Pense Humano Aja Digitalmente

Machine Translated by Google
A edição atual e o arquivo de texto completo desta revista estão disponíveis no Emerald Insight
em: https://www.emerald.com/insight/1460-1060.htm
EJIM
25,6
Pense humano, aja digitalmente:
ativando a orientação baseada em dados
em start-ups inovadoras
452 Anna Visvizi
SGH Escola de Economia de Varsóvia, Varsóvia, Polônia e
Recebido em 19 de abril de 2021
Revisado em 20 de outubro de 2021
Universidade Effat, Jeddah, Arábia Saudita
Aceito em 22 de outubro de 2021 Orlando Troisi e Mara Grimaldi
Universidade de Salerno, Fisciano, Itália, e
Francesca Loia
Universidade de Nápoles Federico II, Nápoles, Itália
Resumo
Objetivo – O estudo questiona os drivers da gestão da inovação em organizações/empresas contemporâneas
orientadas por dados. Argumenta-se que as organizações orientadas por dados que integram uma orientação
estratégica fundamentada em dados, habilidades humanas e gestão proativa são mais eficazes no desencadeamento da inovação.
Design/metodologia/abordagem – A pesquisa relatada neste artigo emprega a teoria fundamentada construtivista, a metodologia Gioia e
a abordagem abdutiva. Os dados coletados por meio de entrevistas semiestruturadas administradas a 20 fundadores italianos de startups
são examinados.
Resultados – O artigo identifica os principais facilitadores do desenvolvimento da inovação em empresas orientadas por dados e revela
que as empresas orientadas por dados podem gerar diferentes padrões de inovação, dependendo do tipo de capacidade ativada.
Originalidade/valor – O estudo fornece evidências de como a combinação de cultura data-driven, valorização de competências e promoção
de recursos humanos pode potenciar a emergência da inovação.
Palavras-chave Orientação orientada por dados, Habilidades humanas, Competências, Conhecimento, Inovação, Start-
ups Tipo de artigo Artigo de pesquisa
1. Introdução As
tecnologias inteligentes e a digitalização dos processos de negócios podem fomentar o
desenvolvimento da inovação (Lee et al., 2014). No entanto, a implementação de uma arquitetura
tecnológica inteligente não é sincronizada com o surgimento da inovação (Chen et al., 2015; Gupta e
George, 2016). O redesenho de modelos organizacionais por meio de novas tecnologias exige que a
gestão estratégica de dados seja aplicada para melhorar os processos de tomada de decisão e gerar
insights inovadores. Nesse sentido, a tomada de decisão baseada em dados (DDDM) sugere a
necessidade de reformular e repensar as práticas de negócios (LaValle et al., 2011; Brynjolfsson et
al., 2011). Isso implica que os dados são vistos como a força motriz por trás de uma tomada de
decisão mais eficaz para desafiar a complexidade do contexto em que as empresas operam (Malik et
al., 2021). A pesquisa sobre DDDM sugere que o uso acrítico e desprovido de estratégia de
ferramentas tecnológicas não promove a inovação (Manyika et al., 2011; Wamba et al., 2015). Pelo
contrário, é a forma como as pessoas usam ativamente essas ferramentas, por exemplo, por meio da
troca de conhecimento e outras práticas, que individualmente ou em conjunto podem desencadear processos inovad
Jornal Europeu de Gestão da © Anna Visvizi, Orlando Troisi, Mara Grimaldi e Francesca Loia. Publicado pela Emerald Publishing Limited. Este artigo foi
Inovação Vol. 25 No. 6, 2022 publicado sob a licença Creative Commons Attribution (CC BY 4.0). Qualquer pessoa pode reproduzir, distribuir, traduzir e
pp. 452-478 Emerald Publishing
Limited 1460-1060 DOI 10.1108/ criar trabalhos derivados deste artigo (tanto para fins comerciais quanto não comerciais), sujeito à atribuição total à
EJIM-04-2021-0206
publicação original e aos autores. Os termos completos desta licença podem ser vistos em http://creativecommons.org/
licences/by/4.0/legalcode
O advento do big data e das tecnologias digitais levou a uma redefinição da gestão da inovação Orientação
(Trabucchi e Buganza, 2019). Este último enfatiza o papel positivo da digitalização na formação do processo
baseada em
de inovação e na redefinição das modalidades tradicionais de entrega de produtos e serviços (Fichman et
al., 2014; Wosiek e Visvizi, 2021). Não obstante, a literatura sobre inovação tende a se concentrar apenas dados em startup
na tecnologia, e não na identificação das habilidades necessárias para que as pessoas aproveitem as
oportunidades de inovação (Perri et al., 2020). Neste artigo, argumenta-se que a orientação, estratégias e
práticas orientadas por dados (princípios DDDM) podem promover a adoção de estruturas aprimoradas por
TIC que combinam orientação estratégica, habilidades e gerenciamento de processos com o objetivo de
453
extrair valor dos dados.
Portanto, as sinergias, na forma de insights inovadores e inovação, só podem ser alcançadas se as
capacidades humanas forem consideradas no processo (Wu et al., 2021).
O objetivo deste artigo é duplo: (1) explorar os principais facilitadores do desenvolvimento da inovação
em empresas orientadas por dados (RQ1); e (2) identificar e mapear os diferentes tipos de inovação que
são ativados por meio da aplicação da orientação orientada por dados (RQ2). Para responder a essas
questões, os conceitos de orientação orientada por dados e gestão da inovação são empregados para
construir uma estrutura para a análise empírica subsequente. Aqui, entrevistas semiestruturadas,
administradas a vinte (20) fundadores italianos de start-ups, são examinadas através da lente da teoria
fundamentada (Mills et al., 2006) e da metodologia Gioia (Gioia et al., 2013). Estes são complementados
por um procedimento abdutivo. O artigo está estruturado da seguinte forma. Primeiro, são discutidos os
principais princípios da orientação baseada em dados e as principais abordagens para a gestão da inovação
na era digital. Em seguida, são elaborados os métodos e metodologia empregados na pesquisa empírica,
incluindo as limitações. Posteriormente, as entrevistas são examinadas e discutidas para mostrar as
variedades de instâncias de inovação desenvolvidas em empresas orientadas a dados e pessoas. Seguem-
se a discussão e as conclusões.
2. A estrutura conceitual: o papel da orientação orientada por dados no desenvolvimento da

inovação 2.1 Orientação orientada por dados: principais abordagens e dimensões Para enfrentar
os desafios da digitalização, as tecnologias digitais e a análise de dados precisam ser vistas
como alavancas, ou meio, de desenvolvimento da inovação, e não como um objetivo, ou o fim do processo.
Nesse sentido, o DDDM (LaValle et al., 2011; McAfee e Brynjolfsson, 2012) é conceituado para explorar as
principais dimensões da operação de negócios que devem ser harmonizadas para integrar orientação digital
e gerenciamento de recursos humanos e, assim, apoiar a redefinição da gestão da inovação à luz de uma
visão combinada humano/digital.
À medida que o conceito de big data evolui (Chen et al., 2012), os estudos sobre orientação orientada
por dados passam de um ponto de vista tecnológico (Kusiak, 2009) para uma perspectiva gerencial (Chen
et al., 2015; Gupta e George, 2016). . Aqui é enfatizada a necessidade de extrair significados relevantes e
criar valor a partir dos dados, por meio da transformação de tais ativos de dados como principais
impulsionadores estratégicos organizacionais (Trabucchi e Buganza, 2019; Troisi et al., 2019) .
Em um mundo regido por dados, a novidade e a utilidade dessa abordagem residem em seu foco em
uma mentalidade que as empresas precisam adotar para gerenciar estrategicamente a tecnologia,
sobreviver e prosperar mantendo-se inovadoras no mundo dos negócios de hoje. A adoção adequada da
orientação orientada por dados pode revelar como a implementação de uma arquitetura tecnológica é uma
condição necessária, mas não suficiente, para facilitar o surgimento da inovação (Medina Borja, 2019). Os
gestores devem integrar a coleta de dados com o processo de interpretação e com a transformação dos
dados em informação e conhecimento (Spender et al., 2017; Visvizi et al., 2018b). Só assim pode ser
estabelecida uma ligação entre dados, aprendizagem contínua e oportunidade de inovação.
Em outras palavras, se o imperativo de um crescimento e desenvolvimento de negócios focados

EJIM
em inovação orientado a dados deve ser alcançado, as seguintes etapas são necessárias. Em primeiro
25,6 lugar, as empresas orientadas a dados devem reorientar seus objetivos estratégicos para conceber os
dados como as principais alavancas da tomada de decisões eficiente e, conseqüentemente, devem
adotar uma atitude constante de start-up. Neste contexto, o segundo passo é a implementação de uma
infraestrutura tecnológica (J€arvinen e Karjaluoto, 2015) baseada em tecnologias inteligentes que
possam garantir a gestão e extração de informação adequadas para melhorar a acessibilidade e a
454 integração dos dados (Chaffey e Patron , 2012). Então, para obter informações relevantes, é necessária
a capacidade de integrar, analisar e interpretar dados de acordo com os objetivos estratégicos. Como
resultado, as oportunidades que derivam de tecnologias inteligentes requerem intervenção humana
ativa para extrair valor dos dados (Chen et al., 2015). Posteriormente, as diversas fontes de dados
devem ser otimizadas para harmonizar dados de entrada, processamento e saída que se cruzam com
diferentes funções da cadeia de valor. Por fim, a computação da informação deve ser supervisionada
pelos gestores para permitir a transformação da informação em conhecimento (Troisi et al., 2019).
Portanto, como mostra a Figura 1 , a orientação baseada em dados precisa integrar três dimensões,
ou seja, (1) tecnológica; (2) humano; (3) gerencial.
No entanto, o debate do DDDM fica aquém da questão de como fomentar a extração de
conhecimento a partir da análise de dados e, assim, potencializar a transformação de dados em
oportunidades de inovação. Ou seja, a relação entre pessoas que ativam a tecnologia de acordo com
uma orientação data-driven nas empresas contemporâneas (Lepri et al., 2017) por um lado, e
habilidades e orientação gerencial (Carayannis et al., 2018) por outro, permanece pouco pesquisado.
Portanto, uma visão de como as principais dimensões da orientação orientada por dados podem ser
integradas e harmonizadas nas práticas de negócios pode contribuir para a conceituação do complexo
processo de redefinição de modelos de negócios, estratégias e processos necessários para enfrentar
os desafios emergentes da digitalização.
2.2 O desenvolvimento da inovação em empresas orientadas por

