Baixe o app para aproveitar ainda mais
Prévia do material em texto
11/04/2020 Roteiro de Estudos https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 1/10 O que é inteligência empresarial? Qual impacto desse termo no dia a dia das instituições? A análise de negócios é uma das principais ferramentas para o gerenciamento estratégico e�ciente em uma organização. Permite obter parâmetros con�áveis da situação atual e futura da empresa em todos os seus setores. Além disso, uma das principais métricas da análise de negócios é a capacidade de identi�car e avaliar padrões internos e externos da empresa. Apontando possíveis fatores e causas de mudanças no mercado de acordo com o período em um contexto especí�co. De acordo com Turban et al. (2009), as instituições utilizam sistemas informatizados para auxiliar e automatizar processos organizacionais, consequentemente a geração de dados é inevitável. O Business Intelligence permite analisar esse grande �uxo de dados, neste roteiro iremos analisar como, onde e por que essas transformações tecnológicas são tão importantes e fundamentais para a sobrevivência das organizações. Só assim será possível, ao �m deste roteiro, avaliar a profundidade de seu impacto e vislumbrar as oportunidades que surgem a cada dia. Caro(a) estudante, ao ler este roteiro você vai: entender a análise de negócios a partir de dados; compreender o conceito de Business Intelligence; estudar as ferramentas analíticas para a tomada de decisão e�ciente. Introdução Há poucos anos, a análise das informações de uma organização era feita à base de planilhas e formulários de papel, cada setor tinha sua própria "maneira" de armazenar e processar esses dados. Porém, com o passar dos anos, esse processo tornou-se quase impossível de ser feito manualmente, são milhares de dados produzidos diariamente que precisam ser consistentes, inteligíveis e bem organizados. A análise de negócios e um conjunto de métodos e técnicas para auxiliar nas mudanças de uma corporação necessitam de uma base de dados estruturada. Os métodos e técnicas de análise incluem a coleta, o armazenamento, o processamento, a síntese de informações dos diferentes setores da empresa (setor de recursos humanos, tecnologia, gerência, clientes, estoque, dentre outros). Não estamos falando em apenas alguns dados, algumas planilhas ou relatórios, são milhares de dados que trafegam diariamente em uma empresa. Com a expansão dos mercados globais e o aumento constante da concorrência, as empresas precisam identi�car oportunidades e ameaças para tomar decisões estratégicas. Portanto, é necessário que a gestão se baseie em uma base de dados con�áveis para uma análise abrangente dos dados. Análise Quantitativa de Dados RoteiroRoteiro dede EstudosEstudos Autor: Ms. George Santiago Alves Revisor: Esp. Rafael Vasconcelos 11/04/2020 Roteiro de Estudos https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 2/10 Estrutura de Dados e o Impacto na Estrutura Empresarial Com o avanço tecnológico e conhecimento cientí�co, as organizações passaram a utilizar sistemas informatizados para auxiliar o processo de gerenciamento institucional. Rezende (2005, p. 32), de�ne que os “sistemas de informação são todos os sistemas que produzem ou geram informações, que são dados trabalhados […] para execução de ações e para auxiliar processos de tomada de decisões”. Esses sistemas são fundamentais para a análise de negócios. De acordo com Graham (2007), mais de 80% das empresas utilizam de algum sistema informatizado para gerenciar a organização. São tecnologias dedicadas à análise interna e externa de parâmetros do mercado para �ns de gerenciamento institucional e operacional. Atualmente as organizações dispõem de um grande número de tecnologias para auxiliar na organização dos dados institucionais, em diferentes setores: contabilidade, recursos humanos, marketing, recursos e insumos etc. Portanto, as ferramentas tecnológicas têm potencial para transformar dados acumulados durante períodos especí�cos em conhecimento útil para tomar decisões e�cientes. Para Turban et al. (2009), o Business Intelligence (BI) é mais do que uma ferramenta analítica, é uma abordagem para o tratamento de dados aplicados ao negócio, e com o auxílio de uma tecnologia especí�ca, as organizações podem tomar decisões rapidamente, já que o BI opera com o fornecimento de dados constantes e con�áveis. Turban et al. (2009, p. 27) defendem que o principal objetivo do BI é: Permitir o acesso interativo aos dados (às vezes, em tempo real), proporcionar a manipulação desses dados e fornecer