5a Artigo Eduardo Patrick Dalcin da Costa

Prévia do material em texto

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL 
ESCOLA DE ENGENHARIA 
COMISSÃO DE GRADUÇÃO EM ENGENHARIA DE PRODUÇÃO 
 
IMPLEMENTAÇÃO DE SOLUÇÃO DE BUSINESS INTELLIGENCE EM UMA 
EMPRESA DE INTELIGENCIA COMERCIAL 
 
 
 
 
 
 
EDUARDO PATRICK DALCIN DA COSTA 
 
 
 
 
 
 
Orientador: Prof. Dr. Marcelo Nogueira 
Cortimiglia Dr. (PPGEP/UFRGS) 
 
 
 
PORTO ALEGRE 
2022
3 
 
 
1. INTRODUÇÃO 
Em um passado recente, verifica-se que os dados de negócios, em geral, eram 
coletados e estruturados de forma simples e intuitiva, após terem sido coletados por 
empresas administradoras de sistemas e, depois, armazenados em Sistemas de 
Gerenciamento de Bancos de Dados Relacionais. As técnicas analíticas utilizadas em 
tais sistemas foram predominantes na década de 1990 e se apresentavam, por 
exemplo, sob a forma de relatórios, fichas de controle, inteligência de negócios com 
base em pesquisa, processamento de transações online, visualização interativa, 
modelagem preditiva e mineração de dados (Chen et al., 2014). Atualmente, as 
organizações operam em um ambiente dinâmico e complexo, enfrentando diariamente 
uma gama de incertezas, riscos e oportunidades de negócio, as quais influenciam na 
escolha das estratégias, na definição dos objetivos e no processo de tomada de 
decisão. Conforme relatório publicado no ano de 2020 pela IDC Corporation, estima-
se que entre o período de 2005 a 2020 o universo digital cresceu cerca de 300 vezes, 
sendo a tendência, após o período, que este volume dobre a cada dois anos. Este 
volume de dados traz mudanças também na metodologia da tomada de decisão nas 
empresas, que passam a evitar decisões que possam partir de influências pessoais, 
optam, assim, por aquelas regidas por dados. Um estudo da McKinsey (2010) sobre 
mil grandes negócios demonstrou que quando as organizações trabalham para reduzir 
o efeito do viés pessoal em seus processos de tomada de decisão, estas obtiveram 
retornos até 7% maiores. Dessa forma, segundo Musskopf (2017), para uma 
organização manter-se competitiva, é necessário que as empresas aumentem e 
melhorem o uso das informações internas e externas, bem como seus processos e 
tecnologias. 
Da mesma forma, seguindo esta tendência presente em todos os segmentos 
de mercado, Locke et al. (2000) ressalta que a rápida expansão da internet criou um 
novo tipo de identidade corporativa que busca a oportunidade de personalizar o 
marketing. Nesse contexto, surgiram uma série de abordagens estratégicas de 
Marketing, tais como o Outbound e Inbound Marketing (Marketing de Atração), além 
da Smarketing, uma recente proposta estratégica que promove a integração e 
coordenação entre o departamento de vendas e de marketing. Ao mesmo tempo em 
que essa expansão é considerada positiva ao colocar o Marketing em uma posição 
4 
 
 
vital à sobrevivência das empresas, ao contrário de ser tratado apenas como um 
mecanismo de promoção, tal visibilidade também trouxe à tona uma das maiores 
dificuldades do setor: a de mensuração. Conforme sugere Almeida (2015), a aplicação 
de modelos e métricas de marketing, tão negligenciados na área, se apresenta como 
um pilar fundamental para unir a demanda pela compreensão dos fenômenos 
mercadológicos e a busca por modelos gerenciais academicamente significativos. 
Sendo assim, à medida em que o acesso a grandes volumes de dados crescerá 
consideravelmente, torna-se extremamente necessário para as empresas a 
estruturação e implementação de uma infraestrutura de dados consistente. Caso uma 
organização não esteja preparada para coletar e analisar criticamente os dados 
gerados tanto interna quanto externamente, ela estará fadada a sofrer com perdas de 
oportunidades de negócio, processos internos confusos e a pouca ou nenhuma 
rastreabilidade de suas informações, o que prejudica, até mesmo, a usabilidade das 
ferramentas já implementadas. Além disso, outro problema enfrentado é o da 
incerteza e falta de confiabilidade nas informações obtidas de múltiplas origens de 
dados, além do risco inerente a falhas causadas pelo manejo manual destas 
informações. 
A partir disso, dentre as estratégias que contemplam as metodologias de 
estruturação de dados, a CRISP-DM fornece uma abordagem estruturada para o 
planejamento de projetos de Mineração de Dados reunindo melhores práticas para 
que este processo seja o mais produtivo e eficiente possível. O próximo passo, diante 
da necessidade de que tal extração seja eficiente e eficaz na geração de valor 
agregado, é a transformação dos dados em conhecimento, que consiste em um 
processo no qual a informação especializada é extraída e apresentada, de forma 
prática, em um formato adequado a sua interpretação e uso. O processo de 
transformação é viabilizado através da implementação de uma arquitetura de 
Business Intelligence (BI), em português, Inteligência de Negócios, a qual surgiu como 
uma contributiva tecnológica de gestão visando que as informações úteis no apoio ao 
processo de tomada de decisão sejam eficientemente utilizadas. 
Dessa forma, este trabalho tem como objetivo geral a implementação de uma 
solução de Business Intelligence (BI) que forneça recursos necessários ao suporte no 
processo de decisão em uma empresa que fornece serviços de Inteligência Comercial. 
5 
 