dados O advento da economia digital (Saeedi e Visvizi, 2021) e a difusão da mentalidade orientada
por dados exigem que as empresas redefinam sua orientação, modelos de negócios, processos e
TECNOLÓGICA HUMANO
DIMENSÃO DADOS
DIMENSÃO
Infraestrutura integrada de DIRIGIDO
Habilidades analíticas e
tecnologias inteligentes para
ORIENTAÇÃO interpretavas para extrair valor
acessibilidade, integração e análise
significativo dos dados
de dados
GERENCIAL
DIMENSÃO
Decisões baseadas em dados
e interpretação
Interpretação proativa dos
Figura 1. dados para enfrentar os desafios
As principais dimensões da
orientação baseada em dados
Fonte(s): Elaboração do autor
estratégias de gestão da inovação (Loia et al., 2021). No entanto, o impacto das TIC e das tecnologias Orientação
digitais no desenvolvimento da inovação é complexo. A tecnologia desempenha o papel de um
baseada em
facilitador, um mediador ou o resultado da gestão orientada por dados que pode promover a inovação
(Zhou et al., 2014). Tem havido uma tendência na literatura de conceber a inovação principalmente dados em startup
como uma função da tecnologia (Mothe e Nguyen, 2010; Henao-Garcÿa e Montoya, 2021). No entanto,
à medida que a digitalização dos negócios aumenta, a conceituação de inovação (OCDE, 2005) precisa
ser ampliada para incluir dimensões humanas e sociais (Snyder et al., 2016). Em outras palavras, a
inovação é um conceito multivariado que requer entrada multiescalar para emergir. 455
Para contornar a limitação da abordagem orientada para a tecnologia, os gerentes devem empregar
uma perspectiva integrada que combine orientação digital, baseada em conhecimento e social na
implementação de estratégias de inovação. Portanto, um processo multidimensional como o
desenvolvimento da inovação deve ser fundamentado em uma mistura complexa de dimensões
baseadas no conhecimento (humanas) e institucionais (sociais) (Lee e Trimi, 2018; Trabucchi e Buganza, 2019).
Ou seja, é necessário adotar uma perspectiva integrada que faça a ponte entre as diferentes facetas da
inovação (Troisi et al., 2021). Conforme sintetizado na Figura 2, na pesquisa existente foram identificadas
três abordagens diferentes para o estudo da inovação: (1) orientada para a tecnologia; (2) baseada no
conhecimento; (3) orientado para o social.
Tradicionalmente, a inovação tecnológica (OCDE, 2005) tem sido conceituada como o processo
pelo qual os avanços tecnológicos são produzidos (Nieto, 2004; Schmidt e Rammer, 2007). Incluía
assim um conjunto de atividades que contribuíam para o aumento da capacidade de produção de novos
bens e serviços (inovação de produto) ou de implementação de novas formas de produção, por exemplo,
inovação de processo (Utterback e Albernathy, 1975). Portanto, senso comum, ainda hoje, a inovação
tecnológica tende a ser considerada como a integração da inovação de produto e processo (Mothe e
Nguyen, 2010; Zhou et al., 2021).
Curiosamente, no entanto, também no passado, a abordagem da inovação orientada para a tecnologia
foi criticada (Hipp e Grupp, 2005) com base na subestimação de, por um lado, as variáveis intangíveis
(como relações, habilidades humanas, a mentalidade etc.) e, por outro lado, dos resultados (modelos
de negócios, cultura etc.) envolvidos e decorrentes do desenvolvimento da inovação. Contra esses
debates que moldaram o campo, hoje o
BASEADO NO CONHECIMENTO
CONDUZIDO POR TECNOLOGIA
APROXIMAÇÃO APROXIMAÇÃO
INOVAÇÃO
A tecnologia e a adoção O compartilhamento
de ferramentas e NO de habilidades entre

os atores pode permitir a
plataformas são as ERA DIGITAL
principais fontes de inovação extração de valor e
novos elementos dos dados
SOCIAL- ORIENTADO
APROXIMAÇÃO
A transformação digital molda

conexões sociais, mecanismos
de poder, regras e influencia a
Figura 2.
mudança social
As principais abordagens
para a inovação
EJIM a literatura (Schmidt e Rammer, 2007; Mothe e Nguyen, 2010) identifica a necessidade de ampliar a
definição de inovação. Nessa visão, argumentou que o conceito de inovação precisa necessariamente
25,6
integrar variáveis tecnológicas, humanas, baseadas no conhecimento, sociais e relacionais. Nessa visão,
a discussão sobre inovação pode ser conceituada como integrando três dimensões, ou seja, (1) a
tradicional, orientada para a tecnologia; (2) a abordagem centrada nos indivíduos e nas suas capacidades,
baseada no conhecimento (Anand et al., 2007; Shujahat et al., 2019); e (3) a abordagem de orientação
social (Harrisson et al., 2009).
456
A inovação baseada no conhecimento decorre de estudos que aplicam uma visão baseada no
conhecimento. É, portanto, uma teoria de nível de empresa/organização que conceitua organização como
a combinação de ativos de conhecimento heterogêneos para desenvolver vantagem competitiva (Denford,
2013). Nesta abordagem, a inovação é vista como o resultado da criação de novos conhecimentos para
resolver um problema inesperado ou criado voluntariamente (Dougherty, 2004).
As oportunidades de inovação nesse contexto surgem por meio da constante mediação e interação
entre a agência humana (capacidades, conhecimento, atitude) e os artefatos e ferramentas não humanos
(Martin-de Castro et al., 2011), ou seja, elementos da estrutura. O que se segue é que as habilidades e
competências (digitais) são centrais na busca pela inovação. A tecnologia ainda é um dos elementos-
chave, mas é concebida como uma ferramenta que permite a aplicação do conhecimento. Como tal, deve
ser negociado por meio de interações humanas e integração de recursos (Martín-de Castro et al., 2011;
Mele e Polese, 2011).
De uma perspectiva diferente, a gestão do conhecimento pode ser considerada como uma das
principais alavancas para desenvolver a inovação do modelo de negócios (BMI). Este último pode ser
definido como a descoberta de novos modos de proposição de valor, criação de valor e captura de valor
em uma organização existente (Teece, 2010; Bashir e Farooq, 2019). O avanço tecnológico também pode
servir como um impulsionador para a inovação do modelo de negócios. No entanto, o conceito de IMC
decorre da vontade de superar o foco tecnológico (Chesbrough, 2007). Assim, mesmo que a tecnologia
seja uma alavanca para a inovação, ela deve ser integrada à introdução de novas propostas de valor,
repensando as estratégias de orientação e gestão do conhecimento.
A última abordagem, inovação orientada para o social, refere-se a uma área de estudos emergente
(Van der Have e Rubalcaba, 2016) que decorre do desenvolvimento de novas tendências de investigação,
por exemplo, empresas sociais e empreendedorismo social. Estas se baseiam na incorporação da esfera
social às práticas de gestão e na crítica aos modelos de negócios dominantes (Harrisson et al., 2009).
Nesta perspetiva, a inovação não implica apenas a introdução de tecnologia de ponta, mas também deve
resolver problemas sociais, satisfazer diferentes necessidades humanas, alterar as relações sociais e
aumentar o empoderamento dos cidadãos (Ceci et al., 2019).
O advento da inovação social não implica o abandono da inovação tecnológica. A literatura reconhece
a interdependência sistêmica dos processos de inovação social e tecnológica (Howaldt et al., 2016). A
criação de novo valor social e o enriquecimento da participação dos atores na tomada de decisão são
considerados como fontes de BMI que decorrem de uma mudança nas atividades e valor das empresas.
A combinação de fatores tecnológicos, baseados no conhecimento e sociais no desenvolvimento da

inovação pode fomentar a adoção de novos modelos de negócios baseados em inovação aberta (OI)
Chesbrough (2007). O avanço da tecnologia é um dos principais objetivos da inovação aberta (Baden-
Fuller e Haefliger, 2013) e a combinação diferente de compartilhamento de conhecimento interno e
externo pode dar origem a diferentes inovações tecnológicas. Os modelos de OI são baseados em
colaboração externa que aprimoram a interação e o compartilhamento de conhecimento que podem criar
novos conhecimentos, novas ideias, novas oportunidades de inovação. Ao mesmo tempo, pode-se
perceber que muitas vezes a inovação social está alicerçada em paradigmas de inovação aberta voltados
para a solução de problemas sociais.
Assim, entradas e saídas de conhecimento, tecnologia e nuances sociais da inovação estão
estritamente inter-relacionadas na adoção de estratégias de inovação aberta, que podem ser consideradas
como uma abordagem abrangente para a conceituação de sistemas de inovação.
2.3 As questões de pesquisa Orientação

Apesar da reinterpretação da inovação como um construto multidimensional que envolve processos
baseada em
tecnológicos e não tecnológicos, as conexões entre os diferentes tipos de inovação e o papel da inovação
não tecnológica permanecem pouco discutidos na literatura (Damanpour, 2014). Claramente, foi dados em startup
reconhecida a necessidade de investigar as diferentes nuances da inovação para dar conta do lado
humano da inovação e explorar os loci da inovação em todos os diferentes aspectos da gestão (Henao-
Garcÿa e Cardona Montoya, 2021; Troisi et al. , 2021).
457
Uma das grandes questões que permanece é como os gestores encaram o desafio de se adaptar à
nova realidade (digital) dos negócios. Mais especificamente, a questão é como reorientar com sucesso os
modelos de negócios existentes, a cultura e a estrutura organizacional para gerenciar efetivamente a
tecnologia digital e promover a inovação e a sustentabilidade dos negócios (Lewis et al., 2004)?
Estudos anteriores procuraram identificar as dimensões capacitadoras da inovação em empresas

