![](3D"Navus_v15_1952_arquivos/image001.gif")
Avaliação de Impacto da
Ciência de Dados na Tomada de Decisão: um estudo de caso e um =
guia
de implantação
Impact Assessment of Data Science in Decision Making: a case study a=
nd
implementation guide
|
Egon
Sewald Junior |
Dou=
tor em
Engenharia e Gestão de Conhecimento. Instituto Federal de Santa
Catarina (IFSC) – Brasil. e=
gon.junior@ifsc.edu.br |
|
Sérgio
Murilo Dos Santos Júnior |
Tecnólogo
em Gestão de Tecnologia da Informação. Instituto Fed=
eral
de Santa Catarina (IFSC) – Brasil. sergio.santos2101@gmail.com |
RESUMO
Com o aumento na quantidade de dados acessíveis, as empresas estão utilizando essas informações para obter vantagens competitivas na tomada de decisão, incluindo a aplicação de técnicas de ciência de dados. Este trabalho procura investigar os impactos da Data Science, partindo da hipótese que gerentes de empresas que adotam essas técnicas percebem vantagens de seu uso para a tomada de decisão. Deste modo, = foi desenvolvido um estudo de caso, com entrevista semiestruturada e observação do autor. Os resultados desta análise indic= am que a ciência de dados é importante para a empresa, poré= ;m ainda com pouco uso em algumas áreas da organização. A partir da percepção de gestor da empresa estudada, sugere-se práticas para a implementação da ciência = de dados, validadas por especialistas.
Palavras-chave: tomada de decisão; ciência de dado=
s;
percepção de aplicação; guia de práticas=
.
ABSTRACT
With
the increasing availability of accessible data, companies are utilizing this
information to gain competitive advantages in decision-making, including the
application of data science techniques. This study aims to investigate the
impacts of Data Science, based on the hypothesis that managers in companies
adopting these techniques perceive benefits in their use for decision-makin=
g. To
achieve this, a case study was developed, involving a semi-structured inter=
view
and the author's observation. The results of this analysis indicate that da=
ta
science is considered important for the company, although its use remains
limited in some areas of the organization. Based on the perception of the
manager from the studied company, practices for implementation are suggeste=
d,
which were validated by experts.
Keywords:
decision making; data science; application perception; practice guide.
Recebido em 15/06/2024. Aprovado em 15/10/2024. Avaliado p=
elo
sistema double=
blind
https://doi.org/10.22279/navus.v15.195=
2
1 INTRODUÇÃO
Nas décadas de 1980, 1990 e início dos = anos 2000 um disquete armazenava 1,44 MB, o que era suficiente para compartilhar diversos arquivos. Nesse sentido, o volume de dados produzido e sua capacid= ade de armazenamento eram muito menores (Freire, 2019). Atualmente, com o crescimento da utilização da web e tecnologias de informação, a geração e a disponibilidade de da= dos têm aumentado exponencialmente. Consequentemente, esse aumento exige o desenvolvimento de Tecnologias da Informação e Comunicação (TICs) (Ávila, 2017).
Segundo Passos (2016, p 395), Data Science “pode ser definida como um conjunto de técnicas utilizadas no processamento e análise de dados, com intuito de fornecer informações para decisões inteligentes”. Para seus fins utiliza-se de várias área= s de conhecimento, como matemática, estatística, tecnologia da informação e conhecimento específico do negócio onde é aplicada.
Atualmente, com as vastas quantidades de dados que estão acessíveis, as empresas estão explorando estes d= ados para ter uma vantagem competitiva. O volume e variedade de dados ultrapassam muito a capacidade de uma análise manual, e em alguns casos ultrapas= sa a capacidade de base de dados convencionais. Ao mesmo tempo, os computadores tornaram-se mais “poderosos”, a internet tornou-se onipresente = e os algoritmos agora permitem análises mais amplas e profundas dos dados= . A convergência desses fenômenos gerou um aumento nas aplicações de Data Sc= ience nas empresas (Provost; Fawcett, 2013).
Data Science<= /i> é um campo emergente que lida com a extração de informações que serão relevantes dentro de certo conte= xto. É um campo que abrange os conhecimentos das áreas de estatística, matemática, ciência da computação e ciências humanas, como a ciência soc= ial, para uma coleta, processamento, consolidação e visualização de dados (Daniel, 2018). Utiliza de várias técnicas para seus fins, como: mineração de dados, mineração de textos e clusterização, entre outr= os (Xavier; Ribeiro, 2018).
Empresas que utilizam de Data Science para a tomada de decisões têm maior produtividade e valor de mercado. Além disso, há evidên= cias de que decisões tomadas com o auxílio de Data Science estão associadas a algumas medidas de lucratividade, como utilização de ativos e retorno sobre patrimônio (Brynjolfsson, 2011).
Em conteúdo publicitário, diversas organizações identificam impactos positivos do Data Scienc= e. Inúmeras publicações apontam fatores positivos para a inclusão de Data Science na operação das organizações, como melhorar a atividade de inteligência (Alves, 2018), a organização de conhecimento (Meschini; Francelin, 2021), a alteração no = modo de operação das organizações com foco nos dados= e nos valores agregados (Zumba et al 2023), e a tomada de decisã= ;o (Affonso, 2021), que é o foco desse estudo. Porém, não= foram encontrados estudos de impactos em casos concretos, relacionados a percepção dos tomadores de decisão.
Segundo notícia da Exame, Florianópolis= conta com mais de 4.000 empreendimentos de inovação e tecnologia, representando 14% do PIB da cidade, empresas desse segmento têm uma c= arga de dados muito grande, o que justifica o uso de Data Science (Aranha, 2020).
