuda a aprimorar a inovação,
contribuindo para uma cultura data-driven. Os resultados apresentados no estudo
sugerem que a análise de dados melhora diretamente a verificação ambiental (ameaças,
oportunidades, forças e fraquezas) da empresa, bem como de seus produtos e serviços,
auxiliando, diretamente, no aprimoramento de uma cultura orientada a dados. De acordo
com os autores, as descobertas demonstram o impacto positivo da análise de negócios
sobre a inovação e as organizações que desejam realizar o potencial de Business
Analytics precisam de mudanças em seu foco externo e interno.
Wang et al. (2020) fornecem referências úteis para a empresa fortalecerem o
gerenciamento da segurança de dados de computação em nuvem. De acordo com os
autores, a cultura orientada a dados e a integração do processo de negócios de TI
têm um efeito positivo nas possibilidades de tomada de decisão. Além do mais,
segundo o estudo, com base na teoria da cadeia de valor da informação e na teoria
de recursos de TI, um modelo de pesquisa é construído para investigar o mecanismo
subjacente de recursos de análise de negócios, aprimorando o gerenciamento de
segurança de dados de computação em nuvem, dessa forma as empresas podem
fortalecer a gestão da segurança de dados.
Esteller-Cucala, Fernandez e Villuendas (2020) identificam os potencias
problemas que surgem durante a transformação de uma empresa tradicional em uma
com foco em tomada de decisão baseada em dados. Os autores validam, através de um
estudo de caso, alguns riscos apontados na revisão de literatura (não seguir um
procedimento de mudança organizacional; não preencher a lacuna de conhecimento;
falha em lidar com a resistência das pessoas à mudança; falta de senso de urgência;
prontidão organizacional insuficiente para mudanças; suporte e envolvimento da
administração insuficiente e; falta de comunicação). Conforme exposto pelas autoras, se
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
Conforme destacado no capítulo anterior, que abordou a revisão de literatura,

foi realizado um mapeamento terminológico com o parâmetro de, no mínimo, três
ocorrências por palavra-chave a partir da expressão final “data-driven culture”. Como
pôde ser visualizado na figura 6, a ferramenta utilizada gerou uma rede com três
clusters: vermelho, azul e verde (já analisadas anteriormente).
Cada cluster traz, pelo menos, uma palavra-chave de maior nó, indicando
que essas apresentas maior popularidade em relação ao tema cultura data-driven
em relação as demais: Big Data (vermelho), decision making (azul) e business
analytics (verde). A partir desta observação, esta seção analisará as definições
mais relevantes na literatura em relação a essas palavras. Ressalta-se ainda que,
além dos termos destacados, será acrescido data-driven culture por ser o tema
central dessa pesquisa.
3.1 CULTURA DATA-DRIVEN
A informação, que sempre foi um elemento essencial para os negócios, nas

últimas décadas, tornou-se uma ferramenta de ação e assumiu um lugar
privilegiado na atividade gerencial, estratégica e administrativa das empresas
(CARDOSO, 2006). Contudo, como afirma Dantas (2014), sabemos que qualquer
decisão numa organização deve sempre ser muito bem pensada, pois não se pode
correr o risco de tomá-la de forma insensata. Para isso, Carvalho (2012, p. 12)
descreve que o grau de sucesso a ser atingido com as informações extraídas de
diversos dispositivos “está direta e proporcionalmente ligada à competência da
coleta, mineração, filtragem, organização e interpretação da informação”. Assim,
os resultados podem ser previsões melhores, serviços mais personalizados e
mensagens mais bem dirigidas, estimulando decisões melhor informadas e mais
seguras, e também destacar a empresa no mercado (CARVALHO, 2012).
Choo (1998), ao descrever sobre valor da informação para as empresas,
afirma que a melhor forma de analisar o ambiente no qual elas estão inseridas não
é simplesmente tentar entendê-la, mas vê a informação como conhecimento que
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.
Figura 7 – Estrutura de organização orientada a dados.

Fonte: Vidgen, Shaw e Grant (2017).
33
3.2 BIG DATA
Todos os anos, a Data Every Minute (DOMO), empresa focada em soluções

digitais, publica um infográfico em que apresenta o quanto de dados são gerados
a cada minuto por diversas plataformas na Internet. E para se ter uma ideia,
somente no primeiro semestre de 2020, em meio a pandemia de coronavírus, em
60 segundos, mais de 347 mil stories foram postados na rede social Instagram,
404,5 mil horas de vídeos foram assistidos na plataforma Netflix e 41,5 milhões de
mensagens foram trocadas por meio do aplicativo WhatsApp (figura 8). Se
multiplicado por 60 minutos, ou ainda, 24 horas, é possível ter uma dimensão da
infinidade de dados gerados somente pelas plataformas digitais 3.
Figura 8 – Data Never Sleeps 8.0 (ago/2020). Fonte: Data Every Minute.
Esse grande volume de dados, vem viabilizar para as organizações novas

oportunidades de negócios e impulsionar ações de marketing com base nas
informações geradas pelos usuários, e também demonstrar um desafio para a
indústria da tecnologia, que precisa apostar na oferta de fermentas que ajudem as
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.
Figura 9 – 5Vs do Big Data. Fonte: Ishwarappa e Anuradha, J. (2015)
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).
Faria (2011) descreve que o mercado econômico de nossa sociedade evoluiu

de um modelo nômade para um de sociedade da informação, e que esta mudança
abriu grandes possibilidades, visto que o Big Data se converteu numa importante
ferramenta no desenvolvimento econômico, político e social. E, conforme o autor, o
desafio hoje passa a ser o de entender como traçar inteligência de negócios a partir
dos dados coletados e criar mudanças de estratégias de atuação, além de novos
modelos de negócios.
Também para Pugna, Duţescu e Stanila (2019), o aumento exponencial dos
desafios e oportunidades gerados a partir do Big Data, possibilitou que ele se tornasse
um elemento fundamental não só para que as organizações possam construir suas
estratégias de negócios, mas também para a economia e a sociedade de um país.
Também Mayer-Schonberger e Cukier (2013, p. 4) afirmam que com o Big Data
os dados se tornaram “matéria-prima dos negócios, um recurso econômico vital,
usado para criar uma nova forma de valor econômico.”
Apesar de o termo Big Data ter se transformado em uma expressão genérica,
em sua essência, ele apresenta desafios para as organizações. Um deles, destacado
por Davenport, Joachimsthaler e Sweeney (2014), é a implementação de novas
tecnologias pelas empresas, em que há a necessidade de utilizar técnicas estatísticas
sofisticadas para identificar padrões de comportamento. Além do mais, as empresas
devem se confrontar com uma nova filosofia sobre a tomada de decisões. Os autores
ainda afirmam que
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.
3.3 BUSINESS ANALYTICS
Conforme exposto no item 3.1, referente a Cultura Data-Driven, Vidgen,

Shaw e Grant (2017) trazem cinco pilares fundamentais para uma estrutura
organizacional baseada em dados: tecnologia, organização, processos e pessoas
(figura 7). Essa estrutura demonstra que, para que uma empresa/organização
obtenha valor para os negócios a partir dos dados, a análise não deve ser pensada
simplesmente como uma questão tecnológica.
O termo Business Analytics (BA) é datado de 1950, mas recentemente
tornou-se uma importante área de estudo e tem sido amplamente usado em vários
contextos, principalmente, no que se refere-se ao gerenciamento de dados (CAO;
DUAN; LI, 2015). No entanto, apesar de não existir um consenso sobre sua
definição, Cao e Duan (2015, p. 2) descrevem BA como um conjunto de “processos
e técnicas de análise de dados para a geração de conhecimento e inteligência na
obtenção de vantagem competitiva”.
Já Davenport (2013) afirma que há três conceitos para BA: o primeiro deles, que
durou até meados dos anos 2000, o autor chama de Analytics 1.0, a “era da inteligência
de negócios”, período que data os primeiros usos de dados para a compreensão do
negócio. Já o Analytics 2.0, mais atual, é denominado “era do Big Data” e tem forte
característica ferramental. O último conceito, Analytics 3.0, é definido como a “era das
ofertas de dados”, e identifica-se pela atual intensificação do uso de dados para
37
tomadas de decisões na geração de novos produtos e serviços. Sobre este último
ponto, Cao e Duan (2015) enfatizam que a obtenção de vantagem competitiva por meio
do Business Analytics somente acontece se a empresa desenvolver uma cultura
baseada em dados (data-driven culture), fato que vai de encontro com a estrutura
organizacional baseada em dados apresentada por Vidgen, Shaw e Grant (2017) na
figura 7.
Para Chahal, Jyoti e Wirtz (2019), a busca pela otimização da informação
por meio do Business Analytics compreende o uso de técnicas e processos. Os
autores sugerem aos analistas a aplicação de etapas durante o processo de
obtenção de valor para o negócio por meio dos dados (figura 10). Os autores
descrevem que o Business Analytics pode ser aplicado nas mais variadas áreas e
setores de uma empresa e que o uso “facilita e equipa as organizações de
negócios e serviços com uma melhor compreensão dos dados primários e
secundários para a tomada de decisões” (p. 2).
Figura 10 – Estágios do Business Analytics. Fonte: Chahal, Jyoti e Wirtz (2019).
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).
3.4 TOMADA DE DECISÃO
A partir dos estágios de Business Analytics apresentado no item anterior (figura