aos gerentes e analistas de negócios a capacidade de realizar a análise adequada. Ao analisarem dados, situações e desempenhos históricos e atuais, os tomadores de decisão conseguem valiosos insights que podem servir como base para decisões melhores e mais informadas. Para os autores citados anteriormente, mesmo em uma era digital as decisões de gerenciamento na maioria das empresas são tomadas intuitivamente. O que leva a consequências signi�cativas para os negócios, tal problema é superado com a ajuda da análise quantitativa dos dados. Sendo assim, para Ross e Lam (2011, p. 23): “as regras de negócio são o que guiam sua organização nas operações do dia a dia”. Por isso, esse processo de informatização institucional é e�ciente na obtenção e análise de informações, independentemente do nível de gerenciamento da empresa. São tecnologias desenvolvidas para diferentes níveis de usuários, desde gerentes, analistas ou integrantes sem nível gerencial. Os sistemas atuais não exigem conhecimentos especí�cos na área de tecnologia da informação, sua interface é desenvolvida para facilitar a análise dos dados sem exigir conhecimento técnico computacional. Tal pensamento é corroborado por Halle (2002, p.17): Não é mais desejável embutir as regras em especi�cações ou códigos de programas onde elas �quem trancadas, necessitando de intervenções custosas e elevadas para efetuar mudanças. Você não pode mais entregar as regras em um formato inacessível e não entendível à audiência do negócio. Você não pode mais deixar as regras de negócio em um local onde elas se percam. Ao mesmo tempo, todos esses dados organizados por setores não centralizados podem permanecer dispersos, e a interação e análise posterior dos gerentes são insu�cientes para atingir as métricas da organização. Não basta apenas utilizar um sistema, é preciso compreender o seu funcionamento, em qual contexto vai ser utilizado, qual o objetivo da instituição. Segundo Narayanan (2009), os diversos sistemas em um ambiente corporativo precisam de um apoio operacional para normalizar e centralizar os dados. Veremos posteriormente que tecnologias são utilizadas para a coleta, normalização e processamento dos dados. 11/04/2020 Roteiro de Estudos https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 3/10 ARTIGO Business Intelligence e a Ciência da Informação na Era dos Dados Abertos e Big Data. Autor: Alexandre Lucas e Angel Freddy Godoy Viera Ano: 2019. A C E S S A R Grandes Massas de Dados e sua Tratativa Para o gerenciamento e�caz de uma instituição é fundamental o uso de técnicas e uma classe especial de sistemas de informação. São soluções para centralizar os dados e auxiliar na busca por informações úteis. Dentre as quais, o Data warehousing (DW) e Data Mining (DM) se destacam. Para entender o funcionamento do DW é preciso compreender que os dados gerados pelos muitos sistemas das empresas precisam ser normalizados e centralizados. Mas, o que é normalização de dados? É um conjunto de regras que visa eliminar a duplicação excessiva de dados (redundância), que é uma das principais causas de anomalias em banco de dados. Uma anomalia é uma situação que pode levar a uma contradição em uma tabela no banco de dados. Os sistemas das organizações tradicionalmente armazenam dados localmente e por setores, cruzando os dados de diferentes softwares e até mesmo em períodos especí�cos. Esses sistemas não foramprojetados para normalizar e centralizar todos esses dados. Desse requisito surgiu a necessidade de um sistema responsável por integrar os dados dos vários sistemas da organização (DW). A primeira de�nição para DW foi proposto por INMON (1996, p. 57), o “Data warehouse é uma coleção de dados orientada por assunto, integrada, variante no tempo e não volátil que tem por objetivo dar suporte aos processos de tomada de decisão.” A abordagem do DW é baseada no processo de extração, transformação e carga. Sendo a extração responsável por ler os dados dos diversos bancos de dados internos ou externos da empresa, a transformação converte e padroniza os dados extraídos de um banco de dados para uma central de armazenamento, por �m, o processo de carga transfere os dados para o DW. Dependendo das regras da organização, os dados podem ser extraídos de qualquer fonte relevante, desde sistemas internos ou externos (TURBAN et al., 2009). De maneira mais trivial, o DW nada mais é do que um "armazém" de dados, seu principal objetivo é organizar os dados para facilitar o acesso à informação. Você precisa entender que o BI trabalha em conjunto com o DW para analisar os