Deste modo, existem evidências de que o Data Science traz benefício= s para a tomada de decisão das empresas. Assim, o tema deste trabalho será a avaliação do impacto do uso de ferramentas de Data Science na tomada de decis&at= ilde;o das organizações, com foco em uma empresa de Santa Catarina. O objetivo é identificar os ganhos percebidos pelo uso dessas ferramen= tas e os fatores críticos para o sucesso ou insucesso, além de apresentar sugestões de ações com base na literatura (focando nos pontos com baixa aderência entre o caso e a literatura), gerando assim um guia de implementação. O presente trabalho se justifica ainda pela falta de literatura local ou relacionada a empresas de Santa Catarina, com uma análise de sua utilização e seu impacto.
2 FUNDAMENTAÇÃO TEÓRICA
Para f=
undamentar
este trabalho, foram levantados, na literatura, os conceitos de tomada de
decisão, de planejamento estratégico e de desempenho empresar=
ial,
além das tecnologias envolvidas, que subsidiam a
elaboração do instrumento de pesquisa.
2.1 Tomada de Decisão
A tomada de decisão consiste em escolher entre alternativas previamente elaboradas. Em uma organização, uma escolha pode afetar todos os setores de forma direta ou indireta, o que pode representar um risco ou uma oportunidade. As decisões dentro de uma empresa são tomadas pelo gestor ou pelo grupo de gestores e devem es= tar de acordo com o planejamento estratégico da empresa, para que os objetivos sejam alcançados (Prado, 2020).
A tomada de decisão pode ser realizada de cinco formas, de acordo com Prado (2020): intuição ou instinto; val= ores pessoais; racional e lógica; meio coletivo; e especializada - no meio organizacional é a forma mais confiável.
A tomada de decisão especializada utiliza a opinião de um profissional especializado na área para orienta= r as decisões de um ponto de vista técnico e que sinalize um melhor caminho para a organização. É utilizada quando os outr= os tipos de tomada de decisão não são competentes para uma escolha benéfica à empresa (RESULTADOS DIGITAIS, 2022).
Um bom processo de tomada de decisão é = vital para uma visão clara do contexto e escopo que envolve a escolha a fa= zer, aumentando a chance de tomar a decisão correta, que irá beneficiar a empresa ou mitigar prejuízos inevitáveis.
Primeiramente, é necessário identificar= o problema ou a situação que requer que uma decisão seja tomada. Em seguida, busca-se o entendimento do problema através de coleta de dados, que pode ser feita de várias formas, como feedback dos envolvidos, pesquisas internas e externas, orçamentos, reuniões, relatórios, entre outros. Posteriormente, com o conhecimento do problema e dos dados coletados, é possível fazer o levantamento das alternativas q= ue podem levar à solução do problema. Várias ferramentas podem ser usadas para identificar essas alternativas, como brainstorming, prototipação, entre outros. As alternativas são analis= adas para descobrir qual é a melhor, e, finalmente, a decisão &eac= ute; tomada. A alternativa escolhida será implementada e acompanhada, permitindo a realização de eventuais mudanças conforme novos cenários surjam e de acordo com a eficiência da decisão tomada (Carlos Junior, 2019).
Como exposto, informações devem ser col= etadas para embasar a tomada de decisão, permitindo uma análise prec= isa dos problemas e das situações que irão ocorrer. Tomar decisões sem informações traz vários riscos par= a a organização, sejam eles imediatos ou não. Existem muit= os gestores que não dominam os processos internos da organização por falta de dados ou complexidade das tarefas. E= ssa situação pode ser resolvida através de um Sistema de Gestão Empresarial (ERP, do inglês Enterprise Resource Planning), que = ajuda na monitoração e coleta de dados referentes a empresa. Outro = erro que pode ser cometido é não identificar as preferências= dos clientes. Atualmente, cada indivíduo é uma grande fonte de da= dos que pode ser usado para prever suas preferências e, com base nisso, elaborar planos customizados para cada um ou para um grupo de clientes (ENT= ENDA OS RISCOS, 2017).
2.2 Planejamento Estratégico
Antes de abordar o planejamento estratégico em= si, é necessário mencionar dois conceitos relacionados que s&atil= de;o a estratégia e o planejamento. No contexto de uma organização, estratégia é trabalhar de forma contínua e sistemática para ajustar a empresa aos fatores de constante mudança que agem sobre ela, tendo em mente o futuro da organização, posicionando-se adequadamente diante das diversas situações. O planejamento, por sua vez, está relaciona= do à formulação de objetivos e ações alternativas, dentre as quais será escolhida a melhor ao final do processo. Também são consideradas as consequências futu= ras devido às decisões previamente tomadas, já que é= ; um processo contínuo para se alcançar certos objetivos da organização (Barbosa; Brondani, 2= 005).
O planejamento estratégico de uma organização proporciona uma direção para a empr= esa seguir na busca por atingir certos objetivos previamente elaborados, considerando o contexto ou ambiente de negócio que a empresa est&aac= ute; inserida. Essa metodologia consiste na construção de cenários para a identificação de problemas e oportunidades, e, posteriormente, a seleção de caminhos que levará a organização a alcançar seus objetivos.=
O plano estratégico é o documento f= ormal que contém os dados, as informações e as atividades necessárias para que os envolvidos entendam as razões das ações, como e quando será realizada cada fase, ou seja= , o plano de ação em si. Com esse documento, é possí= ;vel estabelecer o início, o desenvolvimento e o final do processo de implementação do planejamento estratégico, apresentand= o o resultado esperado de cada fase (Kuazaqui, 2016, p.18).
Segundo Barbosa e Brondani (2005), temos os seguintes passos para a elaboração de um planejamento estratégico: a) definir a missão; b) identificar fatores fundamentais para obter sucesso; c) estudar o mercado; d) definir m= etas e objetivos; e) estabelecer estratégias; f) planejar a ação; e g) controlar as ações.
