BI: A Inteligência de Negócios

Prévia do material em texto

W
BA
06
36
_V
2.
0
BI: A INTELIGÊNCIA DE NEGÓCIOS
2
Antonio Carlos Mercer
São Paulo
Platos Soluções Educacionais S.A 
2022
 BI: A INTELIGÊNCIA DE NEGÓCIOS
1ª edição
3
2022
Platos Soluções Educacionais S.A
Alameda Santos, n° 960 – Cerqueira César
CEP: 01418-002— São Paulo — SP
Homepage: https://www.platosedu.com.br/
Head de Platos Soluções Educacionais S.A
Silvia Rodrigues Cima Bizatto
Conselho Acadêmico
Alessandra Cristina Fahl
Ana Carolina Gulelmo Staut
Camila Braga de Oliveira Higa
Camila Turchetti Bacan Gabiatti
Giani Vendramel de Oliveira
Gislaine Denisale Ferreira
Henrique Salustiano Silva
Mariana Gerardi Mello
Nirse Ruscheinsky Breternitz
Priscila Pereira Silva
Coordenador
Henrique Salustiano Silva
Revisor
Thiago Oliveira da Silva
Editorial
Beatriz Meloni Montefusco
Carolina Yaly
Márcia Regina Silva
Paola Andressa Machado Leal
Dados Internacionais de Catalogação na Publicação (CIP)_____________________________________________________________________________ 
Mercer, Antonio Carlos
BI: a inteligência de negócios / Antonio Carlos Mercer. – 
São Paulo: Platos Soluções Educacionais S.A., 2022.
32 p.
ISBN 978-65-5356-406-0
1. Business intelligence. 2. Inteligência. 3. Negócios. I. 
Título.
CDD 658.47
_____________________________________________________________________________ 
 Evelyn Moraes – CRB: 010289/O
M554b 
© 2022 por Platos Soluções Educacionais S.A.
Todos os direitos reservados. Nenhuma parte desta publicação poderá ser reproduzida ou 
transmitida de qualquer modo ou por qualquer outro meio, eletrônico ou mecânico, incluindo 
fotocópia, gravação ou qualquer outro tipo de sistema de armazenamento e transmissão de 
informação, sem prévia autorização, por escrito, da Platos Soluções Educacionais S.A.
https://www.platosedu.com.br/
4
SUMÁRIO
Apresentação da disciplina __________________________________ 05
Introdução ao BI e Data Warehouse __________________________ 07
Análise de negócios e visualização de dados _________________ 21
Mineração de dados e Inteligência Artificial _________________ 33
Business Performance Management ___________________________ 48
BI: A INTELIGÊNCIA DE NEGÓCIOS
5
Apresentação da disciplina
Business Intelligence (BI) ou inteligência de negócios refere-se a 
tecnologias, aplicativos e práticas para a coleta, integração, análise 
e apresentação de informações de negócios. O principal objetivo da 
inteligência de negócios é fornecer ao gestor apoio no processo de 
tomada de decisões de negócios.
Essa disciplina proporciona uma perspectiva ampla sobre os usos 
da tecnologia de BI e suas aplicações nas estratégias e objetivos 
organizacionais. Alguns dos objetivos de aprendizado são: difundir 
os conceitos e componentes de inteligência de negócios; examinar 
as tecnologias que compõem o BI (data warehousing, por exemplo); 
determinar como o BI ajudará uma organização; e detectar a arquitetura 
de tecnologia que compõe os sistemas de BI.
Essa disciplina oferece uma introdução aos pensamentos e noções 
de inteligência de negócios como componentes e funcionalidades de 
sistemas de informação. Ela explora como os problemas de negócios 
podem ser resolvidos de forma eficaz usando dados operacionais 
para criar data warehouses e, em seguida, aplicando ferramentas e 
análises de mineração de dados para obter novos insights sobre as 
operações organizacionais. Discussão detalhada da análise, design e 
implementação de sistemas para BI, incluindo: as diferenças entre os 
tipos de relatórios e análises; armazenamento de dados corporativos; 
sistemas de gerenciamento de dados; sistemas de suporte à decisão; 
sistemas de gerenciamento de conhecimento; Big Data; e mineração 
de dados/texto. Os estudos de caso são usados para explorar o uso de 
software de aplicação, ferramentas da web, sucesso e limitações do BI, 
bem como questões técnicas e sociais.
6
Em resumo, a inteligência de negócios torna possível a combinação 
de dados de fontes variadas, analisar múltiplas informações em um 
formato facilitado e, posteriormente, propagar as informações para as 
partes interessadas relevantes. Com isso, é possível que as empresas 
analisem um panorama geral e tomem decisões de negócios mais 
eficientes. Todavia, deve-se lembrar que sempre há riscos inerentes 
à tomada de decisão no contexto empresarial, mas esses riscos não 
são tão relevantes ou preocupantes ao implementar uma solução de 
inteligência de negócios eficaz. As organizações podem avançar em 
um clima cada vez mais orientado por dados com confiança, pois estão 
preparadas para qualquer desafio futuro que surja.
7
Introdução ao BI e Data 
Warehouse
Autoria: Antonio Carlos Mercer
Leitura crítica: Thiago Oliveira da Silva
Objetivos
• Compreender como a inteligência de negócios apoia 
a tomada de decisão.
• Conhecer as etapas de construção de Data 
Warehouses.
• Perceber o potencial de integração das ferramentas 
apresentadas.
8
1. Introdução ao BI
O ato de negociar é fazer algo produtivo para atender às 
necessidades de alguém e, assim, ganhar a vida e tornar o mundo um 
lugar melhor. As atividades comerciais são registradas em papel ou 
por meio eletrônico e, em seguida, esses registros tornam-se dados. 
Há inúmeros dados das respostas dos clientes e do setor como um 
todo. Todos esses dados podem ser analisados e minerados usando 
ferramentas e técnicas especiais para gerar padrões e inteligência, 
que refletem como a organização está funcionando. Essas ideias 
podem, então, ser realimentadas no negócio para que ele possa 
evoluir para se tornar mais eficaz e eficiente no atendimento às 
necessidades do cliente.
Qualquer organização empresarial precisa monitorar continuamente 
seu ambiente de negócios e seu próprio desempenho para, em 
seguida, ajustar rapidamente seus planos futuros. Isso inclui 
monitorar a indústria, os concorrentes, os fornecedores e os clientes. 
A organização também precisa desenvolver ferramentas de controle 
(como o balanced scorecard) para acompanhar sua própria saúde 
e vitalidade. Os executivos geralmente determinam o que desejam 
acompanhar com base em seus principais índices de desempenho ou 
principais áreas de resultados. Relatórios personalizados precisam 
ser projetados para fornecer as informações necessárias a cada 
executivo. Esses relatórios podem ser convertidos em painéis 
personalizados que fornecem as informações rapidamente e em 
formatos fáceis de entender.
9
Figura 1 – Painel de dados
Fonte: Shutterstock.com.
2. Inteligência de negócios
A inteligência de negócios é um amplo conjunto de soluções de 
Tecnologia da Informação que inclui ferramentas para coletar, analisar 
e relatar informações aos usuários sobre o desempenho da organização 
e seu ambiente. Essas soluções de TI estão entre as soluções mais 
priorizadas para investimento. Considere uma cadeia de negócios de 
varejo que vende muitos tipos de bens e serviços em todo o mundo, 
on-line e em lojas físicas, que gera dados sobre vendas, compras e 
despesas de vários locais e prazos. A análise desses dados pode ajudar a 
identificar itens de venda rápida, itens de venda regional, itens sazonais, 
segmentos de clientes em rápido crescimento e assim por diante. 
Também pode ajudar a gerar ideias sobre quais produtos são vendidos 
juntos, quais pessoas tendem a comprar quais produtos e assim por 
diante. Essas informações e a inteligência podem ajudar a projetar 
melhores planos de promoção, pacotes de produtos e layouts de loja, o 
que, por sua vez, leva a um negócio com melhor desempenho.
10
Em outras palavras, o BI (business intelligence) é um termo abrangente 
que inclui uma variedade de aplicativos de Tecnologia da Informação 
que são usados para analisar os dados de uma organização e comunicar 
as informações aos usuários relevantes (TURBAN et al., 2009). Seus 
principais componentes são armazenamento de dados, mineração de 
dados, consultas e relatórios.
As organizações devem coletar dados, vasculhá-los, analisá-lose extraí-
los, encontrar informações relevantes e, em seguida, incorporá-los em 
seus procedimentos operacionais. Há um atual senso de importância 
e urgência em torno dos dados, pois eles estão sendo vistos como 
um novo recurso natural. Ele pode ser extraído para valor, insights 
e vantagem competitiva. Em um mundo hiper conectado, onde tudo 
está potencialmente conectado a todo o resto, com correlações 
potencialmente infinitas, os dados representam os impulsos da natureza 
na forma de certos eventos e atributos. Uma pessoa de negócios 
habilidosa é motivada a usar esse cache de dados para aproveitar a 
natureza e encontrar novos nichos de oportunidades não atendidas que 
podem se tornar empreendimentos lucrativos.
2.1 Tomada de decisões
O futuro é inerentemente incerto. O risco é o resultado de um cenário 
probabilístico em que não há certezas e complexidades abundam. O 
objetivo, portanto, é tomar decisões eficazes, reduzindo o risco. As 
empresas calculam riscos e tomam decisões com base em um amplo 
conjunto de fatos e dados. O conhecimento confiável sobre o futuro 
pode ajudar os gestores a tomar as decisões certas com níveis mais 
baixos de incerteza.
A velocidade da tomada de decisão aumentou exponencialmente nos 
últimos anos. Em um mundo competitivo, a velocidade de uma decisão 
e a consequente ação podem constituir uma vantagem fundamental 
11
para as organizações. A internet e as tecnologias móveis permitem que 
decisões sejam tomadas a qualquer hora, em qualquer lugar. Ignorar 
mudanças rápidas pode ameaçar o futuro da organização.