 
O entendimento do negócio e requisitos do projeto foi definido a partir da utilização da 
metodologia CRISP-DM, sendo concretizado através de uma arquitetura de BI e 
posterior disponibilização de uma Dashboard confiável e eficiente no suporte a tomada 
de decisão. Dessa forma, será possível a melhor compreensão dos processos do 
negócio, o aprimoramento do planejamento estratégico e da gestão do conhecimento. 
Diante disso, estabeleceram-se como principais objetivos desta dissertação os 
seguintes: 
• Compreensão e análise crítica do fluxo dos processos estudados, em 
conjunto com a gestão, para devida identificação dos problemas 
enfrentados e definição dos requisitos do projeto; 
• Estruturar a fonte de dados e centralizar as informações de maneira que 
estas sejam base para futuras decisões estratégicas; 
• Desenvolver um modelo de limpeza e aprimoramento na qualidade dos 
dados armazenados através do processo ETL (Extração, Transformação 
e Carga) 
• Implementação de uma Dashboard de acompanhamento das métricas e 
indicadores operacionais a partir de um controle periódico do volume de 
dados gerado; 
O trabalho está organizado em 5 capítulos correlacionados. O Capítulo 1, 
Introdução, apresentou por meio de sua contextualização o tema proposto neste 
trabalho, bem como foram estabelecidos os resultados esperados por meio da 
definição dos objetivos. O Capítulo 2 apresenta a fundamentação teórica e o capítulo 
3 apresenta a metodologia na qual o projeto fora desenvolvido. No Capítulo 4, são 
tecidas as conclusões do trabalho, relacionando os objetivos identificados inicialmente 
com os resultados alcançados. São ainda propostas possibilidades de continuação da 
pesquisa desenvolvida a partir das experiências adquiridas com a execução do 
trabalho. O capitulo 5 estrutura as referências bibliográficas. 
2. REFERENCIAL TEÓRICO 
2.1. ESTRATÉGIAS DE MARKETING 
Segundo Kotler (2002), marketing é o conjunto de atividades humanas que tem 
por objetivo facilitar e consumar relações de troca. Na realidade atual, em que os 
6 
 
 
produtos são cada vez mais atraentes e o mercado é tão competitivo, esse conceito 
se atrela a uma soma de atividades específicas de planejamento, criação, elaboração 
de produtos ou serviço visando satisfazer as necessidades dos nichos de mercado. 
O Outbound Marketing, ou Marketing Tradicional, caracterizam-se por ações 
advindas de iniciativas da própria empresa, independentemente de o potencial cliente 
ter recebido, anteriormente, um contato prévio. Usualmente, está estratégia é dividida 
em quatro categorias: impressão, transmissão, mala diretae telefone (telemarketing). 
(KIELING; HOFFMANN; BOEING. 2016). O telemarketing é considerado um dos 
métodos mais difíceis de se obter resultados, tendo em vista que existem, quanto a 
receptividade dos clientes, uma série de variações, amigáveis ou não, o que leva a 
necessitar, então, de um esforço maior nas campanhas para se obter o sucesso 
esperado. 
Segundo Peçanha (2018), o Inbound Marketing, em uma tradução livre 
marketing de atração, se baseia na ideia de criação e compartilhamento de conteúdo 
voltado a um público-alvo especifico, para que, assim, seja possível conquistar a 
permissão deste potencial cliente para uma comunicação mais direta. 
O smarketing é uma tendência de otimização que vem ganhando espaço entre 
as empresas nos últimos anos, a qual foi cunhada pela HubSpot no início dos anos 
2000 e advém da junção entre “sales”, e “marketing”, ou seja, um alinhamento entre o 
departamento de Vendas e o departamento de Marketing. 
2.1.1 FUNIL DE VENDAS 
 De acordo com Ang & Buttle (2006), o funil de vendas representa o estado de 
evolução dos clientes de uma empresa, desde os potenciais clientes que podem estar 
interessados nos produtos ou serviços da empresa, até aos clientes que realmente 
pretendem comprar. Para compreender a posição do consumidor em relação à 
decisão de compra, o funil de vendas é segmentado em etapas que permitam a 
empresa auxiliar o cliente com a informação e o conteúdo que ele precisa no 
momento. Para um melhor entendimento das etapas do funil de vendas é importante 
o entendimento dos conceitos constantes na tabela 1 abaixo: 
 