10), que sugere um processo para obtenção de valor para os negócios a partir dos
dados, o próximo passo é a tomada de decisão que, para Russo (2014, p. 1), “é um
processo por meio do qual um indivíduo, grupo ou organização chega a conclusões
sobre quais ações futuras realizar”, e está diretamente relacionado a um objetivo e a
coleta de informações. Essa mesma definição também é apresentada por Cao e Duan
(2015), no entanto, os autores complementam afirmando que Decision Making e
Business Analytics trabalham em conjunto, onde o segundo, fornece recursos para
que o primeiro possa ser exercido.
Pranjic (2018) afirma que há dois modelos principais de tomada de decisão. O
primeiro é chamado de racional, pois a tomada de decisão passa por múltiplos
estágios e é fortemente baseado na análise de dados. Tal ideia é compartilhada por
Maçada e Canary (2014), que também afirmam que a tomada de decisão racional
deve verificar os dados obtidos e extrair informações fundamentais. Já o segundo
modelo é denominado não racional (ou modelo crítico), onde tanto a informação
quanto a solução são gerados por meio da análise de dados, mas estes somente
apoiam a tomada de decisão, a palavra final é aplicada pelos gestores da empresa.
De forma geral, para Maçada e Canary (2014) a tomada de decisão tem
influências racionais e não racionais, mas ambas têm como base a análise de
informações provenientes dos dados, principalmente com o uso de Big Data. Na figura
11, os autores exemplificam um modelo de tomada de decisão inserida no contexto
dos 5 V’s do Big Data.
39
Figura 11 – Modelo de tomada de decisão inserida no contexto de Big Data. Fonte: Maçada e
Canary (2014) – com adaptações.
40
4. METODOLOGIA
A metodologia de pesquisa consiste em estudar, compreender e avaliar os

métodos de realização de estudos acadêmicos (PRADANOV, FREITAS, 2013). E,
para isso, é importante que haja etapas de verificação que possibilitem chegar até
o conhecimento desejado (OLIVEIRA, 2011).
De acordo com o Pradanov e Freitas (2013), dentre os métodos científicos
comumente adotados no meio acadêmico, estão o de abordagem e o de
procedimento. O primeiro busca estabelecer uma ruptura no senso comum e pode
ser classificado em dedutivo, indutivo, hipotético-dedutivo, dialético e
fenomenológico. E o segundo, menos abstrato, tem procedimentos mais técnicos
e pode ser classificado como histórico, experimental, observacional, comparativo,
estatístico, clinico e monográfico. Os autores trazem ainda a classificação das
pesquisas, que podem ser categorizadas sobre o ponto da natureza, do objetivo,
dos procedimentos técnicos e da abordagem do problema.
Apesar do estudo proposto não ter como objetivo o detalhamento de cada
uma das classificações de métodos de pesquisa apesentado no parágrafo anterior,
todo o critério metodológico adotado será pontuado nas próximas sessões.
4.1 CLASSIFICAÇÃO DA PESQUISA
Conforme resumido no quaro 1, do ponto de vista da natureza, a proposta

de pesquisa se classifica como aplicada, porque “objetiva gerar conhecimentos
para aplicação prática dirigidos à solução de problemas específicos. Envolve
verdades e interesses locais” (GERHARDT, SILVEIRA, 2009, p. 34).
Quanto à forma de abordagem do problema, a proposta foi quantitativa e
qualitativa. Na primeira, é um método que traduz os dados obtidos, buscando obter
respostas sobre diferentes questões. Na segunda, qualitativa, as questões são
estudadas no ambiente em que elas se apresentam – esta abordagem não utiliza
dados estatísticos como o centro do processo de análise. Os dados coletados são
descritivos e retratam o maior número possível de elementos existentes na
realidade estudada. Nesse tipo de pesquisa, não há preocupação em comprovar
hipóteses (GERHARDT, SILVEIRA, 2009).
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).
Quadro 1 – Resumo da classificação da pesquisa
Tipo de pesquisa Características
Natureza Abordagem Objetivo Procedimento Instrumentos
Quantitativa e Pesquisa de
Aplicada Descritiva Entrevista
Qualitativa campo
Fonte: produzido pela própria autora.
4.2 PROCEDIMENTOS METODOLÓGICOS
O procedimento metodológico definido para esse estudo foi a pesquisa de

campo. Esta caracteriza-se, principalmente, pela investigação, onde, além da
pesquisa bibliográfica e/ou documental, há a realização de coleta de dados junto
a pessoas, utilizando-se de recursos variados no campo da pesquisa
(GERHARDT, SILVEIRA, 2009).
4.2.1 Seleção do público-alvo
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).
Quadro 2 – Ações propostas x Procedimentos
Ações propostas Procedimentos
Definição dos profissionais do mercado publicitário brasileiro que

a) Seleção do
trabalham diretamente com o desenvolvimento de cultura data-driven
público-alvo
nos negócios.
Aplicação de um questionário inicial com os entrevistados com a

b) Aplicação de
finalidade mapear a existência de níveis distintos de maturidade data-
questionário
driven.
Identificação e verificação da percepção dos profissionais de agências

c) Realização
de publicidade sobre o nível de maturidade organizacional data-driven
de entrevistas
das empresas
Fonte: Elaborado pela própria autora
Os respondentes denominados “análise” têm maior ênfase na execução

operacional da análise de dados, com maior foco tecnológico. Já os profissionais
“negócios” estão envolvidos diretamente com processos, no intuito de que todos
projetos sejam entregues, além de serem responsáveis para que a cultura data-
driven seja, de fato, implementada. Por fim, os profissionais denominados
“estratégia” são aqueles fornecem os direcionamentos estratégicos a partir da
análise de dados, trabalhando em conjunto com as lideranças na tomada de
decisão.
Vale ainda destacar que os entrevistados possuem formações distintas,
mas que executam trabalhos voltados para a implementação e o desenvolvimento
de cultura data-driven nos negócios de grandes órgãos e empresas brasileiras.
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.
4.2.2 Aplicação de questionário
Para padronizar e reconhecer possíveis níveis de maturidade que as

empresas possam estar inseridas, inicialmente, utilizou-se como parâmetro, mas
de forma adaptada, o questionário da CSC Big Data Maturity tool (IDC, 2020). A
escolha desse questionário se deve pela similaridade com a estrutura de
organização baseada em dados apresentada no Referencial Teórico, em que
aborda os pilares: organização, tecnologia, processos e pessoas (Figura 7).
44
O modelo de questionário proposto avalia cinco dimensões de maturidade:
Intenção, Dados, Tecnologia, Processos e Pessoas. A dimensão Intenção, busca
entender a existência de uma estratégia de análise de dados. Já Dados inclui
atributos relacionados, por exemplo, à qualidade, à relevância, à disponibilidade e
à confiabilidade dos dados. Já a dimensão Tecnologia utiliza atributos como a
adequação e a aplicabilidade. Já Pessoas, busca entender o investimento em
profissionais. Por fim, a dimensão Processos utiliza de atributos ligados ao
processamento, consolidação, análise e disseminação da informação e tomada de
decisão.
Este instrumento de coleta de dados foi traduzido e adaptado à realidade do
mercado brasileiro. Entre os principais ajustes estão a adequação de termos técnicos
e a exclusão de questões não aplicáveis ao mercado. Inicialmente, foi disponibilizado,
entre os dias 29 e 31/03/2021, o questionário completo aos respondentes por meio da
plataforma eletrônica Google Forms. Vale ressaltar que o questionário não foi
analisado com fins estatístico, apenas como forma de orientação na condução inicial
das entrevistas e uma forma de padronização e reconhecimento de possíveis níveis
de maturidade.
4.2.2.1 Avaliação do nível de maturidade
O questionário contou com 22 perguntas separadas pelas dimensões Intenção,

Dados, Tecnologia, Processos e Pessoas (ver apêndice). Para cada resposta foi
definido um peso, que variava de 0 a 5 – onde zero correspondia a pouca ou
nenhuma familiaridade ou aplicação do produto/serviço com análise de dados e
cinco, total familiaridade e aplicação. Quando somados, esses pesos apontam,
conforme a quadro 4, o possível nível de maturidade da empresa separada por
dimensão. Os níveis de maturidade (quadro 5) seguiram ao proposto pelo CSC
Big Data Maturity tool (IDC, 2020).
45
Quadro 4 – Intervalo de pontuação para definição do nível de maturidade
Dimensão Categoria
0 a 4 pontos (Ad Hoc)