2.3 Desempenho Empresarial
Um administrador de uma empresa deve ter métod= os de acompanhar os resultados dos processos empregados para atingir seus objetiv= os, neste contexto temos os indicadores de desempenho, também conhecidos como KPIs (Key Performance Indicators). Estes indicadores permitirão = aos tomadores de decisão de uma organização gerenciar tare= fas e medir resultados (AIESEC, [s.d.]).
Segundo Endeavor (2021), = existem quatro categorias de indicadores de desempenho que são mais importan= tes: indicadores de produtividade, de qualidade, de capacidade e estratégicos.
Os indicadores de produtividade são usados para medir a quantidade dos recursos utilizados para a execução de= um serviço ou produto, um exemplo seria a quantidade de horas que um colaborador ou máquina usa para executar uma determinada função (Endeavor, 2021).
Os indicadores de qualidade têm como objetivo entender qualquer falha ou desvio no processo de produção. Es= ses indicadores estão intimamente ligados aos indicadores de produtivida= de. As medições desta categoria de KPI devem identificar aspectos= que influenciam as entregas ao cliente, como, por exemplo, o prazo de entrega e possíveis problemas no produto (AIESEC, [s.d.]).
Os indicadores de capacidade têm similaridades = com os indicadores de produtividade, entretanto, eles têm como utilidade med= ir a capacidade que um processo tem de resposta, por exemplo, o cálculo do número total de produtos que podem ser embalados diariamente (AIESEC, [s.d.]).
Por fim, os indicadores estratégicos ajudam a orientar a empresa em relação aos objetivos estabelecidos no planejamento estratégico, através de comparação entre o cenário atual e o cenário previsto (Endeavor, 2021).
Endeavor (2021) exp&otild= e;e ainda, os principais indicadores de desempenho nas empresas de sucesso:
· Lucratividade - o percentual de lucro ajuda a entender o cenário atual e o que pode ser feito para se ter melhoras= ;
· Valor do ticket médio - ajuda a entender a dinâmica de vendas e pode ser acompanhado por venda, por cliente e por vendedor;
· Nível de serviço de entregas - indicador da área de logística, ajuda a entender a operação de transporte de produtos e a cadeia de suprimentos = da organização;
· Taxa de sucesso em vendas - auxilia a entend= er o índice de sucessos em negociações realizadas pela empr= esa;
· Índice de turnover - rotatividade dos funcionários, auxilia no entendimento de questões internas da organização.
2.4 Banco de Dados
Segundo Alves (2014, p.16), um banco de dados é “um conjunto lógico e ordenado de dados que possuem algum significado, e não uma coleção aleatória sem um= fim ou objetivo específico”. É construído com dados = que tem um objetivo, usuários e aplicações que irão manipular seus dados.
O tamanho de um banco de dados varia muito em
Um banco de dados é um conjunto de dados relacionados. Portanto, um Sistema de Gerenciamento de Banco de Dados (SGBD) é um software que lida c= om a definição, construção e manutençã= o de um banco de dados específico. O SGBD ainda permite excluir um banco = de dados ou modificá-lo com a adição ou exclusão d= as tabelas (Alves, 2014). Um conhecimento mais aprofundado sobre o negó= cio é necessário para a escolha do SGBD ideal, capaz de suprir as necessidades encontradas. Existem diversos SGBDs, cada um mais adequado a uma demanda específica, os mais comuns são: Oracle, DB2, MySQL, SQL Server, PostgreSQL, entre outros (Souza, 2020).
A importância de um banco de dados está = no seu poder de armazenar dados de forma eficiente, assim o usuário consegue achar as informações que procura dentro de um serviço = de forma precisa, e os administradores de tal sistema conseguem gerenciar esses dados de forma fácil, com um SGBD que se encaixe em suas necessidade= s (Souza, 2020).
A implementação de um banco de dados em= uma empresa traz uma série de benefícios para a organização.Segundo Souza (2020),= as principais vantagens incluem:
• = Melhora do relacionamento e produtividade na empresa - promove avanço no relacionamento interno, por conta de uma melhor comunicação e= ntre setores e conseuquente melhor alinhadmento, o que melhora produtividade, reduzindo conflitos e aumentando o potencial de melhores resultados;
• = Redução dos riscos de operação - com um melhor acesso às informações, é possível reduzir os custos, já que as equipes têm um alinhamento maior e podem ter suas ações coordenadas de forma otimizada;
• = Melhora na tomada de decisão - um bom banco de dados, com informações corretas, traz uma eficiência maior na toma= da de decisão devido a um conhecimento maior dos desafios e oportunidad= es que virão.
Também se faz necessário conhecer o que é um banco de dados relacional e não relacional e qual seria o melhor para a organização. Um banco de dados relacional &eacu= te; uma forma de representar dados em tabelas, onde cada linha da tabela &eacut= e; um registro único identificado através de uma chave primária, e cada coluna é um atributo dos dados. Cada registro terá um valor para cada atributo, e o relacionamento entre tabelas &= eacute; estabelecido através das chaves primárias de cada tabela, que serão referenciadas como chaves secundárias em outras tabelas. Além disso, utiliza da linguagem SQL (Structured Query Language). O banco de dados não relacional tem como responsabilidade responder por demandas que = os bancos de dados relacionais não conseguem, como, por exemplo, os dad= os mistos, misturando tabelas, imagens e mapas, que não podem ser coloc= ados nas colunas e linhas da tabela. Utiliza da linguagem N= oSQL (Not Only SQL) (Souza, 2020).
2.5 Big Data
Segundo Goldschmidt et al. (2015, p 211), Big Data compreende “todas as técnicas e iniciativas de tratamento, integração e análise de dados provenientes de diversas fontes em diferentes mídias e formatos”. É um termo pop= ular nos últimos anos para tratar do crescimento da quantidade de dados de forma massiva.