Existem dois tipos principais de decisões: decisões estratégicas e 
decisões operacionais (SHIBATA et al., 2017). A inteligência de negócios 
pode ajudar a melhorar ambos. Decisões estratégicas são aquelas 
que impactam a direção da empresa. A decisão de alcançar um 
novo conjunto de clientes seria uma decisão estratégica. As decisões 
operacionais são decisões mais rotineiras e táticas, focadas no 
desenvolvimento de maior eficiência. Atualizar um site antigo com novos 
recursos será uma decisão operacional.
Na tomada de decisão estratégica, o objetivo em si pode ou não ser 
claro, e ele vale para o caminho para atingir o objetivo. As consequências 
da decisão seriam aparentes algum tempo depois. Assim, há uma busca 
constante por novas possibilidades e novos caminhos para atingir 
os objetivos (SHIBATA et al., 2017). A inteligência de negócios pode 
ajudar na análise hipotética de muitos cenários possíveis. Além disso, 
o BI também pode ajudar a criar ideias com base em novos padrões 
encontrados na mineração de dados.
As decisões operacionais podem se tornar mais eficientes usando 
uma análise de dados anteriores (SHIBATA et al., 2017). Um sistema de 
classificação pode ser criado e modelado usando os dados de instâncias 
passadas para desenvolver um bom modelo do domínio. Este modelo 
pode ajudar a melhorar as decisões operacionais no futuro. O BI pode 
ajudar a automatizar a tomada de decisões no nível das operações e 
melhorar a eficiência ao tomar milhões de decisões operacionais no 
nível micro de uma maneira orientada por modelos. Por exemplo, um 
banco pode querer tomar decisões sobre empréstimos financeiros 
de uma forma mais científica usando modelos baseados em dados. 
Um modelo baseado em árvore de decisão pode fornecer decisões 
de empréstimo consistentemente precisas. Desenvolver tais modelos 
12
de árvore de decisão é uma das principais aplicações das técnicas de 
mineração de dados.
A inteligência de negócios eficaz tem um componente evolutivo, à 
medida que os modelos de negócios se desenvolvem. Quando pessoas 
e organizações agem, novos fatos (dados) são gerados. Os modelos de 
negócios atuais podem ser testados em relação aos novos dados, e é 
possível que esses modelos não se mantenham bem. Nesse caso, os 
modelos de decisão devem ser revisados e novas perspectivas devem 
ser incorporadas. Um processo interminável de geração de novas ideias 
em tempo real pode ajudar a tomar melhores decisões e, portanto, ser 
uma vantagem competitiva significativa.
2.2 Ferramentas de BI
A inteligência de negócios inclui uma variedade de ferramentas e 
técnicas de software para fornecer aos gerentes as informações e 
insights necessários para administrar o negócio. Informações podem 
ser fornecidas sobre o estado atual das coisas com a capacidade de 
detalhamento e ideias sobre padrões emergentes que levam a projeções 
para o futuro. As ferramentas de BI incluem armazenamento de dados, 
processamento analítico on-line, análise de mídia social, relatórios, 
painéis, consultas, mineração de dados, entre outros.
As ferramentas de BI podem variar de aplicações muito simples 
que podem ser destinadas ao usuário final, a ferramentas muito 
sofisticadas que oferecem um conjunto muito amplo e complexo 
de funcionalidades. Assim, os gestores podem ser seus próprios 
especialistas em BI ou podem contar com especialistas em 
inteligência de negócios para configurar os mecanismos de BI para 
eles. Grandes organizações investem em soluções sofisticadas de 
inteligência de negócios que fornecem boas informações íntegras e 
em tempo real.
13
Uma ferramenta de planilha, como o Microsoft Excel, pode atuar como 
uma ferramenta de BI fácil, mas eficaz por si só. Os dados podem 
ser baixados e armazenados na planilha, analisados para produzir 
informações e apresentados na forma de gráficos e tabelas. Este sistema 
oferece automação limitada usando macros e outros recursos. Os 
recursos analíticos incluem funções estatísticas e financeiras básicas. 
As tabelas dinâmicas ajudam a fazer análises hipotéticas sofisticadas. 
Módulos complementares podem ser instalados para permitir análises 
estatísticas moderadamente sofisticadas.
Um sistema de painéis, como o Tableau e Power BI, pode oferecer um 
conjunto sofisticado de ferramentas para coletar, analisar e apresentar 
dados. Do lado do usuário, os painéis modulares podem ser projetados 
e redesenhados facilmente com uma interface gráfica do usuário. Os 
recursos analíticos de dados incluem muitas funções estatísticas. Os 
painéis são vinculados ao Data Warehouses para garantir que as tabelas e 
gráficos e outros elementos do painel sejam atualizados em tempo real.
Os sistemas de mineração de dados, como o IBM SPSS Modeler, são 
sistemas de força industrial que fornecem recursos para aplicar uma 
ampla variedade de modelos analíticos em grandes conjuntos de dados. 
Sistemas de código aberto, como Weka, são plataformas populares 
projetadas para ajudar a minerar grandes quantidades de dados para 
descobrir padrões.
2.3 Habilidades de BI
À medida que os dados crescem e excedem nossa capacidade de 
compreendê-los, as ferramentas precisam evoluir, assim como a 
imaginação do especialista em inteligência de negócios. Um especialista 
em BI qualificado e experiente deve estar aberto o suficiente para sair 
da caixa e ver uma perspectiva mais ampla que inclua mais dimensões 
e variáveis, a fim de encontrar padrões e informações importantes 
14
(TURBAN et al., 2009). O problema precisa ser visto de uma perspectiva 
mais ampla para considerar muitos outros ângulos que podem não ser 
imediatamente óbvios. Um grande diferencial de um especialista de BI 
é a capacidade de observar nos dados padrões de comportamento não 
tão claros à primeira vista, logo, uma solução criativa pode ser proposta 
visando resultados interessantes e úteis para os problemas de dados da 
empresa.
Um bom projeto de inteligência de negócios começa com um problema 
interessante para resolver. Selecionar o problema de dados correto é uma 
habilidade importante. Por exemplo, a um conjunto de dados selecionados 
de forma adequada pode diminuir os custos de implementação e 
manutenção do Data Warehouse empresarial, enquanto uma solução 
inadequada pode resultar em resultados negativos para a empresa. É 
preciso muito tempo e energia para reunir, organizar, limpar e preparar 
os dados para mineração e outras análises. O cientista dedados precisa 
persistir com a exploração de padrões nos dados. O nível de habilidade 
deve ser profundo o suficiente para se envolver com os dados e fazer com 
que eles gerem novas informações úteis.
3. Data Warehouse
Um Data Warehouse (DW) é uma coleção organizada de bancos de dados 
integrados e orientados por assunto, projetados para dar suporte a 
funções de suporte à decisão. Além disso, o DW é organizado no nível 
certo de granularidade para fornecer dados limpos em toda a empresa 
em um formato padronizado para relatórios, consultas e análises 
(TURBAN et al., 2009). A criação de um Data Warehouse para análise e 
consultas representa um investimento significativo em tempo e esforço 
para a organização. O DW precisa ser constantemente atualizado para 
que seja útil.
15
Figura 2 – Esquema Data Warehouse
Fonte: Shutterstock.com.
O conceito de Data Warehouse (Figura 2) é um esquema isolado que 
é o repositório de todos os dados da organização (ou simplesmente 
dados) em um padrão que pode ser analisado com competência para 
que dados significativos possam ser organizados para administração e 
outros profissionais da informação. O DW oferece suporte a relatórios 
de negócios e atividades de mineração de dados. Ele pode facilitar 
o acesso distribuído ao conhecimento de negócios atualizado para 
departamentos e funções, melhorando, assim, a eficiência dos negócios 
e o atendimento ao cliente. O Data Warehouse pode apresentar uma 
vantagem competitiva ao facilitar a tomada de decisões e ajudar 
a reformar os processos de negócios. O DW possibilita uma visão 
consolidada dos dados corporativos, todos limpos e organizados. Assim, 
toda a organização pode ter uma visão integrada de si mesma.
16
3.1 Abordagens de desenvolvimento de DW
Existem duas abordagens fundamentalmente diferentes para 
desenvolver DW: de cima para baixo e de baixo para cima. A abordagem 
de cima para baixo é fazer um DW abrangente, que cubra grande parte 
das necessidades de relatórios da empresa. A abordagem de baixo para 
cima é produzir pequenos data marts, para as necessidades de relatórios 
de diferentes departamentos ou funções, conforme necessário (TURBAN 
et al., 2009). Os data marts menores eventualmente se alinharão para 
fornecer recursos abrangentes de EDW. A abordagem de cima para 
baixo fornece consistência, mas leva tempo e recursos. A abordagem de 
baixo para cima leva a uma propriedade local saudável e à manutenção 
dos dados.
À medida que os data warehouses corporativos começaram a ser usados, 
descobriu-se que, em muitas situações, um DW completo era um 
exagero para os aplicativos. Os data marts evoluíram para resolver esse 
problema. Um data mart é um tipo especial de Data Warehouse. É focado 
em um único assunto (ou área funcional), como vendas, finanças ou 
marketing. Enquanto os DW têm uma profundidade de toda a empresa, 
as informações nos data marts pertencem a um único departamento. 
O principal uso de um data mart são os aplicativos de inteligência de 
negócios. Implementar um data mart pode ser mais barato do que 
implementar um data warehouse, tornando-o mais prático para as 
pequenas empresas.
3.2 Arquitetura de DW
O Data Warehouse tem quatro elementos-chave. O primeiro elemento 
são as fontes de dados que fornecem os dados brutos. O segundo 
elemento é o processo de transformação desses dados para atender 
às necessidades de decisão. O terceiro elemento são os métodos de 
carregamento regular e preciso desses dados em EDW ou data marts. 
17
O quarto elemento é a parte de acesso e análise de dados, em que 
dispositivos e aplicativos usam os dados do DW para fornecer insights e 
outros benefícios aos usuários.
Os DW são criados a partir de fontes de dados estruturadas. Dados 
não estruturados, como dados de texto, precisariam ser estruturados 
antes de serem inseridos no DW. Além disso, o coração de um DW útil 
são os processos para preencher o DW com dados de boa qualidade. 