5 a 8 pontos (Oportunista)
Intenção 9 a 13 pontos (Repetível)
14 a 18 pontos (Gerenciado)
+19 pontos (Otimizado)
Dados 33 a 48 pontos (Repetível)
Tecnologia 25 a 36 pontos (Repetível)
Pessoas 75 a 111 pontos (Repetível)
Processos 11 a 15 pontos (Repetível)
Quadro 5 – Categorias de maturidade organizacional.
As organizações se envolvem em projetos experimentais isolados e têm

Ad Hoc processos indefinidos. Carecem de recursos e são baseados em esforços
individuais.
Oportunista Projetos analíticos intencionais, definidos por processos de negócios

específicos.
Projetos analíticos recorrentes, guiados por uma estratégia. Tem uma visão
Repetível retrospectiva abrangente; os resultados do projeto incluem a adoção de
soluções.
Tem processos, metodologias e técnicas de medição que influenciam as

Gerenciado decisões de investimento em análise de dados. Tem a obtenção de uma
visão acionável.
Operacionalizaram todos os aspectos dos projetos voltados para a análise
Otimizado de dados. Eles se envolvem na melhoria contínua e coordenada de
processos analíticos para a realização de valor. Os resultados do projeto
incluem aprendizado e aprimoramento contínuos.
Fonte: (IDC, 2020). Elaborado pela própria autora
46
4.2.3 Realização de entrevista
Após a coleta, processamento e análise dos dados, foi construído o roteiro

para a condução das entrevistas individuais (realizadas entre os dias 01 a
16/4/2021). O roteiro contou inicialmente com a explanação geral sobre o objetivo
da pesquisa e a apresentação do entrevistado, relatando um pouco sobre suas
experiências profissionais.
A entrevista teve como objetivo a obtenção de informações qualitativas e
exibiu características não estruturada, o que proporcionou uma exploração mais
ampla.
4.2.3.1 Roteiro das entrevistas
O roteiro da entrevista é apresentado no quadro 6.
Quadro 6 – Ações propostas na entrevista x Procedimentos
Ações propostas Procedimentos
Apresentação do entrevistador e do objetivo da pesquisa,

a) Abertura
bem como orientações sobre o sigilo das informações.
Apresentação breve do entrevistado (nome, tempo de

b) Apresentação
experiência na área e marcas já trabalhadas).
Apresentar as definições dos níveis de maturidade e

solicitar uma visão geral do entrevistado sobre as
c) Níveis de maturidade percepções dele, nos últimos três anos, em relação a
maturidade das empresas em tecnologia e análise de
dados, bem como o processo evolutivo.
Entrar individualmente nas respostas e no resultado das

d) Discussão do resultado do
dimensões, explicar cada uma delas, apresentar o
questionário.
resultado e discutir com o entrevistado.
Realizar uma explanação geral sobre a entrevista e as

d) Finalização percepções coletadas e agradecer a participação do
entrevistado.
47
5. ANÁLISE DOS RESULTADOS
O uso de dados nas tomadas de decisão pode representar oportunidades de

transformação nos negócios, além de possibilitar o desenvolvimento de novos
produtos e sérvios. No entanto, conforme afirma Soares (2017, p. 12), muitos
conceitos relativos ao processo de análise de dados e tomada de decisão ainda não
são claros a nível organizacional, não sendo simplesmente “um caso, uma aplicação,
uma única tecnologia ou uma única habilidade”.
Desse modo, os resultados aqui apresentados, trazendo algumas percepções
sobre o nível de maturidade em dados, tecnologia e análises de empresas e
organizações sobre o ponto de vista dos profissionais de agências de publicidade, têm
o potencial de orientação para subsidiar projetos com vista na alavancagem
organizacional no que diz respeito a data-driven.
Participaram da pesquisa qualitativa 10 profissionais do mercado publicitário,
sendo 4 atuantes no processo analítico/tecnológico, 3 voltados especificamente para
a elaboração de estratégia baseada em dados e outros 3 focados no desenvolvimento
e na oferta de novos negócios.
A análise dos resultados, tanto do questionário quanto das entrevistas, foi
construída a partir das cinco dimensões de maturidade pré-estabelecidas: intenção,
dados, tecnologia, pessoas e processos. Vale destacar novamente que o resultado do
questionário não tem fins estatísticos, que o mesmo foi utilizado apenas como forma
de orientação na condução da pesquisa qualitativa e também como uma forma de
padronização de reconhecimento dos níveis de maturidade.
5.1 MATURIDADE INTENÇÃO
Com o intuito de mapear a maturidade data-driven das empresas quanto ao

nível de intenção, em que se busca entender se já há ou não a construção de uma
estratégia de análise de dados no ambiente organizacional; foi direcionado aos
participantes da pesquisa perguntas objetivas que buscaram entender inicialmente a
existência de pontos como: estratégia, orçamento, objetivos e benefícios.
Durante a análise das respostas do questionário, observou-se que os
respondentes 3, 4, 5, 7 e 10, conforme apresentado na tabela 6, que aborda o
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.
Tabela 6 – Resultado individual do questionário quanto ao nível de maturidade Intenção.

Área de atuação do entrevistado Pontuação Nível
Respondente 1: análise 5 Ad Hoc
Respondente 2: negócios 6 Oportunista
Respondente 3: análise 11 Repetível
Respondente 5: negócios 9 Repetível
Respondente 6: análise 16 Gerenciado
Respondente 7: estratégia 11 Repetível
Respondente 8: estratégia 17 Gerenciado
Tabela 7 – Resultado geral do questionário quanto ao nível de maturidade Intenção.

Quantidade
Nível 1: Ad Hoc 1
Nível 2: Oportunista 2
Nível 3: Repetível 5
Nível 4: Gerenciado 2
Nível 5: Otimizado 0
Total 10
De forma geral, os profissionais concordaram com o resultado final de

maturidade a nível de intenção Repetível (incluindo aqueles de resultado individual Ad
Hoc e Oportunistas), afirmando categoricamente que este resultado tem uma relação
direta com o tamanho da organização e com o entendimento dos gerentes e
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
gestores consideram a intuição e o sentimento importantes na tomada de

decisão. Esse ponto corrobora a ideia de que existe sim uma influência
externa na tomada de decisão do gestor de primeiro nível, embora, ao final,
ele efetivamente tome a decisão com base predominantemente na
racionalidade.
Quando os entrevistados foram questionados sobre o resultado específico da

pergunta de número 2 (figura 12), relativa ao orçamento, em que 4 respondentes
afirmaram que, normalmente, as empresas e/ou organizações apresentam verbas
conforme oportunidades individuais, todos os profissionais emergiram novamente a
questão da cultura organizacional.
Para os entrevistados, em alguns setores das empresas há a ausência de
entendimento da real necessidade de aplicação de investimento em análise de dados
para alcançar melhores resultados nos negócios, ainda que esses setores tenham entre
seus principais motivadores a melhora do posicionamento no mercado (80%) e a
aquisição e retenção de clientes (70%), conforme resultado demonstrado na figura 13.
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.
Figura 12 – Resultado da questão 2 quanto ao nível de maturidade Intenção.
Outro fator que chamou a atenção foi de 6 respondentes (1, 2, 3, 4, 9 e 10)

afirmarem (figura 14) que o trabalho de análise de dados é realizado por
departamentos individuais. Os respondentes 3, 4 e 10 afirmaram que, nos clientes que
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.
Vale ainda destacar que, de acordo com o resultado do questionário e as

colocações realizadas pelos entrevistados, apesar do nível Repetível demonstrar que
a maturidade se encontra em uma posição positiva (3/5), observa-se que as empresas
ainda estão longe do nível Otimizado (5/5), em que há orçamento anual exclusivo e,
quando necessário, complementação para projetos especiais, além da
experimentação de benefícios quantificados que excederam as expectativas.
52
5.2 MATURIDADE DADOS
A quantidade de dados disponível em todo o mundo tem aumentado

substancialmente e é possível encontrá-los de forma ilimitada por meio de uma larga
escala de ambientes (CALAZANS, 2018). Desse modo, com o intuito de mapear a
maturidade data-driven das empresas quanto ao nível de Dados, em que se busca
identificar atributos como, qualidade, disponibilidade, confiabilidade, governança,
segurança e acessibilidade, foi aplicado um questionário com três perguntas principais
e quinze subperguntas.
Assim como na dimensão Intenção, analisada anteriormente, o resultado final
das respostas do questionário para a dimensão Dados também sugere como nível de
maturidade final a Repetível (tabela 9). Esta foi a mais representativa na consolidação
das respostas dos entrevistados, totalizando 4 (tabela 8). Nesse tipo de maturidade
os projetos normalmente são baseados em dados de várias fontes, podendo incluir
combinações de dados estruturados, semiestruturados e não estruturados, além de
existir processos para coleta, monitoramento e integração.
Tabela 8 – Resultado individual do questionário quanto ao nível de maturidade Dados.

Respondente 1: análise 26 Oportunista
Respondente 7: estratégia 21 Oportunista
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.
Tabela 9 – Resultado geral do questionário quanto ao nível de maturidade Dados.