dados centralizados. Enquanto o DW armazena os dados o BI fornece regras para auxiliar nessa análise, por isso, é fundamental compreender o que o negócio faz, qual sua meta, seus objetivos, suas prioridades. Tais informações vão fornecer diretrizes para encontrar dados úteis. Se a instituição não “souber” o que está procurando, esse processo pode ser longo, caro e pouco intuitivo. Na era da transformação digital a escolha de um sistema é fundamental para auxiliar as regras de negócios estabelecidas pela organização, buscando a melhor abordagem para um contexto especí�co. Falamos um pouco sobre o DW, mas, e o DM? De maneira simples é um conjunto de regras para buscar padrões em um banco de dados. São algoritmos (classi�cação, regressão, segmentação, associação e análise de sequência) que utilizam da Inteligência Arti�cial para auxiliar nesta "busca" por dados úteis. Como existem diversos algoritmos, esse processo exige conhecimento técnico tanto na busca quanto na análise dos dados. Um dos primeiros autores a conceituar o DM são Fayyad, Piatetsky-Shapiro e Smyth (1996, p. 17) que usam o aprendizado de máquina para descrever que a "Mineração de Dados é um passo no processo de Descoberta de Conhecimento que consiste na realização da análise dos dados e na aplicação de algoritmos de descoberta que, sob certas limitações computacionais, produzem um conjunto de padrões de certos dados." Posteriormente Cabena et al. (1998, p. 52) utilizam da perspectiva do banco de dados para de�nir que a "Mineração de Dados é http://eprints.rclis.org/38642/ 11/04/2020 Roteiro de Estudos https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 4/10 um campo interdisciplinar que junta técnicas de máquinas de conhecimentos, reconhecimento de padrões, estatísticas, banco de dados e visualização, para conseguir extrair informações de grandes bases de dados". Já Hand, Mannila e Smyth (2001, p. 27) de�nem que “mineração de Dados é a análise de grandes conjuntos de dados a �m de encontrar relacionamentos inesperados e de resumir os dados de uma forma que eles sejam tanto úteis quanto compreensíveis ao dono dos dados". Como escolher um algoritmo ideal? Depende das regras do negócio e da abordagem utilizada no tratamento dos dados, é comum a escolha de um algoritmo pela quantidade de dados, pelo tempo, pela complexidade, pelo objetivo etc. O DM baseia-se no conceito de buscar padrões em dados que muitas vezes não estão relacionados, ou seja, manualmente seria difícil para um analista conseguir fazer uma conexão entre ambos. Para facilitar a compreensão, vejamos alguns exemplos do uso do DM. Diariamente as pessoas fazem compras em supermercados, um algoritmo pode ser utilizado para fazer a análise dessas compras e identi�car produtos que tendem a serem comprados juntos. A partir dessas informações é possível analisar cenários para traçar uma estratégia para a criação de modelos preditivos. Conhecer o comportamento dos clientes é imperativo para desenvolver promoções centradas nas necessidades dos usuários. É comum o sistema bancário utilizar algoritmos para detectar fraude em cartão de crédito, identi�cando anomalias com base em padrões de consumo dos seus clientes. Em síntese, as empresas geram dados que o DW armazena e centraliza para facilitar a análise com base nas regras do BI. O DM utiliza algoritmos para identi�car padrões e tendências para a criação de estratégias e�cientes. LEITURA Monitoramento e pesquisa em mídias sociais: metodologias, aplicações e inovações. Autor: Marcelo Alves Ano: 2016 Atualmente bilhões de pessoas acessam alguma rede social, fornecendo um grande volume dados diariamente. A mineração de dados é uma técnica que busca identi�car tendências atuais e futuras, facilitando a criação de modelos preditivos para os negócios. O livro Monitoramento e Pesquisa em Mídias Sociais é uma coletânea de trabalhos acadêmicos com o objetivo de guiar pro�ssionais e pesquisadores na análise e tratamento de dados em mídias sociais. Leia o capítulo “Abordagens da coleta de dados nas mídias sociais” para trazer um pouco mais de orientação e auxílio para a compreensão e resolução da nossa situação-problema. A C E S S A R Modelos de Análise de Dados De�nimos que análise de negócios é uma prática que facilita as mudanças organizacionais, é um processo que inclui coleta, interpretação e busca por padrões em banco de dados, além de usar técnicas e ferramentas para auxiliar a empresa a analisar quaisquer dados em qualquer contexto e em qualquer dispositivo. A análise de negócios é um apoio à tomada de decisão estratégica, oferece