digitalizadas (Bouwman et al., 2018), o papel das capacidades dinâmicas (Rachinger et al., 2019) e
habilidades (Sousa e Rocha, 2019) e explorar o complexo processo de redefinição do empreendedorismo
e gestão de recursos para atender aos requisitos da digitalização (Beliaeva et al., 2019). Além disso,
alguns trabalhos oferecem uma conceituação das diferentes capacidades que podem ajudar a explorar as
oportunidades de big data em empresas orientadas por dados (Gupta e George, 2016) e incentivar a
inovação (Troilo et al., 2017).
No entanto, as contribuições anteriores não classificam os drivers e os mecanismos subjacentes para
o surgimento da inovação em empresas orientadas por dados (Trabucchi e Buganza, 2019) , adotando
uma perspectiva multinível que pode ajudar pesquisas futuras a sistematizar e medir os drivers e resultados
do processo de inovação .
Alinhado com a necessidade de adotar uma visão abrangente sobre a inovação, este estudo considera
tanto os impulsionadores da inovação como um processo quanto o resultado potencial, tentando fornecer
estudos futuros com uma conceituação extensa que pode levar a uma medição mais aprofundada da
construção da inovação. por meio de pesquisas quantitativas.
A pesquisa existente confirma a definição de inovação como um resultado e um processo (Mothe e
Nguyen, 2010; Kahn, 2018). Para lançar luz sobre a natureza abrangente da inovação na era digital, a
pesquisa visa investigar os dois papéis da inovação.
A inovação como processo refere-se à forma como a organização deve estimular o desenvolvimento
de novidades para gerar resultados agradáveis. Portanto, precede o desenvolvimento dos resultados.
Explorar a inovação como resultado requer a análise da produção produzida na empresa, por exemplo,
os tipos mais “clássicos” de inovação identificados acima (inovação de produto, inovação de processo,
inovação de modelo de negócios, inovação social).
Partindo de algumas macrocategorias identificadas na pesquisa existente sobre orientação orientada a
dados, os potenciais facilitadores da inovação em empresas orientadas a dados são explorados por meio
da pesquisa empírica para corroborar, enriquecer e estender as dimensões capacitadoras identificadas na
literatura (infraestrutura tecnológica, recursos e habilidades, atitude gerencial) que atendem aos principais
drivers de inovação como um processo em geral (Crossan e Apaydin, 2010).
Ainda que as pesquisas existentes expliquem conceitualmente a diferença entre inovação como
processo e inovação como resultado, é necessário lançar luz sobre os mecanismos que conectam os dois
papéis da inovação (Quintane et al., 2011).
Por esta razão, este estudo visa explorar a inovação tanto como um processo (RQ1) quanto como um
resultado (RQ2). Uma vez que os drivers de inovação são considerados como uma das dimensões mais
relevantes da inovação vista como um processo (Crossan e Apaydin, 2010), a primeira questão de
pesquisa que este artigo aborda é:
RQ1. Quais são os principais facilitadores da inovação em empresas orientadas a dados? (Figura 3)
Portanto, este estudo questiona as condições em que a inovação como processo se torna uma função de
EJIM
uma exploração hábil das oportunidades estratégicas decorrentes de uma gestão eficaz de dados. O valor
25,6 gerado a partir da combinação das dimensões tecnológica, humana, gerencial e social em empresas
orientadas a dados pode possibilitar o surgimento de diversos resultados de inovação. Diferentes atores
com diferentes orientações e capacidades podem interpretar e desenvolver novas oportunidades
empreendedoras de forma diferente. A natureza variada das capacidades e habilidades humanas (técnicas,
gerenciais, relacionais etc.) e das oportunidades empreendedoras podem produzir tipos distintos de
458 inovação. A literatura oferece alguns insights sobre esta questão (Snyder et al., 2016) , colocando novas
práticas de negócios e benefícios sociais (inovação social; inovação sustentável) no centro das atenções.
Ainda assim, é imperativo que os diferentes tipos de inovação que podem ser criados a partir de
empresas orientadas por dados que integram dimensão tecnológica, humana e gerencial sejam explorados
em detalhes.
Além disso, para examinar simultaneamente a inovação em empresas orientadas por dados como um
processo e um resultado, a segunda questão de pesquisa do estudo visa investigar os diferentes tipos de
novidades que podem ser geradas por meio de um processo de desenvolvimento de inovação orientada
por dados. De facto, a ligação entre o processo e o resultado da inovação ainda não é clara, devido à
indefinição da inovação como resultado (Quintane et al., 2011).
A literatura enfatiza a necessidade de classificar as novidades introduzidas em uma empresa após o
desenvolvimento da inovação em categorias para posterior análise (Smart et al., 2007).
Isso é precisamente o que a segunda questão de pesquisa pretende fazer (veja a Figura 3):
RQ2. Quais tipos de inovação podem ser gerados em empresas orientadas a dados?
3. Metodologia 3.1
Projeto de pesquisa A
complexidade na definição e na interpretação das diferentes dimensões da orientação baseada em dados
e dos diferentes facilitadores e resultados da inovação requer um projeto de pesquisa multinível. A
inovação, tanto como processo quanto como resultado, não “existe” objetivamente, mas pode ser construída
subjetivamente por meio da mediação das dimensões humana, cultural e social. Da mesma forma, a
recombinação de conhecimentos e habilidades para o desenvolvimento da inovação decorre estritamente
da cocriação e geração conjunta imprevisível de novidades (habilidades, significados, regras, práticas,
valor, etc.). Portanto, há a necessidade de uma abordagem de pesquisa que permita a detecção de
variáveis “ocultas” que os pesquisadores não podem controlar facilmente e de subcategorias
multidimensionais de análise cujos limites de significados são borrados (Yin, 2011).
Para tanto, realiza-se uma pesquisa exploratória de abordagem qualitativa e seus resultados são
examinados por meio da teoria fundamentada construtivista (Mills et al., 2006; Glaser, 2007) e da
metodologia de Gioia (Gioia et al., 2013). Teoria fundamentada (Strauss e Corbin, 1994)
TECNOLÓGICA
Humano
habilidades
Infraestrutura proativo PRODUTOS
tecnológica
gestão
Orientação baseada em dados inovação PROCESSO
SOCIAL
Figura 3. ………….
Questões de
pesquisa e conceitos- RQ1 RQ2
chave do estudo
baseia-se na comparação constante dos dados coletados e novas classificações e conceituações Orientação
decorrentes da análise. A teoria fundamentada construtivista ajuda na identificação de temas que
baseada em
são fundamentados e emergem dos dados e podem permitir uma exploração mais profunda de
conceitos e relações entre eles (Nag e Gioia, 2012; Castellaniet al., 2020). Por esse motivo, essa dados em startup
metodologia, aplicada por meio da administração de entrevistas em profundidade, parece ser
adequada para a análise tanto dos drivers quanto dos resultados de um processo complexo como a
inovação, garantindo uma compreensão holística da atitude, experiências e comportamentos do
entrevistado que não podem ser facilmente obtido através de outra metodologia. 459
A metodologia Gioia implica uma reprodução contínua do ciclo interpretativo da teoria-dado
(“recolha de dados”, “religação dos resultados à teoria”), em que os dados recolhidos são
confrontados com conhecimentos “antigos” e com a teoria existente (Bonfanti et al ., 2019). Através
da aplicação de processos inferenciais abdutivos, novos conceitos são reelaborados a partir dos
resultados, uma renovação de significados segue para encorajar o estabelecimento de novas
relações válidas entre conceitos e construtos. Vários estágios de análise, interpretação e reelaboração
de dados são necessários para gerar novos modelos conceituais e descobrir conceituações
complementares.
A pesquisa empírica incluiu quatro etapas (ver parte 3.2). A aplicação das entrevistas
semiestruturadas durou seis meses. Os entrevistados foram jovens empreendedores (de 22 a 38
anos) de empresas que oferecem serviços digitais, tecnologias e consultorias, contatados durante
uma série de eventos (E-commerce & co., Growth Hacking Universe, etc.) realizados em Salerno e
lançados pela Start-up Grind, uma comunidade do Google for Entrepreneurs entre outubro de 2019
e janeiro de 2020). As entrevistas duraram entre 20 e 45 min e foram realizadas por telefone (devido
às restrições do Covid-19). Em consonância com os critérios de amostragem adotados na abordagem
qualitativa, uma vez atingida a saturação teórica, o processo de entrevista foi interrompido.
Conforme relatado na Tabela 1, vinte fundadores de startups participaram da pesquisa. O
tamanho da amostra final é adequado para pesquisas exploratórias que visam investigar os
diferentes matizes de significado de conceitos que não foram operacionalizados nas pesquisas
existentes. Por exemplo, os diferentes fatores facilitadores e tipos de inovação ainda não foram
classificados em estudos anteriores de acordo com uma perspectiva multinível (Kahn, 2018). A
conceituação e medição dos diferentes resultados da inovação de acordo com uma visão abrangente
que vai desde a inovação tecnológica até a baseada no conhecimento não foi proposta (Mothe e
Nguyen, 2010). Além disso, a pesquisa existente identifica uma lacuna na identificação das principais
subdimensões de uma definição sociotécnica de inovação (Howaldtet al., 2016), de inovação social
(Van der Have e Rubalcaba, 2016), de inovação baseada no conhecimento ( Quintane e outros, 2011).
Além disso, para o avanço de algumas ferramentas teóricas relevantes na prática que podem
ser validadas por meio de estudos qualitativos e qualitativos adicionais, o tamanho da amostra não
representa um problema. Mesmo que o número de entrevistas não seja considerado um problema,
a literatura identifica um intervalo de 15 a 30 participantes (Morse, 2000; Dworkin, 2012) como o
tamanho amostral mínimo necessário para atingir a saturação em estudos de teoria fundamentada
que usam entrevistas em profundidade. Este número pode permitir a exploração de questões de
investigação, a identificação de diferenças entre as categorias conceptuais de interesse e a
maximização da possibilidade de os dados poderem clarificar as relações entre as categorias
conceptuais analisadas (Charmaz, 2006).
A descrição dos entrevistados, de seus diferentes papéis empreendedores e características
sociodemográficas é fornecida na Tabela 1. Os pesquisadores atribuíram aos entrevistados um
código baseado em seu cargo nas empresas (F, fundadores; M, gerentes; C, consultores).
3.2 Coleta e análise de dados

Seguindo os critérios metodológicos das entrevistas semi-estruturadas (Corbetta, 2003), uma lista
de temas, em vez de perguntas estruturadas, foi usada para desenhar o esboço da entrevista
EJIM Cargo Sexo Idade Cidade/Região Código

25,6
1 Co-fundador da Startup Macho 26 Salerno, Campânia F1
Gestor digital Life Coach Digital
Consultor Digital; Web designer
2 Proprietário da startup Macho 22 Catânia, Sicília F2
Consultor digital Estrategista de mídias sociais
460 3 Empresa sem fins lucrativos fundador Macho 25 Milão, Lombardia F3
Consultor digital; treinador de mídia social
4 Consultor de marketing Macho 35 Bari, Apúlia C1
Co-fundador da Startup (empresa digital)
5 Gestor de conhecimento para uma empresa digital 6 Feminino 24 anos Bologna, Emilia M1
Consultor Sênior para uma empresa digital Macho 36 Turim, Piemonte C2
Fundador do Growth Hacking day
Coach e consultora de startups
7 Estrategista digital; contador de histórias Macho 29 L'Aquila, Abruzzo M2
8 Fundador da Startup (design); Mentor de startups Macho 35 Cosenza, Calábria F4
9 Fundador da start-up (empresa social) Feminino 28 Gênova, Ligúria F5
Pesquisador de marketing
10 Fundador start-up (tecnologia de alimentos) Feminino 32 Olbia, Sardenha F6
11 Fundador start-up (informática) Macho Treviso, Vêneto F7
12 Professor Associado em Marketing Macho 30 Isérnia, Molise C3
consultor de marketing digital
13 Empreendedor digital Macho 22 Potenza, Basilicata M3
14 Fundador da startup; Consultor de gerenciamento Feminino 28 Udine, Friuli F8
15 Educação para o empreendedorismo; Mentor de startups Masculino 38 Aosta, Valle D'Aosta M4
16 consultor de inovação Macho 24 Perugia, Úmbria C4
Designer de Negócios e Inovação
Analista de marketing
17 Estratégias digitais; Desenvolvedor de site Macho 28 Trento, Trentino Alto Ádige M5
Co-fundador da start-up (informática)
18 analista de negócios Macho 28 Roma, Lácio M6
gerente de inovação aberta
19 Fundador da startup; treinador de negócios Macho 32 Ascoli, Marche F9
Gerente de cadeia de suprimentos e operações
20 Gerente de Inovação Feminino 38 Grosseto, Toscana M7
Tabela 1.
Descrição da amostra Co-fundador start-up (turismo)
(ver Apêndice). A técnica da entrevista semiestruturada visa “construir” representações e