Quantidade
Nível 1: Ad Hoc 0
Total 10
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.
Figura 16 – Resultado da questão 2d quanto ao nível de maturidade Dados.
Figura 17 – Resultado da questão 2f 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”.
Figura 18 – Resultado da questão 2a quanto ao nível de maturidade Dados.
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.
5.3 MATURIDADE TECNOLOGIA
Qualquer empresa e/ou organização que planeja a adoção de uma cultura

orientada a dados precisa investir em tecnologia adequada, o que inclui ferramentas
que permitem que as organizações usem descobertas de insights (semi)
automatizadas ou descobertas de dados inteligentes (BERNDTSSON, 2018). Wang
et al. (2020) também afirmam que a cultura orientada a dados e a integração do
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.
Tabela 10 – Resultado individual do questionário quanto ao nível de maturidade Tecnologia.

Respondente 2: negócios 13 Ad Hoc
Respondente 5: negócios 39 Gerenciado
Respondente 7: estratégia 10 Ad Hoc
Tabela 11 – Resultado Geral do questionário quanto ao nível de maturidade Tecnologia.

Quantidade
Nível 1: Ad Hoc 2
Total 10
O resultado geral da dimensão Tecnologia foi apresentado aos profissionais, e

durante a entrevista foi questionado o motivo do nível Gerenciado (4/5) ter aparecido
58
como o segundo em maior reconhecimento em relação as demais dimensões. Como
resposta, todos os entrevistados afirmaram que as empresas e/ou organizações
apresentam alto interesse em ferramentas, principalmente porque acreditam que o
investimento possibilitará análises mais precisas e rápidas – ressalta-se novamente
que, de acordo com Vidgen, Shaw e Grant (2017), as empresas desenvolverem
vantagem competitiva quando contemplam quatro pilares, sendo uma delas a
tecnologia (figura 8).
Ainda sobre o fato do nível Gerenciável em Tecnologia se destacar em relação
ao resultado nas demais dimensões, os entrevistados 4, 7, 8, 9 e 10 também
declararam que muitos diretores, gerentes e executivos acreditam que as ferramentas
são capazes de substituir a análise humana, entendendo que, para o desenvolvimento
de uma cultura data-driven, apenas o investimento nesse tipo de tecnologia resolve.
No entanto, Davenport, Joachimsthalern e Sweeney (2013, p. 3) afirmam que
“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”. Vale ainda apontar que Berntsson e Taghavianfar (2020)
destacaram que na literatura há maior ênfase na questão tecnológica, trazendo
atenção limitada ao que, de fato, engloba todo o processo de construção de uma
cultura de tomada de decisão baseada em dados.
De modo geral, as duas perguntas centrais realizadas no questionário aos
entrevistados buscavam avaliar quais os recursos tecnológicos já atendiam os
requisitos das empresas/organizações dentro da análise de dados. Entre os doze
recursos assinalados, os que mais se destacaram foram ferramentas para
visualização e manipulação de dados (Figuras 19 e 20), com avaliação média de 3,9
e 3,1 (entre 0 a 5), respectivamente. De acordo com os entrevistados, essas
ferramentas se destacam por serem de fácil acesso no mercado e, a depender,
gratuitas. Todos citaram a ferramenta do Google, o Google Data Studio, focada em
visualização de dados, que é gratuita e possibilita conexão com uma infinidade de
bancos de dados, além de ferramentas semigratuitas ou pagas como, PowerBI e
Tableau, além RStudio, ferramenta para manipulação de dados – neste último,
frisaram a necessidade de o profissional entender sobre de lógica de programação
para operacionalização.
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
Figura 19 – Resultado da questão 1f quanto ao nível de maturidade Tecnologia.
Figura 20 – Resultado da questão 2d quanto ao nível de maturidade Tecnologia.
Já entre os recursos tecnológicos que menos se destacaram, recebendo

avaliação média de 2,1 e 2,2 (entre 0 e 5), se sobressaíram a contratação de novas
ferramentas de forma geral (Figura 21) e ferramentas analíticas avançadas para
análise estatística preditiva ou de mineração de dados (Figura 22). De acordo com os
entrevistados, esse resultado é comum e tem relação com o nível de maturidade geral
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.
Figura 21 – Resultado da questão 1a quanto ao nível de maturidade Tecnologia.
Figura 22 – Resultado da questão 2c quanto ao nível de maturidade Tecnologia.
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.
Figura 23 – Resultado da questão 2f quanto ao nível de maturidade Tecnologia.
De acordo com Wang e Krish (2019), as tecnologias estão disponíveis no

mercado para ajudarem as empresas a tomarem decisões, não para assumir a
responsabilidade por elas. Entretanto, defender essa transformação na cultura
organizacional não é uma tarefa fácil, mas é imprescindível começar a aplicá-la.
5.4 MATURIDADE PROCESSOS
No questionário, foram disponibilizadas apenas cinco perguntas aos

profissionais na tentativa de identificar a maturidade das empresas/organizações a
nível de Processo. As perguntas abordavam sobre planejamento e estratégia de
análise de dados, gerenciamento e consumo de informações, desenvolvimento de
aplicativos, medição e governança.
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.
Tabela 12 – Resultado individual do questionário quanto ao nível de maturidade Processos.

Respondente 8: estratégia 23 Otimizado
Respondente 10: estratégia 21 Otimizado
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.
Tabela 13 – Resultado Geral do questionário quanto ao nível de maturidade Processos.
Quantidade
Nível 1: Ad Hoc 0
Total 10
Para cada pergunta disponibilizada aos respondentes no questionário, existiam

seis alternativas (Tabela 14), desse modo, foi observado que a alternativa de número
dois foi marcada em 42% dos casos, seguida da de número 4, com 28%. Vale destacar
que essas duas alternativas transitam entre os níveis Oportunista (2/5) e Repetível
(3/5) que, de acordo com o entrevistado de número 10, demonstra, assim como na
maturidade Intensão, que Processos caminha a passos lentos em empresas e
organizações e, que assim como outras dimensões aqui analisadas, ainda encontra
empecilhos no diz respeito a cultura organizacional.
Tabela 14 – Representatividade das alternativas

Alternativa Representatividade
1 Processo ad-hoc indefinido, com resultados imprevisíveis. 10%
Alguns, mas nem todos os processos são definidos, existe
2 42%
gerenciamento de projetos.
A maioria dos processos são definidos, padronizados e aceitos pela
3 10%
organização.
4 Os processos são definidos, medidos e gerenciados. 28%
A melhoria contínua do processo é possibilitada por feedback
5 10%
quantitativo para o processo e do piloto de novas soluções inovadoras.
6 Não sei responder 0%
Para 5 entrevistados, apenas alguns projetos a qual já trabalham ou

trabalharam contam, de fato, com um processo de planejamento e estratégia de
análise de dados (Figura 24). Vale destacar que, de acordo com Siqueira (2021), se
uma empresa “busca resultados de confiança, que mostram o real comportamento do
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.
Figura 24 – Resultado da questão 1 quanto ao nível de maturidade Processos.
Quando os entrevistados foram questionados sobre o resultado da pergunta de

número 4, que abordava processos de medição (Figura 25), em que 6 respondentes
(maior representatividade entre as cinco perguntas) assinalaram que “nem todos os
processos são definidos”, os profissionais de número 2 e 4, afirmaram que, de fato,
ainda que os projetos sejam gerenciados, quando se trata de processo de medição,
este se apresenta quase que inexistente, não seguindo um padrão ou ainda sem
indicadores chave de performance (KPI). Para os profissionais 9 e 10, a ausência de
um objetivo antes da coleta e análise de dados acarreta em insights pouco
conclusivos.
65
Quando os entrevistados foram questionados sobre a governança de dados

(Figura 26), as alternativas 2 e 4 obtiveram 4 respondentes cada, podendo demonstrar
que, ou ainda não existe um padrão a nível de processos entre as empresas e/ou
organizações, ou exista uma visão diferente de entendimento sobre governança de
dados entre os profissionais – 5 entrevistados que marcaram a alternativa 2 estão
mais envolvidos com o processo analítico (coleta, estruturação e análise dos dados),
fato que se encaixa no que diz Espíndola et al. (2018), descrevendo que dados são
insumos valiosos para as organizações e para que estes possam ser empregados
afim de produzirem resultados confiáveis, é necessária a adoção de boas práticas de
coleta, armazenamento e recuperação. Ideia compartilhada também por Barata (2015,
p.1) ao afirmar que a governança de dados “é responsável pelo controle e gestão dos
dados da organização, possibilitando a transformação de dados em informações para
a tomada de decisões estratégicas”.
66
5.5 MATURIDADE PESSOAS
Com a finalidade de entender e mapear a maturidade data-driven das empresas

quanto à dimensão Pessoas, não só ao que se refere à contratação, desenvolvimento
e retenção de profissionais, mas também até que ponto cada área colabora em
atividades de análise de dados e no quão difundido é o uso de tecnologia e processos.
Também será analisado o grau de envolvimento dos gerentes e executivos na
promoção e no incentivo ao uso das soluções de análise de dados. Para isso, foi
aplicado aos profissionais participantes desta pesquisa um questionário com sete
perguntas principais e 36 subperguntas.
Durante a análise das respostas do questionário, observou-se que os
respondentes 1, 4, 5, 6, 8 e 9, conforme apresentado na tabela 15, consideraram que,
no geral, as empresas e/ou organizações, nos últimos três anos, vêm construindo
equipes mais envolvidas e focadas no desenvolvimento de estratégia, planejamento
e gestão de projetos de análise de dados. Este fato expôs como resultado geral da
dimensão Pessoas o nível de maturidade Gerenciável (nível 4/5) (tabela 16).
Vale destacar que uma organização orientada por dados necessita de um
time analítico com funções diferentes e com habilidades complementares.
Conforme explica Anderson (2015, p. 65) “é necessidade considerar um ‘portfólio’
de habilidades na equipe e o perfil dos novos contratados que funcionariam melhor
para concretizar e fortalecer as áreas ausentes ou fracas dessa equipe”.
67
Tabela 15 – Resultado individual do questionário quanto ao nível de maturidade Pessoas.
Tabela 16 – Resultado Geral do questionário quanto ao nível de maturidade Pessoas.