oportunidades para alcançar os resultados de�nidos: como otimização, redução de custos e melhorar engajamento com os clientes. As instituições que usam a análise de dados preferem resultados com base em dados e não na intuição. Em um cenário ideal, os analistas de negócios criam uma metodologia objetiva e imparcial e, assim, obtêm resultados favoráveis sem opiniões tendenciosas (CARNEIRO; RESENDE JÚNIOR, 2017). https://www.researchgate.net/profile/Tarcizio_Silva/publication/317644915_Criando_Personas_e_Ilustracoes/links/594616f0a6fdccb93abbc6b1/Criando-Personas-e-Ilustracoes.pdf#page=68 11/04/2020 Roteiro de Estudos https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 5/10 Atualmente, as organizações procuram tirar o máximo proveito das análises, seja na coleta e processamento de mais dados, na análise mais rápida, em banco de dados diferentes etc. Mas, para atingir esses objetivos, a empresa precisa de uma plataforma ou modelos con�áveis que suportem todo o processo de análise com a segurança, �exibilidade e con�abilidade necessária. A natureza dos negócios muda constantemente e, com isso, é essencial criar diferentes estratégias para cenários distintos. Mas como obter uma infraestrutura e os benefícios de um sistema de análise e sem nenhum custo adicional? Em um mercado em constante evolução, as técnicas da análise de dados sofrem mudanças importantes, cada empresa precisa analisar o seu próprio ambiente institucional para escolher a ferramenta correta. Anteriormente, os softwares de inteligência de negócios eram analisados pelo departamento de tecnologia da informação, mas a análise é feita por todos os setores, não apenas o de tecnologia ou o de gestão. É um recurso estratégico para a empresa buscar novas perspectivas (COSTA FILHO; GOMES; TEIXEIRA, 2018). As primeiras ferramentas analíticas empregadas na inteligência corporativa foram baseadas em modelos semânticos retirados do software de gestão empresarial. A principal função dos modelos semânticos é ajudar a entender as relações entre diferentes entidades. Não basta coletar e centralizar os dados, é necessário traduzi- los em informações úteis e saber interpretá-los. Para isso, veremos os 4principais tipos de análise existentes: análise preditiva, prescritiva, descritiva e diagnóstica. O modelo de análise preditiva é o mais utilizado, seu principal objetivo é prever tendências com base nos padrões no banco de dados da organização. A principal técnica usada na análise preditiva é o DM. Os algoritmos de inteligência arti�cial usam dados estatísticos para entender comportamentos na base de dados e prever o mercado atual e futuro, além de auxiliar na busca por novas oportunidades com base no consumo atual dos clientes. A análise prescritiva utiliza indicadores do negócio para veri�car as consequências de ações tomadas em um contexto especí�co. Esses indicadores são variados, mas, podemos citar: logs em servidores, feedback de consumidores, histórico de compra, conteúdos em mídias sociais, programas de �delidade, dentre outros (CRESWELL, 2014). Todos esses indicadores são comportamentais, fornecendo uma visão holística sobre determinado cenário. Esse tipo de análise é de fundamental importância para o BI, já que opera com a análise da tomada de decisão atual para auxiliar na tomada de decisão futura. Para cada ação tomada é feita uma análise para de�nir se aquele caminho tomado ocorreu como esperado. Na análise descritiva o objetivo é entender o comportamento dos dados em tempo real. Isso permite um melhor controle em cenários especí�cos (DE VRIES; BEKKERS; TUMMERS, 2016). Um supermercado pode analisar as principais vendas ao longo do dia e criar pequenas promoções para impulsionar as vendas. Por �m, temos a análise diagnóstica, sua principal �nalidade é estudar um determinado evento e o impacto nos negócios. Exemplo de um novo concorrente no mercado, uma tecnologia para auxiliar no processo de fabricação, um novo produto no mercado, uma mudança interna na instituição. Essa análise traça estratégias baseadas nos dados da análise preditiva, enquanto a preditiva busca padrões, a diagnóstica estuda o cenário. ARTIGO Estudos sobre visualização de dados cientí�cos no contexto da Data Science e do Big Data. Pesquisa Brasileira em Ciência da Informação e Biblioteconomia Autor: RODRIGUES, A.; DIAS, G. Ano: 2017 Atualmente a quantidade de dados gerados pelas empresas são na ordem dos Exabytes. Esses dados precisam ser explorados e analisados, mas, não é uma tarefa trivial. São necessários mecanismos para auxiliar na compreensão desses dados. O