Aula 2 - Sistema Integrado de Gestão - Resumo

Prévia do material em texto

AULA 2 
SISTEMA INTEGRADO 
DE GESTÃO 
Prof. Carlos Costa Cedro 
2 
TEMA 1 – ASPECTOS TÉCNICOS: WORKFLOW E RPA 
Imagine que você foi contratado para ser o analista contábil em uma grande 
multinacional. Uma de suas responsabilidades é registrar em uma planilha todos 
os pedidos de compra e os pagamentos feitos pelos clientes, anexar a planilha 
em um e-mail e enviar para o gestor financeiro diariamente. 
Após um tempo, você se sente frustrado ao executar essa tarefa repetitiva 
que consome boa parte do seu dia de trabalho. 
O Robot Process Automation (RPA) é uma ferramenta que permite que 
você automatize as tarefas rotineiras do dia a dia, transferindo a execução de 
tarefas repetitivas e rotineiras para robôs baseados em software, que são capazes 
de repetir a interação humana em um processo da organização. 
O RPA utiliza técnicas de automação para robotizar processos de escritório, 
executando automaticamente tarefas manuais repetitivas, como lançamento de 
folha de pagamento, registro de fornecedores e conciliações bancárias, por 
exemplo. 
 Esse tipo de automação torna o processo muito mais produtivo, já que o 
robô baseado em software é capaz de executar uma atividade até cinco vezes 
mais rápido do que um ser humano. Além disso, o RPA funciona 24 horas por dia, 
todos os dias da semana, já que o robô não fica doente, não tira férias e não tem 
a jornada de trabalho limitada ao horário comercial. 
Diferentemente do que mostram os filmes de ficção científica, os robôs do 
RPA não têm uma forma humanoide, eles são programas de software abstratos, 
configurados para substituir o ser humano na execução de atividades repetitivas. 
Outro benefício do RPA é a redução de erros no processo, já que, 
diferentemente dos seres humanos, o robô não comete erros operacionais como 
erros de digitação e preenchimento de campos incorretos. 
O RPA é um grande aliado para as organizações modernas, que buscam a 
eficiência operacional como vantagem competitiva, procurando sempre fazer mais 
com menos recursos, já que eles liberam os seres humanos para atividades mais 
estratégicas que envolvem algum tipo de atividade intelectual que o RPA não 
consegue executar. 
Ou seja, o RPA não consegue substituir o ser humano nas organizações, 
porque ele não é capaz de realizar atividades intelectuais que envolvem 
interpretação dos dados, tomada de decisão ou pensamento crítico. 
 
 
3 
A pesquisa do Gartner (Gartner, 2021) descobriu que a quantidade média 
de retrabalho evitável nos departamentos de contabilidade pode levar até 30% do 
tempo total de um funcionário em tempo integral. Isso equivale a uma economia 
de 25.000 horas por ano a um custo de USD 878.000 para uma organização com 
40 funcionários de contabilidade em tempo integral. Os principais benefícios do 
RPA são: 
• Redução de custos operacionais, já que os robôs de software 
substituem os seres humanos na execução de tarefas diárias manuais e 
repetitivas. 
• Satisfação do cliente, os robôs de software não cometem os mesmos 
erros que os humanos na execução dos processos automatizados por RPA, 
e menos erros operacionais refletem em maior satisfação do cliente. 
• Redução de treinamentos, pois os processos automatizados por 
RPA dispensam o treinamento dos usuários, visto que estes são 
executados automaticamente pelos robôs de software. 
• Melhor aproveitamento dos recursos de TI, visto que os robôs de 
software podem ser configurados para executar as atividades como 
processamento em lotes, em janelas fora do horário comercial, o que evita 
a concorrência de processamento computacional com os usuários, 
minimiza a ociosidade do SIG e reduz a necessidade de novos 
investimentos em hardware. 
• Facilidade na migração, pois a automação dos processos pode 
ajudar a migração entre sistemas de informações gerenciais; por exemplo, 
caso sua organização escolha por trocar o software de contabilidade, basta 
reconfigurar o robô do RPA para buscar os dados no novo software, assim 
o processo de migração ocorre de maneira transparente para o usuário. 
A implantação do RPA envolve 4 fases básicas: Planejamento, 
Desenvolvimento, Testes e Manutenção. 
1.1 Planejamento 
A fase de planejamento envolve identificar potenciais processos que 
possam ser automatizados. 
Para que o processo possa ser automatizado, ele deve ser um processo 
repetível e padronizado. Por exemplo: na situação mencionada no começo deste 
 