Big Data = tem três dimensões básicas, segundo Oracle ([s.d.]), chamad= as de três “V’s”, e posteriormente mais dois “V’s” surgiram:
• = Volume - tratamento de grandes volumes de dados;
• = Velocidade - análises devem ser possíveis de forma ágil, a fim de= que as informações possam ser utilizadas no tempo em que sã= ;o necessitadas;
• = Variedade - tratamento de dados de diversas origens e de diversos tipos como texto, áudio e vídeo;
• = Valor - dados têm valor intrínseco, que deve ser encontrado através de sua análise;
• = Veracidade - seus dados são confiáveis?
O conceito de Big Data é relativamente novo, mas as origens dos grandes conjuntos = de dados vêm dos anos 60 e 70 com a criação dos primeiros = Data Centers e banco de dados relacional. Em 2005, a quantidade de dados gerados por plataformas como o Facebook, Youtube e outros se destacou, e, nesse mesmo período, o = NoSQL também aumentou em popularidade com gran= de quantidade de mídias sendo compartilhadas na internet. Os usuários geram grandes quantidades de dados, mas, hoje em dia, não são os únicos. A invenção da Internet das Coisas (IoT) fez com que mais dispositivos estejam conectados à internet, e a introdução do machine learning, para descobrir o comportamento dos clientes e fazer marketing direcionado, entre outros, criou ainda mais dados. Mesmo com essa evolução relacionada ao Big Data, seu uso ainda está em um período inicial, com desenvolvimento em cima da nuvem e outras tecnologias sendo implementados a cada dia (Oracle, [s.d.]).
Sobre os benefícios da Big Data, temos que, com o maior volume de informações, as respostas têm uma completude elevada, o= que traz uma confiança maior nos dados para a resolução de problemas e tomada de decisões. Big Data pode ser usado para as mais diversas atividades, por exemplo: desenvolvimento de produtos, manutenção preditiva, experiência do cliente, machine learning, inovação, eficiência operacional, entre outros (Oracle, [s.d.]).
O Big Data surgiu como uma grande oportunidade para as organizações, poré= ;m, com o volume de dados dobrando a cada dois anos, muitas empresas precisam se esforçar muito para acompanhar esse crescimento e armazenar e analis= ar estes dados para que sejam úteis. As tecnologias utilizadas est&atil= de;o mudando rapidamente, o que torna o processo de se manter atualizado nessas tecnologias e ferramentas um desafio contínuo. Para ajudar no uso do= Big Data, existem boas prát= icas que são recomendadas, por exemplo: alinhar o Big Data com objetivos de negócios específicos, alinhar-se ao modelo operacional da nuvem, alinhar dados estruturados e não estruturados, adicionar as tecnologias, consideraçõ= ;es e decisões de Big Data à governança de TI da organização, entre outras (Oracle, [s.d]).
2.5 Data Science
&nb= sp;
A Data Scienc= e lida com a enorme quantidade de dados, que são gerados e consumidos = no dia a dia por meio de tecnologias. É uma área de conhecimento interdisciplinar, englobando as áreas da ciência da computação, matemática e estatística, e da área específica onde aplica-se o projeto (Morais, 2018). Na figura 1 temos um diagrama caracterizando as áreas de conhecimento d= a Data Science.
Figura 1 &= #8211; Áreas de conhecimento da Data Science
![](3D"Navus_v15_1952_arquivos/image003.gif")
Fonte: Introdução a Big Data e Internet das Coisas, 20=
18.
A Data Scienc= e traz o benefício principal do auxílio na tomada de decis&atil= de;o através da coleta, estudo, modelagem e classificação d= os dados, que ajudarão na criação de estratégias e planos de ação nas organizações. Outros benefícios são a redução de custos atravé= ;s da identificação de gastos desnecessários, a vantagem competitiva através da identificação e compreens&atild= e;o de novas oportunidades, a previsão de demandas futuras e a personalização de produtos e serviços por meio de dados que contribuem para um maior conhecimento dos clientes (Affonso, 2021).
Durante a década de 1990, a tomada de
decisão automatizada trouxe diversas mudanças a vários
setores, principalmente os bancários e de empresas de
telecomunicações. Na época, o foco era controlar a qua=
ntidade
de fraudes, por isso, passaram a implantar o gerenciamento de decisõ=
es
de controle de fraudes orientadas em dados. Hoje, sabemos que toda empresa =
que
visa crescer no mundo dos negócios implanta de alguma forma a
análise de seus dados, nem que seja por meio de percepç&otild=
e;es
cotidianas (Morais, 2018, p.36).
De acordo com Noro, Abbade e Mattana (2008, p= .1), “todo sucesso, todo percalço, toda oportunidade agarrada ou perdida é fruto de uma decisão que alguém tomou ou dei= xou de tomar”. Logo, o tomador de decisão deseja ter os dados atualizados e em tempo hábil para tomar suas decisões de form= a a trazer consequências positivas para a organização.
Há fortes evidências de que o desemp= enho dos negócios pode ser aprimorado substancialmente por meio da tomada= de decisão baseada em dados, tecnologias de big data e técnicas de ciência de dados baseadas e= m big data. A ciência de dados= apoia a tomada de decisão baseada em dados - e às vezes permite a tomada de decisões automaticamente em grande escala - e depende de tecnologias para armazenamento e engenharia de “big data” (Provost; Fawcett, = 2013, p.8).
A Data Scienc= e é importante para decisões orientadas por dados, ou seja, para utilizar de uma análise meticulosa dos dados a fim de se tomar decisões que serão benéficas para a organização onde foi implementada. Podem ser dados internos, = como o número de um produto específico em estoque ou um gasto desnecessário em alguma parte dos processos da empresa, ou dados externos, como os dados de navegação de algum site, utilizado para se fazer um perfil do cliente e implementar um marketing direcionado p= ara o mesmo (Morais et al.,2018).