Isso é chamado de ciclo extrair-transformar-carregar (ETL). Veja a 
Figura 3 a seguir.
Figura 3 – Ciclo Extrair-Transformar-Carregar
Fonte: Shutterstock.com.
O processo ETL (extract, transform e load) demonstrado na Figura 3 
deve ser executado com frequência regular. Os dados de transações 
diárias podem ser extraídos de sistemas integrados de gestão, 
transformados e carregados no banco de dados na mesma noite. 
Assim, o DW está atualizado na manhã seguinte. Se o DW for 
necessário para acesso a informações quase em tempo real, os 
processos ETL precisariam ser executados com mais frequência. 
O trabalho de ETL geralmente é automatizado usando scripts 
de programação que são escritos, testados e implantados para 
atualização periódica do DW (PROVOST; FAWCETT, 2018).
18
Em relação ao design do DW, o esquema em estrela é a arquitetura 
de dados preferida para a maioria dos Data Warehouses. Há uma 
tabela de fatos central que fornece a maioria das informações de 
interesse. Existem tabelas de consulta (dimensão) que fornecem 
valores detalhados para os códigos usados na tabela central (Figura 4). 
Por exemplo, a tabela central pode usar dígitos para representar um 
vendedor. A tabela de consulta ajudará a fornecer o nome desse código 
de vendedor. Observe um exemplo de um esquema em estrela para um 
data mart para monitorar o desempenho de vendas.
Figura 4 – Esquema em estrela
Fonte: elaborada pelo autor.
Outros esquemas incluem a arquitetura floco de neve. A diferença 
entre uma estrela e um floco de neve é que, neste último, as tabelas 
de consulta podem ter suas próprias tabelas de consulta adicionais 
(PROVOST; FAWCETT, 2018). Existem muitas opções de tecnologia 
para o desenvolvimento de DW. Isso inclui selecionar o sistema 
de gerenciamento de banco de dados certo e o conjunto certo de 
ferramentas de gerenciamento de dados.
19
Finalmente, os dados do DW podem ser acessados para muitas 
finalidades, por meio de vários dispositivos. Um uso primário do DW é 
produzir relatórios de gerenciamento e monitoramento de rotina. Por 
exemplo, um relatório de desempenho de vendas mostraria as vendas 
por várias dimensões e comparadas com o plano. Um sistema de painéis 
usará dados do warehouse e apresentará análises aos usuários. Os 
dados provenientes do DW podem ser utilizados para abastecer painéis 
de dados customizados para atender as necessidades de análise de cada 
gestor. O painel pode incluir recursos de detalhamento para analisar os 
dados de desempenho para análise de causa raiz.
Também, os dados do warehouse podem ser usados para consultas ad 
hoc e quaisquer outros aplicativos que utilizem os dados internos. Os 
dados do DW são usados para fornecer dados para fins de mineração. 
Partes dos dados seriam extraídas e combinadas com outros dados 
relevantes para mineração de dados.
4. Conclusão
A natureza dos negócios é crescer. A informação é a alma do negócio. As 
empresas usam muitas técnicas para entender seu ambiente e prever 
o futuro para seu próprio benefício e crescimento. As decisões são 
tomadas a partir de fatos e sentimentos. Decisões baseadas em dados 
são mais eficazes do que aquelas baseadas apenas em sentimentos. 
Ações baseadas em dados precisos, informações, conhecimento, 
experimentação e testes, usando novos insights, podem ter mais 
probabilidade de sucesso e levar a um crescimento sustentado.
Os Data Warehouses são recursos especiais de gerenciamento de dados 
destinados à criação de relatórios e análises para apoiar a tomada 
de decisões gerenciais. Eles são projetados para tornar os relatórios 
e as consultas simples e eficientes. As fontes de dados são sistemas 
20
operacionais e fontes de dados externas. O DW precisa ser atualizado 
com novos dados regularmente para mantê-lo útil.
Referências
PROVOST, Foster; FAWCETT, Tom. Data Science para Negócios: o que você precisa 
saber sobre mineração de dados e pensamento analítico de dados. Rio de Janeiro: 
Alta Books Editora, 2018.
SHIBATA, I. H. et al. Tomada de decisão nas organizações: uma visão 
multidisciplinar.São Paulo: Saraiva Educação, 2017.
TURBAN, E. et al. Business intelligence: um enfoque gerencial para a inteligência 
do negócio. Porto Alegre: Bookman, 2009.
21
Análise de negócios e visualização 
de dados
Autoria: Antonio Carlos Mercer
Leitura crítica: Thiago Oliveira da Silva
Objetivos
• Compreender como o Business Intelligence (BI) e o 
Business Analytics (BA) se integram em uma única 
perspectiva.
• Conhecer a perspectiva histórica do os conceitos do 
Business Intelligence & Analytics (BI&A).
• Perceber como a visualização de dados apoia a 
tomada de decisão.
22
1. Introdução ao BI
A utilização de métodos de ciência de dados na realidade das empresas 
está associada ao termo Business Analytics (BA). Assim, contando com os 
pontos fortes da ciência de dados, o BA permite realizar análises mais 
avançadas do que as análises específicas de Business Intelligence (BI) e, 
principalmente, olhar para frente com aprendizado baseado em dados. 
A capacidade de realizar análises preditivas e prescritivas abre uma 
vasta gama de novas aplicações de apoio à decisão.
Embora os métodos de ciência de dados usados pelo BA já existam 
desde a década de 1980, o Business Analytics ainda é relativamente 
novo, principalmente em comparação com o Business Intelligence. Como 
resultado, a definição de BA ainda é bastante vaga, especialmente 
porque o leque de possibilidades é muito amplo graças à diversidade de 
métodos existentes de análise. Surge, então, o termo Business Intelligence 
& Analytics (BI&A), ou inteligência e análise de negócios, para significar 
que os dois domínios, BI e BA, se complementam e formam um todo.
2. Inteligência e análise de negócios
Do ponto de vista da pesquisa de sistemas de informação, a inteligência 
e análise de negócios (BI&A) fornece a mais recente base tecnológica 
para coleta de dados, integração e análise de volumes e tipos de 
dados sem precedentes para melhorar a qualidade das informações 
disponíveis na tomada de decisões (TURBAN et al., 2009).
Na década de 1960, as organizações começaram a desenvolver sistemas 
de informação para administrar muitas operações de negócios, como: 
processamento de pedidos; faturamento; controle de estoque; folha 
de pagamento; e contas a pagar. A evolução começa com a introdução 
dos primeiros sistemas de processamento de dados. Os sistemas 
23
de informação gerenciais foram desenvolvidos para fornecer dados 
e informações em sistemas de processamento de transações ao 
conselho de administração para a tomada de decisões (SHIBATA et al., 
2017). O aperfeiçoamento continuou para os sistemas de informação 
executiva, que são sistemas de suporte de decisão orientados a dados 
que fornecem relatórios da natureza de uma organização para a 
administração (TURBAN et al., 2009). A necessidade de dados contínuos 
de alta qualidade sobre as operações da organização foi criada pelo 
desenvolvimento de sistemas de informação executiva em larga escala.
Na década de 1990, grandes organizações enfrentaram desafios 
significativos para manter a visão integrada de seus negócios, por isso, 
foram desenvolvidos os Data Warehouses (DWs). Um DW é um conjunto 
de bancos de dados criados para fornecer informações aos tomadores 
de decisão. Os DWs também fornecem dados brutos para suporte à 
decisão focado no usuário por meio de sistemas de suporte de decisão. As 
capacidades de processamento de dados aumentaram em cada estágio 
da evolução, desde DWs até BI&A de última geração. Isso melhorou a base 
de dados disponível ou os recursos analíticos para oferecer capacidades 
avançadas de análise de dados (SHARDA; DELEN; TURBAN, 2019). A 
inteligência de negócios (BI) e a análise de negócios (BA) representam as 
tecnologias mais recentes de suporte à decisão após os Data Warehouses.
Conforme mencionado anteriormente, os estágios atuais na evolução 
das tecnologias de suporte à decisão são Business Intelligence (BI) 
e Business Analytics (BA). O BI é considerado um termo abrangente 
para sistemas de suporte à decisão baseados na integração e 
análise de dados para melhorar a tomada de decisões de negócios. 
Consequentemente, o BI&A é parte integrante dos negócios do século 
XXI devido às crescentes necessidades de análise, interpretação e 
processamento de dados. Com o tempo, a definição de BI&A se ampliou 
para incluir tecnologia e processos organizacionais e de negócios. O 
principal objetivo da inteligência e análise de negócios é melhorar a 
utilidade e a qualidade das informações disponíveis para a tomada de 
24
decisões. As informações acionáveis devem ser entregues corretamente 
no lugar certo na hora certa. A Figura 1 ilustra essa evolução.
Figura 1 – Evolução das Tecnologias de BI&A
Fonte: elaborada pelo autor.
A inteligência e análise de negócios (BI&A) evoluiu para se tornar um 
pilar fundamental do suporte a decisões corporativas. A forma como 
o BI&A é implementado e assimilado é bastante diferente entre as 
organizações, e é importante abordar as definições a aplicações de BI&A, 
bem como sua relação com a visualização de dados.
2.1	 Definições	e	aplicações	do	BI&A
A inteligência e análise de negócios tornou-se tópico de pesquisa e 
prática cada vez mais importante nos últimos anos. Ao invés de ter 
uma definição geralmente aceita e específica, o BI&A é normalmente 
utilizado como um termo “guarda-chuva” para descrever um processo, 
conceitos ou métodos que melhoram a tomada de decisões usando 
sistemas de suporte baseados em dados. Muitos termos como Business 
Intelligence, Business Analytics, Big Data, Data Mining e Data Warehousing 
são frequentemente usados de forma intercambiável na literatura. 