 
4 
capítulo, em que os pedidos de compra dos clientes e os registos de pagamento 
sempre eram armazenados em um mesmo local. Além disso, o e-mail do relatório 
com a planilha em anexo é enviado sempre para o mesmo endereço de e-mail. 
1.2 Desenvolvimento 
A fase de desenvolvimento engloba o desenvolvimento do robô de 
software, que irá executar os passos do processo mapeados durante a fase de 
planejamento. 
Existem várias ferramentas de RPA no mercado e todas elas possuem um 
ponto em comum, elas exigem pouca ou nenhuma linha de código para o 
desenvolvimento dos robôs de software. 
Qualquer pessoa, sem nenhuma experiência prévia com desenvolvimento 
de software, é capaz de programar um robô no RPA usando interfaces gráficas 
intuitivas, que permitem desenhar o fluxo do processo “arrastando” e “soltando” 
objetos na tela, ou drag and drop em inglês. 
1.3 Testes 
Depois de desenvolvido, o robô de software precisa ser testado para 
garantir que todos os erros de software, mais conhecidos como bug, em inglês, 
foram eliminados. 
Essa atividade consiste em uma execução supervisionada do robô de 
software, em que os dados são controlados e o resultado da operação é 
monitorado para garantir a assertividade do processo. Essa é a última fase 
necessária para que o usuário possa usar o RPA no seu processo. 
1.4 Manutenção 
A fase de manutenção é uma atividade recorrente que envolve o 
monitoramento contínuo do sistema de informações gerenciais, para que as 
alterações realizadas na base de dados ou nos próprios processos sejam também 
refletidas na programação do robô de software. 
1.5 Estudo de caso 
Agora que você já conhece os conceitos básicos do Robot Process 
Automation, ou RPA, você consegue identificar qual dos processos abaixo não 
 
 
5 
poderia ser automatizado por um robô de software? As respostas de todos os 
exercícios estão na aula gravada. 
• Registro de novos leads que fizeram contato pelo site institucional. 
• Lançamento de notas fiscais de despesas por centro de custo. 
• Envio do relatório do nível de satisfação dos clientes por e-mail. 
• Conciliação contábil mensal de todas as informações lançadas no 
SIG. 
• Tomada de decisão sobre a troca de um determinado fornecedor de 
matéria-prima para uma fábrica. 
TEMA 2 – ASPECTOS TÉCNICOS: BUSINESS INTELLIGENCE 
Os sistemas de apoio à decisão são também conhecidos como sistemas 
de business intelligence ou BI, em inglês. 
Business intelligence não é apenas o software ou alguma ferramenta como 
o Microsoft Excel, por exemplo, é um conjunto de técnicas e conceitos que tem 
como objetivo apresentar informações analíticas para suportar a tomada de 
decisão nos níveis tático e estratégico da organização. 
O BI utiliza diversas técnicas para simular uma situação futura com base 
no desempenho histórico da organização, ou seja, com base nas informações do 
passado, o BI aplica técnicas avançadas que identificam tendências de resultados 
no futuro. 
Com uma combinação de ferramentas, tecnologias e métodos, o BI realiza 
uma série de processos analíticos, baseados principalmente em: 
• Mineração de dados, que é um processo de descoberta da 
informação, por meio da utilização de banco de dados, estatísticas e 
aprendizado de máquina ou machine learning, em inglês, que permite 
descobrir uma informação até então desconhecida para a organização. Um 
exemplo é o caso da comparação entre vendas de fraldas e cervejas em 
um grandevarejista norte-americano. 
• Análise preditiva, que permite identificar uma tendência futura, com 
base em dados históricos. Imagine uma organização que comercializa um 
produto com venda sazonal, como por exemplo o sorvete; com base nos 
dados históricos, é possível prever qual seria a produção ideal da fábrica 
para o ano que vem. 
 