Mesmo com os diversos benefícios apontados e a discussão sobre Data Science= cada vez mais prevalente, ainda existem organizações que resi= stem à mudança de paradigma para uma cultura empresarial focada em dados.
3 PROCEDIMENTOS METODOLÓGICOS
A presente pesquisa é classificada como aplicada, pois tem
resultados imediatos gerando conclusões sobre o tema, e
exploratória através do levantamento bibliográfico e da
inclusão do formulário respondido, além de qualitativa
pelo uso do ambiente de pesquisa como fonte direta para a
obtenção dos dados sem utilização de recursos
estatísticos (Vianna, 2013).
Esta pesquisa debruça-se em um estudo aprofundado de um caso
concreto, sendo, portanto, um estudo de caso (Yin, 2015). Como instrumento =
de
coleta de dados, utilizou-se entrevista semiestruturada, onde relacionou-se=
o
uso de Data Science no processo=
de
tomada de decisão em uma organização de apoio empresar=
ial
no estado de Santa Catarina. As entrevistas foram respondidas de forma conj=
unta
pelo departamento de marketing e compiladas por um colaborador líder=
da equipe,
ocupando o cargo de gerente da organização estudada, resultan=
do
em uma resposta única. A limitação imposta pelo
método indutivo é reconhecida pelos autores, considerando que
tanto a análise quanto o guia estão fundamentados no caso
estudado, podendo não ser aplicáveis a outros casos.
A organização estudada existe desde 1972 e atua no
desenvolvimento sustentável de micro e pequenas empresas, sendo um
agente de capacitação e promoção do
desenvolvimento, com parcerias nos setores público e privado. A
organização atende desde empreendedores que desejam iniciar s=
eu
primeiro negócio até empresas já consolidadas que busc=
am
novos negócios e oportunidades.
A organização está presente em todo territó=
rio
nacional onde oferece seus serviços para negócios de todos os
setores da economia.
Este estudo foi subsidiado por pesquisa bibliográfica sobre toma=
da
de decisão, planejamento estratégico, Data Science e outros temas correlacionados, que fundamentaram a
construção das perguntas da entrevista – as quest&otild=
e;es
são originárias dessa base teórica. Foi criado um
formulário para coletar informações, mas com
participação direta da gestora, foi realizada em forma de
entrevista, mesmo que o pesquisador tenha mantido a utilização
das perguntas originais. Em seguida, uma análise de conteúdo =
foi
realizada a partir das respostas obtida na entrevista, a fim de medir os
impactos da Data Science na tom=
ada de
decisão, por meio da percepção do tomador de
decisão da empresa.
Por fim, e usando a percepção do gestor, foram realizadas
novas pesquisas na literatura, com objetivo de construir um guia de melhores
práticas para a implantação de ciência de dados,
aplicáveis nessa organização estudada. Esse guia foi
validado com apoio de especialistas, professores da área de
Gestão de Conhecimento do Instituto Federal de Santa Catarina.
3 DESENVOLVIMENTO E RESULTADOS
3.1 Construção da Entrevista
A fim de captar a percepção de um geren=
te que
toma decisões diariamente em uma organização, o
formulário considera o uso da ciência de dados na própr=
ia
tomada de decisão e as áreas afetadas por essas decisõ=
es,
como produtividade, qualidade do produto, lucratividade e o uso de dados no
monitoramento dos resultados alcançados.
Após a elaboração de um formulário piloto f=
oram
feitas melhorias e validações do mesmo com a ajuda de uma emp=
resa
de serviços de Data Science<=
/i> da
Grande Florianópolis que tem clientes em todo território
nacional.
As perguntas foram selecionadas com base na
recorrência dos temas investigados na literatura relacionados à
Data Science, abrangendo oito questões abertas e escalares:
1.
A quanto tempo utilizam serviços terceirizados=
de
Data Science?
2.
Tem conhecimento das tecnologias empregadas nos
serviços de Data Science=
? Se
sim, especifique o que sabe.
3.
Qual a importância dos serviços de Data Science para a tomada de
decisão da sua organização em uma escala de 1 a 5? (1 -
indiferente, 2 - pouca importância, 3 - importância moderada, 4=
-
muito importante, 5 - importância crucial)
4.
Como a empresa utiliza os resultados alcançado=
s a
partir dos serviços de Data
Science no processo de tomada de decisão?
5.
Em uma escala de 1 a 5, você percebe melhoria na
produtividade? Se possível explique mais a fundo. (1 - indiferente, =
2 -
muito pouco, 3 - pouco, 4 - moderado, 5 - grande)
6.
Em uma escala de 1 a 5, você percebe melhoria na
qualidade dos produtos? Se possível explique mais a fundo. (1 -
indiferente, 2 - muito pouco, 3 - pouco, 4 - moderado, 5 - grande)
7.
Em uma escala de 1 a 5, você percebe melhoria no
monitoramento dos resultados da empresa em relação aos objeti=
vos
traçados? Se possível explique mais a fundo. (1 - indiferente=
, 2
- muito pouco, 3 - pouco, 4 - moderado, 5 - grande)
8.
Você acredita que a utilização de=
stes
serviços de Data Science
trouxe uma maior lucratividade a empresa? De que forma?
A entrevista foi realizada em maio de 2022 e, a ela, soma-se a precepção dos autores da pesquisa, em papel de observadores.<= o:p>
3.2
Análise de Resultados
A entrevista foi respondida conjuntamente pelo depart= amento de marketing e compilada por um colaborador líder da equipe, que ocu= pa o cargo de gerente na organização estudada. A coleta foi realiz= ada usando o instrumento original (formulário), com participação do pesquisador. O gerente informou que a organização utiliza serviços de ciência de dados contratados de terceiros desde 2019, o que considerou recente, levando em c= onta a tendência atual das empresas de buscarem esses recursos para uma me= lhor utilização de seus dados internos e externos.