No entanto, podemos atribuir ao BI&A uma definição prática de ser 
uma filosofia de gestão e ferramenta que pode auxiliar as empresas 
no gerenciamento e refinamento de dados e sistemas de informação 
de negócios para tomar decisões eficazes. A inteligência e análise de 
negócios pode ser compreendida como a interseção de uma variedade 
de disciplinas, das quais pesquisa operacional, Inteligência Artificial e 
estatística são de particular relevância – visto que formam as principais 
práticas do BI&A (Figura 2).
25
Figura	2	–	Disciplinas	relacionadas	ao	BI&A
Fonte: elaborada pelo autor.
O BI&A é considerado um instrumento de análise, proporcionando 
tomada de decisão automatizada sobre condições de negócios, 
vendas, demanda de clientes e preferência de produtos. Ele usa 
grandes análises de banco de dados, bem como inteligência 
matemática, estatística e artificial, mineração de dados e 
Processamento de análise on-line (OLAP). Além disso, as soluções/
produtos de BI&A, possuem funcionalidades modulares que incluem 
dashboards, localização e visualização de dados de negócios em 
formato geográfico ou geolocalização, análise what-if, relatórios 
interativos (TURBAN et al., 2009) – e por fim compartilhar, distribuir 
informações aos usuários, visualizável em formato normal e 
facilmente interpretável.
Uma revisão sobre BI&A revela uma divisão entre os pontos de vista 
técnico e gerencial, seguindo dois padrões amplos. A abordagem 
gerencial vê BI&A como um processo no qual os dados são coletados 
26
de dentro e de fora da empresa e integrados para gerar informações 
relevantes para o processo de tomada de decisão (SHARDA; DELEN; 
TURBAN, 2019). Sob essa ótica, o papel do BI&A é criar um ambiente 
informacional no qual dados operacionais coletados de sistemas 
de processamento transacional e fontes externas possam ser 
analisados para extrair conhecimento estratégico de negócios para 
apoiar as decisões não estruturadas da gestão. A abordagem técnica 
considera BI&A como um conjunto de ferramentas que suportam 
o processo descrito acima. O foco não está no processo em si, mas 
nas tecnologias, algoritmos e ferramentas que permitem salvar, 
recuperar, manipular e analisar dados e informações (SHIBATA et al., 
2017).
No entanto, de maneira ampla, há duas questões importantes. Primeiro, 
o núcleo de BI&A é a coleta, análisee distribuição de informações. Em 
segundo lugar, o objetivo do BI&A é apoiar o processo de tomada de 
decisão estratégica. Decisões estratégicas são decisões relacionadas 
à implementação e avaliação da visão, missão, metas e objetivos 
organizacionais, que devem ter impacto de médio a longo prazo na 
organização. Ao contrário das decisões operacionais, que são de 
natureza cotidiana e mais relacionado à execução também descreve a 
visão gerencial de BI&A como um processo para obter as informações 
certas para as pessoas certas no momento certo para que possam 
tomar decisões que, em última análise, melhorem o desempenho da 
empresa.
A visão técnica de BI&A geralmente se concentra nos processos, 
aplicativos e tecnologias para coletar, armazenar e analisar dados e 
fornecer acesso a dados que auxiliam a administração a tomar melhores 
decisões de negócios. Outra observação importante na evolução do 
BI&A é que os líderes do setor estão atualmente em transição do 
BI&A operacional do passado para o BI&A analítico do futuro, que se 
concentra em clientes, recursos e capacidades para influenciar novas 
decisões todos os dias. Eles implementaram um ou mais formulários 
27
de análise avançada para atender a essas necessidades de negócios. 
Portanto, podemos considerar o BI&A como a transformação consciente 
e metódica de dados de qualquer fonte de dados em novas formas para 
fornecer informações orientadas para os negócios e para os resultados. 
Muitas vezes, abrangerá uma mistura de ferramentas, bancos de dados 
e fornecedores para fornecer uma infraestrutura que fornecerá a 
solução inicial e incorporará a capacidade de mudar com os negócios e o 
mercado atual.
2.2 Infraestrutura de BI&A
Para fornecer uma visão abrangente de ponta a ponta dos processos 
por meio dos quais o valor de negócios é obtido de BI&A, é necessário 
um modelo para estruturar a análise. Geralmente, a literatura 
de valor de negócios de TI diferencia entre ativos de TI físicos e 
humanos. Os ativos físicos se referem à infraestrutura compartilhada 
em toda a organização e aplicativos de negócios específicos que 
utilizam a infraestrutura. Em contraste, os ativos humanos incluem 
as habilidades técnicas e o conhecimento de negócios do pessoal de 
TI. Adotando a mesma abordagem conceitual de TI, a infraestrutura 
define os ativos de BI&A como compreendendo a infraestrutura e 
a equipe de BI&A. A equipe representa o lado humano da base de 
ativos de BI&A. A literatura sugere várias abordagens na formação de 
uma equipe de BI&A, desde equipes descentralizadas de usuários que 
orientam outros usuários no uso dos sistemas de BI&A até centros 
centralizados e multifuncionais com estruturas organizacionais 
formais (SHARDA; DELEN; TURBAN, 2019).
A infraestrutura de BI&A inclui armazenamento, processamento e 
entrega de dados. O armazenamento de dados inclui um repositório 
de dados organizacionais integrados e hardware e software para 
gerenciar e reter dados. O processamento de dados inclui utilitários 
automatizados, comumente conhecidos como extrair-transformar-
28
carregar (ETL), para transferir e transformar dados dentro do sistema. 
A combinação dessas tecnologias e ferramentas fornece um ambiente 
tecnológico que permite às organizações desenvolver capacidades 
de BI&A, o que leva a uma melhor tomada de decisão e melhoria do 
desempenho organizacional.
A capacidade de BI&A é alcançada quando a equipe de BI&A interage 
com a estrutura de BI&A. A forma como uma organização aprende e 
inova é adotada a partir da estrutura de exploração e explotação. A 
chave para conseguir isso é ter um processo organizacional adaptativo. 
A exploração é descrita como flexibilidade, buscas, experimentação, 
tomada de risco e descoberta. Em contraste, a exploração é descrita 
como produção, refinamento, execução, eficiência, seleção e 
implementação.
2.3 Criação de valor com BI&A
Os sistemas de BI&A apoiam e melhoram a tomada de decisões, o que 
pode levar a um melhor desempenho organizacional. A implantação 
de BI&A é uma viagem complexa e demorada para a maioria das 
organizações. A implementação inadequada de BI&A pode levar 
ao fracasso e tornar as organizações ricas em dados e pobres em 
informações, tornando o BI&A um investimento de TI arriscado que 
requer colaboração de TI e executivos de negócios.
A implementação de BI&A por si só não pode garantir melhores 
resultados de negócios. O verdadeiro valor comercial dos sistemas de 
BI&A se esconde em processos de negócios e desempenho aprimorados 
(SHARDA; DELEN; TURBAN, 2019). Existem duas conceituações de valor 
empresarial definidas na literatura: valor estratégico e operacional 
(TURBAN et al., 2009). O valor estratégico é o valor que reflete a criação 
de uma vantagem competitiva, apoiando os objetivos estratégicos, como 
identificar oportunidades e ameaças de negócios, melhoria da eficiência, 
29
execução de pesquisa e desenvolvimento bem-sucedidos, otimização 
de processos, melhoria do desempenho financeiro e redução de tempo 
e custo. O valor operacional do negócio é o valor que reflete melhorias 
nos processos internos, como melhorar as relações com o cliente, 
economizar custos e tempo, melhorar a eficácia e a participação de 
mercado (SHIBATA et al., 2017).
3. Visualização de dados
Atualmente, a visualização de dados tornou-se um recurso mais 
utilizado, pois existem mais ferramentas de visualização disponíveis 
no mercado que permitem aos usuários de qualquer nível de 
instrução criarem gráficos e descubram insights de forma mais 
eficiente e eficaz. A visualização de dados exibe quantidades 
medidas por meio do uso combinado de gráficos distintos. Portanto, 
a visualização de dados também pode ser descrita como uma 
das últimas etapas do processo de BI em que as informações são 
apresentadas aos usuários finais em uma representação visual 
usando formatos específicos, como formas e cores que convertem 
dados brutos em informações significativas que podem ser facilmente 
compreendidos e analisados.
Ao visualizar dados de negócios, existem dois focos principais, que 
são: 1) visualizar as principais métricas para uma compreensão 
mais fácil e rápida que facilita o processo de tomada de decisão; e 
2) fornecer uma visão visual e interativa formulário para explorar 
dados. Talvez a visualização de dados mais comum a que todos 
estamos acostumados seja a previsão do tempo, que apresenta 
técnicas interativas para cativar a atenção do espectador e apresenta 
claramente as informações. A Figura 3 mostra como uma visualização 
do tempo parece apelando para a facilidade para os usuários 
entenderem seu significado.
30
Figura	3	–	Previsão	do	clima	e	temperatura
Fonte: Shutterstock.com.
Os usuários da visualização de dados fazem pouco esforço para 
identificar insights e internalizar rapidamente o melhor conhecimento 
da representação visual. A visualização do clima é um exemplo claro 
de como a visualização de dados funciona em um contexto da vida 
real e pode ser perfeitamente extrapolada para um cenário de caso de 
negócios real.
3.1 Benefícios da visualização de dados
Conforme discutido anteriormente, a visualização de dados melhora a 
forma como os dados e a informação é compreendida pelos usuários e 
31
auxilia nos processos de tomada de decisão e resolução de problemas. 
A visualização de dados garante que os valores-chave possam ser 
desbloqueados a partir de grandes conjuntos de dados. Grandes 
quantidades de dados em particular podem ser esmagadoras e difíceis 
de entender. A visualização de dados ajuda nisso, tornando os principais 
valores dos dados claros e facilmente visíveis, facilitando, assim, a 
compreensão e a interpretação para todos na empresa.
Não obstante, há mais benefícios da visualização de dados. Primeiro, a 
visualização de dados fornece um panorama geral de dados e informações 
complexas e padrões de relacionamentos e tendências em um formato 
mais fácil. Segundo, à medida que a visualização de dados transforma os 
dados e informaçõesem representações visuais, simplifica o processo 
cognitivo de compreensão e memorização do conhecimento. Por fim, a 
visualização de dados contém elementos que atuam como dicas visuais 
para chamar a atenção para áreas específicas de interesse.