 
6 
• Mineração de texto é uma técnica que permite extrair informação 
relevante de textos. Por exemplo, imagine que sua organização é uma 
grande indústria automotiva, e como gestor de marketing, você precisa 
identificar a opinião dos consumidores após o lançamento de um novo 
modelo de carro. Utilizando a mineração de texto, com base nas redes 
sociais como o Twitter, você pode usar o BI para buscar por palavras-chave 
como o nome do novo modelo de carro e analisar a opinião dos 
consumidores. 
• A análise estatística aplica técnicas estatísticas para prever a 
evolução de um determinado indicador de desempenho, por exemplo, o BI 
pode aplicar a análise de desvio padrão para traçar um intervalo de 
confiança para as receitas esperadas no próximo ano fiscal para a sua 
organização. 
Alguns exemplos de benefícios do BI para a organização são: 
• Identificar formas de aumentar os lucros; 
• Analisar o comportamento dos clientes; 
• Comparar dados com a concorrência; 
• Acompanhar o desempenho da organização; 
• Identificar tendências de mercado; 
• Descobrir erros ou problemas. 
Por exemplo, imagine que você é o novo gestor da área de marketing de 
uma grande organização. Sua primeira atividade é descobrir por que houve uma 
queda nas vendas que representa uma perda de R$2,5 milhões no último 
trimestre. 
Sem o uso do BI, você teria que solicitar diversas planilhas de vendas para 
cada regional, consolidar os dados, consultar pessoas de diversas áreas para 
entender o que foi alterado desde o penúltimo trimestre e que possa ser a causa 
para essa perda de faturamento, o que envolveria um trabalho manual árduo e um 
tempo considerável para concluir a sua análise. 
Já com o uso de BI, você conseguiria um suporte muito mais rápido para 
essas informações. Como o BI tem acesso a todas as informações históricas da 
empresa, você poderia abrir rapidamente o painel de vendas, de todas as 
regionais e configurar um filtro comparativo entre o último e o penúltimo trimestre, 
para encontrar quais as regiões que tiveram perda de faturamento. 
 
 
7 
Em seguida, você poderia analisar o aumento de reclamações dos clientes 
no painel de satisfação dos clientes, filtrando as informações para essas mesmas 
regiões. 
Usando a mineração de texto, você poderia descobrir que a principal 
palavra existente nas reclamações dos clientes para essa regional é “demora no 
atendimento”. 
Agora, pelo relatório de colaboradores das mesmas regiões, você descobre 
que o time de vendas teve um turnover (troca de funcionários) de 50%, ou seja, 
metade da força de vendas foi trocada no último trimestre. 
Essa informação pode levar à conclusão sobre o que pode ser a causa para 
a perda de faturamento no último trimestre naquelas regiões. 
TEMA 3 – ASPECTOS TÉCNICOS: MACHINE LEARNING 
Desde os primórdios a humanidade utiliza máquinas para apoiar a 
execução de tarefas. Com o advento da era digital, o uso do aprendizado de 
máquina ou machine learning, em inglês, tem crescido cada vez mais nas 
organizações. 
Aprendizado de máquina é a aplicação de algoritmos computacionais para 
reconhecimento de padrões em uma determinada base de dados, permitindo a 
previsão de uma situação desejada. Sua utilização traz mais assertividade à 
tomada de decisão nas organizações. 
Um dos casos mais famosos de aplicação de aprendizado de máquina foi 
o caso de um dos maiores sites de comércio eletrônico dos Estados Unidos, que 
identificou um padrão de navegação de uma usuária, que sempre pesquisava 
produtos para bebês no site. 
Então, o algoritmo de aprendizado de máquina enviou uma 
correspondência para a usuária com o catálogo de produtos para bebês, pois 
havia uma grande probabilidade de que ela fizesse a compra desses produtos em 
um curto espaço de tempo. 
Entretanto, quando a correspondência foi recebida, ela foi aberta pelos pais 
da usuária, que descobriram naquele momento que a sua filha estava grávida. 
Desconsiderando a questão do constrangimento da usuária e de seus pais, 
o algoritmo teve sucesso no seu aprendizado, pois é empírico que os pais são 
mais suscetíveis às compras de produtos para bebês. Desse modo, assim que a 
gestação é confirmada e é feita a compra em um momento tão marcante na vida 
 