7 
 
 
Tabela 1. Definições em Marketing e Vendas 
Termo Definição 
Prospects Cliente em potencial e que demonstrou interesse pelo produto ou serviço 
Lead Conjunto de informação útil, resultante da expressão de interesse num 
produto ou serviço por parte de um indivíduo. Também pode ser um 
contato encontrado em pesquisas por potenciais clientes 
Marketing Qualified Lead 
(MQL) 
Lead que atende aos parâmetros de qualificação e indicam potencial de 
negócio. O time comercial está em processo de apresentação do 
produto/serviço e buscando efetivar o agendamento de uma reunião. 
Sales Qualified Lead (SQL) Lead que cumpriu os requisitos voltados para vendas, culminando em 
pedido de contato comercial, ou seja, no agendamento de reunião 
comercial. 
Sales Accepted Leads (SAL) 
Ou Oportunidade 
Reunião comercial realizada. 
Cliente Lead que passou por todas as etapas do funil de vendas e fechará 
negócio. 
Fonte: Elaborado pelo autor 
 Com base no funil de vendas tradicional descrito acima, os autores Järvinen & 
Taiminen (2016) apresentam um funil de Marketing e Vendas conjunto, no qual ambas 
áreas são considerados partes integrantes do processo. 
 
 
Figura 1. Funil do Marketing & Vendas 
Fonte: Serpa, Marco Manuel da Silva 
 
 
2.2. BUSINESS INTELLIGENGE 
Na subseção 2.2, os temas Inteligência de Negócios (Business Intelligence – 
BI) são revisados através de pesquisa bibliográfica e respectivas abordagens 
metodológicas desenvolvidas por outros autores. 
8 
 
 
Atualmente, a sociedade encontra-se inserida no cenário em que são 
coletados, diariamente, quantidades massivas de dados, em que o crescimento 
exponencial do volume de dados é resultado do rápido desenvolvimento tecnológico. 
Segundo Lindon (2004), o crescimento do volume de dados tem impacto em todas as 
etapas do marketing, dando origem a novas oportunidades e ameaças à medida em 
que estas permitem reduzir custos, acrescentar produtividade aos serviços comerciais 
e de marketing, além de serem uma fonte significativa de inovação. As empresas têm 
a capacidade de armazenar os dados relativos à caracterização pessoal e 
comportamental dos seus clientes, através das interações nos diversos canais, tendo 
ao seu dispor todo o conhecimento necessário para personalizar a oferta e comunica-
la ao cliente através do canal mais indicado, seja e-mail, telemarketing ou online. 
Quando analisados corretamente, esses dados transformam-se no mesmo 
conhecimento utilizado no atendimento tradicional, mas numa escala muito maior 
(Greenyer, 2000). 
A partir disso, Geiger (2005) define que o BI é o conjunto de processos, 
estrutura de dados e ferramentas analíticas utilizados para entender o ambiente do 
negócio da empresa, tendo como propósito de apoiar a análise estratégica, a tomada 
de decisão, bem como a gestão de conhecimento e a melhoria de processos. 
Concomitantemente, segundo (VUKŠIĆ; BACH; POPOVIČ, 2013), o BI disponibiliza 
aos seus usuários – principalmente, gestores e diretores – o suporte necessário 
através de uma interface que agrupa dados e informações de forma analítica e a partir 
disso, os usuários tem a capacidade de elaborar e analisar as informações para o 
processo de tomada de decisões. Em artigo publicado por Kurniawan, Yohannes & 
Gunawan, A. & Kurnia, Stephen. (2014), os autores propõem um conceito de BI para 
tomada de decisão com objetivo de apoiar a estratégia de mix de marketing (produto, 
preço, praça e promoção). Foi evidenciado que modelo de BI melhorou os processos 
de negócios de ponta a ponta, como, por exemplo: gestão de leads; entrega e 
campanhas de gestão de vendas. A partir disso, constatou-se o aumento o volume e 
a qualidade das ofertas com os clientes através do direcionamento dos novos clientes 
em potencial. Além disso, tornou possível a visualização dos resultados em tempo real 
por meio de relatórios gerenciais e painéis. 
9 
 
 
2.2.1 METODOLOGIA CRISP-DM 
O termo Cross Industry Standard Process for Data Mining (CRISP-DM), que em 
português significa Processo Padrão Inter-Indústrias para Mineração de Dados, é uma 
metodologia aplicada em várias organizações para aumentar o sucesso de projetos 
de DM. Os autores Han, Kamber, & Pei (2012) definem a expressão DM como a 
descoberta de algo valioso na exploração de um vasto conjunto de material bruto. 
Neste contexto, ela se materializa na descoberta de informação em um conjunto de 
dados em estado bruto. Sendo assim, esta metodologia propõe, através de uma 
sequência flexível de seis processos, a construção e implementação de modelo 
desenvolvido em acordo com problemas reais e com o objetivo de responder às 
necessidades das empresas e suportar as decisões de negócio (Chapman, et al., 
2000). 
Segundo Witten e Frank (2005), a grande vantagem deste processo é o seu 
fluxo iterativo que permite que o resultado final seja completamente afinado e alinhado 
com os objetivos de negócio. Na figura 2 é apresentado o fluxo de processos do 
modelo CRISP-DM, como descrito por Chapman, et al. (2000). Na imagem, as setas 
indicam as dependências entre as fases que ocorrem mais frequentemente. O ciclo 
exterior representado simboliza o ciclo natural do próprio processo de DM, uma vez 
que o processo não é finalizado quando a solução for implementada. Os 
conhecimentos adquiridos, durante e após o processo, devem ser novamente 
incorporadas ao modelo, permitindo que os processos subsequentes se beneficiam 
das experiências e resultados obtidos anteriormente. 
10 
 