Quadro 1 – Respostas coletadas na entrevista (recorte das perguntas em escal= a)
|
|
Respo= stas |
|
|
|
|
5. Em=
uma
escala de 1 a 5, você percebe melhoria na produtividade? Se
possível explique mais a fundo. (1 - indiferente, 2 - muito pouco,=
3 -
pouco, 4 - moderado, 5 - grande) |
|
|
6. Em=
uma escala
de 1 a 5, você percebe melhoria na qualidade dos produtos? Se
possível explique mais a fundo. (1 - indiferente, 2 - muito pouco,=
3 -
pouco, 4 - moderado, 5 – grande) |
|
|
7. Em=
uma
escala de 1 a 5, você percebe melhoria no monitoramento dos resulta=
dos
da empresa em relação aos objetivos traçados? Se
possível explique mais a fundo. (1 - indiferente, 2 - muito pouco,=
3 -
pouco, 4 - moderado, 5 - grande) |
|
|
8.
Você acredita que a utilização destes serviços=
de
Data Science trouxe uma maior lucratividade a empresa? De que forma? |
|
Fonte: Ace= rvo do Autor (2024).
O gestor da empresa estudada, quando questionado se p=
ossui
conhecimento das tecnologias utilizadas em Data Science, soube apont=
ar o
uso de PowerBI, que, segundo EBAC (2023), &eacu=
te;
uma plataforma de análise de dados que tem destaque pela sua
simplicidade e pelo fornecimento de ferramentas para relatórios e
As questões cujo instrumento buscava coleta da percepção em forma de escala, encontram-se no Quadro 1.
Ainda, ao abordar a tecnologia, o gestor não s= oube informar sobre os processos de desenvolvimento desses painéis e análises, tampouco quais foram os colaboradores que participaram des= se processo e como as demandas foram identificadas.
Sob a percepção do tomador de decis&oti= lde;es que participou da pesquisa temos um reconhecimento de que a ciência de dados é muito importante para a tomada de decisão da organização, informação que vai de acordo com a literatura que trata do assunto., a exemplo do que apresenta Provost e Fawcett (2013).
Nas questões sobre melhoria na produtividade e qualidade de produtos, é afirmada uma melhoria mediana, de acordo co= m o gerente; isso pode se dar por uma falta de maturidade no uso da Data Sci= ence em geral, e na parte de qualidade pode ser explicado pelos produtos atuais terem sido desenvolvidos antes da ciência de dados ser introduzida na empresa, talvez, com produtos futuros, a melhoria seja mais significante.
Foi expressa uma melhoria moderada no quesito de monitoramento dos resultados. Empresas que cultivam uma cultura orientada a dados conseguem acompanhar os seus resultados e interpretá-los de uma melhor forma, ocasionando melhorias nas próximas iteraç&otild= e;es de seus projetos.
Destaca-se, também, a percepção = do gerente de que o uso de Data Science trouxe uma maior lucratividade através de novos produtos baseados nos dados, mesmo que ainda esteja= m em fase de experimentação. Se estes produtos já estivesse= m em um estado de maior maturidade a resposta da questão sobre qualidade = de produtos possivelmente seria diferente.
Levando em consideração todas as respos= tas, observa-se que existe uma percepção da importância da ciência de dados, conforme atestado pelo gerente que participou desta pesquisa. No entanto, em algumas áreas, o impacto não foi ain= da tão efetivo, e, com uma maior maturidade no uso dos dados dentro des= ta organização, poderia ser melhorado.
A partir desta análise, foram realizadas novas pesquisas na literatura, com objetivo de construir um guia de melhores práticas para a implantação de ciência de dados, aplicáveis nessa organização estudada.
3.3 Guia de Boas Práticas para Implantação =
do
Data Science
Considerando as percepções do gestor, f= oram identificados, na literatura, fases para a implantação de projetos onde se tem o uso de ciência de dados, de modo a assegurar a participação e entendimento dos atores envolvidos (inclusive = do gestor) no processo, bem como na percepção de resultados, objetivando o sucesso do projeto e mudança em tais percepções:
Quadro 2 – Fases de Implantação
|
|
Motiv= ação e autor-base |
|
|
|
|
2°=
; Coleta
de dados adequada |
|
|
3° Seleção e utilização de algoritmos adequados<= o:p> |
|
|
4°
Apresentação dos resultados de forma eficaz |
|
|
5°
Colaboração |
|
|
|
|
Fonte: Acervo do Autor (2024).
Por sua vez, com relação a percepção da qualidade do produto, sugere-se as seguintes práticas:
Quadro 3 – Práticas relacionadas à qualidade do produto
|
|
Benef= ícios e autor-base |
|
|
|
|
|
Data Science<=
span
lang=3DPT style=3D'font-family:"Myriad Pro",sans-serif;mso-bidi-font-fami=
ly:Arial;
mso-ansi-language:PT'> pode ser utilizada para a identificaç&atild=
e;o
da causa de um problema de qualidade; |
|
|
|
|
|
|
Fonte: Acervo do Autor (2024).
Acredita-se, que com a adoção dessas práticas, a percepção do tomador de decisão possivelmente seria diferente, motivada pelo uso mais significativo da ciência de dados, o que promoveria melhorias mais acentuadas.
3 CONCLUSÃO
Esta pesquisa teve como objetivo geral mensurar os impactos da Data Science na tomada de
decisão. A aplicação do formulário evidenciou a
importância da ciência de dados no processo de tomada de
decisão da empresa, com a utilização de painéis=
que
auxiliam na definição de direções
estratégicas para o negócio, no monitoramento de resultados e=
no
desenvolvimento de novos produtos. Em algumas áreas, o impacto
foi considerado reduzido, de acordo com o gerente que respondeu ao
formulário. Esse resultado pode ser atribuído à falta de maturidade =
no
uso de dados nessas áreas em específico, visto que a empresa
passou a utilizar serviços terceirizados de Data Science somente a partir de 2019.