trabalho a seguir traz questões pertinentes sobre a visualização de dados e sua importância na era do Big Data. A C E S S A R https://www.researchgate.net/publication/326876911_Estudos_sobre_visualizacao_de_dados_cientificos_no_contexto_da_Data_Science_e_do_Big_Data. 11/04/2020 Roteiro de Estudos https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 6/10 Aplicação Como Processo de Decisão As instituições estão em constante busca por inovação, visando minimizar custos e aumentar os lucros, além de explorar novas oportunidades e conhecer possíveis ameaças. É um desa�o que exige um processo pelo qual os dados são gerenciados, coletados e processados para transformá-los em uma informação com valores reais para auxiliar com e�ciência a instituição a tomar as decisões corretas e em tempo hábil. Sendo assim, o objetivo do BI é auxiliar nos processos internos e externos de uma empresa, adaptando às demandas institucionais com base na análise de dados: focando energia e recursos na direção que a empresa de�niu. Independente da ferramenta ou técnica empregada na melhoria da empresa, é necessário de�nir metas e objetivos a serem seguidos. Para Guy Kawasaki (2006, p. 32) “Um dos especialistas de empreendedorismo mais in�uentes no mundo diz que mais do que uma missão, as organizações precisam de um mantra, uma mensagem simples que guie a existência da empresa.” A missão de uma empresa pode ser de�nida como um guia escrito para que a instituição e seus colaboradores saibam onde e como conduzir o negócio (CROSSAN; MAURER; WHITE, 2011). Conhecendo a missão e os objetivos da instituição, é possível escolher de maneira e�ciente uma ferramenta para o contexto especí�co. Existem inúmeras ferramentas para cada tipo de projeto, segundo Podeswa (2012) a mais utilizada é o Gerenciamento pelas Diretrizes (GPD) ou Hoshin Kanri. O GPD é uma abordagem sistemática que surgiu no Japão nos anos sessenta para gerenciar mudanças em processos estratégicos, operacionais, táticos, �nanceiros, recursos humanos e organizacionais. A base do GPD utiliza o conceito de um modelo cíclico composto pelo PDCA (Plan-Do-Check-Act), é uma metodologia de gestão que auxilia o ambiente institucional da empresa. O PDCA Também conhecido como ciclo de Shewhart ou ciclo de Deming, é baseado em ações ágeis, tornando as metas e objetivos claros e e�cientes. O modelo cíclico é dividido em quatro etapas: planejamento (P), execução (D), checagem (C) e ação corretiva (A). O planejamento diz respeito à descrição do problema, de�ne as metas a serem cumpridas com base nas políticas e diretrizes da instituição. Segundo Campos (2004), nesta etapa do ciclo é de�nida uma meta por atividade, o autor sugere algumas diretrizes para identi�car o contexto do problema, sendo elas: Identi�cação do problema; Escolher a meta; Análise do fenômeno; Análise do processo e Plano de ação. A etapa seguinte refere-se à implementação do plano de ação da etapa de planejamento. Campos (2004) subdivide essa etapa em dois processos: treinamento e execução da ação. Após de�nir as metas no planejamento é feito um treinamento com toda a equipe para alinhar os objetivos do plano de ação. A checagem é a etapa de avaliação do plano de ação da empresa, detectando e alinhando os acertos e erros durante a implementação do projeto. Por �m, a ação corretiva faz uma análise dos objetivos, veri�cando se os mesmos foram atendidos e se o escopo do projeto pode ser atendido. Essa etapa é caracterizada por melhorar todo o ciclo do PDCA, com base nos relatórios e análises de todas as etapas são traçadas ou agregadas informações úteis no plano de ação. O GPD possibilita a criação de estratégias em um nível global: Independente da função hierarquia, as diretrizes propostas utilizam o esforço em conjunto de todos os setores da empresa (JANISSEK, 2017). Segundo Klumb e Ho�mann (2016), é uma abordagem para de�nir prioridades com base nas metas e objetivos da organização. A estratégia para alcançar as metas é dimensionada a partir dos indicadores levantados durante o ciclo de planejamento. Esses indicadores compõem relatórios que indicam a real situação da empresa, no �nanceiro temos: Balanço Patrimonial, Demonstração do Resultado do Exercício (DRE) e o Demonstrativo do Fluxo de Caixa (DFC). Nos recursos humanos os principais indicadores são: Turnover, Absenteísmo e Índice de retenção de talentos. Em TI temos: infraestrutura, funcionamento dos sistemas e solicitações internas atendidas. Com base nos indicadores o GPD de�ne as diretrizes para alcançar as prioridades de�nidas, mantendo a empresa