4. Conclusão
O BI&A pode ser entendido como um termo de gestão de negócios 
usado para descrever aplicações e tecnologias que são usadas para 
coletar, fornecer acesso e analisar dados e informações sobre a 
organização para ajudar a gestão a tomar melhores decisões de 
negócios (SHARDA; DELEN; TURBAN, 2019). Em outras palavras, o 
objetivo do BI&A é fornecer tecnologias de BI&A acionáveis, incluindo 
tecnologias tradicionais de armazenamento de dados, como relatórios 
e consultas ad hoc. Por fim, o BI&A gera análises e relatórios sobre as 
tendências do ambiente de negócios e sobre questões organizacionais 
internas. As análises podem ser produzidas de forma sistemática e 
regular, ou podem ser ad hoc, relacionadas a um contexto específico de 
tomada de decisão. Esse conhecimento é empregado por tomadores de 
decisão em diferentes níveis organizacionais.
32
A interação entre a inteligência e análise de negócios e o valor comercial 
gerado fornecem ampla evidência para adoção dessas tecnologias. 
Contudo, as ferramentas de BI&A só podem gerar valor se usadas. A 
capacidade das organizações de criar valor por meio do uso de BI&A 
exploraram a aquisição de inteligência sobre as necessidades dos 
clientes, levando a novas oportunidades de negócios.
Finalmente, a visualização de dados auxilia os usuários a entender 
rapidamente os dados, apresentando-os em forma visual, por meio 
de gráficos e dashboards. As tecnologias de visualização de dados 
ajudam os indivíduos a ver dados complexos e transformar grandes 
conjuntos de dados em conhecimentos úteis com inúmeras empresas 
que dependem fortemente dessas ferramentas para suporte à decisão 
e inteligência de negócios. Em outras palavras, a visualização de 
dados ajuda os indivíduos a dar sentido ao fluxo cada vez maior de 
informações com as quais somos bombardeados e fornece um antídoto 
criativo para a paralisia da análise que pode resultar do ônus de 
processar um volume tão grande de informações.
Referências
SHARDA, Ramesh; DELEN, Dursun; TURBAN, Efraim. Business Intelligence e 
Análise	de	Dados	para	Gestão	do	Negócio. Rio de Janeiro: Bookman, 2019.
SHIBATA, I. H. et al. Tomada	de	decisão	nas	organizações: Uma visão 
multidisciplinar. São Paulo: Saraiva Educação, 2017.
TURBAN, E. et al. Business	intelligence:	um enfoque gerencial para a inteligência 
do negócio. Porto Alegre: Bookman, 2009.
33
Mineração de dados e Inteligência 
Artificial
Autoria: Antonio Carlos Mercer
Leitura crítica: Thiago Oliveira da Silva
Objetivos
• Compreender as abordagens de mineração de 
dados, usos e seus problemas relacionados a 
inteligência de negócios.
• Conhecer as aplicações de mineração de dados 
serão discutidas.
• Compreender o conceito e utilização da Inteligência 
Artificial.
34
1. Mineração de dados
A mineração de dados refere-se à extração e detalhamento de 
informações ocultas em grandes Data Warehouses. As técnicas de 
mineração de dados podem fornecer benefícios da automação em 
plataformas de software e hardware existentes. As ferramentas de 
mineração de dados podem responder a questões de negócios que 
tradicionalmente consumiam muito tempo para serem resolvidas.
A mineração de dados é a arte e a ciência de descobrir conhecimento, 
insights e padrões em dados. É o ato de extrair padrões úteis de uma 
coleção organizada de dados (PROVOST; FAWCETT, 2018). Os padrões 
devem ser válidos, novos, potencialmente úteis e compreensíveis. A 
suposição implícita é que os dados sobre o passado podem revelar 
padrões de atividade que podem ser projetados no futuro.
Além disso, a mineração de dados é um campo multidisciplinar que 
utiliza técnicas de vários campos do conhecimento (TURBAN et al., 2009). 
Por exemplo, utiliza o conhecimento de qualidade e organização de 
dados da área de bancos de dados. Desenha técnicas de modelagem e 
análise das áreas de estatística e Ciência da Computação (Inteligência 
Artificial). Também extrai o conhecimento da tomada de decisão do 
campo da gestão empresarial.
1.1 Coleta e seleção de dados
Para aprender com os dados, é preciso coletar efetivamente dados 
de qualidade, limpá-los e organizá-los e processá-los com eficiência. 
Além disso, requer as habilidades e tecnologias para consolidação 
e integração de elementos de dados de várias fontes. A maioria das 
organizações desenvolve um modelo de dados corporativos (EDM), que 
é um modelo unificado de alto nível de todos os dados armazenados 
nos bancos de dados de uma organização (TURBAN et al., 2009). O 
35
EDM incluirá os dados gerados de todos os sistemas internos. O EDM 
fornece o menu básico de dados para criar um Data Warehouse para 
um determinado propósito de tomada de decisão. Por sua vez, os Data 
Warehouses ajudam a organizar todos esses dados de maneira útil para 
que possam ser selecionados e implantados para mineração (TURBAN 
et al., 2009). O modelo de dados corporativos também pode ajudar a 
imaginar quais dados externos relevantes devem ser coletados para 
desenvolver bons relacionamentos preditivos com os dados internos.
A coleta e seleção de dados leva tempo e esforço, principalmente 
quando não são estruturados ou semiestruturados. Os dados não 
estruturados podem vir de várias formas, como bancos de dados, blogs, 
imagens, vídeos e até mesmo bate-papos. Existem fluxos de dados de 
mídia social não estruturados de blogs, bate-papos e tweets. Há também 
fluxos de dados gerados por máquinas de máquinas conectadas, 
etiquetas RFID, Internet das Coisas e assim por diante. Os dados devem 
ser colocados em formas de dados retangulares com colunas e linhas 
claras antes de enviá-los para mineração de dados. A Figura 1 ilustra as 
diferenças entre as estruturas de dados.
Figura 1 – Estruturas de dados
Fonte: Monteiro (2022, [s.p.]).
36
O conhecimento do domínio de negócios ajuda a selecionar os fluxos de 
dados certos para buscar novos insights. Os dados que se adequam à 
natureza do problema que está sendo resolvido devem ser coletados. Os 
elementos de dados devem ser relevantes e abordar adequadamente 
o problema que está sendo resolvido (PROVOST; FAWCETT, 2018). Eles 
podem impactar diretamente o problema ou podem ser um substituto 
adequado para o efeito que está sendo medido. Dados selecionados 
também serão coletados do Data Warehouse. Indústrias e funções terão 
seus próprios requisitos e restrições. Por exemplo, o setor de saúde 
fornecerá um tipo diferente de dados com nomes de dados diferentes. 
Por sua vez, o departamento de RH fornecerá diferentes tipos de dados. 
Finalmente, haverá diferentes questões de qualidade e privacidade para 
esses dados.
1.2 Limpeza e preparação de dados
A qualidade dos dados é fundamental para o sucesso e o valor do 
projeto de mineração de dados. A qualidade dos dados recebidos varia 
de acordo com a fonte e a natureza dos dados. Os dados das operações 
internas provavelmente serão de maior qualidade, pois serão precisos 
e consistentes. Os dados das mídias sociais e outras fontes públicas 
estão menos sob o controle dos negócios e têm menos probabilidade de 
serem confiáveis.
Os dados quase certamente precisam ser limpos e transformados antes 
que possam ser usados para mineração de dados. Há diversas maneiras 
de limpar e preparar os dados — preenchendo valores ausentes, 
limitando os efeitos de valores discrepantes, alterando campos, 
organizando variáveis contínuas e muito mais — antes de estarem 
prontos para análise. A limpeza e preparação de dados é uma atividade 
trabalhosa que pode levar a maior parte do tempo de um projeto de 
mineração de dados (PROVOST; FAWCETT, 2018). Vejamos quais são as 
principais etapas da limpeza e preparação de dados.
37
1. Os dados duplicados precisam ser removidos. Fontes distintas 
podem fornecer osmesmos dados. Ao mesclar os conjuntos de 
dados, os dados devem ser únicos, sem entradas iguais.
2. Os valores ausentes precisam ser preenchidos ou essas linhas 
devem ser removidas da análise. Os valores ausentes podem 
ser preenchidos com valores médios ou modais ou padrão. 
A interpolação de dados é uma prática comum para se tratar 
valores ausentes.
3. Os elementos de dados podem precisar ser transformados 
de uma unidade para outra. Por exemplo, os custos totais de 
assistência médica e o número total de pacientes podem precisar 
ser reduzidos a custo/paciente para permitir a comparabilidade 
desse valor.
4. Os valores contínuos podem precisar ser agrupados em 
diferentes categorias para ajudar em algumas análises. Por 
exemplo, a experiência de trabalho pode ser classificada como 
baixa, média e alta.
5. Os elementos de dados podem precisar ser ajustados para torná-los 
comparáveis ao longo do tempo. Por exemplo, os valores da moeda 
podem precisar ser ajustados para a inflação; eles precisariam ser 
convertidos para o mesmo ano-base para comparabilidade. Eles 
podem precisar ser convertidos para uma moeda comum.
6. Elementos de dados discrepantes precisam ser removidos após 
uma revisão cuidadosa, para evitar distorções nos resultados. Por 
exemplo, um grande doador pode distorcer a análise de doadores 
de ex-alunos em um ambiente educacional.
7. Quaisquer vieses na seleção de dados devem ser corrigidos para 
garantir que os dados sejam representativos dos fenômenos em 
análise. Se os dados incluírem muito mais membros de um gênero 
do que o típico da população de interesse, os ajustes precisam ser 
aplicados aos dados.
38
8. Os dados devem ter a mesma granularidade para garantir a 
comparabilidade. Os dados de vendas podem estar disponíveis 
diariamente, mas os dados de remuneração do vendedor podem 
estar disponíveis apenas mensalmente. Para relacionar essas 
variáveis, os dados devem ser trazidos para o menor denominador 
comum, neste caso, mensalmente.