 
 
Figura 2. Ciclo de vida original do modelo CRISP-DM 
Fonte: adaptado de Chapman et al. (2000: 10) 
 
Em relação às seis fases macro apresentadas na Figura 3, estas podem ser 
sucintamente descritas do seguinte modo: 
Compreensão do Negócio: é a etapa inicial do projeto e considerada a mais 
importante. Ela garante que o projeto atenda às necessidades dos usuários e a 
entrega corresponda às expectativas do cliente, o que é primordial para a geração de 
valor (SMART VISION EUROPE, 2016). Assim, essa fase tem como foco identificar o 
problema a ser resolvido por meio de entrevistas junto ao cliente, de forma a 
estabelecer o objetivo do projeto como mais próximo possível de suas necessidades. 
 Compreensão dos Dados: se inicia através da identificação da fonte de 
obtenção e de suas restrições técnicaspor meio de análises qualitativas visando a 
familiarização com a informação. 
Preparação dos Dados: representa a seleção e limpeza dos dados que serão 
utilizados, bem como a construção de novas variáveis consideradas necessárias ao 
model. 
Modelagem: aplicação de técnicas de modelagem em acordo com as regras 
de negócio anteriormente especificadas. 
11 
 
 
Avaliação: aferição das funcionalidades, objetivos e critérios de sucesso 
definidos nas etapas inicial. Como procedimentos podem ser lançadas versões iniciais 
para teste, feedback, revisão e correção de possíveis inconsistências verificadas. 
Implementação: definidos os planos de acesso e governança, bem como 
planos de manutenção, treinamentos e, consequentemente, a sistemática de 
apresentação dos resultados obtidos. 
2.2.2 PROJETO DE BI 
Tendo em vista que, assim como as corporações levam tempo para absorver e 
implantar as melhores técnicas de marketing, elas também levam tempo para adquirir 
conhecimento necessário à implementação do BI. Dessa forma, a capacidade de uma 
organização em determinar suas necessidades BI e posteriormente implementá-la é 
uma parte essencial no amadurecimento do gerenciamento de BI e de marketing. 
Conforme evidenciado em artigo publicado pelos autores Stone, M. D., & Woodcock, 
N. D. (2014), à medida que o marketing interativo das corporações se torna mais 
sofisticado, a estrutura de BI necessária para apoiá-lo deve se tornar mais avançada, 
da mesma maneira com que os usuários de marketing devem se tornar mais hábeis 
no entendimento e uso da tecnologia de maneira independente. O planejamento e a 
governança aprimorados são necessários para evitar que conclusões errôneas sejam 
feitas devido à má compreensão da fonte de dados ou das análises e ferramentas 
utilizadas. Sendo assim, posteriormente à a aplicação da metodologia CRISP-DM, a 
qual promove as melhores práticas para que este processo seja executado de maneira 
mais eficiente e produtiva possível, a arquitetura de BI busca transformar o volume de 
dados coletados em informações úteis para tomada de decisão. 
2.2.3 ARQUITETURA DO SISTEMA DE BI 
Em qualquer empresa ou sistema de informação, considera-se que os dados 
têm qualidade quando estes cumprem os requisitos de precisão, completude, 
consistência, credibilidade, representação temporal e interpretabilidade. (Han, 
Kamber, & Pei, 2012). Além disso, segundo Costa & Santos (2012), um sistema de 
BI deve oferecer interfaces que facilitem o entendimento dos dados, permitindo a 
manipulação, monitorização e compreensão destes. 
12 
 
 
A infraestrutura apresentada por Han, Kamber e Pei (2012) é composta por três 
níveis, os quais encontram-se apresentados na figura 3 e posteriormente descritos. 
 
Figura 3. Arquitetura e componentes de Business Intelligence 
Fonte: Han, Kamber e Pei (2012) 
 
2.2.3.1.1 Nível Inferior 
Extração, Transformação e Carga (ETL): trata da limpeza, homogeneização 
e carga dos dados, levando em consideração que o valor agregado das informações 
não se encontra na extração, mas sim no tratamento desta. O principal objetivo desta 
etapa é melhorar a qualidade dos dados, corrigindo erros e valores nulos, de modo a 
serem transformados em informação útil para a organização. 
Data Warehouse (DW): armazenam os dados atuais e dados históricos 
provenientes de bases de dados operacionais, contemplando os recursos necessários 
ao suporte à tomada de decisão. 
13 
 