interpretações intersubjetivas das variáveis investigadas construídas de forma colaborativa por meio
do processo recíproco de percepção, interação, comunicação e troca de significados entre
entrevistadores e entrevistados. Por esta razão, é adequado para a análise do elaborado neste
trabalho.
As entrevistas foram gravadas e transcritas e interpretadas por toda a equipe. Notavelmente,
para garantir a validade, os entrevistados foram solicitados a revisar as transcrições e confirmar a
precisão das informações coletadas. Os dados coletados foram examinados e interpretados por
meio da técnica de análise de conteúdo qualitativa, seguindo os preceitos do método proposto por
Gioia et al. (2013). A análise de conteúdo como inquérito permite a coleta de dados por meio de um
formulário de análise, semelhante a um questionário, no qual os textos (as entrevistas transcritas),
considerados como unidades de classificação, são “entrevistados” pelos pesquisadores. O processo
interpretativo necessário para realizar esse tipo de análise de conteúdo não é estruturado nem
codificado por parâmetros específicos. Daí a necessidade de integrar esta técnica com os critérios
estabelecidos na metodologia Gioia. A Figura 4 retrata as etapas do processo de pesquisa, descritas
nos subparágrafos seguintes.
Orientação
baseada em
dados em startup
461
Figura 4.
As diferentes fases do
projeto de pesquisa
EJIM 3.2.1 Teorização. Nesta etapa, após a identificação das questões de pesquisa, foram identificados os
temas norteadores para a construção do esboço da entrevista (ver Anexo). Os temas derivam de uma revisão
25,6
da literatura sobre as principais macroáreas do estudo (ver seção 2). Assim, partindo das principais dimensões
da orientação orientada por dados e das principais abordagens à inovação (conforme discutido no parágrafo
2.1, a macroárea “inovação tecnológica” é subdividida em inovação de produto e inovação de processo), as
perguntas da entrevista foram elaborado. Conforme relatado na Figura 5, para cada dimensão das três
macroáreas investigadas, foram obtidos diferentes itens, que se transformaram em questões no roteiro da
462
entrevista e temas norteadores durante o processo de coleta de dados. Por meio desses itens, ressignificados
como afirmações assertivas durante a aplicação das entrevistas, os pesquisadores orientaram e orientaram a
discussão com os empreendedores da amostra para permitir a emergência dos diferentes subtemas explorados.
O objetivo do processo é não comprometer a expressão das reais percepções, opiniões e avaliações dos
empresários para garantir que a discussão das principais variáveis investigadas não seja “forçada” pelo
pesquisador e que os entrevistados não percebam o diálogo como um “interrogatório”.
3.2.2 Codificação. O objetivo da primeira etapa da análise de dados (codificação) é sistematizar os dados
brutos obtidos a partir da transcrição simples das entrevistas. Os pesquisadores conectaram os elementos
recorrentes subjacentes ao corpus de dados às dimensões e gatilhos da orientação e inovação baseada em
dados indutivamente (do específico para a dimensão geral) por meio da comparação entre dados (observação
específica) à teoria (conceitos generalizados). Para garantir a triangulação dos dados, cada pesquisador
codificou independentemente todos os dados textuais para derivar os conceitos de primeira ordem. Em
seguida, a partir da codificação múltipla de cada unidade textual, são realizadas verificações de consistência
para comparar os esquemas de codificação e detectar quaisquer discrepâncias para obter um esquema de codificação único.
Como resultado, as dimensões teóricas que orientaram a elaboração do roteiro de entrevista e coleta de
dados foram revisadas, enriquecidas, editadas e ampliadas para incluir as novidades surgidas dos dados
empíricos.
3.2.3 Categorização. A etapa de categorização conecta as descobertas obtidas na codificação às diferentes
dimensões identificadas como diretrizes da pesquisa, promovendo a transição de conceitos de primeira ordem
para uma nova compreensão dos dados, que pode abordar o desenvolvimento posterior de novas teorias (ver
Figura 4 ). Em seguida, os resultados da codificação são classificados pelos pesquisadores para identificar
novas categorias conceituais (temas de segunda ordem), tópicos mais específicos obtidos a partir da agregação
“semântica” de conceitos de primeira ordem.
Os temas de segunda ordem decorrem da inter-relação contínua entre processos dedutivos e indutivos, em
que as dimensões-chave das três macroáreas da pesquisa são revisadas, especificadas e reelaboradas por
meio de complexos ciclos de interpretação.
3.2.4 Conceituação. A conceituação é baseada na extração de unidades mínimas de significado das
subcategorias identificadas na categorização. Assim, os temas de segunda ordem são agregados e
transformados em: (1) diferentes capacitadores de inovação resultantes das práticas orientadas a dados
implementadas na amostra (RQ1); (2) diferentes tipos de inovação decorrentes dos múltiplos facilitadores
ativados pela orientação baseada em dados (por exemplo, compartilhamento constante de dados e
enriquecimento de habilidades, RQ2). As categorias conceituais finais são derivadas por meio de uma
reagregação dos temas de segunda ordem que são reconectados às principais áreas macro do estudo. Os
“rótulos” das categorias são identificados por meio de processos dedutivos que detectam os núcleos conceituais
subjacentes aos diferentes temas (específicos) de segunda ordem e os reconectam a algumas macrocategorias
(a dimensão agregada geral), por meio de comparações e semelhanças entre conceitos. Após a conceituação,
algumas das dimensões emprestadas da literatura são confirmadas, enquanto outras são excluídas (por
exemplo, para a categoria “inovação tecnológica” apenas “inovação de produto” é mantida) e novas categorias
são introduzidas (por exemplo, mudança cultural). Ao final do processo, os resultados são conceituados dentro
de uma estrutura que classifica os diferentes subtipos para cada questão de pesquisa.
Orientação
baseada em
dados em startup
463
Figura 5.
A identificação dos
itens e o
desenvolvimento
do esboço da entrevista
4. Resultados
EJIM
4.1 As dimensões habilitadoras da inovação data-driven A
25,6 orientação estratégica dos empreendedores da amostra deriva da adoção de uma cultura de
aprendizagem baseada na relevância dos dados (dimensão data-driven 1) como alavanca essencial
para a criação de oportunidades de inovação. Ainda que se espere que os dados anulem as decisões
humanas, o fundador da start-up F1 afirma que “normalmente os dados podem ser cheios de vieses
e podem fomentar preconceitos, às vezes podem ajudar a criar conversas, mas as pessoas não
464 podem 'desmascarar' os dados! Dados 'simplesmente' iniciam o diálogo”. A abordagem estratégica
da gestão de dados para melhores decisões deve estar associada necessariamente a uma cultura de
aprendizado, experimentação, distribuição horizontal de poder que reduz conflitos. Assim, os dados
são considerados como um driver estratégico fundamental, mas as decisões são tomadas “não só
com base na análise, mas também na escuta, na capacidade de ser responsável, de ser
empreendedor, de experimentar [..] há necessidade de ouvir clientes antes de analisar dados do
ambiente externo (M3)”. A experiência gerencial e a atitude empreendedora são compartilhadas com
os membros da organização para aumentar suas capacidades por meio de ferramentas de e-learning,
como o microlearning. Como enfatiza o entrevistado C1: “o microlearning é útil para a criação de um
sistema de aprendizado corporativo, que permite que as pessoas tenham uma experiência de
aprendizado de 360 graus e permite que especialistas de negócios compartilhem sua experiência,
sem interromper seu trabalho, criando ao longo do tempo uma vasta biblioteca de conhecimentos à
disposição dos novos colaboradores (como a Docebo)”.
Esta orientação para os dados permite ativar a infraestrutura tecnológica através da integração
dinâmica do conhecimento entre os atores que pode promover a criação de novas competências
(dimensão data-driven 2) e o empoderamento de recursos humanos (dimensão data-driven 3) ao
gerar o desenvolvimento de projetos inovadores com base na tomada de decisão distribuída. O
objetivo da implementação de uma arquitetura estratégica de dados é obter um conjunto heterogêneo
de dados para reduzir o viés: “deveríamos aprender muito mais sobre dados, especialmente sobre
data lake, um lago que pode conter todos os dados do negócio e interpolá-los ... deveríamos ter
muitas fontes de dados para fazer isso (duzentas pelo menos). Se você tiver um conjunto de dados
pequeno, não adianta (entrevistado C2)”.
A adoção de uma cultura data-driven mediada pela intervenção humana traduz-se na criação de
um conjunto de atividades de formação e inovação aberta com o objetivo de aumentar as
competências dos colaboradores (dimensão data-driven 2). Na descrição do papel das competências
na geração de valor, o entrevistado F8 afirma: “as hard skills são menos estratégicas que as soft,
recrutamos pessoas que tenham no mínimo 10 anos de experiência, então damos por certo que
possuem algumas habilidades básicas competências técnicas. A nossa maior preocupação é que
consigam gerir os clientes nos bons e nos maus momentos”.
Assim, as tarefas técnicas relacionadas com a análise e recolha de dados assentam na ativação
de hard skills, que são consideradas como pré-requisito básico, enquanto o empowerment, o
compromisso e a lealdade assentam na ativação de soft skills, nas quais os colaboradores devem
competir. Então, as soft skills podem fazer a diferença na obtenção de vantagem competitiva e,
potencialmente, de inovação. As hard skills são baseadas em competências técnicas para análise de
big data por meio do uso de análises estatísticas e referem-se à capacidade de extrair descobertas
significativas dos dados coletados. Portanto, eles implicam a capacidade de usar o pensamento
analítico.
Segundo o gerente de inovação aberta da amostra (entrevistado M6), a capacidade de analisar
dados deve estar associada à sensibilidade metodológica: “a análise de dados pode ser fonte de
muitos vieses: não só devemos coletar informações de fontes heterogêneas, mas devemos computar
e interpretar os dados de acordo com os objetivos estratégicos para identificar soluções para o
desenvolvimento de serviços, produtos e processos”.
Dadas como certas as hard skills, os empreendedores da amostra acreditam fortemente na
relevância das soft skills, subjetividade individual e criatividade como recursos de valor agregado para
interpretação dos dados. “As máquinas sempre serão mais rápidas que os homens na análise dos dados, Orientação
mas nunca substituirão a sua interpretação, principalmente quando entra em jogo o aspecto ético das
baseada em
decisões (entrevistado M5)”. Portanto, o pensamento crítico, a interpretação humana e as habilidades
hermenêuticas para encontrar soluções inovadoras a partir da interpretação de dados são soft skills dados em startup
estratégicas que podem fornecer a uma empresa um know-how inimitável. Além disso, é necessária
capacidade de comunicação para compartilhar os dados interpretados com membros em diferentes níveis
organizacionais. Conforme declarado pelo entrevistado F9 (gerente de cadeia de suprimentos e operação),
“a construção de uma equipe polivalente é essencial para simplificar o processo e aprimorar a comunicação 465
em tempo real (sobre dados, desempenho, comportamento dos usuários) entre a gestão e os funcionários,
para permitir a discussão e para permitir que a administração transforme as informações relevantes em decisões”.
A adoção de um conjunto coeso de tecnologias inteligentes para análise de dados que permita a troca
constante de competências pode fomentar estratégias de gestão de recursos humanos voltadas para o
empoderamento das pessoas engajadas na organização (dimensão data-driven 3). Os processos de liderança
distribuídos permitem a criação de equipas digitais para apoiar o trabalho Agile e potenciar não só o
envolvimento dos recursos humanos, mas também os processos de tomada de decisão difusos e o
desenvolvimento de projetos de inovação. Conforme declarado pelo entrevistado M6: “equipes distribuídas
permitem que atores internos e externos trabalhem em uma base comum de informações graças a alguns
pontos únicos para gerenciar as informações, como um sistema de bordo em que as informações são
armazenadas e compartilhadas em tempo real”.
Além disso, a valorização dos recursos humanos é uma das prioridades estratégicas dos entrevistados
da amostra, que consideram as pessoas um recurso fundamental para o alcance estratégico dos objetivos.
Segundo a maioria dos empreendedores, as pessoas vêm antes do planejamento.
Como enfatizou o entrevistado F3 (fundador da empresa sem fins lucrativos): “para nós a prioridade é o
crescimento das pessoas e não o crescimento dos projetos. Fazer o projeto crescer sem fazer as pessoas
crescerem é inútil e pode aumentar o risco de “usar” as pessoas e fazê-las sair em poucos anos”.
A ativação da integração do conhecimento e o empoderamento dos recursos humanos podem fomentar