A organização apresenta potencial para ampliar o uso de
ciência de dados na sua tomada de decisão, bem como para
impulsionar seus resultados e sua percepção de impacto.
Sugere-se que a entrevista de percepção seja aplicada em =
um
número maior de empresas, com análise quantitativa, assim com=
o a
implantação do guia de melhores práticas, para
validação in loco dos conceitos validados por
especialistas.
REFERÊN= CIAS
4INFRA. O que é automatização de tarefas? [s.d.]. Disponí= vel em: https://4infra.com.br/automatizacao-de-tarefas/ Acesso = em: 6 nov. 2023.
AFFONSO, Aline. O
que é Data Science, quais suas vantagens e como implementar na sua
empresa? 2021. Disponível em:
https://www.voitto.com.br/blog/artigo/data-science. Acesso em: 20 jun. 2021=
.
AIESEC. Indi=
cadores
de desempenho empresarial: 4 métricas para acompanhar em sua PME. 2019.
Disponível em: https://aiesec.org.br/indicadores-de-desempenho-empresarial-4-metricas-=
para-acompanhar-em-sua-pme/
ALVES, Paulo M.M.R. O impacto de Big Data na Atividad=
e de
Inteligência. In: Revista Brasileira de Inteligência.
Brasília: Abin, n. 13, dez. 2018. Disponível em
<https://www.profcordella.com.br/unisanta/textos/ABIN_O-IMPACTO-DE-BIG-D=
ATA-NA-ATIVIDADE-DE-INTELIG%C3%8ANCIA.pdf>.
Acesso em 12 out 2024.
ALVES, Willian Pereira. Banco de Dados. São Paulo: Érica, 2014. 160 p.
Disponível em: https://app.minhabiblioteca.com.br/#/books/9788536518=
961/.
Acesso em: 04 jul. 2021.
ARANHA, Carla. Florianópolis
é destaque com polo de inovação e tecnologia. 2020.
Disponível em:
https://exame.com/brasil/florianopolis-e-destaque-com-polo-de-inovacao-e-te=
cnologia/.
Acesso em: 01 jun. 2021.
ARAUJO, Liriane Soares de; RAMOS, Lucas da Cunha; MAR=
INO,
Rita de Cássia Chimello. Estudos sobre Data Science: um enfoque em
storytelling. In: Interface Tecnológica, Fatec Taquaritinga: =
2023
.p.195-207
DOI: https://doi.org/10.31510/infa.v20i2.1802
ÁVILA, Thi=
ago. O que faremos com os 40 trilhões de gigabytes =
de
dados disponíveis em 2020? 2017. Disponível em:
https://ok.org.br/noticia/o-que-faremos-com-os-40-trilhoes-de-gigabytes-de-=
dados-disponiveis-em-2020/.
Acesso em: 27 jul. 2021.
BARBOSA, Emerson Rodrigues; BRONDANI, Gilberto. Planejamento Estratégico
Organizacional. 2005. Disponível em:
https://periodicos.ufsm.br/contabilidade/article/view/107. Acesso em: 04 ju=
l.
2021.
Brynjolfsson, Erik and Hitt, Lorin M. and Kim,
CARLOS JUNIOR. Entenda
as 5 etapas do processo de tomada de decisão. 2019.
Disponível em:
https://www.projectbuilder.com.br/blog/processo-de-tomada-de-decisao/. Aces=
so
em: 2 jul. 2021.
COBLI. Enten= da o que é previsão de demanda e conheça todos os seus benefícios. 2023. Disponível em: https://www.cobli.co/blog/previsao-de-demanda/ Acesso = em: 6 nov. 2023.
CRAWLY. 4 er=
ros de
Data Science que muitas empresas cometem (e como evitá-los). 202=
3.
Disponível em: https://www.crawly.com.br/blog/4-erros-de-data-science-que-muitas-empre=
sas-cometem-e-como-evita-los
DANIEL, Ben. Reimaging Research Methodology as Data Science. Big Data And<= /span> Cognitive Computing, [s.l.], v. 2, n. 1, p.4-20= , 12 fev. 2018. MDPI AG. http://dx.doi.org/1= 0.3390/bdcc2010004
EBAC. Power = BI: o que é, para o que é usado e como funciona?. 2023. Disponível em: https://ebaconline.com.br/blog/o-que-e-power-bi Acesso = em: 4 nov. 2023.
ENDEAVOR. KP= I: como medir o que importa no seu negócio. 2021. Disponível= em: https://endeavor.org.br/estrategia-e-gestao/kpi/ Acesso:= 4 nov. 2023.
ENDEAVOR. 5
indicadores de desempenho para medir seu sucesso. 2023. Disponív=
el
em: https://endeavor.org.br/estrategia-e-gestao/indicadores-de-desempenho/<=
/span>
ENTENDA OS RISCOS da tomada de decisão sem
informações concretas. Sispro,
2017. Disponível em: https://tecnoblog.net/247956/referencia-site-abnt-artigos/
FREIRE, Raquel. Dez
curiosidades sobre disquetes, que fizeram sucesso nos PCs dos anos 90.
2019. Disponível em:
https://www.techtudo.com.br/listas/2019/06/dez-curiosidades-sobre-disquetes=
-que-fizeram-sucesso-nos-pcs-dos-anos-90.ghtml.
Acesso em: 27 jul. 2021.