 
2.2.3.1.2 Nível Intermediário 
Online Analytical Processing (OLAP): Trata-se do processamento analítico 
em tempo real que permitem aos usuários finais analisar grandes quantidades de 
dados em diferentes dimensões, segmentações e perspectivas, sendo normalmente 
realizadas através de funcionalidades como sumarização, consolidação e agregação. 
2.2.3.1.3 Nível Superior 
O nível superior representa os resultados do processo, no qual os dados são 
explorados através de diferentes ferramentas analíticas que permitem identificar 
tendências e padrões anteriormente desconhecidos. A informação relevante 
resultante é disponibilizada através de relatórios, gráficos e painéis de controle, 
comumente denominados Dashboards. 
Tendo em vista os conceitos apresentados, em sua tese Bianca Panico 
apresenta a CRISP-DM como abordagem metodológica para o desenvolvimento de 
uma plataforma de apoio à gestão na tomada de decisões. O projeto teve como objeto 
de estudo uma linha de manufatura de asas de avião, sendo consolidado através de 
uma plataforma que adquire, minera e exibe dados em tempo real referentes ao 
processo envolvido. Através da implementação da plataforma foi possível a utilização 
de Dashboards mais eficientes, além de se perceber, como resultado, o aumento de 
147% na cadência mensal de produção, além de gerar uma economia estimada em, 
aproximadamente, U$170.000,00 em até dois anos. (Panico, 2020) 
 Em projeto que teve como objeto de estudo um segmento corporativo de um 
banco privado, Ana Luiza Silveira Nunes buscou analisar os aspectos positivos e 
negativos da utilização de um painel de BI anteriormente implementado. A autora 
identificou, através de entrevistas estruturadas, que os usuários do sistema de BI 
consideravam que tais recursos não eram eficientemente utilizados na organização. 
Dessa forma, foi evidenciado como aspecto positivo que após o início do uso do painel 
o acompanhamento mensal da carteira se tornou mais assertivo e trouxe uma visão 
gerencial mais prática para embasar a análise estratégica e a tomada de decisão bem 
como possibilitou uma visão simplificada, objetiva e de fácil análise quanto à carteira 
de clientes do gerente. (Nunes, 2019) 
14 
 
 
3. METODOLOGIA 
Nesta seção, o cenário do estudo é descrito (3.1) e a classificação da pesquisa 
é realizada (3.2). Após, as etapas na condução e desenvolvimento do estudo são 
apresentadas (3.3)”. 
3.1. DESCRIÇÃO DO CENÁRIO 
A organização objeto de estudo é considerada uma empresa de pequeno e 
médio porte (PME) e está inserida nos mercados de Marketing e Vendas. Além disso, 
foi fundada em março de 2019 por seus três sócios fundadores, que possuem mais 
de dez anos de experiência. A estrutura da empresa é totalmente digital, na qual seus 
cerca de 50 colaboradores trabalham em regime de teletrabalho. Os serviços de 
inteligência comercial são destinados a empresas que desejam encurtar e acelerar o 
seu ciclo de vendas por meio da prospecção e qualificação de leads. Utilizando-se 
das estratégias de Marketing Outbound e Social Selling, possuem uma carteira de 
cerca de 100 clientes, promovendo um impacto total no faturamento destes de mais 
de 50 milhões de dólares. Por uma questão de confidencialidade, não será divulgado 
o nome da empresa onde o estudo fora realizado. 
Para tal, conta com uma equipe de Lead Development Representative (LDR) 
para geração e organização das listas que contém o contato dos leads a serem 
prospectados, sempre em acordo com as características e a segmentação 
especificada pelos seus clientes no início do processo. Após a validação dos dados 
destas listas pela equipe de LDR, estas são encaminhadas a equipe comercial de 
Outbound Marketing, que tem como principal função entrar em contato estes leads 
através de telefones ou e-mails, buscando, assim, identificar oportunidades de 
vendas. O setor comercial é designado pela sigla BDR (Business Development 
Representative), sendo as métricas operacionais e de desempenho desta equipe o 
principal objeto de análise neste projeto. Ao final do processo, após a devida 
qualificação e demonstração de interesse de um lead no produto ou serviço, este é 
repassado ao time de vendas da empresa contratante. 
Atualmente, o maior desafio do processo de vendas é ter previsibilidade 
acurada de quantos leads são precisos para gerar um determinado número de novos 
clientes. Coe (2004b) e Blattberg (2008) apontam que taxas de conversão baixas15 
 