competitiva no mercado que atua. O primeiro passo para implementar o GPD é estabelecer a missão e objetivos que a empresa quer seguir, esses elementos são os “alicerces” de qualquer instituição econômica. Sendo assim, Silva (2000) de�ne quatro etapas essenciais para estabelecer objetivos para o GPD, sendo elas: escolha do objetivo, alinhamento da organização, implementação e melhorias. A escolha dos objetivos de�ne as metas de médio e longo prazo, priorizando setores e ferramentas para auxiliar nesse direcionamento. A segunda etapa é envolver toda a organização no objetivo de alcançar as metas propostas. A próxima etapa é implementar um plano de diretrizes na empresa e monitorar a sua evolução com base nos objetivos, como toda a organização é envolvida nesse processo, diversos atores são responsáveis por ajudar a manter as diretrizes em funcionamento. Por último, temos a avaliação do progresso obtido nas etapas anteriores, com base nesses dados são de�nidas novas diretrizes para direcionar a empresa no caminho ideal. 11/04/2020Roteiro de Estudos https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 7/10 LEITURA A Importância do Planejamento Estratégico nas Organizações. Autor: Fernando Follman Pasquim, Luis André Wernecke Fumagalli Ano: 2017 O planejamento estratégico é um processo que visa alcançar objetivos dentro de uma instituição, fornecendo a base para todas as decisões gerenciais. Com isso, é possível avaliar se as metas de�nidas estão dentro dos padrões esperados. O BI é um conjunto de ferramentas para a gestão que pode ser utilizado por qualquer instituição, independente do seu tamanho. O trabalho a seguir traz questões pertinentes sobre o planejamento estratégico nas organizações. A C E S S A R Decisões Estratégicas e os Dados A tecnologia está presente em todos os setores empresariais, desde as planilhas na interface de um computador ou smartphone até em sistemas complexos envolvendo Big Data e Data mining. Você já se perguntou qual a in�uência da tecnologia nos negócios? Até que ponto a evolução digital tem impacto no cotidiano das corporações? Para respondermos essas indagações precisamos de�nir o que é tecnologia, que de maneira formal é a combinação aplicada do conhecimento técnico e cientí�co para melhorar métodos, processos, ferramentas e técnicas com os quais é possível alcançar resultados especí�cos. Para Kenski (2008, p. 15), é preciso “desmisti�car” que a tecnologia é “algo” moderno, é um conhecimento aplicado e utilizado desde a pré- história. Há indícios do uso de ferramentas feitas de pedra utilizadas para criar fogo e fabricar instrumentos para a caça, ou seja, o homem sempre buscou maneiras de facilitar determinadas tarefas. São transformações tão antigas quanto a espécie humana, pode-se concluir que a tecnologia é utilizada para alcançar o resultado desejado e que possui um ciclo de vida especí�co. Com base em dados coletados do meio externo e nas experiências vivenciadas, os seres humanos tomam decisões. Esse conceito “primitivo” é a base da sobrevivência das espécies na natureza e é aplicado nas empresas diariamente (KIM, 2010). As decisões estratégicas re�etem as ações tomadas pela gestão das organizações, tais ações são complexas e envolvem diferentes variáveis com graus de incerteza. As decisões estratégicas são baseadas em dados coletados pela instituição. As decisões estratégicas re�etem as ações tomadas pela gestão das organizações, tais ações são complexas e envolvem diferentes variáveis com graus de incerteza. As decisões estratégicas são baseadas em dados coletados pela instituição, mas, é de fundamental importância compreender a diferença entre dados estratégicos e informações estratégicas. Os chamados "dados" são métricas da instituição não processados, ou seja, não podem ser analisados analiticamente (YIN, 2015). Assim, as informações utilizadas estrategicamente são dados processados e preparados para uso especí�co no processo de tomada de decisão estratégica. As "informações" são dados processados que possibilitam a análise para �ns especí�cos. Segundo Starec et al. (2005, p. 48), “na era da informação e da sociedade interativa e interligada em tempo real na qual vivemos, a informação é o principal ativo na luta pela sobrevivência das organizações”. Ainda, de acordo com Turban et al. (2003, p. 5), “Estamos na era da informação, onde a riqueza nasce de ideias inovadoras e do uso inteligente da informação.” As empresas necessitam de uma abordagem sistemática para o gerenciamento corporativo e�ciente. O uso dos dados organizados e processados permite com