a melhoria dos processos por meio da tomada de decisão distribuída (dimensão data-driven 5) e estimular o
codesenvolvimento da inovação. A contaminação entre unidades de negócios é considerada necessária na
amostra. Conforme afirma o entrevistado C4 (consultor de inovação):“da comparação com diferentes pontos
de vista e com diferentes habilidades, certamente surgem novidades e experimentos [...] Experimentos
podem falhar, mas são necessários para a sobrevivência das empresas e para poder para competir em um
ecossistema cada vez mais rápido”. No entanto, nem sempre os dados são considerados como facilitadores
da criação de valor e conhecimento, pois “o diálogo entre os membros da organização e com os clientes
pode substituir, integrar ou contradizer os dados (entrevistado F1)”.
Apesar das potenciais implicações negativas dos dados, a experiência dos empreendedores da amostra
mostra que a integração sinérgica entre uma orientação para a aprendizagem, a troca ativa de recursos e
habilidades entre os atores e o empoderamento dos recursos humanos por meio da tomada de decisão
distribuída pode promover a melhoria contínua (dimensão data-driven 6) e a regeneração da inovação. Os
entrevistados (F1, F9 e M6) declaram utilizar plataformas e serviços (como os serviços da Amazon) “para
gestão interna e gerenciamento de projetos para entender quando o sistema falha, para otimizar processos
com base em verificações iterativas e fazer teste de eficácia de projetos a cada dois semanas”. Graças a
esses instrumentos, as empresas podem projetar projetos em sistemas de engenharia e entender onde o
processo termina. Além disso, o teste A/B é empregado “para entender quando dividir a mesma atividade em
grupos diferentes pode melhorar as coisas, para encontrar a melhor solução para gastar menos tempo e
dinheiro [...] imaginaram (entrevistadas F4; F9)”.
A Figura 6 sintetiza as descobertas discutidas acima destacando a transição de conceitos de primeira

ordem para temas de segunda ordem e dimensões agregadas. Como os dois últimos
EJIM
25,6
466
Figura 6.
As diferentes etapas da
Metodologia Gioia por
meio da análise de
conteúdo: achados do
RQ1
coluna mostra, as principais dimensões da orientação baseada em dados identificadas na literatura Orientação
(tecnológica, humana e gerencial) são especificadas por meio do complexo ciclo de dedução e indução da baseada em
análise de dados e transformadas em capacitadores de inovação baseados em dados que devem ser
dados em startup
“ativados” em dados empresas impulsionadas através da intervenção de habilidades e habilidades humanas.
467
4.2 A emergência de diferentes tipos de inovação A ativação
das dimensões habilitantes da inovação data-driven identificadas no parágrafo anterior (RQ1) estimula o
desenvolvimento de competências que, aliadas à valorização dos recursos humanos, potenciam a emergência
de diferentes oportunidades de inovação.
A inovação de produto é vista principalmente como otimização. O entrevistado M7 (gerente de inovação)
afirma: “através do nosso conhecimento apoiamos os gerentes gerais de nossos clientes corporativos,
oferecendo-lhes as habilidades certas para inovar e lidar com a otimização [..] seguimos o Mc Kinsey Horizon
Model: no curto prazo, as empresas podem buscar a otimização, a médio prazo podem aumentar a P&D, a
longo prazo podem alcançar a inovação”.
Um dos entrevistados descreve a inovação de processo oferecida a um cliente por meio de práticas
orientadas a dados da seguinte maneira: “compartilhamos a abordagem de data lake com uma grande
empresa de alimentos e eles podem economizar dois milhões em resíduos animais (entrevistado F6)”.
Portanto, a inovação orientada por dados pode levar não apenas à introdução de novos produtos/serviços,
mas também simplificar e impulsionar os processos de negócios. Além disso, a inovação de processos
“internos” e a melhoria contínua são perseguidas na amostra graças a ferramentas especializadas para
gerenciamento de projetos, atualizadas com base nos insights coletados dos dados: “mudamos a interface de
uma de nossas ferramentas internas para gerenciamento de projetos, pois fizemos alguns testes, coletei
dados e notei que as pessoas trabalham melhor se tiverem informações em primeiro plano para regular
melhor os projetos, detectar se algo piora e ajudar os outros (entrevistado F7)”.
Como essas capacidades são compartilhadas, as empresas orientadas a dados podem gerar alguns tipos
de inovação que vão além da proposição de serviços aprimorados para oferecer novos modelos de negócios.
O entrevistado F1 descreve a inovação do modelo de negócios realizada por meio do fornecimento de
estratégia para mudar o modelo de negócios: “permitimos que o gerente geral de um de nossos sócios
trabalhasse em seu modelo de negócios: graças aos objetivos da OKR, permitimos mover uma parte dos
recursos humanos em um novo modelo de negócios, com novas tecnologias e novas metas”. Desta forma,
novas formas de orientação empreendedora e novos tipos de práticas de gestão de recursos podem acelerar
o processo de transformação interna e apoiar a gestão de topo nas decisões estratégicas para fomentar a
inovação e a mudança organizacional.
Segundo o entrevistado F2 (consultor digital e estrategista de mídias sociais), “qualquer tipo de empresa
deve encontrar uma nova 'identidade', redesenhando seu papel e perfil organizacional e orientando as
empresas para a adoção de novos modelos de organização que permitam explorar completamente o 'capital
humano' [..] o departamento de RH deve desenvolver uma tensão constante à mudança, arriscando
continuamente e reforçando a sua identidade”.
A perspectiva de sistemas sobre inovação e a mudança de atenção para recursos humanos e práticas
orientadas a dados é enfatizada pelo entrevistado F5: “para nós, a inovação não é apenas tecnológica: as
tecnologias sendo iguais, às vezes as empresas precisam mudar as propostas.
Para isso, as empresas devem possuir uma governança adequada, bom conhecimento dos clientes,
ferramentas de marketing, capacidade de ouvir as exigências do mercado”. A correspondência entre o
componente humano e a abordagem baseada em dados é sintetizada na afirmação da empresa orientada
pelo entrevistado F1: “Think human, act digital”.
Um dos entrevistados (M1, gestor do conhecimento) afirma que “a criação de um laboratório interno de
inovação pode transformar a organização num “lugar” de análise onde podem surgir soluções disruptivas e
gerir desafios e crises”. Mesmo nesse caso, segundo M1, as capacidades de interpretação dos dados podem
gerar resultados inovadores: “nós
EJIM entrar nas empresas para uma maratona de análise de negócios, igual ao hackathon: por dois ou mais
dias uma verdadeira força-tarefa de profissionais senta-se ao redor de uma mesa junto com o time interno
25,6
das firmas para ouvir, analisar e desenhar a solução para o desenvolvimento da inovação ”.
Não apenas o conhecimento científico é compartilhado para desenvolver novas hard skills para futuros
funcionários, mas as empresas da amostra também “tentam criar um local de trabalho digital para formar
pessoas sensíveis e emocionais capazes de imaginar e viver a era digital harmonicamente e conectar
pessoas que nunca conheceram de outra forma (entrevistado M2, estrategista digital e contador de histórias)”.
468
Portanto, a inovação baseada em dados implica uma revolução cultural que supera a inovação tecnológica
e dá origem a práticas educacionais inovadoras. Na amostra, a inovação educativa desenvolve-se através
da melhoria constante dos processos de aprendizagem e da transformação das aptidões e competências
individuais em conhecimento organizacional, que se integra com o conhecimento externo proveniente de
outras empresas e instituições, como universidades e centros de investigação.
Na descrição dos programas de educação e formação implementados na sua empresa, o entrevistado

M4 (mentor de startups e educador de empreendedorismo) afirma: “trabalhamos para as pessoas que
amanhã irão desenvolver soluções de elevado impacto social trabalhando a estrutura emocional dos
jovens: os líderes de amanhã devem cruzar novas fronteiras cada vez mais rapidamente”. Através de
projetos de inovação aberta, segundo M4 a mentoria é bidirecional: “os líderes partilham com os jovens
as suas fragilidades, enquanto os talentos vão dar-lhes energia, visão, imaginação, para construir relações
que possam cocriar valor para os nossos territórios”.
Estreitamente relacionado com a inovação educacional está o investimento no empreendedorismo juvenil,
prática comum na amostra. Mais de 100 jovens são “recrutados” para lhes proporcionar experiências de
coaching que enriqueçam não só as suas hard skills, mas também as soft skills como a “atitude
empreendedora, que deve ser potenciada para criar uma nova geração de empreendedores, pois nas
organizações contemporâneas as pessoas sem capacidades empreendedoras não são relevantes e não
podem sobreviver”.
A inovação educacional “não é apenas uma ideia radical, mas uma prática inovadora, a aplicação
eficaz e sustentável de uma nova ideia de cultura corporativa e de formação (entrevistado C3)”.
As empresas da amostra combinam seus objetivos sociais/sustentáveis com práticas de recursos
humanos e, por meio da participação ativa dos membros organizacionais, possibilitam a criação de novas
formas de participação social e modelos educacionais. A relação entre recursos humanos, sustentabilidade
e resultados sociais é enfatizada pelo entrevistado F3: “nossa capacidade de ser eficaz é aprimorada por
meio do uso otimizado de recursos para atingir metas sociais, para demonstrar que novas ideias
provenientes do enriquecimento de habilidades funcionam melhor do que as existentes soluções e gerar
valor para a sociedade”. Conforme declarado pelo entrevistado F5, “o valor social é criado ao impactar
nas trajetórias de crescimento das pessoas em períodos de crise, ao dotar o ecossistema de uma série
de capacidades e ferramentas para conectá-las a estímulos e oportunidades”.
Por fim, deve-se realizar a “mudança cultural”, pois muitas vezes as organizações não possuem a
cultura certa para transformar seus negócios. Para potencializar a transformação, o caminho é lento e os
recursos humanos devem ser capacitados. Por esta razão, alguns empresários da amostra organizam
estágios de estudantes nas suas empresas. No entanto, como afirma o entrevistado M4 “o estágio não
chega para fazer a mudança: por isso tentámos com a mentoria inversa (estudantes e talentos que se
tornam mentores dos quadros superiores) [..] têm resistência à mudança, a experiência não funciona, mas
mesmo que os seniores tenham mente aberta, competências, história não têm necessariamente a 'cultura'
do futuro”. Portanto, a mentoria reversa permite a evolução da cultura das empresas e a troca contínua de
conhecimentos, habilidades e experiências entre diferentes atores. Dessa forma, criam-se novos
significados, regras e práticas que fortalecem o sentimento de pertencimento a uma comunidade e geram
e regeneram sua cultura.
A Figura 7 descreve as principais descobertas obtidas para abordar o RQ2 e identificar os diferentes Orientação
tipos de inovação gerados nas empresas orientadas a dados da amostra.
baseada em
dados em startup
5. Discussão A
categorização das diferentes estratégias, objetivos, atividades, recursos, tecnologias implementadas
pelos empreendedores da amostra e descritas nos achados contribui para classificar os principais
facilitadores da abordagem orientada a dados para o desenvolvimento da inovação (RQ1). 469
Por último, graças à orientação baseada em dados e à sinergia entre hard e soft skills, que se
integram para criar e cocriar conhecimento, o novo e a inovação podem ser co-desenvolvidos, o que
pode dar origem a diferentes modalidades e resultados de inovação (RQ2).
Os resultados obtidos confirmam que a complementaridade e síntese entre a análise/gestão de
dados e a promoção de recursos humanos/competências pode potenciar a emergência da inovação. As
diferentes categorias, dimensões e subdimensões identificadas pelos critérios da metodologia Gioia
estão representadas na Figura 8.
Em relação ao RQ1, a interpretação das entrevistas permite a categorização e conceituação das
dimensões capacitadoras da inovação potencializadas pela orientação orientada a dados.
A orientação data-driven implica a difusão de uma cultura (dimensão 1) assente na aprendizagem e