 
fazem aumentar substancialmente o custo de aquisição por cliente. Desta forma, ter 
taxas de qualificação mais altas e previsíveis é importante, principalmente, para a 
diminuição da discrepância entre o que a área de marketing considera como lead 
qualificado (MQL) e o que a área de vendas aceita como lead qualificado (SAL). Nesse 
sentido, com o objetivo de angariar o máximo número de clientes, minimizando o 
investimento em campanhas de marketing, surge nas empresas uma maior 
preocupação com a qualificação de leads, com a eficiência dos processos e com o 
aumento das taxas de conversão. 
Atualmente, a empresa conta com uma solução tecnológica para a gestão 
destas campanhas. Esta contém as informações de contato dos leads selecionados, 
bem como uma sistemática para gestão destes através do funil de vendas. No 
entanto, não há definida uma estrutura sistematizada para acompanhamento dos 
indicadores operacionais gerados durante o processo de prospecção. Ainda que a 
seleção de leads seja realizada conforme segmentação prévia e apesar da solução 
permitir exportar relatórios de campanhas contendo os resultados de sua execução, 
estes dados não eram eficientemente utilizados no auxílio à tomada de decisão. A 
falta de elementos que permitam validar a integridade destes relatórios, tais como a 
confiabilidade, padronização e a interoperabilidade entre os sistemas utilizados, acaba 
por impossibilitar a análise eficiente destes dados visando a geração de 
conhecimento, acompanhamento de métricas e o suporte a tomada de decisão. Dessa 
forma, o tempo desprendido em análises manuais e ineficientes são altamente 
prejudiciais à empresa, tanto do ponto de vista financeiro quanto competitivo, pois 
acarreta em perdas de oportunidades de negócio e de produtividade. 
A empresa possui metas ambiciosas de aquisição de clientes no mercado 
brasileiro e latino americano para os próximos anos. Dessa forma, o presente trabalho 
foi realizado em conjunto com a gestão da empresa após estes identificarem a 
urgência da aplicação dos conceitos de BI ao suporte na tomada de decisão. 
3.2. CLASSIFICAÇÃO DA PESQUISA 
Segundo Andrade (2010, p. 109) “pesquisa é o conjunto de procedimentos 
sistemáticos, baseado no raciocínio lógico, que tem por objetivo encontrar soluções 
para problemas propostos, mediante a utilização de métodos científicos”. 
16 
 
 
Dessa forma, considerando o cenário exposto anteriormente, esta pesquisa 
classifica-se, quanto à natureza, como aplicada, uma vez que tem como finalidade a 
resolução de um problema específico através do desenvolvimento e implementação 
de uma solução de BI. Quanto à forma de abordagem do problema, esta é classificada 
como qualitativa, pois busca fonte direta para coleta de dados, interpretação de 
fenômenos e atribuição de significados através de reuniões com a gestão da empresa 
buscando identificar os requisitos do projeto. A pesquisa qualitativa não se preocupa 
com representatividade numérica, mas, sim, com o aprofundamento da compreensão 
de um grupo social, de uma organização. (GOLDENBERG, 1997) 
Quanto aos objetivos, trata-se de uma pesquisa descritiva, na qual, segundo Gil 
(2002), são utilizadas técnicas de coleta de dados, tais como questionários, mesma 
técnica utilizada neste trabalho. A pesquisa descritiva exige do investigador uma série 
de informações sobre o que deseja pesquisar. Esse tipo de estudo pretende descrever 
os fatos e fenômenos de determinada realidade (TRIVIÑOS, 1987). Sendo assim, as 
técnicas de observação e coleta de dados padronizados, como questionários, 
permitem, assim, expor as características do processo objeto de estudo e ao final 
descrever a percepção da empresa acerca de possíveis melhorias providas através 
da implementação da ferramenta de BI. 
Quanto ao procedimento, esta classifica-se como uma pesquisa-ação, a qual, 
segundo Thiollent (2005), é caracterizada pela estreita cooperação entre os indivíduos 
pesquisados e o pesquisador. Nesse tipo de pesquisa, certa situação-problema, de 
abrangência coletiva, é investigada para, em discussão com as pessoas atingidas por 
um problema ou questão sobre causas, agentes, opções de reparo, ações, 
negociações e conflitos, chegar à resolução e gerar aprendizagem sobre o que se 
tratou. Sendo assim, foi realizado um estudo extensivo acerca das metodologias mais 
adequadas na resolução do problema, tendo como base para o resultado da pesquisa 
os experimentos realizados dentro da instituição. 
3.3. ETAPAS DO TRABALHO 
A metodologia CRISP-DM permite garantir maior agilidade, segurança e 
viabilidade ao projeto, além de menores custos de execução e fornecer capacidade 
ajustar-se dinamicamente aos requisitos técnicos. Além disso, permite que o projecto 
17 
 
 
possa ser facilmente compreendido ou revisado, uma vez que as suas fases estão 
devidamente organizadas, estruturadas e definidas. 
Em relação às seis fases macro apresentadas nos próximos passos, estas 
podem ser sucintamente descritas conforme a figura abaixo: 
 
Figura 4. Ciclo de vida original do modelo CRISP-DM 
Fonte: adaptado de Chapman et al. (2000: 10) 
3.3.1 COMPREENSÃO DO NEGÓCIO 
A etapa inicial e mais importante do projeto é a de Compreensão do Negócio, 
pois garante que este esteja alinhado às necessidades dos usuários e, 
consequentemente, a geração de valor através de uma entrega final que corresponda 
às expectativas do cliente. A coleta de dados é realizada através de entrevista abertas 
junto aos sócios e aos dois Analista de Negócios, que serão os usuários da 
ferramenta. A técnica de entrevista aberta foi a selecionada para que fosse possível 
obter, individualmente, não só os resultados propriamente ditos, mas também o 
máximo de informação possível sobre o tema e recolher a visão dos entrevistados, 
face às iniciativas implementadas. Através desta técnica de entrevista, foi possível 
obter o máximo de informação detalhada sobre o impacto das medidas adotadas, 
recolhendo dos entrevistados, detalhes e reflexões que são possíveis de recolher 
através deste método. (Souza Minayo & Costa, 2018) 
18 
 