 
8 
da pessoa, é criado um laço sentimental com a empresa que comercializou o 
produto. Ou seja, havia grande potencial de conversão de vendas e de fidelização 
do cliente nessa estratégia. 
O aprendizado de máquina utiliza cinco perguntas para fazer as suas 
previsões: Isso é A ou B? Isso é estranho? Quanto custa ou quantos? Como isso 
é organizado? O que devo fazer agora? (Microsoft, 2019). 
3.1 Algoritmos de classificação 
Iniciaremos pela pergunta: Isso é A ou B? Esses são os chamados 
algoritmos de classificação. Lembra de quando você era criança e aprendeu com 
os seus pais a classificar os animais? 
Você apontava para o passarinho e dizia: cachorro? Seus pais respondiam, 
não, esse não é o cachorro! Então você apontava para o cachorro e dizia: 
novamente cachorro? Aí seus pais confirmavam, sim, esse é um cachorro! 
Dessa forma, você aprendeu quais são as características que definem um 
cachorro e como classificar os cachorros em relação aos outros animais. No 
aprendizado de máquina, essa técnica é chamada de aprendizado 
supervisionado, por meio da qual você aprende com a supervisão de alguém. 
O aprendizado de máquina pode ser utilizado nas organizações para 
classificar os dados e responder perguntas sobre o desempenho da organização, 
como por exemplo, esse desempenho atual é aceitável ou não? 
3.2 Algoritmos de detecção de anomalias 
A próxima pergunta que o aprendizado de máquina pode responder é: isso 
é estranho? Os algoritmos que respondem essa pergunta são chamados de 
detecção de anomalias. 
O algoritmo de detecção de anomalias encontra informações que fogem do 
padrão histórico, por exemplo, você poderia utilizar esse algoritmo em um site de 
comércio eletrônico para traçar um perfil comportamental do usuário e alertar caso 
aconteça uma compra fora do padrão de consumo, criando um mecanismo de 
segurança para o seu cliente. 
 
 
9 
3.3 Algoritmos de regressão 
O aprendizado de máquina também pode prever a resposta para 
quanto custa? Ou quantos? Os algoritmos de regressão respondem a essa 
pergunta. 
Os algoritmos de regressão fazem previsões numéricas, como: qual 
será a cotação do dólar no próximo ano? Qual será o meu funil de vendas 
em meu quarto trimestre? Eles ajudam a responder qualquer pergunta cuja 
resposta seja um número. 
Um exemplo de uso dos algoritmos de regressão em um SAD é 
fazer a previsão de retenção de clientes para o trimestre. 
3.4 Algoritmos de agrupamento 
As duas últimas perguntas que o aprendizado de máquina responde são 
ainda mais complexas. Existem perguntas em que não existem exemplos para os 
quais você já conhece o resultado. 
Por exemplo, como o perfil comportamental dos meus clientes está 
organizado? Nesse caso, você ainda não conhece todas as categorias possíveis 
de agrupamento dos seus clientes, considerando o perfil comportamental. 
Para responder a essa pergunta, o agrupamento separa os dados em 
"grupos" naturais para facilitar a interpretação. Com o agrupamento, não há uma 
resposta correta. 
Exemplos comuns de perguntas das organizações respondidas com o 
agrupamento são: quais clientes compram o mesmo tipo de produto? Quais 
produtos apresentam uma mesma taxa de defeito? Ao compreender como os 
dados são organizados, você pode entender melhor e prevercomportamentos e 
eventos. 
3.5 Algoritmos de aprendizado reforçado 
Outra pergunta para a qual você ainda não tem exemplos que você já 
conhece o resultado é: o que devo fazer agora? Para responder a essa pergunta, 
utilizamos os algoritmos de aprendizado de reforço. 
Baseado na experiência da caixa de Skinner (Skinner, 1959), segundo a 
qual o cérebro humano, assim como o dos ratos, apresenta um padrão de 
 