o auxílio da análise descritiva prever tendências em tempo real de acordo com o mercado. O Data Warehousing e Data Mining são ferramentas para a organizar, processar e analisar dados para prever situações atuais e futuras para auxiliar a organização. São ferramentas poderosas, mas, ainda é preciso compreender o seu funcionamento para o uso correto. Independentemente do tamanho da empresa, o processo de gerenciamento estratégico precisa envolver todos os setores da empresa. Nota-se que o principal fator de sucesso na implementação de sistemas para a tomada de decisão é baseado em uma cultura corporativa. Em uma era onde as transformações digitais são constantes, é fundamental uma mudança de perspectiva para uma gestão e�ciente. Inovar é melhorar e adaptar processos, o primeiro passo é entender que https://www.researchgate.net/publication/319449125_A_IMPORTANCIA_DO_PLANEJAMENTO_ESTRATEGICO_NAS_ORGANIZACOES. 11/04/2020 Roteiro de Estudos https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 8/10 cada ponto de vista de um colaborador agrega valor indispensável para o planejamento institucional. A transformação digital é também uma mudança cultural. ARTIGO O Desa�o da Mudança Cultural Autor: José Renato Salles, Miguel Caldas, Thomaz Wood Jr. Ano: 2018 É difícil mensurar o sucesso de um negócio, é preciso analisar diversas variáveis quantitativas e qualitativas combinadas a fatores internos e externos organizacionais. Diversos acadêmicos, analistas e consultores defendem que qualquer implementação tecnológica tem necessidade de uma mudança cultural para compreender o seu funcionamento. O trabalho a seguir traz questões pertinentes sobre os desa�os da mudança cultural em organizações. A C E S S A R Conclusão O papel da inteligência corporativa tornou-se indispensável em uma era onde a base de dados é o maior ativo de uma empresa. As ferramentas do BI facilitam o trabalho da gestão, mas a tomada de decisões difíceis é simplesmente inevitável. Não importa o quão bem-sucedido o negócio seja, é sempre necessário escolher para onde direcionar os esforços da empresa. Atualmente é impossível falar de negócios sem recorrer às várias tecnologias modernas, a inteligência empresarial passa por transformações constantes. A tecnologia inova a maneira com que as organizações conduzem os negócios, aumentando sua produtividade, minimizando custos e explorando novos mercados com base em tendências. O importante no mundo corporativo não é ter milhões de dados, é ter informações úteis, disponíveis e con�áveis em tempo real. Para uma análise de dados e�ciente, é importante conhecer a tecnologia atual e quanto ela pode oferecer para as empresas. Referências Bibliográ�cas ALVES, M. Abordagens da coleta de dados nas mídias sociais. In: SILVA, T.; STABILE, M. Monitoramento e pesquisa em mídias sociais: metodologias, aplicações e inovações (org.). São Paulo: IBPAD, 2016. Disponível em: https://bit.ly/36xtbBb. Acesso em: 12 dez. 2019. BUENO, G. et. al. Gestão do Conhecimento, Orientação para o Mercado e Inovação: estudo em um parque tecnológico catarinense. Brasilian Business Review, v. 13, n. 3, p. 72-93, 2016. CABENA, P. et al. Discovering Data Mining: From Concept to Implementation. [S.l.]: Prentice Hall, 1998. CAMPOS, V. F. Gerenciamento da rotina do trabalho do dia a dia. 8. ed. Belo Horizonte: Editora de Desenvolvimento Gerencial, 2004. CARNEIRO, D. K. O.; RESENDE JUNIOR, P. C. Inovação no Processo de Compra de Medicamentos: Estudo de Caso do Ministério da Saúde. Revista do Serviço Público, v. 68, n. 4, p. 835-862, 2017. COSTA FILHO, E.; GOMES, M. A. A.; TEIXEIRA, R. M. Ações Empreendedoras Inovadoras no Setor Público. Revista Brasileira de Gestão e Inovação, v. 5, n. 2, p. 1-29, 2018. https://www.researchgate.net/publication/326365011_O_desafio_da_mudanca_cultural. https://www.researchgate.net/profile/Tarcizio_Silva/publication/317644915_Criando_Personas_e_Ilustracoes/links/594616f0a6fdccb93abbc6b1/Criando-Personas-e-Ilustracoes.pdf#page=68 11/04/2020 Roteiro de Estudos https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 9/10 CRESWELL, J. W. Investigação qualitativa e projeto de pesquisa: escolhendo entre cinco abordagens. 