9. Os dados podem precisar ser selecionados para aumentar a 
densidade da informação. Alguns dados podem não apresentar 
muita variabilidade, porque não foram registrados adequadamente 
ou por qualquer outro motivo. Esses dados podem atenuar os 
efeitos de outras diferenças nos dados e devem ser removidos para 
melhorar a densidade de informações dos dados.
A limpeza de dados é o processo de corrigir ou remover dados incorretos, 
corrompidos, formatados incorretamente, duplicados ou incompletos 
em um conjunto de dados. Ao combinar várias fontes de dados, há 
muitas oportunidades para que os dados sejam duplicados ou rotulados 
incorretamente. Se os dados estiverem incorretos, os resultados e os 
algoritmos não serão confiáveis, mesmo que pareçam corretos.
1.3 Saídas da mineração de dados
As técnicas de mineração de dados podem servir a diferentes 
propósitos. Os resultados da mineração de dados refletem o 
propósito pretendido. Existem muitas representações das saídas da 
mineração de dados.
Um formato de saída de mineração de dados popular é uma árvore 
de decisão. É uma estrutura hierarquicamente ramificada que ajuda 
a seguir visualmente as etapas para tomar uma decisão baseada em 
modelo (PROVOST; FAWCETT, 2018). A árvore pode ter certos atributos, 
como probabilidades atribuídas a cada ramo. Um formato relacionado é 
um conjunto de regras de negócios, que são declarações que mostram 
causalidade (TURBAN et al., 2009). Uma árvore de decisão pode ser 
39
mapeada para regras de negócios. Se a função objetivo for previsão, então 
uma árvore de decisão ou regras de negócios são o modo mais apropriado 
de representar a saída. A Figura 2 ilustra uma árvore de decisão.
Figura 2 – Árvore de decisão
Fonte: Shutterstock.com.
A saída pode estar na forma de uma equação de regressão ou função 
matemática que representa a curva de melhor ajuste para representar 
os dados (TURBAN et al., 2009). Esta equação pode incluir termos 
lineares e não lineares. As equações de regressão são uma boa maneira 
de representar o resultado dos exercícios de classificação. Essas também 
são uma boa representação das fórmulas de previsão.
Outro método de mineração de dados é o método população centroide, 
que é uma medida estatística para descrever tendências centrais de 
uma coleção de pontos de dados (TURBAN et al., 2009). Estes podem ser 
definidos em um espaço multidimensional. Por exemplo, um centroide 
poderia ser profissionais de meia-idade, com alto nível de escolaridade, 
alto patrimônio líquido, casados e com dois filhos, vivendo nas áreas 
costeiras. Ou uma coleção de veículos com mais de 20 anos, com baixa 
quilometragem por galão, que reprovaram na fiscalização ambiental. 
40
Estas são representações típicas do resultado de um exercício de análise 
de cluster.
As regras de negócios são uma representação apropriada do resultado 
de um exercício de análise de cesta de mercado. Essas regras são 
declarações com alguns parâmetros de probabilidade associados a 
cada regra. Por exemplo, aqueles que compram leite e pão também 
comprarão manteiga (com 80% de probabilidade).
1.4 Avaliando resultados da mineração de dados
Há dois principais tipos de processos de mineração de dados: o 
aprendizado supervisionado e o aprendizado não supervisionado. 
Primeiramente, no aprendizado supervisionado, um modelo de decisão 
pode ser gerado usando dados passados e o modelo pode ser usado 
com a finalidade de prever a resposta correta para instâncias de 
dados futuras. A classificação é a principal categoria de atividade de 
aprendizagem supervisionada. Existem muitas técnicas de classificação, 
sendo a árvore de decisão a mais popular. Cada uma dessas técnicas 
pode ser implementada com muitos algoritmos. Uma métrica comum 
para todas as técnicas de classificação é a precisão preditiva (TURBAN et 
al., 2009). Observe:
Precisão Preditiva = (Previsões Corretas) / Previsões Totais.
Suponha que um projeto de mineração de dados tenha sido iniciado 
para desenvolver um modelo preditivo para pacientes com câncer 
usando uma árvore de decisão. Usando um conjunto relevante de 
variáveis e instâncias de dados, um modelo de árvore de decisão foi 
criado. O modelo é, então, usado para prever outras instâncias de 
dados. Quando um ponto de dados verdadeiro positivo é positivo, essa 
é uma previsão correta, chamada de verdadeiro positivo (VP). Da mesma 
forma, quando um ponto de dados verdadeiro negativo é classificado 
como negativo, isso é um verdadeiro negativo (VN). Por outro lado, 
41
quando um ponto de dados verdadeiro positivo é classificado pelo 
modelo como negativo, essa é uma previsão incorreta, chamada de falso 
negativo (FN). Da mesma forma, quando um ponto de dados verdadeiro 
negativo é classificado como positivo, isso é classificado como falso 
positivo (FP). Isso é chamado de matriz de confusão. Ver Quadro 1.
Quadro 1 – Matriz de Confusão
Matriz de Confusão
Classe Positiva
Valor Verdade
Classe Negativa
Valor Previsto Classe Positiva Verdadeiro 
Positivo (VP)
Falso Positivo (FP)
Classe Negativa Falso Negativo (FN) Verdadeiro 
Negativo (VN)
Fonte: elaborado pelo autor.
Assim, a precisão preditiva pode ser especificada pela seguinte fórmula: 
Precisão Preditiva = (VP + VN) / (VP + VN + FP + FN). Todas as técnicas 
de classificação têm uma precisão preditiva associada a um modelo 
preditivo. O valor mais alto pode ser 100%. Na prática, modelos 
preditivos com mais de 70% de precisão podem ser considerados 
utilizáveis em domínios de negócios, dependendo da natureza do 
negócio (TURBAN et al., 2009). Não há boas medidas objetivas para 
julgar a precisão de técnicas de aprendizado não supervisionado, 
como a análise de cluster. Não existe uma única resposta certa para os 
resultados dessas técnicas. O valor do modelo de segmentação depende 
do valor que o tomador de decisão vê nesses resultados.
2. Inteligência Artificial
A Inteligência Artificial refere-se à simulação da inteligência humana 
em máquinas programadas para pensarcomo humanos e imitar suas 
ações (TURBAN et al., 2009). A expressão também pode ser usada para 
42
qualquer máquina que possua características associadas à mente 
humana, como aprender e resolver problemas.
A característica ideal da Inteligência Artificial é sua capacidade 
de racionalizar e realizar ações que tenham a melhor chance de 
atingir um objetivo específico. Um subconjunto da Inteligência 
Artificial é o aprendizado de máquina, que se refere ao conceito de 
que os programas de computador podem aprender e se adaptar 
automaticamente a novos dados sem a ajuda de humanos (GUEDES 
et al., 2020). As técnicas de aprendizado profundo permitem esse 
aprendizado automático por meio da absorção de grandes quantidades 
de dados não estruturados, como texto, imagens ou vídeo.
Quando ouvimos o termo Inteligência Artificial, geralmente pensamos 
primeiramente em robôs. Isso porque filmes e romances de grande 
orçamento entrelaçam histórias sobre máquinas semelhantes a 
humanoides causando estragos na Terra. Mas, nada poderia estar mais 
longe da verdade.
A Inteligência Artificial baseia-se no princípio de que a inteligência humana 
pode ser definida de forma que uma máquina possa facilmente imitá-la e 
executar tarefas, das mais simples às ainda mais complexas. Os objetivos 
da Inteligência Artificial incluem imitar a atividade cognitiva humana. 
Pesquisadores e desenvolvedores na área estão fazendo progressos 
surpreendentemente rápidos na imitação de atividades como aprendizado, 
raciocínio e percepção, na medida em que podem ser definidas 
concretamente (GUEDES et al., 2020). Alguns acreditam que os inovadores 
poderão, em breve, desenvolver sistemas que excedam a capacidade dos 
humanos de aprender ou raciocinar sobre qualquer assunto. Mas, outros 
permanecem céticos porque toda atividade cognitiva está repleta de 
julgamentos de valor que estão sujeitos à experiência humana.
À medida que a tecnologia avança, os benchmarks anteriores que 
definiam a Inteligência Artificial ficam desatualizados. Por exemplo, 
43
máquinas que calculam funções básicas ou reconhecem texto por meio 
de reconhecimento óptico de caracteres não são mais consideradas 
como incorporando Inteligência Artificial, uma vez que essa função agora 
é tida como uma função inerente ao computador.
A Inteligência Artificial está evoluindo continuamente para beneficiar 
muitos setores diferentes. As máquinas são conectadas usando 
uma abordagem interdisciplinar baseada em matemática, ciência da 
computação, linguística, psicologia e muito mais.
2.1 Tipos de Inteligência Artificial
A pesquisa em Inteligência Artificial é um dos campos mais interessantes 
da tecnologia. Há muitas descobertas e desenvolvimentos em 
andamento, a maioria dividida em quatro categorias: máquinas reativas; 
memória limitada; teoria da mente; e IA autoconsciente. Esses tipos 
revelam mais um enredo do que uma taxonomia, que pode nos dizer 
até onde a IA chegou, para onde está indo e o que o futuro reserva. 
De máquinas reativas a super Inteligência Artificial, eis o que podemos 
esperar da Inteligência Artificial.
A Inteligência Artificial reativa usa algoritmos para otimizar as saídas 
com base em um conjunto de entradas (GUEDES et al., 2020). As 
inteligências artificiais que jogam xadrez, por exemplo, são sistemas 
reativos que otimizam a melhor estratégia para vencer o jogo. A 
Inteligência Artificial reativa tende a ser bastante estática, incapaz de 
aprender ou se adaptar a novas situações. Assim, produzirá a mesma 
saída com entradas idênticas.
A Inteligência Artificial de memória limitada pode se adaptar a 
experiências passadas ou se atualizar com base em novas observações 
ou dados (GUEDES et al., 2020). Muitas vezes, a quantidade de 
atualização é limitada (daí o nome) e o comprimento da memória é 
relativamente curto. Veículos autônomos, por exemplo, podem “ler 
44
a estrada” e se adaptar a novas situações, até mesmo aprender com 
experiências passadas.