nos dados como ativos estratégicos, na adoção de uma orientação proativa para a inovação e na
relevância dos recursos humanos. Essa cultura multidimensional deve ser traduzida em uma determinada
infraestrutura tecnológica baseada em múltiplos pontos de contato (cloud computing systems, DSS,
fuzzy logic, Agile work system) que precisa ser “ativada” pela constante troca de recursos entre as
pessoas (dimensão 2). que incentiva, por sua vez, a capacitação dos recursos humanos (dimensão 3)
por meio de equipes distribuídas e estratégias de engajamento. A adequada ativação da infraestrutura
tecnológica realizada através da partilha de recursos e da renovação das competências humanas pode
conduzir à renovação constante das competências de gestão e investigação (hard skills) dos
colaboradores e da atitude proativa e criativa (softs skills).
A internalização da cultura data-driven e o uso efetivo de tecnologias digitais mediadas pela
intervenção humana e troca de conhecimento podem potencializar a gestão de processos baseada na
tomada de decisão distribuída (dimensão 5), ao aumentar a capacidade das empresas de aumentar o
know-how, de gerenciar e melhorar a troca de dados, extraindo valor de novos conhecimentos.
A combinação sinérgica de cultura de aprendizagem (Migdadi et al., 2021; Steiber et al., 2020),
integração de recursos e aprimoramento de habilidades por meio de processos gerenciais distribuídos
com base em uma arquitetura tecnológica estratégica pode levar à constante renovação de valor e à
melhoria contínua ( dimensão 6) que pode favorecer o surgimento da inovação ao longo do tempo.
Então, a partir da ativação de estratégias e práticas orientadas por dados, diferentes resultados de
inovação podem ser gerados (RQ2). Os achados revelam que os empreendedores da amostra cocriam
inovação constantemente (e desenvolvem melhoria contínua e inovação sistemática) gerando diferentes
tipos de inovação, que envolvem diferentes dimensões (organizacional, tecnológica, humana, cultural e
social). Seis tipos diferentes de inovação foram derivados.
A inovação de produto/processo é entendida como otimização, uma forma básica de inovação no

menor grau de novidade, que conduz à introdução de novos produtos/serviços e pode simplificar os
fluxos de informação ao longo da cadeia de suprimentos. A inovação do modelo de negócios decorre
da aplicação de habilidades humanas baseadas em mentalidade orientada por dados, que desenvolve
uma nova orientação proativa que reformula os objetivos de negócios e gera novas propostas de valor,
estratégias, competências, modalidades de troca de conhecimento e estratégias de gestão relacional.
A inovação social está ligada à criação de bem-estar para todos
EJIM
25,6
470
Figura 7.
As diferentes etapas da
metodologia Gioia por
meio da análise de
conteúdo: achados do
RQ2
Orientação
baseada em
dados em startup
471
Figura 8.
Os resultados obtidos:
um quadro
ecossistema de pessoas (gerentes, funcionários, clientes, mas também cidadãos e comunidade

como um todo) e ao co-desenvolvimento de soluções inovadoras sustentáveis para gerar benefícios
múltiplos (Visvizi et al., 2018a; Polese et al., 2018). A inovação educacional refere-se à harmonização
da integração do conhecimento por meio de projetos de inovação aberta e mentoria que melhoram
a inovação científica para criar conhecimento para o aprimoramento do crescimento das pessoas e
a oferta de oportunidades de emprego (Visvizi et al., 2018b). A mudança cultural implica a introdução
de novas práticas, significados, regras e símbolos que conduzam à difusão de uma cultura coesa
para organizações, cidadãos, instituições baseada em uma nova atitude proativa-inovadora baseada
na relevância de dados e componentes humanos .
6. Implicações conceituais e gerenciais Os resultados

destacam os fatores facilitadores para a inovação e as estratégias mais adequadas para explorar as
oportunidades oferecidas pelos processos de negócios habilitados por tecnologia/humanos,
detectando algumas estratégias de troca de conhecimento para buscar a inovação.
Dessa forma, este artigo responde ao chamado de pesquisa introduzido na literatura existente
para o desenvolvimento de estudos que identifiquem e explorem a dimensão capacitadora chave da
inovação orientada por dados (Trabucchi e Buganza, 2019). Além disso, o estudo oferece uma visão
sobre a conceituação de inovação como uma construção multinível que integra processos
tecnológicos, humanos e gerenciais. Estes são necessários para o surgimento da novidade, ou
inovação, concebida como um conceito multivariado, ou seja, envolvendo resultados tecnológicos e
não tecnológicos. Este artigo contribui para as discussões sobre orientação e inovação orientadas
por dados, mostrando que empresas orientadas por dados, buscando orientação de aprendizagem,
podem não apenas tomar decisões mais eficazes, mas também desenvolver estratégias, processos
e modelos de negócios mais flexíveis (Troisi et al. , 2020) (RQ1). A estrutura conceitual empregada
neste estudo esclarece a relação entre a orientação orientada por dados e o surgimento de diferentes
tipos de inovação (RQ2). Assim, detecta como diferentes estratégias de gerenciamento de dados e
habilidades humanas podem produzir diferentes resultados inovadores.
A classificação das principais dimensões facilitadoras da inovação e dos diferentes tipos de
inovação que as empresas orientadas a dados podem co-desenvolver com seus stakeholders
aprimora a compreensão de pesquisadores e profissionais sobre o complexo e multivariado
conceito de inovação (Kahn, 2018). Essa conceituação multivariada de inovação, ou seja, uma
EJIM
conceituação que integra os fatores tecnológico, humano, institucional/organizacional e gerencial, oferece
25,6 uma visão inestimável sobre: (1) como os dados e, posteriormente, a informação e o conhecimento
podem promover o desenvolvimento de diferentes inovações desfechos; (2) como as estratégias e
tecnologias de análise de dados podem produzir novo valor; (3) como as habilidades e capacidades dos
agentes impactam o processo de emergência da inovação nas organizações. Em resumo, este artigo
revela que a relação entre o uso de TIC orientado por dados, gestão de recursos humanos e inovação
472 foi esclarecida. Consequentemente, os gestores podem coletar alguns insights sobre a combinação
adequada de estratégias de gestão de dados e gestão de recursos humanos para incentivar a
transformação de dados sem sentido em conhecimento relevante e estimular, por sua vez, a harmonização
de processos complexos de inovação. A pesquisa empírica oferece alguns insights sobre “como” a
análise de dados mediada por humanos pode capacitar a integração dinâmica de habilidades por meio
do processo constante de adaptação e reconfiguração do conhecimento anterior, identificando os
principais drivers para a melhoria contínua. Além disso, os resultados do estudo podem mostrar à gestão
como, por meio da associação de diferentes estratégias orientadas por dados, podem ser identificadas
práticas direcionadas para aprimorar a inovação.
Por fim, a administração pode entender como os resultados inovadores introduzidos podem ser renovados
ao longo do tempo para buscar a melhoria contínua. Dessa forma, a inovação é conceituada tanto como
um processo sistêmico (Troise et al., 2020), que incorpora dimensões humanas, culturais e sociais,
quanto como um processo sistemático, baseado no estabelecimento de uma tensão para a inovação e
de uma atitude transformadora.
7. Conclusões O
trabalho mostra como a integração estratégica entre a componente digital e a humana e a adoção de
mentalidade data-driven pode permitir a obtenção de novos conhecimentos e potenciar a emergência da
inovação cocriada. Então, os sistemas e a inovação sistemática podem ser buscados com base na
melhoria contínua, na obtenção do crescimento e na integração sinérgica de múltiplos resultados de
inovação para várias partes interessadas em várias camadas de negócios.
A utilização de big data analytics não pode garantir o surgimento de inovação porque habilidades,
habilidades e conhecimentos humanos são necessários para ativar a capacidade de usar dados com
vistas à criação e cocriação de valor. Explorar a potencial conexão entre a adoção de orientação
orientada por dados, o aprimoramento de habilidades e o desenvolvimento da inovação pode ajudar a
identificar as diferentes alavancas estratégicas para o aproveitamento das oportunidades oferecidas
pelas tecnologias e para a promoção da inovação. Por um lado, o estudo mostra que o componente
humano pode atuar como um dos principais drivers para a aplicação adequada de uma gestão estratégica
de dados para a criação de oportunidades empreendedoras.
Por outro lado, a análise das principais dimensões capacitadoras da orientação orientada por dados pode
revelar as estratégias mais úteis para o enriquecimento das habilidades das pessoas (Scott e Le Lievre,
2019) para promover o surgimento de capacidades que podem desenvolver, por sua vez, oportunidades
de inovação.
As limitações do estudo incluem todas as questões metodológicas relacionadas com a adoção da
metodologia de estudo de caso, o que não permite a extensão dos achados obtidos a outros contextos.
Por esse motivo, para avaliar a generalização da estrutura, estudos de caso comparativos podem ser
realizados. Estudos futuros podem partir dos resultados propostos no estudo para aplicar a classificação
dos diferentes tipos de inovação a indústrias e/ou contextos específicos (eg saúde, território, clusters).
Novas pesquisas sobre esse tema podem confirmar a validade das dimensões conceituadas nesta
pesquisa por meio da aplicação de escala de mensuração. A metodologia mista, que integra métodos
quantitativos e qualitativos, pode ser empregada para avaliar a existência dos diferentes tipos de inovação
por meio de
técnicas quantitativas, como regressão múltipla ou modelagem de equações estruturais. Desta Orientação
forma, as relações entre as dimensões da orientação de decisão baseada em dados e os
baseada em
resultados inovadores podem ser testadas e relacionadas a outros construtos, como
engajamento do ator, comportamento do usuário e/ou cocriação de valor. dados em startup
Referências
Anand, N., Gardner, HK e Morris, T. (2007), “Inovação baseada no conhecimento: emergência e incorporação de
novas áreas de prática em empresas de consultoria de gestão”, Academy of Management Journal, vol. 5
473
No. 2, pp. 406-428.
Baden-Fuller, C. e Haefliger, S. (2013), “Modelos de negócios e inovação tecnológica”, Long Range Planning, vol.
46 No. 6, pp. 419-426.
Bashir, M. e Farooq, R. (2019), “O efeito sinérgico da gestão do conhecimento e da inovação do modelo de
negócios na competência da empresa: uma revisão sistemática”, International Journal of Innovation
Science, vol. 11 nº 1, pp. 1757-1785.
Beliaeva, T., Ferasso, M., Kraus, S. e Damke, EJ (2019), “Dinâmica do empreendedorismo digital e do ecossistema
de inovação: uma perspectiva multinível”, International Journal of Entrepreneurial Behavior and Research,
vol. 26 No. 2, pp. 266-284.
Bonfanti, A., Castellani, P., Giaretta, E. e Federico, B. (2019), “Desenvolvimento da aprendizagem empreendedora
desencadeada por visitas à fábrica”, The Learning Organization, vol. 26 No. 6, pp. 574-587.
Bouwman, WAGA, Nikou, S., Molina-Castillo, FJ e de Reuver, GA (2018), “O impacto da digitalização nos modelos
de negócios”, Política Digital, Regulamentação e Governança, vol. 20 No. 2, pp. 105-124.
Brynjolfsson, E., Hitt, LM e Kim, HH (2011), “Força em números: como a tomada de decisão baseada em dados
afeta o desempenho da empresa?”, Documento de Trabalho, Sloan School of Management, MIT,
Cambridge, MA, 22 de abril .
Carayannis, E., Del Giudice, M., Saviano, M. e Caputo, F. (2018), “Beyond Big Data: from smart to wise knowledge
management”, em Barile, S., Espejo, R., Perko, I. e Saviano, M. (Eds), Cibernética e Sistemas: Decisões
Sociais e Empresariais, Giappichelli-Routledge, Londres, pp. 261-267.
Castellani, P., Bonfanti, A., Canestrino, R. e Magliocca, P. (2020), “Dimensões e gatilhos de experiências turísticas
memoráveis: evidências de empresas sociais italianas”, The TQM Journal, vol. 32 nº 6, pp. 20201115-1138.
Ceci, F., Masciarelli, F. e Poledrini, S. (2019), “Como o capital social afeta a inovação em uma rede cultural:
explorando o papel do capital social de ligação e ponte”, European Journal of Innovation Management, vol.
23 No. 5, pp. 895-918.
Chaffey, D. e Patron, M. (2012), “Da análise da web à otimização de marketing digital: aumentando o valor
comercial da análise digital”, Journal of Direct, Data and Digital Marketing Practice, vol. 14 No. 1, pp. 30-45.
Charmaz, K. (2006), Construindo a Teoria Fundamentada: Um Guia Prático Através da Análise Qualitativa, Sage,
Thousand Oaks, CA.
Chen, H., Chiang, RH e Storey, VC (2012), “Business Intelligence and Analytics: from big data to big impact”, MIS
Quarterly, vol. 36 No. 4, pp. 1165-1188.
Chen, DQ, Preston, DS e Swink, M. (2015), “Como o uso de análise de big data afeta a criação de valor no
gerenciamento da cadeia de suprimentos”, Journal of Management Information Systems, vol. 32 No. 4, pp.
4-39.
Chesbrough, H. (2007), “Inovação do modelo de negócios: não se trata mais apenas de tecnologia”, Estratégia e
Liderança, vol. 35 No. 6, pp. 12-17.
Corbetta, P. (2003), Pesquisa Social: Teoria, Métodos e Técnicas, Sage, Nova York, NY.
Crossan, MM e Apaydin, M. (2010), “Uma estrutura multidimensional de inovação organizacional: uma revisão sistemática
EJIM da literatura”, Journal of Management Studies, vol. 47 No. 6, pp. 1154-1191.
25,6
Damanpour, F. (2014), “Footnotes to research on management innovation”, Organization Studies,
Vol. 35 No. 9, pp. 1265-1285.
Denford, JS (2013), “Construindo conhecimento: desenvolvendo uma tipologia de capacidades dinâmicas baseada em
conhecimento”, Journal of Knowledge Management, vol. 17 No. 2, pp. 175-194.
474 Dougherty, D. (2004), “Práticas de organização em serviços: capturando conhecimento baseado na prática para inovação”,
Organização Estratégica, vol. 2 No. 1, pp. 35-64.
Dworkin, SL (2012), “Política de tamanho de amostra para estudos qualitativos usando entrevistas em profundidade”, Archives
of Sexual Behavior, vol. 41, pp. 1319-1320.
Fichman, RG, Dos Santos, BL e Zheng, ZE (2014), “Inovação digital como um conceito fundamental e poderoso no currículo
de sistemas de informação”, MIS Quarterly, vol. 38 No. 2, pp. 329-345.
Gioia, D., Corley, K. e Aimee, H. (2013), “Buscando o rigor qualitativo na pesquisa indutiva: notas sobre a metodologia Gioia”,
Métodos de pesquisa organizacional, vol. 16 No. 1, pp. 15-31.
Glaser, BG (2007), “Constructivist grounded theory?”, Historical Social Research/Historische