 
Dessa forma, pode-se identificar o problema a ser resolvido e o 
estabelecimento dos requisitos e do escopo do projeto em acordo com a real 
necessidade da empresa. 
3.3.2 COMPREENSÃO DOS DADOS 
O segundo estágio, Compreensão dos Dados, inicia com a identificação da 
fonte de obtenção dos dados, bem como suas qualidades e restrições técnicas, 
prosseguindo-se com as respectivas atividades de familiarização com estes, conforme 
as tarefas descritas abaixo: 
I. Fonte de dados: desta tarefa resulta uma lista dos dados adquiridos, a 
sua localização, os métodos de aquisição, problemas e soluções 
encontradas; 
II. Descrição dos dados: uma vez recolhidos os dados são necessários 
descrevê-los, reconhecer o seu formato e o número de registos nas 
tabelas; 
III. Exploração os dados: o resultado consiste em uma listagem inicial de 
hipóteses e o seu respectivo impacto no restante do projeto. Para uma 
melhor exploração utilizam-se, por exemplo, gráficos e histogramas, que 
indicam características dos dados; 
IV. Verificação da qualidade dos dados: relatório que inclui problemas de 
qualidade nos dados e possíveis soluções, buscando obter o feedback 
dos utilizadores para futura preparação. 
3.3.3 PREPARAÇÃO DOS DADOS 
Através de ferramentas pertinentes ao próprio banco de dados em que as 
informações estão armazenadas, esta fase inclui a seleção de tabelas, registos e 
atributos, bem como a transformação e limpeza dos dados a usar na ferramenta de 
modelação, em acordo com os processos de ETL descritos anteriormente. 
3.3.4 MODELAGEM 
Nesta etapa as informações coletadas são traduzidas em acordo com as regras 
de negócio por meio da aplicação de técnicas de modelagem, as quais permitirão a 
19 
 
 
geração de valor nas análises dos dados coletados. Nesta fase são contempladasas 
seguintes tarefas: 
I. Seleção de técnicas de modelação: a seleção da técnica mais 
apropriada deve ser realizada tendo em atenção o tipo de problema, 
objetivos e as ferramentas disponíveis; 
II. Definição de uma concepção de teste: é importante, antes de construir 
o modelo, definir um procedimento ou um mecanismo para testar o seu 
desempenho; 
III. Construção do modelo: uma vez selecionada a ferramenta de 
modelação, esta é aplicada ao conjunto de dados preparados 
anteriormente, o que permitirá a criação de um ou mais modelos. Os 
vários parâmetros das ferramentas de modelação devem ser ajustados 
e os modelos resultantes devem ser convenientemente interpretados e 
o seu desempenho explicado; 
IV. Revisão do modelo: a interpretação dos modelos deve ser realizada de 
acordo com o domínio do conhecimento, critérios de sucesso do projeto 
e com o mecanismo de teste definido. Na avaliação do sucesso da 
aplicação do modelo deve ser levada em consideração o impacto dos 
resultados deste no contexto do negócio. 
Dessa forma, os dados agora representam métricas que influenciam 
diretamente no processo da tomada de decisão, pois afetam a eficiência de 
processos. 
3.3.5 AVALIAÇÃO 
A fase de avaliação consiste na validação da utilidade do modelo, na revisão 
dos passos executados durante a sua construção e a verificação se foram atingidos 
os objetivos propostos. 
3.3.6 IMPLEMENTAÇÃO 
Esta etapa envolve a seleção, exploração, transformação, análises, 
modelagem e apresentação dos resultados obtidos através das metodologias 
implementadas. Através de uma Dashboard o online de BI web, o usuário final poderá 
interagir com os relatórios que irão conter dados estratégicos de forma agregada, 
20 
 
 
incluindo indicadores chave de desempenho. A visualização incluí relatórios 
interativos com dados traduzidos em gráficos, medidores e ilustrações para simplificar 
a comunicação de tópicos complexos. Além disso, elas permitem interações básicas 
que fornecem vários níveis de detalhes permitindo análises aprofundadas. 
A partir disso, é importante ressaltar que uma vez criado o modelo, este não 
representa o final do projeto. O conhecimento extraído deve ser organizado e 
apresentado de modo a que o utilizador o possa usar e analisar criticamente. Além 
disso, a definição dos planos de governança, manutenção e acesso à informação são 
essenciais para se manter a confiabilidade e a segurança das informações 
apresentadas. 
4. REFERÊNCIAS BIBLIOGRÁFICAS 
ALMEIDA, M. I. S. de. Modelos mercadológicos: uma reflexão para pesquisadores 
brasileiros sobre a natureza, escopo e alcance. Revista Interdisciplinar de Marketing, 
v.5, n.1, p. 95-101, 2015. 
AMARAL, Sueli Angélica do. Marketing da informação: abordagem inovadora para 
entender o mercado e o negócio da informação. Ciência da Informação, Brasília, DF, 
v. 40, n. 1, p. 85-98, jan./abr., 2011. 
Ang, L., & Buttle, F. (2006). Managing for successful customer acquisition: An 
exploration. Journal of Marketing Management, 22, 295-317. 
Bodnar, k. (s.d.) An Introduction to Lead Genaration. Publication of Hubspot. 
Disponível em: https://www.hubspot.com/hs-fs/hub/53/file-13204600-
pdf/docs/introduction_to_lead_generation_hubspot.pdf, [acesso em 30 ago de 2022]. 
CHAPMAN, P.; CLINTON, J.; KERBER, R.; KHABAZA, T.; REINARTZ, T.; 
SHEARER, C.; WIRTH, R. CRISPDM 1.0 step-by-step data mining guide. 2000. 
Coe, J. (2004b). The integration of direct marketing and field sales to form a new 
B2B sales coverage model. Journal of Interactive Marketing, 18, 62-77. 
David Stone, M. and David Woodcock, N. (2014), "Interactive, direct and digital 
marketing: A future that depends on better use of business intelligence", Journal of 
Research in Interactive Marketing, Vol. 8 No. 1, pp. 4-17. 
https://www.hubspot.com/hs-fs/hub/53/file-13204600-
https://www.hubspot.com/hs-fs/hub/53/file-13204600-
21 
 