A Inteligência Artificial de teoria da mente é totalmente adaptável e tem 
uma ampla capacidade de aprender e reter experiências passadas. Esses 
tipos de Inteligência Artificial incluem chatbots avançados que podem 
passar no Teste de Turing, enganando uma pessoa a acreditar que a 
Inteligência Artificial é um ser humano (GUEDES et al., 2020). Embora 
avançadas e impressionantes, essas inteligências artificiais não são 
autoconscientes.
A Inteligência Artificial autoconsciente, como o nome sugere, torna-se 
consciente e consciente de sua própria existência (GUEDES et al., 2020). 
Ainda no reino da ficção científica, alguns especialistas acreditam que 
uma Inteligência Artificial nunca se tornará consciente ou viva.
2.2 Aplicações de Inteligência Artificial
As aplicações para Inteligência Artificial são infinitas. A tecnologia pode ser 
aplicada a diversos setores e indústrias. Por exemplo, a Inteligência Artificial 
está sendo testada e usada no setor de saúde para dosar medicamentos e 
distribuir diferentes tratamentos adaptados a pacientes específicos e para 
auxiliar em procedimentos cirúrgicos na sala de cirurgia.
Outros exemplos de máquinas com Inteligência Artificial incluem 
computadores que jogam xadrez e carros autônomos. Cada uma 
dessas máquinas deve pesar as consequências de qualquer ação que 
tomar, pois cada ação afetará o resultado final. No xadrez, o resultado 
é vencer o jogo. Para carros autônomos, o sistema de computador deve 
contabilizar todos os dados externos e computá-los para agir de forma a 
evitar uma colisão.
A Inteligência Artificial também tem aplicações no setor financeiro, onde 
é usada para detectar e sinalizar atividades bancárias e financeiras, 
45
como uso incomum de cartão de débito e grandes depósitos em contas 
– tudo isso ajuda o departamento de fraude de um banco. Os aplicativos 
para Inteligência Artificial também estão sendo usados para ajudar 
a simplificar e facilitar a negociação. Isso é feito tornando a oferta, a 
demanda e a precificação de títulos mais fáceis de estimar.
A Inteligência Artificial pode ser dividida em duas categorias diferentes: 
fraca e forte. A Inteligência Artificial fraca incorpora um sistema projetado 
para realizar um trabalho específico (GUEDES et al., 2020). Sistemas de 
Inteligência Artificial fracos incluem videogames como o exemplo do 
xadrez acima e assistentes pessoais como Alexa da Amazon e Siri da 
Apple. Você faz uma pergunta ao assistente e ele responde para você.
Já os sistemas fortes de Inteligência Artificial são sistemas que executam 
as tarefas consideradas semelhantes às humanas (GUEDES et al., 2020). 
Estes tendem a ser sistemas mais complexos e complicados. Eles são 
programados para lidar com situações em que podem ser solicitados a 
resolver problemas sem a intervenção de uma pessoa. Esses tipos de 
sistemas podem ser encontrados em aplicações como carros autônomos 
ou em salas de cirurgia de hospitais.
3. Conclusão
O campo de mineração de dados surgiu no contexto do reconhecimento 
de padrões na defesa, como identificar um amigo ou inimigo em um 
campo de batalha. Como muitas outras tecnologias inspiradas na defesa, 
ela evoluiu para ajudar a obter uma vantagem competitiva nos negócios. 
Por exemplo, “clientes que compram queijo e leite também compram 
pão 90% das vezes” seria um padrão útil para um supermercado, que 
pode estocar os produtos adequadamente. Da mesma forma, “pessoas 
com pressão arterial superior a 160 e idade superior a 65 correm 
alto risco de morrer de acidente vascular cerebral” é de grande valor 
46
diagnóstico para os médicos, que podem se concentrar no tratamento 
desses pacientes com urgência e grande sensibilidade. Dados passados 
podem ser de valor preditivo em muitas situações complexas, 
especialmente onde o padrão pode não ser tão facilmente visível sem a 
técnica de modelagem.
Há uma avalanche cada vez maior de dados vindo com maior 
velocidade, volume e variedade. É preciso usá-lo rapidamente ou perdê-
lo. A mineração de dados inteligenterequer a escolha de onde jogar. É 
preciso tomar decisões criteriosas sobre o que coletar e o que ignorar, 
com base no propósito dos exercícios de mineração de dados. É como 
decidir onde pescar; nem todos os fluxos de dados serão igualmente 
ricos em insights potenciais.
Por fim, a Inteligência Artificial é usada extensivamente em uma 
variedade de aplicativos hoje, com vários níveis de sofisticação. Os 
algoritmos de recomendação que sugerem o que você pode gostar em 
seguida são implementações populares de Inteligência Artificial, assim 
como os chatbots que aparecem em sites ou na forma de alto-falantes 
inteligentes (por exemplo, Alexa ou Siri). A Inteligência Artificial é usada 
para fazer previsões em termos de previsão meteorológica e financeira, 
agilizar os processos de produção e reduzir várias formas de trabalho 
cognitivo redundante (por exemplo, contabilidade fiscal ou edição). 
A Inteligência Artificial também é usada para jogar, operar veículos 
autônomos, processar linguagem e muito, muito mais.
Referências
GUEDES, J. C. et al. Inteligência Artificial Aplicada ao Processo de Tomada de 
Decisões. Belo Horizonte, São Paulo: Editora D’Plácido, 2020.
MONTEIRO, Leonardo P. Dados Estruturados e Não Estruturados. Universidade 
da Tecnologia. Disponível em: https://universidadedatecnologia.com.br/dados-
estruturados-e-nao-estruturados/. Acesso em: 2 nov. 2022.
https://universidadedatecnologia.com.br/dados-estruturados-e-nao-estruturados/
https://universidadedatecnologia.com.br/dados-estruturados-e-nao-estruturados/
47
PROVOST, Foster; FAWCETT, Tom. Data Science para Negócios: O que você precisa 
saber sobre mineração de dados e pensamento analítico de dados. Rio de Janeiro: 
Alta Books, 2018.
TURBAN, E. et al. Business intelligence: um enfoque gerencial para a inteligência 
do negócio. Porto Alegre: Bookman, 2009.
48
Business Performance Management
Autoria: Antonio Carlos Mercer
Leitura crítica: Thiago Oliveira da Silva
Objetivos
• Compreender o significado de business performance 
management.
• Conhecer as técnicas de business performance 
management.
• Compreender como a inteligência de negócios e 
business performance management se unem.
49
1. Business Performance Management
A gestão de processos de negócios (BPM) permite que uma empresa 
organize seus recursos e capacidades de forma que contribua de forma 
sistemática e contínua para os objetivos determinados de seus gestores. 
Além de ser um fator determinante de a capacidade de uma organização 
para se adaptar e responder às ameaças e oportunidades emergentes.
A implantação bem-sucedida do BPM exige que as partes interessadas se 
envolvam na definição de todos os processos. O principal ganho com isso é 
a redução de atividades que pouco agregariam ao trabalho. É uma iniciativa 
que requer um amplo envolvimento da alta administração e um forte 
alinhamento com os objetivos estratégicos da empresa. Essa necessidade 
de alinhar a execução dos processos da empresa com sua estratégia 
corporativa é consequência da necessidade dos gestores de entender os 
processos de negócios da empresa para gerenciá-los corretamente.
Dessa forma, é necessário que, em conjunto com a gestão de processos, 
a empresa possa contar com alguns elementos de auxílio à decisão 
que ampliem a compreensão dos tomadores de decisão sobre como 
os processos contribuem para o alcance de seus objetivos estratégicos: 
ou seja, os resultados almejados por seus gestores. Essa atividade de 
construção de conhecimento é conhecida como medição de negócios de 
uma visão construtivista.
1.1	 Definição	de	BPM
Muitas organizações que estão interessadas em buscar o sucesso no 
atual ambiente desafiador e competitivo precisam de uma gestão eficaz 
e eficiente do seu desempenho empresarial. A gestão de desempenho 
de negócios garante a direção de muitas organizações inteiras para 
alcançar metas e objetivos comuns por meio da combinação de ambas as 
estruturas de tecnologia e sua estratégia de negócios (RAUSCH et al., 2013).
50
Portanto, a gestão do desempenho empresarial é um tema importante 
no cenário atual de inteligência de negócios, pois mantém a metodologia 
utilizada para o alinhamento estratégico das mais diversas organizações. 
Mesmo sendo uma ferramenta muito útil para o alinhamento estratégico, 
muitas organizações ainda enfrentam dificuldades em seu desenho 
e implementação. Dito isto, há várias razões para as dificuldades na 
implementação com sucesso da gestão de desempenho empresarial. 
Dentre os principais pontos, podemos citar: a inadequação ou ausência 
de suporte por parte da alta administração; barreiras na gestão; falha na 
definição de objetivos e metas; questões relativas às metodologias a serem 
usadas e assim por diante. Todavia, para o sucesso do BPM existem vários 
fatores críticos de sucesso que podem ser levados em consideração na 
solução das dificuldades destacadas acima.
A gestão do desempenho empresarial tem a vantagem de facilitar a 
criação de objetivos estratégicos e, ao mesmo tempo, fornece as ações 
de suporte necessárias para garantir que os objetivos definidos estejam 
alinhados com a estratégia da organização. A maioria desses objetivos 
estratégicos é feita levando em consideração alguns indicadores-chave 
de desempenho e objetivos que têm um efeito positivo considerável 
para a organização. E esses indicadores serão, então, associados às 
métricas operacionais e, assim, a medição de desempenho poderá ser 
estabelecida para incentivo e tomada de decisões estratégicas.