FREITAS JUNIOR, Vanderlei; WOSZEZENKI, Cristiane;
ANDERLE, Daniel Fernando; SPERONI, Rafael; NAKAYAMA, Marina Keiko. A pesqui=
sa
científica e tecnológica. Espacios,
Caracas, v. 35, n. 9, p. 12-12, 13 jul. 2014. Disponível em:
https://www.revistaespacios.com/a14v35n09/14350913.html. Acesso em: 13 jul.
2021.
GOLDSCHMIDT, Ronaldo et
al. Data Mining: conceitos,
técnicas, algoritmos, orientações e
aplicações. 2. ed. Rio de Janeiro: Elsevier, 2015. 276 p.
Disponível em:
https://app.minhabiblioteca.com.br/#/books/9788595156395/. Acesso em: 04 ju=
l.
2021.
IBPAD. O que é linguagem R?. 2022. Disponível em: https://ibpad.com.br/sobre/o-que-e-linguagem-r/ Acesso = em: 4 nov.2023.
JOBU. As 5
principais boas práticas de Big Data. 2022. Disponível em=
: https://jobu.com.br/2022/05/15/boas-praticas-de-big-data/
MESCHINI, Fábio Orsi; FRANCELIN, Marivalde Moa=
cir.
Big data e Organização do Conhecimento: reflexões inic=
iais
a partir de uma proposta classificatória da produção
científica. In: Em Questão, UNIVERSIDADE FEDERAL DO RIO
GRANDE DO SUL, 2021. DOI:
https://doi.org/10.19132/1808-5245281.35-63
MICROSOFT. T=
ransforme
os dados em impacto imediato. [s.d.]. Disponível em: https://powe=
rbi.microsoft.com/pt-br/
MONITORA. Ve=
ja 6
vantagens de utilizar o data science nas empresas. 2019. Disponí=
vel
em:
MORAIS, Izabelly Soares d=
e et al. Introdução a Big Data e Internet das Coisas
NORO, Greice de Bem; ABBADE, Eduardo; MATTANA, Lucian=
o. Tomadores de decisões: estilos=
que
fazem à diferença. 2008. Disponível em: https://ww=
w.aedb.br/seget/arquivos/artigos08/106_decisao_Seget.pdf.
Acesso em: 27 jul. 2021.
ORACLE. O que
é Big Data? Disponível em:
https://www.oracle.com/br/big-data/what-is-big-data/. Acesso em: 2 jul. 202=
1.
PASSOS, Danielle Sandler dos. Big Data, Data Science e
seus contributos para o avanço no uso da Open Source Intelligence. Sistemas & Gestão, [S.=
L.],
v. 11, n. 4, p. 392-396, 31 maio de 2017. Laikos Serviços Ltda.
http://dx.doi.org/10.20985/1980-5160.2016.v11n4.1026.
PRADO, Tatiana. O
que é a tomada de decisão e como ela pode ser estratég=
ica
para uma organização? 2020. Disponível em:
https://www.voitto.com.br/blog/artigo/tomada-de-decisao. Acesso em:
04 jul. 2021.
PROVOST, Foster; FAWCETT, Tom. Data Science and its Relationship to Big Data and Data-Driven Decis=
ion
Making. 2013.
Disponível em: https://www.liebertpub.com/doi=
/full/10.1089/big.2013.1508
RESULTADOS DIGITAIS. Tomada
de decisão: o que é, quais são os tipos e dicas de como
fazer. 2022. Disponível em:
SOUZA, Clayton. O
que é Data Science: entenda como aplicar em sua empresa. 2019.
Disponível em: https://bdasolutions.com.br/2019/01/o-que-e-data-science-entenda-como-a=
plicar-em-sua-empresa/
SOUZA, Ivan de. Banco
de dados: saiba o que é, os tipos e a importância para o site =
da
sua empresa. 2020. Disponível em:
https://rockcontent.com/br/blog/banco-de-dados/. Acesso em: 2 jul. 2021.
TERA. Data
Science: o guia da área que une tecnologia, negócios e dados.=
[s.d.].
Disponível em: https://blog.somostera.com/data-science/data-science-guia
VIANNA, Cleverson Tabajara. Classificação das Pesquisas Científicas -
Notas para os alunos. Florianópolis, 2013. Disponível em:
https://www.researchgate.net/publication/343532633_Professor_CLEVERSON_TABA=
JARA_VIANNA_-Tabajaraifscedubr_-PESQUISA_E_METODOLOGIA_CIENTIFICA_CLASSIFIC=
ACAO_DAS_PESQUISAS_CIENTIFICAS_-Notas_para_os_alunos_Natureza_Procedimentos=
_Basica.
Acesso em: 13 jul. 2021 DOI: 10.13140/RG.2.2.18715.08484
XAVIER, Fabio Correa; Ribeiro, Andrey Fernando da Sil=
va. Uso da ciência de dados como
ferramenta para planejamento de atingimento das metas da Agenda 2030 para o
desenvolvimento sustentável. 2018. Disponível em: =
https://www.tce.sp.gov.br/epcp/cadernos/index.php/CM/article/view/55/50=
YIN, Robert K.. Estudo
de caso: planejamento e métodos. 5. ed. Porto Alegre: Bookman, 2=
015.
ZUMBA, Felipe Macedo; ANDRADE JÚNIOR, Jose Itama=
r;
LOPES NETO, Manoel; SOUZA NETO, Rômulo de Andrade de; ARAUJO, Shayanne Moura Fernandes de; MARTINS, Jessica Caroline
Macedo Teixeira; DANTAS, samantha Vasconcelos; =
BRITO,
Andressa Loyse Araújo. Impacto da
ciência de dados no modus operandi das organizações: uma
perspectiva conceitual. In: =
Revista
Observatorio de la Economia Latinoamericana.
Curitiba: 2023, v.21, n.8, p. 9840-9861. DOI: 10.55905/oelv21n8-108 =