Sozialforschung, vol. 19 Suplemento, pp. 93-105.
Gupta, M. e George, JF (2016), “Rumo ao desenvolvimento de uma capacidade de análise de big data”, Information and
Management, vol. 53 No. 8, pp. 1049-1064.
Harrisson, D., Bourque, R. e Szell, G. (2009), Inovação Social, Desenvolvimento Econômico, Emprego
e Democracia, Peter Lang, Frankfurt am Main.
Henao-Garcÿa, EA e Montoya, RAC (2021), “Fomentando a inovação tecnológica por meio da inovação em gestão e
marketing. A ligação humana e não tecnológica”, European Journal of Innovation Management, vol. à frente da
impressão nº à frente da impressão, doi: 10.
1108/EJIM-03-2021-0148 (no prelo) (acessado em 14 de julho de 2021).
Hipp, C. e Grupp, H. (2005), “Inovação no setor de serviços: a demanda por conceitos e tipologias de medição de inovação
específica de serviço”, Política de Pesquisa, vol. 34 No. 4, pp. 517-535.
Howaldt, J., Kaletka, C. e Schr€oder, A. (2016), “Empreendedores sociais: atores importantes dentro de um ecossistema de
inovação social”, European Public and Social Innovation Review, vol. 1 No. 2, pp. 95-110.
J€arvinen, J. e Karjaluoto, H. (2015), “O uso de análise da Web para medição de desempenho de marketing digital”, Industrial
Marketing Management, vol. 50, pp. 117-127.
Kahn, KB (2018), “Entendendo a inovação”, Business Horizons, vol. 61 No. 3, pp. 453-460.
Kusiak, A. (2009), “Inovação: uma abordagem baseada em dados”, International Journal of Production Economics, vol. 122
No. 1, pp. 440-448.
LaValle, S., Lesser, E., ShockleyRebecca, HM e Krushcwitz, N. (2011), “Big data, analytics and the
caminho dos insights ao valor”, MIT Sloan Management Review, vol. 52 nº 2, pág. 21.
Lee, SM e Trimi, S. (2018), “Inovação para criar um futuro inteligente”, Journal of Innovation and
Conhecimento, vol. 3 No. 1, pp. 1-8.
Lee, J., Kao, HA e Shanhu, YS (2014), “Inovação de serviço e análise inteligente para indústria 4.0 e ambiente de big data”,
Procedia Cirp, vol. 16 No. 1, pp. 3-8.
Lepri, B., Staiano, J., Sangokoya, D., Letouze, E. e Oliver, N. (2017), “A tirania dos dados? Os lados positivos e negativos da
tomada de decisão baseada em dados para o bem social”, em Transparent Data Mining for Big and Small Data,
Springer, Cham, CH, pp. 3-24.
Lewis, J., Wright, PC e Geroy, GD (2004), “Managing human capital”, Management Decision, vol. 4 No. 2, pp. 205-228.
Loia, F., Capobianco, N. e Vona, R. (2021), “Rumo a uma perspetiva resiliente para o futuro das plataformas offshore.
Insights de uma abordagem baseada em dados”, Transformando o governo: pessoas, processos
e Política, vol. número do avanço da impressão, doi: 10.1108/TG-04-2021-0067 (no prelo) (acessado em 8 Orientação
de setembro de 2021).
baseada em
Malik, R., Visvizi, A. e Skrzek-Lubasinska, M. (2021), “A economia gig: questões atuais, o debate e os novos
caminhos de pesquisa”, Sustentabilidade, vol. 13 Nº 2021, pág. 5023, doi: 10.3390/ su13095023. dados em startup
Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C. e Byers, AH (2011), Big Data: The Next
Frontier for Innovation, Competition and Productivity, McKinsey Global Institute, Nova York, NY.
475
Martín-de-Castro, G., Delgado-Verde, M., Lopez-Saez, P. e Navas-Lopez, JE (2011), “Rumo a 'uma visão da
empresa baseada no capital intelectual': origens e natureza” , Jornal de Ética Empresarial, vol. 98 No. 4,
pp. 649-662.
McAfee, A. e Brynjolfsson, E. (2012), “Big data: the management revolution”, Harvard Business Review, vol. 90,
pp. 60-66.
Medina-Borja, A. (2019), “Incorporando humanos na análise de sistemas de serviço: a evolução do pensamento
matemático sobre serviços”, em Handbook of Service Science, vol. 2, pp. 743-771.
Mele, C. e Polese, F. (2011), “Dimensões-chave dos sistemas de serviço: interação em redes sociais e tecnológicas
para promover a cocriação de valor”, The Science of Service Systems, Springer, Nova York, NY, pp. 37 -59.
Migdadi, MM (2021), “Capacidade de aprendizagem organizacional, inovação e desempenho organizacional”,

European Journal of Innovation Management, vol. 24 No. 1, pp. 151-172.
Mills, J., Bonner, A. e Karen, F. (2006), “O desenvolvimento da teoria fundamentada construtivista”, International
Journal of Qualitative Methods, vol. 5 No. 1, pp. 25-35.
Morse, JM (2000), “Determining sample size”, Qualitative Health Research, vol. 10, pp. 3-5.
Mothe, C. e Nguyen, TTU (2010), “O impacto da inovação não tecnológica na inovação técnica: os serviços
diferem da manufatura? Uma análise empírica das empresas luxemburguesas”, Ceps Instead, Working
paper, 10.
Nag, R. e Gioia, DA (2012), “Do conhecimento comum ao incomum: fundamentos do uso específico da empresa
do conhecimento como um recurso”, Academy of Management Journal, vol. 55 No. 2, pp. 421-457.
Nieto, M. (2004), “Proposições básicas para o estudo do processo de inovação tecnológica na empresa”, European
Journal of Innovation Management, vol. 7 No. 4, pp. 314-324.
OECDEurostat (2005), Manual de Oslo - Diretrizes propostas para coletar e interpretar dados tecnológicos
Innovation Data, OCDE, Paris.
Perri, C., Giglio, C. e Corvello, V. (2020), “Usuários inteligentes para tecnologias inteligentes: investigando a
intenção de adotar comportamentos inteligentes de consumo de energia”, Previsão Tecnológica e Mudança
Social, vol. 155, pág. 119991.
Polese, F., Botti, A., Grimaldi, M., Monda, A. e Vesci, M. (2018), “Inovação social em ecossistemas de turismo
inteligentes: como a tecnologia e as instituições moldam a cocriação de valor sustentável”, Sustentabilidade,
Vol. 10 nº 1, pág. 140.
Quintane, E., Casselman, RM, Reiche, BS e Nylund, PA (2011), “Inovação como resultado baseado no
conhecimento”, Journal of Knowledge Management, vol. 15 No. 6, pp. 928-947.
€
Rachinger, M., Rauter, R., Muller, C., Vorraber, W. e Schirgi, E. (2019), “Digitalização e sua influência na inovação
do modelo de negócios”, Journal of Manufacturing Technology Management, vol. 30 nº 8, pp. 1143-1160,
doi: 10.1108/JMTM-01-2018-0020.
Saeedi, K. e Visvizi, A. (2021), “Metodologias de desenvolvimento de software, IES e economia digital”, Education
Science, vol. 11 nº 2, pág. 73, doi: 10.3390/educsci11020073.
Schmidt, T. e Rammer, C. (2007), “Inovação não tecnológica e tecnológica: estranhos companheiros de cama?”,
ZEW-Centro para Documento de Discussão de Pesquisa Econômica Europeia, (07-052).
Scott, R. e Le Lievre, M. (2019), “Bem-vindo ao casamento da capacidade humana e da inteligência artificial”,