 
GEIGER, J.G. Data Warehausing: Supporting Business Intelligence. Executive 
Report, 2001. 
GOLDENBERG, M. A arte de pesquisar. Rio de Janeiro: Record, 1997. 
Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concepts and Techniques (3rd 
ed.). Elsevier Inc. 
Järvinen, J., & Taiminen, H. (2016). Harnessing marketing automation for B2B 
content marketing. Industrial Marketing Management, 54, 164–175. 
KOTLER, Philip; KELLER, Kevin L. Administração de Marketing – 12ª Edição. São 
Paulo: Pearson Education, 2006.4-5p. 
LANTELME, E. M. V. Proposta de um sistema de indicadores de qualidade e 
produtividade para construção civil. Dissertação (Mestrado em Engenharia Civil) – 
Universidade Federal do Rio Grande do Sul, Porto Alegre, 1994. 
Lindon, D., Lendrevie, J., Lévy, J., Dionísio, P., & Rodrigues, J. V. (2004). Mercator 
XXI - Teoria e Prática do Marketing (Vol. 10.ª edição). Lisboa: Dom Quixote. 
LOCKE, C.; LEVINE, R.; SEARLS, D.; WEINBERGER, D. The cluetrain manifesto: 
the end of business as usual. Cambridge: Perseus Press, 2000. 
Meher, J. (s.d.) The 30 greates lead generation tips, tricks & ideas. Publication of 
Hubspot. 
Minayo, Maria & António, Minayo & Costa, António. (2018). Fundamentos Teóricos 
das Técnicas de Investigação Qualitativa. 13-27. 
MUSSKOPF, Gabriela Witz. Análise das ferramentas de business Intelligence 
utilizadas por empresas brasileiras. 2017 
NUNES, Ana Luiza Silveira. Utilização de um painel de acompanhamento de 
indicadores a partir dos resultados do Business Intelligence em um segmento 
corporativo de um banco privado. 67 f. Trabalho de Conclusão de Curso (Graduação 
em Administração) - Universidade Federal do Ceará 
Panico, Bianca Voltarelli (2020). Implementação de Data Driven Decision 
Management (DDDM) em uma Linha de Manufatura de Asas 
22 
 
 
PEÇANHA, Vitor. O que é Inbound Marketing? Conheça tudo sobre o Marketing de 
Atração e desenvolva estratégias para atrair e conquistar clientes. Disponível em: 
<https://rockcontent.com/br/blog/o-que-e-inbound-marketing//>. Acesso em 05 de 
set. 2022. 
R., Kim, P., Kim, B., & Neslin, S. (2008). Acquiring Customers. In Database 
Marketing: Analyzing and Managing Customers. (pp. 495-514). London: Springer 
Verlag. 
RIBEIRO, F. F. F. Manual de Indicadores de Desempenho. São Paulo, 2017. 
RODRIGUES, L. H.; PANTALEÃO, L.H; SCHCH, C. Uma abordagem para 
construção de sistemas de indicadores alinhando a teoria das restrições e o 
Balanced Scorecard. Encontro da Associação Nacional dos programas de pós 
graduação em administração, v. 27, 2003. 
Silverstein, B. (2012). Sales Leads 123: Generating, Qualifying and Converting Sales 
Leads in 3 proven steps. Smashwords Edition. 
Smart Vision - Europe. n.d. What Is The CRISP-DM Methodology? [online] Available 
at: <https://www.sv-europe.com/crisp-dm-methodology/> [Accessed 05 of August 
2022]. 
THIOLLENT, M. Metodologia da Pesquisa-ação. 14ª edição. São Paulo: Cortez 
Editora, 2005. 
TRIVIÑOS, A. N. S. Introdução à Pesquisa em Ciências Sociais - A pesquisa 
qualitativa em educação. São Paulo: Atlas, 1987. ISBN 8522402736. 
TURBAN, E.; VOLONINO, L. Tecnologia da Informação para Gestão: Em Busca de 
um Melhor Desempenho Estratégico e Operacional. Bookman Editora, 2013. 
Willis, C. J., & Flo, T. R. (2016). Cleaning up the Lead Generation Highway - the newly-
regulated world of online lead generation. Journal of Internet Law, 3-7.