 
10 
respostas ao sofrimento e às recompensas, foram criados os algoritmos de 
aprendizado reforçado. 
Esses algoritmos aprendem com os resultados e decidem sobre a próxima 
ação, ou seja, algo muito parecido com o modelo de tentativa e erro, como quando 
nós aprendemos a andar, por exemplo. 
Um exemplo de uso do aprendizado reforçado nas organizações poderia 
ser a tomada de pequenas decisões como a melhor forma de programar uma linha 
de produção ou o gerenciamento do estoque de matéria-prima de uma fábrica. 
Algoritmos de aprendizado de reforço coletam os dados conforme eles 
surgem, aprendendo por tentativa e erro. 
3.6 Exercício 
Você consegue pensar em cinco perguntas, uma para cada um dos cinco 
tipos que vimos nesse capítulo, que o aprendizado de máquina poderia ajudar a 
responder para uma organização? 
TEMA 4 – ASPECTOS TÉCNICOS: INTELIGÊNCIA ARTIFICIAL 
A Inteligência artificial é uma das áreas da ciência da computação que 
emprega o uso de máquinas para realizar tarefas como aprender a raciocinar, 
simulando o pensamento humano. 
Uma pesquisa da PWC, feita com executivos de negócios e de Tecnologia 
da Informação (TI), apontou que 54% deles fazem investimentos substanciais em 
IA. Além disso, 72% acreditam que essa solução gerará vantagens significativas 
no futuro (PWC, 2019). 
Uma das técnicas mais utilizadas para a simulação do pensamento humano 
na inteligência artificial é o uso das redes neurais artificiais (Medeiros, 2018). 
As redes neurais artificiais são algoritmos computacionais que simulam a 
estrutura do cérebro humano. Observe a representação de um neurônio biológico 
na Figura 1 a seguir. 
 
 
 
11 
Figura 1 – Neurônio biológico 
 
Créditos: icomic Bestiary/Shutterstock. 
Nessa estrutura, o pensamento humano é criado em decorrência de 
sinapses, que são reações eletroquímicas que geram impulsos entre os 
neurônios. Cada neurônio possui vários dendritos que representam as diversas 
possibilidades pelas quais o pensamento humano pode ser conduzido. 
Fazendo uma analogia com a rede artificial neural, o algoritmo avalia as 
hipóteses similarmente aos dendritos, ou seja, cada neurônio trata de uma 
situação específica, como as vendas da organização por exemplo. 
Dentro do “neurônio de vendas”, os dendritos representam as 
possibilidades de tomada de decisão, como por exemplo, aumentar o market 
share e abrir novos mercados, entre outros. 
Com o uso do aprendizado de máquina, é possível, de maneira 
supervisionada, treinar o algoritmo de inteligência artificial para a tomada de 
decisão, por meio da tentativa e erro. 
Por exemplo, nesse caso do “neurônio de vendas”, em um estágio inicial 
todas as possibilidades possuem o mesmo peso, ou seja, têm a mesma 
prioridade. 
Dado que o algoritmo recebeu o problema de aumentar as vendas no 
trimestre e tomou a decisão por aumentar o market share na sua primeira 
execução, esse dendrito passa a ter uma prioridade maior sobre os demais, ou 
 