EJIM
Strategic HR Review, vol. 19 No. 1, pp. 10-14.
25,6
Shujahat, M., Sousa, MJ, Hussain, S., Nawaz, F., Wang, M. e Umer, M. (2019), “Traduzindo o impacto dos
processos de gestão do conhecimento em inovação baseada no conhecimento: o negligenciado e mediador
papel da produtividade do trabalhador do conhecimento”, Journal of Business Research, vol. 94, pp.
442-450.
Smart, P., Bessant, J. e Gupta, A. (2007), “Rumo a regras tecnológicas para projetar redes de inovação: uma
476 visão de capacidades dinâmicas”, International Journal of Operations and Production Management, vol.
27 No. 10, pp. 1069-1092.
Snyder, H., Witell, L., Gustafsson, A., Fombelle, P. e Kristensson, P. (2016), “Identificando categorias de inovação
de serviço: uma revisão e síntese da literatura”, Journal of Business Research, Vol . 69 No. 7, pp. 2401-2408.
Sousa, MJ e Rocha, A. (2019), “Skills for disruptive digital business”, Journal of Business Research, vol. 94, pp.
257-263.
Spender, JC, Corvello, V., Grimaldi, M. e Rippa, P. (2017), “Startups e inovação aberta: uma revisão da literatura”,
European Journal of Innovation Management, vol. 20 No. 1, pp. 4-30.
Steiber, A., Al€ange, S. e Corvello, V. (2020), “Aprender com startups: uma tipologia empiricamente fundamentada”,
The Learning Organization, vol. 28 nº 2, pp. 153-166, doi: 10.1108/TLO- 04-2020-0061.
Strauss, A. e Corbin, J. (1994), “Metodologia da teoria fundamentada”, em Denzin, NK e Lincoln, YS

(Eds), Handbook of Qualitative Research, SAGE, Thousand Oaks, CA, pp. 273-285.
Teece, DJ (2010), “Modelos de negócios, estratégia de negócios e inovação”, Long Range Planning, vol. 43
Nºs 2-3, pp. 172-194.
Trabucchi, D. e Buganza, T. (2019), “Data-driven innovation: switching the perspective on Big Data”, European
Journal of Innovation Management, vol. 22 No. 1, pp. 23-40.
Troilo, G., De Luca, LM e Guenzi, P. (2017), “Vinculação de ambientes ricos em dados com inovação de serviços
em empresas estabelecidas: uma estrutura conceitual e proposições de pesquisa”, Journal of Product
Innovation Management, vol. 34 No. 5, pp. 617-639.
Troise, C., Matricano, D. e Sorrentino, M. (2020), “Plataformas de inovação aberta: explorando a importância do
conhecimento no apoio a iniciativas online”, Knowledge Management Research and Practice, vol. 13 No.
3, pp. 1-9.
Troisi, O., Grimaldi, M. e Loia, F. (2020), “Redesenhando modelos de negócios para inovação orientada por dados:
uma estrutura de três camadas”, Fórum Internacional de Pesquisa e Inovação, Springer, Cham, pp. 421-
435.
Troisi, O., Maione, G., Grimaldi, M. e Loia, F. (2019), “Growth hacking: insights sobre tomada de decisão baseada
em dados de três empresas”, Industrial Marketing Management, vol. 90, pp. 538-557.
Troisi, O., Visvizi, A. e Grimaldi, M. (2021), “Os diferentes tons de surgimento de inovação em sistemas de serviços
inteligentes: o caso do cluster italiano de tecnologia aeroespacial”, Journal of Business and Industrial
Marketing, vol. Ahead of Print No. Ahead of Print, doi: 10.1108/JBIM-02-2020-0091 (no prelo) (acessado
em 29 de janeiro de 2021).
Utterback, JM e Abernathy, WJ (1975), “Um modelo dinâmico de processo e inovação de produto”,
Ômega, vol. 3 No. 6, pp. 639-656.
Van der Have, RP e Rubalcaba, L. (2016), “Pesquisa em inovação social: uma área emergente de
estudos de inovação?”, Research Policy, vol. 45 No. 9, pp. 1923-1935.
Visvizi, A., Lytras, M., Damiani, E. e Hassan, M. (2018a), “Formação de políticas para cidades inteligentes:
inovação e crescimento econômico social inclusivo para a sustentabilidade”, Journal of Science and
Technology Policy Management, vol. 9 No. 2, pp. 126-133.
Visvizi, A., Lytras, M. e Linda, D. (2018b), “(Re)definindo educação inteligente: rumo a sistemas dinâmicos de
educação e informação para redes de inovação”, em Lytras, M., Linda, D. e Visvizi, A. (Editores),
Aprimorando a descoberta e a inovação do conhecimento na era digital, IGI Global, Hershey, PA, pp. Orientação
1-12.
baseada em
Wamba, SF, Akter, S., Edwards, A., Chopin, G. e Gnanzou, D. (2015), “Como 'big data' pode causar grande
dados em startup
impacto: descobertas de uma revisão sistemática e um estudo de caso longitudinal”, Jornal Internacional
de Economia da Produção, vol. 165, pp. 234-246.
Wosiek, R. e Visvizi, A. (2021), “O índice VWRCA: medindo a vantagem comparativa e a especialização em
serviços de um país. O caso da Polónia”, Economias, vol. 9, pág. 48, doi: 10.3390/economics9020048 .
477
Wu, S., Ding, X., Liu, R. e Gao, H. (2021), “Como a capacidade de TI afeta o desempenho da inovação
aberta? O efeito mediador da capacidade de absorção”, European Journal of Innovation Management,
vol. 24 No. 1, pp. 43-65.
Yin, RK (2011), Aplicações de pesquisa de estudo de caso, Sage, Nova York, NY.
Zhou, ZH, Chawla, NV, Jin, Y. e Williams, GJ (2014), “Oportunidades e desafios de big data: discussões de
perspectivas de análise de dados”, IEEE Computational Intelligence Magazine, vol. 9 No. 4, pp. 62-74.
Zhou, X., Cai, Z., Tan, KH, Zhang, L., Du, J. e Song, M. (2021), “Inovação tecnológica e mudança estrutural
para o desenvolvimento econômico na China como um mercado emergente”, Tecnológico Previsão e
Mudança Social, vol. 167, pág. 120671.
Apêndice
Tomada de decisão baseada em dados

Dimensão Quais são as ferramentas tecnológicas e/ou análises usadas para coletar e analisar dados?
Tecnológica Como eles são usados para atender aos principais objetivos estratégicos da sua empresa (por exemplo,
estratégias de perfis de usuários e/ou buyer personas)?
dimensão humana Existe um planejamento estratégico para coleta de dados, para seleção de fontes e para extração e
interpretação de resultados em sua empresa?
Quais são as habilidades mais adequadas para gerenciar a coleta e análise de dados?
Como o componente humano pode melhorar ou dificultar a análise e interpretação de dados
eficazes?
Existe uma estratégia integrada de acções de formação contínua dos colaboradores e/ou de valorização
de competências?
Dimensão gerencial Você já teve que revisar suas decisões em andamento com base nos resultados da interpretação dos dados? E
depois do diálogo com outros funcionários dentro e fora da sua empresa? Qual dos dois fenômenos
ocorreu com mais frequência?
Como os diferentes membros da sua empresa (em cada nível) estão envolvidos nas decisões de
negócios? E em qual etapa do processo decisório (identificação do problema, seleção da alternativa,
busca da solução, escolha das ações a serem tomadas)?
Os dados coletados e os resultados da interpretação dos dados são compartilhados dentro da

organização e “armazenados”? Qual é o papel da inovação para a sobrevivência da sua empresa?
Tabela A1.
(contínuo) Esboço de entrevista
EJIM Inovação
25,6 orientado para a tecnologia Acha que a sua atividade pode contribuir para o desenvolvimento de avanços tecnológicos, de
produtos e serviços inovadores na indústria e de uma nova forma de fazer negócios digitalmente?
Em caso afirmativo, como?
Como sua empresa busca oportunidades de inovação e tenta prever as necessidades do
mercado?
baseado em conhecimento Na sua opinião, quanto a atualização constante de competências contribui para o
478 desenvolvimento da inovação? Como é que a participação e a troca de competências com e
entre os membros da sua empresa podem apoiar o desenvolvimento de oportunidades de
negócio e o surgimento de inovação?
Existe uma estratégia integrada de ações voltadas para o alcance de metas relacionadas ao
bem-estar dos indivíduos (inclusão social, igualdade de oportunidades, e-democracia)?
Tabela A1. orientado para o social Como os valores centrais da sustentabilidade são difundidos na empresa?
O autor correspondente
Orlando Troisi pode ser contatado em: otroisi@unisa.it
Para obter instruções sobre como solicitar reimpressões deste artigo, visite nosso
site: www.emeraldgrouppublishing.com/licensing/reprints.htm Ou entre em contato
conosco para obter mais detalhes: permissions@emeraldinsight.com

Pense Humano Aja Digitalmente

Enviado por

Dados do documento

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

Pense Humano Aja Digitalmente

Enviado por

Direitos autorais:

Formatos disponíveis

Machine Translated by Google

2. A estrutura conceitual: o papel da orientação orientada por dados no desenvolvimento da

Em outras palavras, se o imperativo de um crescimento e desenvolvimento de negócios focados

2.2 O desenvolvimento da inovação em empresas orientadas por

de ferramentas e NO de habilidades entre

A transformação digital molda

A combinação de fatores tecnológicos, baseados no conhecimento e sociais no desenvolvimento da

2.3 As questões de pesquisa Orientação

Estudos anteriores procuraram identificar as dimensões capacitadoras da inovação em empresas

3.2 Coleta e análise de dados

EJIM Cargo Sexo Idade Cidade/Região Código

(ver Apêndice). A técnica da entrevista semiestruturada visa “construir” representações e

A ativação da integração do conhecimento e o empoderamento dos recursos humanos podem fomentar

A Figura 6 sintetiza as descobertas discutidas acima destacando a transição de conceitos de primeira

Na descrição dos programas de educação e formação implementados na sua empresa, o entrevistado

A orientação data-driven implica a difusão de uma cultura (dimensão 1) assente na aprendizagem e

A inovação de produto/processo é entendida como otimização, uma forma básica de inovação no

ecossistema de pessoas (gerentes, funcionários, clientes, mas também cidadãos e comunidade

6. Implicações conceituais e gerenciais Os resultados

Glaser, BG (2007), “Constructivist grounded theory?”, Historical Social Research/Historische

Migdadi, MM (2021), “Capacidade de aprendizagem organizacional, inovação e desempenho organizacional”,

Scott, R. e Le Lievre, M. (2019), “Bem-vindo ao casamento da capacidade humana e da inteligência artificial”,

Strauss, A. e Corbin, J. (1994), “Metodologia da teoria fundamentada”, em Denzin, NK e Lincoln, YS

Tomada de decisão baseada em dados

Os dados coletados e os resultados da interpretação dos dados são compartilhados dentro da

Você também pode gostar