Quantidade
Nível 1: Ad Hoc 0
Total 10
O resultado geral da dimensão Pessoas foi exposto aos entrevistados. Estes

foram questionados se o motivo do nível Gerenciado (4/5) ter aparecido com maior
representatividade de respondentes (6) em relação ao de Tecnologia (5) seria um
indicativo de mudança de percepção da alta liderança, tendo em vista que, conforme
exposto no capítulo sobre Tecnologia, uma parcela das empresas acredita que as
máquinas são capazes de substituir a análise humana.
Para os entrevistados 8 e 9, o fato das empresas e/ou organizações que já
trabalharam entenderem que a execução de projetos de análise de dados precisa ser
realizada por uma área específica, possibilitou uma maior integração entre tecnologia
e pessoas. Vale destacar que, conforme visualizado na Figura 14, exposta no capítulo
referente à dimensão Intenção, 6 respondentes afirmaram que as estratégias de
dados são realizadas por setores individuais. Também na tabela 17, que traz o
consolidado das respostas da pergunta 4, 49% das tarefas relacionadas à análise de
dados são executadas por um grupo analítico específico.
Os entrevistados 4, 5 e 6 também citaram os setores exclusivos de análise de
dados como um possível motivador principal do resultado Gerenciável. Eles afirmaram
68
que é comum os gestores dessas equipes conseguirem convencer lideranças
superiores da necessidade de profissionais com habilidades específicas para cada
vertente da inteligência de dados, e que esse fato não exime o investimento já
realizado em tecnologia – conclusão que vai de encontro com o que foi colocado por
Davenport, Joachimsthalern e Sweeney (2013, p. 3) e já levantado aqui anteriormente:
“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”. Kiula, Waiganjo e Kihoro (2019) também destacam que há correlação entre
o bom desempenho da empresa em decisões baseadas em dados com a influência e
orquestração das lideranças.
Em vídeo publicado pela empresa brasileira Cortex (2021), no Youtube, o
profissional Cláudio Bruno também afirma que o gestor de uma equipe responsável
por dados é o principal responsável, tanto entre os seus imediatos, quanto também
em toda a empresa. O profissional também sugere a criação de uma equipe
multidisciplinar, diversificada, pois a análise de dados tem relação com
comportamento humano, o que inclui várias disciplinas, além de capacidade de
atualização e discursão de tecnologia.
Tabela 17 – Consolidado das respostas da pergunta 4 quanto ao nível de maturidade Pessoas.

4. Onde nas empresas/organizações as seguintes tarefas relacionadas a análise
Soma
de dados são realizadas?
Realizada por um grupo analítico separado. 34
Realizado em estreita colaboração entre quaisquer dois ou três dessas áreas. 15
Realizada pelo grupo de TI. 11
Realizada pelos grupos de negócios. 5
Não realizado. 4
Outros 1
A primeira pergunta do questionário para a dimensão Pessoas, buscava

entender, na visão dos profissionais entrevistados, o grau em que as
empresas/organizações já se encontravam em relação a 8 habilidades e qualificações,
fossem elas internas ou fornecidas por consultores externos (terceirizados). Os
respondentes qualificaram as habilidades entre 0 e 5, sendo que zero correspondia a
uma visão de que as empresas ainda não apresentavam determinada
habilidade/qualificação e, cinco, as empresas já dominavam a habilidade e/ou
qualificação.
69
A nota média geral das dezesseis habilidades foi de 2,73 (Tabela 18). De
acordo com o entrevistado 2, que atua na área de negócios, ainda que, de forma geral,
o resultado da maturidade Pessoas tenha sido elevado (4/5), o desenvolvimento de
um setor de inteligência ainda é demorado, não se começando um projeto completo
do dia para a noite. Existem fases e estas não podem ser puladas. Já de acordo com
o respondente 10, da área de estratégia, as habilidades e as qualificações vão variar
de acordo com o porte das empresas, das necessidades e quão avançadas elas estão
em tomadas de decisões com base em dados.
Classifique o grau em que as empresas/organizações já possuem cada uma das Nota

habilidades e qualificações (internamente ou fornecidas por consultores externos média
ou terceirizados) voltadas para análise de dados. (0 a 5)
a) Desenvolvimento de estratégia e planejamento e gestão de projetos (incluindo

3,2
definição de KPIs, métricas, metas, requisitos de recursos).
b) Habilidades de gerenciamento, manutenção e ajuste de infraestrutura de hardware
2,7
de TI).
c) Análise de dados usando análise multidimensional ou OLAP, planilhas, ferramentas

2,5
de descoberta visual.
d) Análise e exploração de dados usando métodos analíticos avançados ou preditivos,

2,5
como análise estatística, mineração de dados, aprendizado de máquina.
e) Coleta, integração, preparação, gerenciamento de dados ou conteúdo (qualquer tipo). 3,0
f) Desenvolvimento de inteligência de negócios e aplicativos analíticos, painel e

2,8
desenvolvimento de relatórios estruturados.
g) Medição de desempenho (por exemplo, monitoramento de tendências de uso de
tecnologia, qualidade de decisão pós-implantação e avaliação de resultados de 2,6
negócios).
h) Governança (por exemplo, tecnologia ou avaliação de serviço, seleção e compra,

provedor de serviço externo ou gerenciamento de fornecedor, governança de 2,6
informações, segurança e privacidade de dados, gerenciamento de dados mestre).
Média Geral 2,73
Os entrevistados 4 e 5 observaram ainda que as respostas dos itens a, e e f

apresentaram a maior nota média entre os demais – respectivamente 3,2, 3,0 e 2,8
(Tabela 24). De acordo os profissionais, esses itens são, de fato, os mais comumente
empregados no início de uma implementação de cultura data-driven, justamente por
serem considerados de simples implementação, fato que explica as maiores médias.
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.
Indique o sucesso das empresas/organizações quanto à contratação, Nota média

desenvolvimento, retenção dos seguintes tipos de equipe analítica. (0 a 5)
a) Equipe envolvida no desenvolvimento de estratégia e planejamento e gestão de

3,2
projetos.
b) Analistas de negócios ou programas. 2,8
c) Cientistas de dados, estatísticos, mineradores de dados. 2,7
d) Equipe envolvida com coleta, integração, preparação e gerenciamento de dados

2,6
ou conteúdo.
e) Equipe envolvida no desenvolvimento de inteligência de negócios e aplicativos

2,8
analíticos.
f) Equipe envolvida na avaliação de negócios e resultados de qualidade de decisão. 2,9
g) Pessoal envolvido em processos de governança. 2,7
h) Equipe envolvida com administração e manutenção de Big Data e hardware de TI

2,8
relacionado a análises.
Média Geral 2,81
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.
Figura 27 – Resultado da questão 5 quanto ao nível de maturidade Pessoas.
Como já apontado no capítulo introdutório desta pesquisa, de acordo com

Wang e Krisch (2019), apesar de todas as vantagens propagadas sobre o uso dos
dados, o principal desafio enfrentado hoje pelas empresas está no como usar essa
fonte de informação para melhor atender os objetivos traçados nos negócios. O não
saber como, é uma das principais razões pela qual as empresas falham na tentativa
de aplicar tomadas de decisões pautadas nos dados.
Conforme foi observado no resultado da pergunta de número 5 (Figura 27),
para 7 entrevistados já existe uma certa difusão do uso de tecnologia e processos de
análise de dados nas empresas. Entretanto, quando confrontados com o resultado da
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.
6. Qual é o grau de envolvimento dos seguintes gerentes na promoção e

Nota média
incentivo do uso das soluções de análise de dados nas
(0 a 5)
empresas/organizações?
a) Gestão executiva. 3,1
b) Gestão não executiva. 2,8