 
12 
seja, quando houver a necessidade de tomada de decisão usando os mesmos 
dados, o algoritmo dará preferência para essa mesma alternativa. 
Porém, você pode entender que essa não é a melhor opção e retreinar o 
algoritmo para que ele escolha a opção de abrir novos mercados, para decisões 
semelhantes. 
Assim, o algoritmo computacional evolui constantemente, ou seja, a cada 
decisão acertada, a prioridade daquela hipótese (dendrito) é aumentada, assim 
como a cada decisão errada, a prioridade da hipótese é reduzida. Dessa forma, a 
inteligência artificial é treinada para a tomada de decisão simulando o pensamento 
humano. 
4.1 Aplicações reais de inteligência artificial 
Existem vários exemplos de aplicação de inteligência artificial como suporte 
para a tomada de decisão nas organizações. Um exemplo usual é o uso de robôs 
de software para comunicação via chat, os chatbots em inglês. 
Esses robôs de software são capazes de processar o texto digitado pelos 
clientes, interpretando inclusive a linguagem natural, além de interagir com o 
cliente, guiando-o até a solução do problema. Esses chatbots são amplamente 
utilizados em respostas às perguntas frequentes e abertura de chamados de 
assistência técnica, entre outros. 
Outra aplicação da Inteligência artificial para a área de marketing é a 
avaliação do comportamento do usuário, que permite analisar um determinado 
conteúdo digital e aplicar algoritmos computacionais para segmentar o perfil do 
cliente, identificando os seus hábitos. 
Na área financeira, a inteligência artificial pode ser usada para prever risco 
de análise de crédito, automatizar o cálculo de preço dos produtos e até mesmo 
escolher, entre as diversas possibilidades de investimento, a que trará o melhor 
retorno sobre o investimento para a organização. 
Na área de operação ou produção, a inteligência artificial é um dos pilares 
da indústria 4.0, aliada a outras tecnologias que podem executar atividades como 
mapear e reduzir gargalos na linha de produção, antecipar as manutenções 
preditivas das máquinas, evitar manutenções desnecessárias e realizar 
simulações virtuais no parque fabril em busca de processos com melhor 
desempenho (também conhecidos como gêmeos digitais). 
 
 
13 
TEMA 5 – ASPECTOS TÉCNICOS: BIG DATA 
 Os sistemas integrados de gestão buscam informações em fontes de 
dados externas para aplicar modelos analíticos de dados que suportam a tomada 
de decisão. 
 O Big Data permite a análise e a interpretação de grandes volumes de 
dados, que são compostos pelos mais variados tipos de dados, como textos, 
imagens e áudios, por exemplo. 
 Esse conjunto de dados é processado por meio de técnicas 
computacionais avançadas que permitem trabalhar enorme quantidades de dados 
não estruturados com grande velocidade. 
 O Big Data foi a base que tornou possível o avanço das técnicas de 
aprendizado de máquina e inteligência artificial, que vimos nos capítulos 
anteriores. 
 Um exemplo comum do dia a dia poderia ser o uso do aplicativo de 
navegação Waze, em que um enorme volume de dados é gerado a todo instante, 
como informações sobre acidentes e velocidade dos carros nas vias, entre outros. 
Esses dados são processados em tempo real e retornam a informação para o 
usuário sobre qual o melhor trajeto para o percurso selecionado pelo usuário. 
O conceito do Big Data é estruturado pelos 5 v’s: Volume, variedade, 
velocidade, veracidade e valor (Taurion, 2013). 
5.1 Volume 
O conceito de volume está relacionado com a grande quantidade de dados 
que são gerados por nós a cada dia. Geramos diariamente petabytes de dados, e 
estima-se que esse valor dobre a cada dezoito meses (Taurion, 2013). 
O Big Data é capaz de processar enormes volumes de dados em tempo 
real, o que pode ser uma vantagem competitiva para a organização. 
Por exemplo, imagine um grande varejista, que pode utilizar o Big Data para 
processar milhões de cupons fiscais gerados mensalmente e com isso descobrir 
alguma informação relevante para a sua operação. 
 