Embora haja alguma confusão em relação à inteligência de negócios, 
BI e desempenho de negócios como muitas pesquisas o utilizam 
de maneira semelhante. Mas, no sentido real disso, o BI fornece à 
organização um caminho para fazer uso dos dados e da Tecnologia 
da Informação na melhoria da tomada de decisão estratégica que 
melhorará o desempenho de uma organização (GROVE; YAMAGAMI, 
2020). Nesse sentido, o BI tem um escopo muito estreito em 
comparação com a gestão do desempenho empresarial que abrange 
todo o empreendimento de uma organização.
51
1.2	 Estrutura	de	BPM
A estrutura de desempenho empresarial proposta por Rausch 
et al. (2013), consiste em quatro processos principais: estratégia; 
planejamento; monitoramento; e análise e realização de ações 
corretivas. Vejamos detalhadamente cada um dos quatro processos.
Estratégia. É quando a estratégia de negócios de uma organização é 
identificada para garantir que o verdadeiro impulsionador esteja no 
terreno para atingir a estratégia. É também nesta fase da organização que 
são geradas as métricas para a medição do desempenho ao longo de um 
período. Como é muito desafiador para muitas organizações realizar a 
métrica em alinhamento com os objetivos estratégicos da empresa, esse 
estágio na estrutura de desempenho do negócio ainda é a parte mais 
importante para alcançar o sucesso em todo o fluxo no quadro.
Planejamento.	Esta etapa do framework é apenas o ponto em que 
se define o desenvolvimento das atividades que vão ao encontro do 
objetivo estratégico. Eles incluem a criação de ações do programa e o 
cronograma em que a estratégia será alcançada de acordo. É também 
nesta fase que os gestores das diferentes áreas da unidade de negócio 
estabelecem metas e objetivos, desenvolvem planos de desenho de 
projetos e orçamentos de acordo com as iniciativas estratégicas da 
cooperação. Os planos de destino feitos aqui serão baseados nas 
métricas baseadas no primeiro estágio da estrutura.
Monitoramento	e	análise. Depois que a estratégia e o planejamento 
forem cuidadosamente executados de acordo, e a linha de base das 
métricas estabelecida, o monitoramento será iniciado para garantir 
que o desempenho seja medido em comparação com as métricas 
de referência definidas. Esse monitoramento garante que não haja 
desvios nas ações planejadas de acordo com a estratégia definida 
pelas organizações. Também auxilia na identificação de uma área de 
melhoria para evitar e mitigar qualquer tipode retrocesso no plano de 
iniciativas estratégicas. É nesta fase que a tecnologia de BI é de extrema 
importância, pois permite à análise de dados visualizar quais áreas 
precisam de melhorias por parte da organização.
52
Realização	de	ações	corretivas. Essa é a etapa em que as ações 
corretivas são tomadas com base na análise da fase de monitoramento 
dos planos estratégicos. É neste momento que todos os stakeholders 
são alertados para as áreas problemáticas futuras que permitirão 
revisitar o pensamento crítico garantindo o enquadramento de 
gestão do desempenho empresarial na direção certa para o sucesso 
da organização. As ações e atividades nesta fase dão ao usuário a 
oportunidade de ter orientações e aconselhamento para lidar com as 
situações problemáticas identificadas.
Os dois primeiros destacados acima na estrutura do BPM correspondem a 
criação e consolidação da estratégia organizacional, ao passo que os dois 
últimos do processo procuram explicar como a estratégia será remodelada 
e executada de acordo. A Figura 1 mostra o ciclo de processo da estrutura 
de gerenciamento de desempenho de negócios para retratar a estratégia 
de negócios de uma organização de alto desempenho. O valor de uma 
organização também pode ser aprimorado por meio dessa estrutura de 
abordagem de loop de processo.
Figura	1	–	Estrutura	do	BPM
Fonte: elaborada pelo autor.
Um bom sistema de gestão de negócios ajuda os funcionários a 
entender os objetivos da empresa e o que se espera que eles façam 
53
para atingir esses objetivos. Isso significa que eles entendem como suas 
contribuições afetam o crescimento geral do negócio. Ao realinhar e 
realimentar a estrutura do BPM os processos vão passar por melhorias 
como um todo.
1.3	 Fatores	críticos	de	sucesso	para	BPM
Sendo a gestão do desempenho empresarial a forma mais conhecida 
de realizar e alcançar o alinhamento da estratégia e a abordagem 
eficaz para uma excelente execução estratégica, a sua implementação 
torna-se muito desafiante para muitas organizações. Além disso, 
muitas organizações colocam mais ênfase no aspecto financeiro da 
gestão do desempenho do negócio, esquecendo que há mais áreas a 
serem tocadas nessas áreas para obter uma ótima visão na execução e 
implantação de objetivos estratégicos (KELLER; SCHANINGER, 2019).
Além das opiniões de especialistas do setor que explica os fatores 
críticos para o sucesso da implantação do BPM, a literatura acadêmica 
também pode impactar e influenciar a obtenção do sucesso da 
gestão de desempenho empresarial. Os principias fatores críticos de 
sucesso para o sucesso da implementação da gestão de desempenho 
empresarial será explicado a seguir (GROVE; YAMAGAMI, 2020).
Forte	apoio	da	equipe	de	gestão.
É necessário um apoio muito forte da equipe de gestão de topo 
na obtenção de um sucesso no desempenho do negócio para 
muitas organizações (GROVE; YAMAGAMI, 2020). O envolvimento 
precoce do nível superior de gerenciamento terá grande impacto 
no aprimoramento do desempenho da organização por meio 
da implantação da solução de gerenciamento de desempenho 
de negócios. O nível de suporte e comprometimento que eles 
demonstram ao colocar esta solução em prática fará com que todo o 
ciclo de vida do projeto desse tipo valha a pena.
54
Capacidade	e	habilidades	da	equipe	–	Processo	e	habilidades	
técnicas.
Para alcançar um padrão de sucesso de alto nível na implantação 
do gerenciamento aprimorado de desempenho de negócios, alguns 
conjuntos de habilidades são necessários, se não obrigatórios, como 
talvez o caso. Essas habilidades necessárias consistem nas habilidades 
de processo e habilidades técnicas. Qualquer equipe com essas duas 
habilidades mencionadas estará altamente engajada no sucesso da 
implementação da BPM em qualquer empresa. De maneira geral, a 
organização possui indivíduos com conhecimento técnico, mas, às vezes 
inadequada ou até mesmo falta processos de negócios e habilidades 
analíticas, que corresponde a principal força para melhorar a gestão de 
desempenho de negócios em empresas de alto desempenho.
A equipe do projeto de BPM requer um indivíduo com o grupo de 
habilidades para projetar e analisar processos de negócios para que a 
organização compreenda completamente as áreas-chave dos processos 
de negócios em uma organização, e para que sejam traduzidas em 
métricas significativas para se alinhar com os objetivos da empresa e 
metas com suas respectivas iniciativas estratégicas. Esse indivíduo em 
discussão deve ter as habilidades de inter-relacionamento e uma sólida 
capacidade de pensamento crítico para abordar e questionar diferentes 
áreas de operação de negócios e garantir que essas atividades de 
negócios sejam traduzidas em metas compreensíveis que serão usadas 
para melhorar o gerenciamento de desempenho de negócios de uma 
empresa (RAUSCH et al., 2013). Esse tipo de indivíduo também deve 
possuir habilidades no design de mapas de visualização de processos 
e estratégias de negócios que serão utilizados como base para o 
aferimento de desempenho que melhorará o sucesso do gerenciamento 
de desempenho de negócios.
Além disso, algumas organizações utilizam indivíduos dedicados ou 
um conjunto de equipes de KPI, ou indicadores-chave de desempenho, 
55
para alcançar as habilidades do processo de negócios, enquanto outras 
organizações fazem uso de um analista de negócios que já conhece bem 
os processos de negócios da empresa (TURBAN et al., 2009).
Além disso, a habilidade técnica, que é um grande requisito, também é 
necessária, pois isso melhorará a tradução das métricas recuperadas 
da análise do processo de negócios em um aplicativo de trabalho que 
será usado para promover o sucesso da gestão do desempenho do 
negócio. A colaboração dessas duas equipes terá um enorme impacto 
positivo para implantar com sucesso a solução de BPM para o sucesso 
de qualquer organização. Ademais, a colaboração tende a produzir um 
resultado positivo na descoberta e análise de dados e, caso falte, poderá 
resultar em atrasos na implantação da solução desejada.
Também, tanto o processo de negócios quanto as habilidades 
técnicas melhoram a comunicação de uma organização por meio 
da combinação de negócios e tecnologia de TI. A área de negócios 
e a TI estão integrados pelo poder da comunicação eficiente que 
acarreta a combinação das habilidades técnicas e os processos de 
negócios (TURBAN et al., 2009). Isso também resulta na construção de 
alto desempenho em uma organização, a fim de levar a um melhor 
alinhamento estratégico com metas e objetivos definidos.
Envolvimento	e	comunicação	do	usuário	no	aprimoramento	do	
gerenciamento	de	desempenho	de	negócios.
A participação do usuário é altamente essencial durante a implantação 
do gerenciamento de desempenho de negócios, pois este é o principal 
fator no uso do design dos processos de negócios para melhorar o 
desempenho da organização. O usuário que faz parte da solução 
de implantação dá a ele a oportunidade de entender e fazer parte 
integralmente do design do processo, pois sua contribuição será 
útil tanto para a necessidade atual quanto para a futura, caso sejam 
56
necessárias ações de melhoria para um melhor desempenho da 
organização.
Esse conhecimento também criará uma comunicação eficaz dentro 
da organização que também levará a um melhor desempenho da 
organização para enfrentar os desafios do mercado competitivo 
atual. Esta comunicação eficaz que resultou da integração da TI e dos 
processos de negócios acabará por levar a um entendimento comum 
compartilhado e uma direção clara para o alinhamento da iniciativa 
estratégica de negócios da organização (RAUSCH et al., 2013).
Fazendo uso do fator crítico de sucesso acima descrito da gestão do 
desempenho do negócio, o desempenho da organização será melhorado 
em alinhamento com suas metas e objetivos estratégicos.
1.4	 BPM	e	inteligência	de	negócios
O gerenciamento de desempenho de negócios pode ser considerado 
o componente final da inteligência de