Média Geral 2,95
De acordo com o profissional de número 2, que possui mais de 10 anos no

mercado publicitário e passou por diversas áreas, apesar de já haver uma evolução
na difusão, algumas áreas de gestão não executiva ainda não conseguem reconhecer
o real valor os dados no seu dia a dia, reduzindo, por tanto, o grau de envolvimento
na promoção e uso. O mesmo acontece para alguns perfis da alta gerencia, no
entanto, para a maior parte destes, a nível de negócio, precisam buscar maior
entendimento. Opinião confirmada pelos demais respondentes e que vai de encontro
com o resultado encontrado na pergunta de número 3 (tabela 21), em que grupos de
negócios estão entre os que mais colaboram na comunicação com outros grupos as
atividades de análise de dados.
Para os entrevistados, a área de negócios, sem dúvida, é parte fundamental e
agregadora no processo de construção de cultura data-driven, mas que ainda precisa
buscar maior envolvimento com os demais grupos.
73
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
b) Grupos de Negócios entre si 3,1
c) Grupo de TI e Análise de dados. 3,5
d) Grupos de Análise de Dados e Negócios. 3,1
e) Todos os três grupos juntos (TI, Negócios e Análise de dados). 2,9
Média Geral 3,06
A última pergunta do questionário (tabela 22) trouxe um ponto importante: quão

influentes são os resultados das soluções de análise de dados nas decisões tomadas
por alguns colaboradores da empresa/organização. De forma geral, de 0 a 5, a
influência média de cada um foi de 3,33, revelando, como afirmado pelo entrevistado
de número 5, certo grau de preocupação, visto que este resultado pode representar
que, ainda que haja um esforço para se tomar decisões assertivas com base em
dados, estas não estão sendo realizadas.
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
b) Gerentes de linha de negócios. 3,2
c) Analistas de negócios ou programas. 3,2
d) Cientistas de dados, mineradores de dados, equipe de análise avançada. 4
e) Funcionários que lidam com o cliente. 3,2
f) Funcionários operacionais (incluindo TI) 3,1

Média Geral 3,33
Para os entrevistados 5, 4, 7 e 8, o fato da resposta de letra D (cientistas de

dados, mineradores de dados, equipe de análise avançada) ter apresentado a maior
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
O objetivo principal dessa pesquisa foi de verificar, na percepção dos

profissionais de agências de publicidade, qual o atual nível de maturidade em análise
de dados das empresas brasileiras, bem como a real aplicação dos dados nas
estratégias de tomadas de decisão nos negócios, além, é claro, de identificar
possíveis níveis de maturidade que as empresas possam estar inseridas. Para
isso, como foi relatado na metodologia, utilizou-se como parâmetro, mas de forma
adaptada, o questionário da CSC Big Data Maturity tool (IDC, 2020), bem como a
aplicação de entrevistas com os dez profissionais respondentes do questionário,
afim de se obter uma exploração mais ampla.
De forma resumida, o resultado geral do questionário e as conclusões
retiradas a partir das entrevistas trazem como resultado certa similaridade de
maturidade entre algumas das dimensões analisadas. Como pode ser observado
na tabela 29, as dimensões Intensão, Dados e Processos trouxeram o nível 3/5
(Repetível). Conforme apresentado na tabela 10 (exposta no capítulo que trata
sobre a metodologia), este nível destaca que as empresas já costumam ter
projetos analíticos recorrentes e guiados por uma estratégia, mas que ainda
pecam no uso dos dados na hora da tomada de decisão. Já as dimensões
Tecnologia e Pessoas trouxeram o nível Gerenciado (4/5) – nesta, as empresas já
possuem processos, metodologias e técnicas que influenciam as decisões de
investimento, além de possuírem uma visão acionável.
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.
Tabela 23 – Resultado geral do questionário a nível de dimensão.
Dimensão Resultado nível de maturidade
Intensão Repetível (3/5)
Dados Repetível (3/5)
Tecnologia Gerenciado (4/5)
Processos Oportunista (2/5) e Repetível (3/5)
Pessoas Gerenciado (4/5)
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.
Tabela 24 – Resultado geral do questionário por respondente a nível de dimensão.
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
Respondendo à pergunta dessa pesquisa, ficou evidenciado que as empresas

e/ou organizações estão em processo para que, cada vez mais, os dados estejam a
serviço da tomada de decisão nos negócios, ainda que níveis distintos de maturidade
nas dimensões possam atrapalhar ou atrasar o processo – este último demonstra a
necessidade de avaliação constante dos procedimentos e investimento em soluções.
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
ANDERSON, C. Creating a Data-driven Organization: O'Reilly Media, 2015.
BARATA, André Montoia. Governança de dados em organizações brasileiras: uma

avaliação comparativa entre os benefícios previstos na literatura e os obtidos pelas
organizações. São Paulo, 2015.
BARBOSA, Eduardo F. Instrumentos de coleta de dados em pesquisas

educacionais. Ser professor Universitário. 2008.
BARIK T., Deline R., Drucker S., Fisher D. The bones of the system: A case study of
logging and telemetry at Microsoft. 2016.
BERNDTSSON, Mikael; FORSBERG, Daniel; SKÖVDE, Sweden Svahn. Becoming

a data-driven organisation research in progress, 2018
BERNDTSSON, Mikael; FORSBERG, Daniel; STEIN, Daniel; e SVAHN, Thomas.

Becoming a data-driven organization, 2018.
78
BERNTSSON SVENSSON R., TAGHAVIANFAR M. Toward Becoming a Data-
driven Organization: Challenges and Benefits. 2020.
BLACK J.H. Capture the benefits of the 'stable and capable moments'. 2016.
BOOHER-JENNINGS J. Below the bubble: "Educational triage" and the Texas

accountability system. 2005.
BOYD, D.; CRAWFORD, K. Critical Questions for Big Data: provocations for a
cultural, technological, and scholarly phenomenon. Information, Communication &
Society, 2012.
CALAZANS, Angélica Toffano Seidel. Qualidade da informação: conceitos e

aplicações, 2008.
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.
CAO, Guangming e DUAN, Yanqing. An analysis of the impact of business

analytics on innovation. Conference: 23rd European Conference on Information
Systems, 2015.
CARDOSO, Onésimo de Oliveira. Comunicação empresarial versus comunicação

organizacional: novos desafios teóricos. Revista Administração Pública. Nov. de
2006. Disponível em: <https://bit.ly/36Cufam>. Acesso em: out. 2020.
CARVALHO, Nino. et al. Para entender o monitoramento de mídias sociais. 2012.

Disponível em: < http://bit.ly/1p6o9ln >. Acesso em: out. 2020.
CASONATO, R. et al. Top 10 Technology Trends Impacting Information

Infrastructure. Gartner, 2013.
CHAHAL, H. JYOTI, J. WIRTZ, J. Business Analytics: Concepts and Applications.

In Understanding the Role of Business Analytics, 2019.
CHOO, C. W. The Information management for the intelligent organization: the

art of scanning the environment. The art of scanning the environment. New
Jersey: Information Today, 1998.
CÓRTEX. Será que a sua área de Comunicação é realmente data-driven?

Youtube, 2021. Disponível em: <encurtador.com.br/cfjB7>. Acesso em: 27 mai. 2021
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
DAVENPORT, T. H. 2013. Analytics 3.0. Harvard Business Review, 91, 64-72.

Disponível em: < https://bit.ly/34s4WF1>. Acesso em: out. 2020.
DAVENPORT, T; HARRIS, J. Competição Analítica: Vencendo Através da Nova

Ciência. Editora Campus, 2007.
DAVENPORT, Thomas H. Creating a Data-driven Culture: How Culture Impacts the

Success or Failure of Advanced Analytics and AI, 2020. Disponível em:
<https://bit.ly/3d4ArJ6>. Acesso em: out. 2020.
DAVENPORT, Thomas H.; JOACCHIMSTHALER, Erich; SWEENEY, Bill. Big Data:

O futuro da Informação e dos Negócios. Harvard Business Review, 2013.
Disponível em: <https://bit.ly/36DTlp8>. 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 Y., CAO G. An analysis of the impact of business analytics on innovation.

2015.
DUAN, Y.; CAO, G. Understanding the Impact of Business Analytics on

Innovation. Proceedings of the 23rd European Conference on Information Systems,
Alemanha, 2015.
DUAN, Y; CAO, G. An analysis of the impact of Business Analytics on innovation.