 
14 
5.2 Variedade 
A variedade representa os diversos tipos de dados que podem ser 
trabalhados com o Big Data, que podem ser dados estruturados e não 
estruturados. 
Dados estruturados são aqueles obtidos internamente na organização, que 
geralmente são registrados por SPT, como cadastro de clientes, pedido de 
produtos etc. 
Dados não estruturados são aqueles obtidos de fontes externas, os quais 
não possuem um padrão e um formato específico, comopor exemplo imagens, 
postagens em redes sociais, vídeos, documentos eletrônicos, informação de 
sensores etc. 
Por exemplo, imagine uma grande indústria automotiva que monitora várias 
redes sociais como Twitter, Facebook, Instagram e YouTube para coletar 
informação sobre a opinião dos clientes sobre os seus produtos. 
5.3 Velocidade 
Velocidade define a necessidade de obtenção da informação em tempo 
hábil para a tomada de decisão, que geralmente exige o processamento em tempo 
real. 
Como o Big Data processa um grande volume de informações, é necessário 
o uso de técnicas computacionais avançadas para otimizar a análise e 
interpretação desses dados, para que o usuário consiga tomar a decisão em 
tempo hábil. 
Imagine um SIE que processa dados utilizando Big Data para avaliar o nível 
de satisfação odos clientes com base em postagens em redes sociais. Se esse 
sistema demorar muito tempo para retornar a informação, pode ser tarde demais 
para a tomada de decisão. 
5.4 Veracidade 
Veracidade certifica que os dados que foram obtidos pelo Big Data são 
autênticos e verdadeiros. Como os dados são obtidos de diversas fontes externas, 
que não estão sob controle da organização, é importante garantir que essas fontes 
de dados sejam confiáveis, para garantir a assertividade na tomada de decisão. 
 
 
15 
Um exemplo da importância da veracidade poderia ser o uso do Big Data 
como fonte de dados para a avaliação de risco de crédito para os clientes da 
organização, consultando informação sobre a situação financeira do cliente em 
várias fontes diferentes. 
5.5 Valor 
Por fim, o valor é o que garante que a informação retornada pelo Big Data 
gere algum tipo de vantagem para a organização. 
As informações geradas devem fazer sentido e agregar valor para as 
operações da organização. Por exemplo, imagine uma grande indústria de tubos 
e conexões, que usa o Big Data para obter informações sobre o custo de matéria-
prima, que são na maioria importadas para o Brasil. A informação sobre a previsão 
de alta do dólar e comportamento dos mercados financeiros agrega valor para a 
tomada de decisão. 
5.6 Exercício 
Você consegue pensar em como o Big Data poderia prover dados para 
suportar a tomada de decisão em uma organização? 
 
 
 
16 
REFERÊNCIAS 
GARTNER. Press Releases. Gartner, 23 jan. 2021. Disponivel em: 
<https://www.gartner.com/en/newsroom/press-releases/2019-10-02-gartner-
says-roboticprocess-automation-can-save-fina>. Acesso em: 4 fev. 2022. 
MEDEIROS, L. F. D. Inteligência artificial aplicada, uma abordagem 
introdutória. 1. ed. Curitiba: Intersaberes, 2018. 
MICROSOFT. Machine Learning. Azure, 23 mar. 2019. Disponivel em: 
<https://docs.microsoft.com/pt-br/azure/machine-learning/classic/data-science-
for-beginnersthe-5-questions-data-science-answers>. Acesso em: 4 fev. 2022. 
PWC. Consumer Intelligence Series. PWC, 2019. Disponivel em: 
<http://pwcartificialintelligence.com/>. Acesso em: 4 fev. 2022. 
SKINNER, B. F. Cumulative record. [S.l.]: B.F. Skinner Foundation, 1959. 
TAURION, C. Big Data. 1. ed. Rio de Janeiro: Brassport, 2013. v. 1.