3. ed. Porto Alegre: Penso, 2014. CROSSAN, M.; MAURER, C.; WHITE, R. Re�ections on the 2009 AMR decade award: do we have a theory of organizational learning? Academy of ManagementReview, v. 36, n. 3, p. 446–460, 2011. DE VRIES, H.; BEKKERS, V.; TUMMERS, L. Innovation in the public sector: a systematic review and future research agenda. Public Administration, v. 94, n. 1, p. 146-166, 2016. FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From Data Mining to Knowledge Discovery in Databases. [S.l.]: American Association for Arti�cial Intelligence, 1996. GRAHAM, B. O Investidor inteligente. Rio de Janeiro: Nova Fronteira, 2007. HALLE, B. von. Business Rules Applied: Building Better Systems Using the Business Rules Approach. New York: John Wiley & Sons, Inc, 2002. HAND, D.; MANNILA, H.; SMYTH, P. Principles of Data Mining. [Cambridge]: MIT Press, 2001. INMON, W. H. Building the Data Warehouse. 2nd. ed. [S.l.]: John Wiley & Sons, 1996. JANISSEK, J. et al. Práticas Inovadoras de Gestão no Contexto das Universidades Públicas Brasileiras: validação de escala para medir seu grau de importância e adoção. Revista do Serviço Público, v. 68, n. 2, p. 259-284, 2017. KAWASAKI, G. A arte do começo: o guia de�nitivo para iniciar o seu projeto. Rio de Janeiro: Best Seller, 2006. KENSKI, Vani M. Tecnologias e Ensino Presencial e a Distância. Campinas, SP: Papirus, 2008. KIM, Y. Stimulating Entrepreneurial Practices in the Public Sector: The Roles of Organizational Characteristics. Administration & Society, v. 42, n. 7, p. 780-814, 2010. KLUMB, R.; HOFFMANN, M. G. Inovação no setor público e evolução dos modelos de administração pública: o caso do TRE-SC. Cadernos Gestão Pública e Cidadania, v. 21, n. 69, p. 86-102, 2016. LUCAS, A.; VIEIRA, A. F. G. Business Intelligence e a Ciência da Informação na Era dos Dados Abertos e Big Data. E- prints in library & information science, 2019. Disponível em: http://eprints.rclis.org/38642/. Acesso em: 12 dez. 2019. NARAYANAN, R. Business Rules Change All the Time, But Your Applications Don't Have To. SAP Insider, [S. I.], v. 10, n. 2, abril 2009. Disponível em: https://sapinsider.wispubs.com/Assets/Articles/2009/April/Business-Rules- Change-All-The-Time-But-Your-Applications-Don-T-Have-To-Manage-And-Modify-Rules-With. Acesso em: 19 nov. 2019. PASQUIM, F. F.; FUMAGALLI, L. A. W. A importância do planejamento estratégico nas organizações. Revista Innovare, 23. ed., jan./jul. 2017. Disponível em: https://www.researchgate.net/publication/319449125_A_IMPORTANCIA_DO_PLANEJAMENTO_ESTRATEGICO_NAS_ORGANIZACOES. Acesso em: 12 dez. 2019. PODESWA, H. O Livro do Analista de Negócios. Tradução Técnica: Claudio Brancher Kerber. São Paulo: Cengage Learning, 2012. REZENDE, D. A. Sistemas de informações organizacionais: guia prático para projetos em cursos de administração, contabilidade e informática. São Paulo: Atlas, 2005. RODRIGUES, A. A.; DIAS, G. A. Estudos sobre visualização de dados cientí�cos no contexto da Data Science e do Big Data. Pesquisa Brasileira em Ciência da Informação e Biblioteconomia, v. 12 , n. 1, 2017. Disponível em https://www.researchgate.net/publication/326876911_Estudos_sobre_visualizacao_de_dados_cienti�cos_no_contexto_da_Data_Science_ Acesso em: 12 dez. 2019. ROSS, R. G; LAM, G. S. W. Business Analysis with Business Rules. Business Rules Journal, [S. I], v. 12, n.10, outubro 2011. Disponível em: http://www.brcommunity.com/a2011/b616.html. Acesso em: 4 nov. 2019. SALLES,J. R. et al. Gestão: o desa�o da mudança cultural. GVExecutivo, v.17, n. 3, maio/jun. 2018. Disponível em https://www.researchgate.net/publication/326365011_O_desa�o_da_mudanca_cultural. Acesso em: 12 dez. 2019. SILVA, A. Utilizando o planejamento como ferramenta de aprendizagem. São Paulo: Global, 2000. STAREC, C. (Org.) et al. Gestão estratégica da informação e inteligência competitiva. São Paulo: Saraiva, 2005. ISBN 8502053809. http://eprints.rclis.org/38642/ https://sapinsider.wispubs.com/Assets/Articles/2009/April/Business-Rules-Change-All-The-Time-But-Your-Applications-Don-T-Have-To-Manage-And-Modify-Rules-With https://www.researchgate.net/publication/319449125_A_IMPORTANCIA_DO_PLANEJAMENTO_ESTRATEGICO_NAS_ORGANIZACOES https://www.researchgate.net/publication/326876911_Estudos_sobre_visualizacao_de_dados_cientificos_no_contexto_da_Data_Science_e_do_Big_Data http://www.brcommunity.com/a2011/b616.html https://www.researchgate.net/publication/326365011_O_desafio_da_mudanca_cultural 11/04/2020 Roteiro de Estudos https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller 10/10 TURBAN, Efraim; RAINER Jr., Rexz Kelly; POTTER, Richard E. Administração de tecnologia da informação: teoria e prática. Rio de Janeiro: Campus, 2003. ISBN 8535210237 TURBAN, E. et al. Business Intelligence - Um Enfoque Gerencial para a Inteligência do Negócio. [S.l.]: Bookman, 2009. ISBN 9788577803347. YIN, R. K. Estudo de caso: planejamento e métodos. 5. ed. Porto Alegre: Bookman, 2015.
Compartilhar