23rd European Conference on Information Systems, 2015.
DUAN, Yanqing Duan; CAO, Guangming, Li, Gendao. Linking Business Analytics
to Decision Making Effectiveness: A Path Model Analysis, 2015.
Embratel. Disponível em: <encurtador.com.br/guvAK>. Acessado em: 23 maio. 2021.
ESPÍNDOLA, Priscilla Lüdtke, SALM JUNIOR, José Francisco, ROSA, Francisco,

JULIANI, Jordan Paulesky. Governança de dados aplicada à ciência da
informação: análise de um sistema de dados científicos para a área da saúde. 2018
ESTELLER-CUCALA M., FERNANDEZ V., VILLUENDAS D. Towards data-driven

culture in a Spanish automobile manufacturer: A case study. 2020.
FARIA, Mario. Economia digital promove novos modelos de negócios. Em:

<http://bit.ly/1vpdLHa>. Acesso em: out. 2020.
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.
HANNILA, Hannu. Towards data-driven decision-making in product portfolio

management: from company-level to product-level analysis. Ebook, 2019.
HASSNA G., LOWRY P.B. Big Data capability, customer agility, and organization
performance: A dynamic capability perspective. 2018.
HAWLEY, D. Implementing Business Analytics within the Supply Chain: Success.

The Electronic Journal Information Systems Evaluation, 2016.
HERDEN T.T. Explaining the competitive advantage generated from Analytics

with the knowledge-based view: the example of Logistics and Supply Chain
Management. 2020.
IDC. CSC Big Data maturity tool. Disponível em: <encurtador.com.br/mtQ67>.

Acesso em: 10 Nov. 2020
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.
ISHWARAPPA; ANURADHA, J. A brief introduction on Big Data 5Vs

characteristics and hadoop technology. Procedia Computer Science, 2015.
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.
LUNDE T.Å., SJUSDAL A.P., Pappas I.O. Organizational Culture Challenges of

Adopting Big Data: A Systematic Literature Review. 2019.
LUNDE, A. J., SJUSDAL A. P, PAPPAS, I. Organizational Culture Challenges of

Adopting Big Data: A Systemati Literature Review, 2019.
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.
MARCHISOTTI, Gustavo G., DOMINGOS, Maria de L. C., ALMEIDA, Rodrigo L.

Decision-making at the first management level: the interference of the
organizational culture. 2017.
MARSHALL, L. Decision making in the context of business intelligence and data

quality. Peer Reviewed Article, 2009.
MAYER-SCHONBERGER, Viktor; CUKIER, Kenneth. Big Data: como extrair

volume, variedade, velocidade e valor da avalanche de informação cotidiana. Rio
de Janeiro: Elsevier, 2013.
MCCARTHY J., SAMMON D., MURPHY C. Changing leadership behaviours: A

journey towards a data-driven culture. 2017.
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.
MGI in 2019. Disponível em: <encurtador.com.br/aKNW1>. Acessado em: out. 2020.
MIKALEF, Patrick; PAPPAS, Ilias O.; KROGSTIE, John; GIANNAKOS, Michail. Big
Data analytics capabilities: a systematic literature review and research agenda,
2017.
M&M. Stefanini Adquire Consultoria de performance Gouge. Disponível em:

<encurtador.com.br/empuU>. Acessado em: 15 set, 2021.
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.
PAPPAS, Illas. Organizational Culture Challenges of Adopting Big Data: A

Systematic Literature Review. 2019.
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.
PIMENTA, Alcineide Aguiar; PORTELA, Antonia Rosemeire Moraes Ribeiro;

OLIVEIRA, Cleiciane Barros de; RIBEIRO, Rogeane Morais. A Bibliometria nas
82
pesquisas acadêmicas, 2017. Disponível em: < encurtador.com.br/jnAH6 >. Acesso
em: 17 set. 2020
PRANJIĆ, Goran. Decision making process in the business Intelligence 3.0

context, 2018.
Propmark. Dentsu Aegis compra Cosin Consulting. Disponível em: <

encurtador.com.br/enrx8>. Acessado em: 15 set, 2021.
PROVOST F., FAWCETT T. Data Science and its Relationship to Big Data and
Data-driven Decision Making. 2013.
PUGNA, Irina Bogdana; DUTESCU, Adriana; STANILA, Oana Georgiana. Corporate

Attitudes towards Big Data and Its Impacton Performance Management: A
Qualitative Study. MDPI, 2019.
RACINE J., LI Q. Nonparametric estimation of regression functions with both

categorical and continuous data. 2004.
SCHLAUCHER, Priscila Guedes. Análise de dados em Big Data: conceitos e

oportunidades na gestão estratégica de empresas no setor varejista. UFJF, 2019.
SCHLEMMER, Eliane; SIMÃO NETO, Antonio. A construção de redes de

significações: dos mapas conceituais aos “concept webbing”, 2008. < Disponível
em: < encurtador.com.br/aovz7 >. Acesso em: 16 nov. 2019
SOARES, David J. Empresas Orientadas a Dados e Análises: a tecnologia está a

serviço da tomada de decisão. Universidade Federal de Uberlândia, 2017.
Stefanini Group. Disponível em: <encurtador.com.br/hjmqr>. Acessado em: 23 maio.

2021.
TODOROV A., SAID C.P., ENGELL A.D., OOSTERHOF N. N. Understanding

evaluation of faces on social dimensions. 2008.
VALLEJO, B.C., KREPPER, R., NORA, H., FINE, D.J. Converting data into
information. 2012.
VIDGEN, R.; SHAW, S., GRANT, D. B. Management challenges in creating value

from Business Analytics. European Journal of Operational Research, 2017.
WANG F.-Y. Parallel control and management for intelligent transportation

systems: Concepts, architectures, and applications. 2010.
WANG S., KRISCH U. A foundation for building a data-driven culture. 2019.
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.
WANG Z., WANG N., SU X., GE S. An empirical study on business analytics

affordances enhancing the management of cloud computing data security. 2020.
WANG, S.; KRISCH, U. A foundation for building a data-driven culture, 2019
WATSON, H. J. Creating a Fact-Based Decision-Making Culture. Business

Intelligence Journal, 2016.
Watson, Hugh J. Tutorial: Big Data Analytics: Concepts, Technologies, and

Applications. University of Georgia, 2014.
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
A seguir está detalhado o instrumento adaptado do modelo de avaliação de

maturidade data-driven desenvolvido pela Computer Science Corporation (CSC).
O questionário foi aplicado para os dez profissionais e serviu com orientação na
condução das entrevistas.
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.
2. Como as empresas e/ou organizações financiam e orçam suas atividades voltadas

para tomada de decisão baseada em dados.
1) Com fundos realocados de outras fontes.
2) Com orçamentos projeto a projeto conforme as oportunidades individuais são
identificadas.
3) Com orçamento de nível de unidade de negócios definido em vários projetos.
4) Com orçamento anual para toda a empresa.
5) Com orçamento anual para toda a empresa, complementado com financiamento
ad-hoc para projetos especiais.
6) Outros.
3. Quais das áreas a seguir foram identificadas como motivadores significativos de

iniciativas voltadas para análise de dados/
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.
Seção 2: Dados
1. Como o tipo de análise de dados realizada nas empresas/organizações mudaram

nos últimos 12 a 24 meses?
1) Começamos a usar novas métricas ou KPIs.
2) Começamos a usar novas técnicas de análise.
3) Começamos a usar novos tipos de dados.
86
4) Nenhuma das acima.
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?
a) Os dados são oportunos (disponíveis no momento certo para processos de tomada

de decisão)
012345
b) Os dados são confiáveis

012345
c) Os dados estão completos (inclui todos os dados necessários de várias fontes e de

vários tipos)
012345
d) Os dados são de alta qualidade (limpos)

012345
e) Os dados são granulares (disponíveis no nível de granularidade mais baixo

necessário)
012345
f) Os dados estão seguros

012345
g) Os dados são acionáveis

012345
3. Como os seguintes tipos de dados são analisados nas empresas/organizações?
a) Dados transacionais estruturados (por exemplo, vendas, remessas)

1) Integrado com um ou mais outros tipos de dados.
2) Autônomo.
3) Não coletado ou analisado.
4) Não sei.
87
b) Rich media (por exemplo, vídeo, áudio, imagens)
2) Autônomo.
4) Não sei.
c) Fluxo da web
2) Autônomo.
4) Não sei.
d) Dados do dispositivo móvel

2) Autônomo.
4) Não sei.
e) Dados geográficos
2) Autônomo.
4) Não sei.
f) Conversa ou texto de redes sociais

2) Autônomo.
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.)
88
2) Autônomo.
4) Não sei.
h) Texto de repositórios de conteúdo (por exemplo, descrições de produtos, notas de

engenharia ou manutenção, relatórios de pesquisa, patentes, reclamações de
seguros, memorandos internos, inteligência competitiva, etc.)
2) Autônomo.
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?
a) Escalabilidade (facilidade de expansão e contração conforme necessário)

123450
b) Desempenho (velocidade de resposta à consulta ou carregamento de dados)

123450
c) Confiabilidade / Disponibilidade
123450
d) Capacidade de gerenciamento (ajuste, atualização, etc.)

123450
e) Segurança
123450
89
f) Recursos e funcionalidades necessários (por exemplo, visualização, análise,
manipulação de dados, etc.)
123450
2. Numa escala de 0 (zero) a 5 (cinco), qual é o nível de uso das

empresas/organizações com funcionalidades das seguintes tecnologias relacionadas
a análise de dados?
a) Ferramentas de relatórios estruturados

123450
b) Ferramentas de análise multidimensional ou análise ad-hoc (realizada normalmente

por analistas de negócios)
123450
c) Ferramentas analíticas avançadas para análise estatística preditiva ou mineração
de dados
123450
d) Dashboards
123450
e) Aplicativos para consumir dados em apoio à tomada de decisões em dispositivos

móveis
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
1. Como você classificaria os processos de planejamento e estratégia a análise de

dados e suporte a decisões das empresas/organizações?
1) Processo ad-hoc indefinido, com resultados imprevisíveis.
90
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.
2. Como você classificaria os processos de análise de dados e suporte à decisão

relacionados ao gerenciamento de informações e ao desenvolvimento de aplicativos
das empresas/organizações?
2) Alguns, mas nem todos os processos são definidos, existe gerenciamento de projetos
3. Como você classificaria os processos de análise de dados e suporte à decisão

relacionados ao consumo de informações das empresas/organizações?
projetos.
4. Como você classificaria os processos de medição e gerenciamento relacionados a

análise de dados e suporte à decisão das empresas/organizações?
91
projetos
5. Como você classificaria os processos de governança de dados das

projetos
Seção 5: Pessoas
1. Classifique o grau em que as empresas/organizações já possuem cada uma das

habilidades e qualificações (internamente ou fornecidas por consultores externos ou
terceirizados) voltadas para análise de dados.
a) Desenvolvimento de estratégia e planejamento e gestão de projetos (incluindo
definição de KPIs, métricas, metas, requisitos de recursos)
123450

de TI)
123450
92
de descoberta visual
123450

como análise estatística, mineração de dados, aprendizado de máquina
123450
e) Coleta, integração, preparação, gerenciamento de dados ou conteúdo (qualquer

tipo)
123450
desenvolvimento de relatórios estruturados
123450

tecnologia, qualidade de decisão pós-implantação e avaliação de resultados de
negócios)
123450
h) Governança (por exemplo, tecnologia ou avaliação de serviço, seleção e compra,
provedor de serviço externo ou gerenciamento de fornecedor, governança de
informações, segurança e privacidade de dados, gerenciamento de dados mestre)
123450
2. Indique o sucesso das empresas/organizações quanto a contratação,

desenvolvimento, retenção dos seguintes tipos de equipe analítica.
a) Equipe envolvida no desenvolvimento de estratégia e planejamento e gestão de
projetos
123450
b) Analistas de negócios ou programas

123450
93
c) Cientistas de dados, estatísticos, mineradores de dados
123450
d) Equipe envolvida com coleta, integração, preparação e gerenciamento de dados ou

conteúdo
123450
e) Equipe envolvida no desenvolvimento de inteligência de negócios e aplicativos

analíticos
123450
f) Equipe envolvida na avaliação de negócios e resultados de qualidade de decisão

123450
g) Pessoal envolvido em processos de governança

123450
h) Equipe envolvida com administração e manutenção de Big Data e hardware de TI

relacionado a análises
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
b) Grupos de negócios (ou programa no governo) entre si

123450
c) Grupo de TI e Análise de dados

123450
d) Grupos de análise e negócios (ou programa no governo)

123450
94
e) Todos os três grupos (TI, Negócios / Programa, Análise) juntos
123450
4. Onde nas empresas/organizações as seguintes tarefas relacionadas a análise de

dados são realizadas?
a) Desenvolvimento de estratégia e planejamento e gestão de projetos

1) No grupo de TI.
2) Em grupos de negócios.
3) Em um grupo analítico separado.
4) Em estreita colaboração entre quaisquer dois ou três desses grupos.
5) não realizado.

de TI
1) No grupo de TI.
5) não realizado.

de descoberta visual
1) No grupo de TI.
5) não realizado.

como análise estatística, mineração de dados, aprendizado de máquina
1) No grupo de TI.
95
5) não realizado.
e) Coleta, integração, preparação, gerenciamento de dados ou conteúdo

1) No grupo de TI.
5) não realizado.

desenvolvimento de relatórios estruturados
1) No grupo de TI.
5) não realizado.

tecnologia, qualidade de decisão pós-implantação e avaliação de resultados de
negócios)
1) No grupo de TI.
5) não realizado.
5. Numa escala de 0 (zero) a 5 (cinco), quão difundido é o uso de tecnologia e

processos de análise de dados nas empresas/organizações?
123450
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
a) Gestão executiva
123450
b) Gestão não executiva

123450
7. Numa escala de 0 (zero) a 5 (cinco), quão influentes são as saídas ou resultados

das soluções de análise de dados nas decisões tomadas pelos seguintes
colaboradores (relacionadas a cada uma de suas funções)?
Executivos
123450
Gerentes de linha de negócios

123450
Analistas de negócios ou programas

123450
Cientistas de dados, mineradores de dados, equipe de análise avançada

123450
Funcionários que lidam com o cliente
123450
Funcionários operacionais (incluindo TI)

123450
97

TCC 02

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

TCC 02

Enviado por

Direitos autorais:

Formatos disponíveis

Pró-Reitoria Acadêmica

Programa de Pós-Graduação Stricto Sensu

DESENVOLVIMENTO DE CULTURA ORGANIZACIONAL

Autora: Ariadna Neves dos Santos

Desenvolvimento de cultura organizacional Data-Driven:

Projeto de Dissertação apresentado ao Programa de

Orientador: Prof. Dr. Eduardo Amadeu Dutra Moresi

Referência: SANTOS, Ariadna Neves. Desenvolvimento de cultura organizacional

As grandes transformações que vêm ocorrendo na sociedade do conhecimento por

Palavras-chave: Data-driven; Maturidade de dados; Tomada de Decisão; Análise de

Key words: Data-driven; Data Maturity; Decision Making; Data Analysis.

Figura 1 – Cenário evolutivo de documentos científicos produzidos com o termo “data-

Quadro 1 – Resumo da classificação da pesquisa ................................................... 42

Tabela 1 – Volume de dados gerado pelo Mundo .................................................... 18

A transformação tecnológica expande-se expressivamente e se caracteriza

Apesar de todo benefício que se prega sobre a análise de dados, o número de

1.3.1 Objetivo geral

Objetivou-se com esta pesquisa verificar, na percepção dos profissionais de

1.3.2 Objetivos específicos

Para a realização da pesquisa, os seguintes objetivos específicos foram definidos:

a) Identificar, na literatura, o que é uma organização data-driven.

Observa-se que a literatura de todo o mundo tem priorizado apenas estudos

Figura 1 – Cenário evolutivo de documentos científicos produzidos com o termo “data-driven”.

De forma geral, os estudos relativos a data-driven apontam para uma variedade

A necessidade de aproveitar todo o potencial da rápida expansão de volume,

Diante das informações apresentadas, o estudo se justifica na importância de

Mundo Brasil Linear (Mundo) Linear (Brasil)

Figura 2 – Índice médio de interesse pelos termo data-driven.

A importância do tema é também levantada quando olhamos o volume de

Tabela 1 – Volume de dados gerado pelo Mundo

2013 2018 2023 (previsão)

4,4 trilhões de gigabytes 33 trilhões de gigabytes 103 trilhões degigabytes

Fonte: IDC Infobrief. Tabela produzida pela própria autora

O estudo visa uma abordagem de utilização e conhecimento sobre o

Este trabalho está organizado da seguinte forma:

Segundo Ferreira e Alvarenga (2011 apud PIMENTA et al., 2017), as pesquisas

Tabela 2 – Expressões de busca e resultado gerados pela base de dados Scopus

Origens Saídas Resultados

AND ("data use" OR innovation OR "knowledge

data-driven model AND ("decision support tool" OR performance) 1.377

AND ("performance analysis" OR "performance

Os novos termos de busca totalizaram mais de 5.500 documentos únicos e o

Tabela 3 – Dez artigos mais citados

Imakaev et al. (2012) Organização cromossômica 456

Labrinidis el al. (2012) Desafios e oportunidades com Big Data 412

Booher-Jennings (2005) Triagem educacional 403

Wang el al. (2005) Redes profundas para super-resolução de imagem 400

Ciência de dados e sua relação com Big Data e

Peng et al. (2010) Prognósticos de máquinas 348

Todorov et al. (2008) Compreendendo a avaliação de rostos. 330

AID: Um conjunto de dados de referência para

Racine (2004) Estimativa não paramétrica de funções de regressão 319

Booher-Jennings (2005) apresenta estudo relativo a duas tradições dominantes

Expressão final Saídas Resultados

AND ("decision making" OR "framework" OR

Como alternativa para uma pesquisa bibliográfica mais eficiente, houve a

O resultado da pesquisa também revelou que, ainda que a tomada de decisão

Business, Management and Accounting

Agricultural and Biological Sciences

Biochemistry, Genetics and Molecular Biology

Figura 5 – Número de publicações por área de estudo. Fonte: Scopus.

Como exposto anteriormente, para compreender de forma mais abrangente o