Content uploaded by Raquel Janissek-Muniz
Author content
All content in this area was uploaded by Raquel Janissek-Muniz on Oct 29, 2019
Content may be subject to copyright.
XLIII Encontro da ANPAD - EnANPAD 2019
São Paulo/SP - 02 a 05 de outubro
Explorando usos potenciais do Big Data Analytics para a Inteligência Antecipativa
Autoria
Fabiano Chiapinotto Saffi - fabianosaffi@gmail.com
Prog de Pós-Grad em Admin/Esc de Admin – PPGA/EA/UFRGS - Universidade Federal do Rio Grande do Sul
Raquel Janissek-Muniz - rjmuniz@ufrgs.br
Prog de Pós-Grad em Admin/Esc de Admin – PPGA/EA/UFRGS - Universidade Federal do Rio Grande do Sul
Resumo
O Big Data tem se desenvolvido significativamente na academia e nos negócios. Estes
avanços permitem que empresas adotem formas inovadoras de coletar e analisar grandes
volumes de dados, em variadas formas e origens. Para obter valor, organizações estão
investindo em ferramentas Big Data Analytics (BDA), buscando aumentar sua capacidade de
entender e antecipar as mudanças no ambiente. Ao considerar esses dados em seus processos
de monitoramento (inteligência), analistas potencializam a identificação de sinais
antecipativos, usando o BDA como um mecanismo de relacionamento com o mercado,
monitorando ambientes evolutivos e, portanto, dinâmicos e incertos. Aproximando as
disciplinas da área de Sistemas de Informação (Big Data e Inteligência Antecipativa), este
estudo empírico, realizado através de entrevistas em profundidade, objetiva compreender se
os gestores identificam sinais antecipativos por meio das ferramentas BDA, bem como, o seu
uso na tomada de decisão estratégica. Como resultado, apresenta-se características e práticas
do BDA que influenciam o monitoramento e a identificação de sinais fracos, com evidências
de que dados candidatos a sinais fracos podem ser identificados a partir do BDA e de que
essas ferramentas facilitam o monitoramento do ambiente.
XLIII Encontro da ANPAD - EnANPAD 2019
São Paulo/SP - 02 a 05 de outubro
Explorando usos potenciais do Big Data Analytics para a Inteligência Antecipativa
Resumo: O Big Data tem se desenvolvido significativamente na academia e nos negócios. Estes
avanços permitem que empresas adotem formas inovadoras de coletar e analisar grandes
volumes de dados, em variadas formas e origens. Para obter valor, organizações estão
investindo em ferramentas Big Data Analytics (BDA), buscando aumentar sua capacidade de
entender e antecipar as mudanças no ambiente. Ao considerar esses dados em seus processos
de monitoramento (inteligência), analistas potencializam a identificação de sinais antecipativos,
usando o BDA como um mecanismo de relacionamento com o mercado, monitorando
ambientes evolutivos e, portanto, dinâmicos e incertos. Aproximando as disciplinas da área de
Sistemas de Informação (Big Data e Inteligência Antecipativa), este estudo empírico, realizado
através de entrevistas em profundidade, objetiva compreender se os gestores identificam sinais
antecipativos por meio das ferramentas BDA, bem como, o seu uso na tomada de decisão
estratégica. Como resultado, apresenta-se características e práticas do BDA que influenciam o
monitoramento e a identificação de sinais fracos, com evidências de que dados candidatos a
sinais fracos podem ser identificados a partir do BDA e de que essas ferramentas facilitam o
monitoramento do ambiente. Palavras-chave: Big Data; Inteligência Antecipativa; Big Data
Analytics; Sinais Fracos.
1. Introdução
Nas últimas duas décadas o Big Data surgiu como uma importante área de pesquisa, com
impulso significativo em comunidades acadêmicas e de negócios (Chen, Chiang & Storey,
2012; Günther, Mehrizi, Huysman & Feldberg, 2017). Este campo de estudos se tornou uma
nova fronteira para inovações e oportunidades, habilitadas pela tecnologia e permitidas pela
revolução da informação (Goes, 2014; Duan & Cao, 2015). O termo Big Data foi utilizado pela
primeira vez por John Mashey, referindo-se ao armazenamento de conjuntos de dados massivos
(Diebold, 2018), e como um sistema que armazena e processa grandes volumes de dados
amplamente variados, gerados, capturados e processados em alta velocidade (Laney, 2001;
Constantiou & Kallinikos, 2015).
Avanços em tecnologias emergentes permitiram que as empresas desenvolvessem
formas inovadoras de coletar dados (Duan & Cao, 2015). No ambiente de negócios do Big Data,
devido ao imenso número de dados capturados ou gerados, há uma sobrecarga de informações
digitalizadas (Jiang, 2015), das mais variadas formas e origens (Goes, 2014; Sivaraja, Kamal,
Irani & Weerakkody, 2017). Para transformar esta grande quantidade de informações em valor,
alavancando a geração de conhecimento, as organizações estão aumentando seus investimentos
nas ferramentas de Big Data e Business Analytics, que permitem análise, visualização e
interpretação dos dados, com o objetivo principal do apoio à tomada de decisões (Sharma,
Reynolds, Scheepers, Seddon & Shanks, 2010). São métodos e técnicas analíticas realizadas
por meio de aplicativos complexos, que permitem compilar de forma inteligente os dados
estruturados ou não estruturados (Chen et al, 2012; Davenport & Dyche, 2013; Duan & Cao,
2015). A este conjunto de ferramentas, a literatura usa o termo Big Data Analytics (BDA)
(Janssen, Van der Voort & Wahyudi, 2017), voltando a atenção ao valor potencial criado por
meio do uso de BDA. A exemplo, Chen et al (2012) sinaliza que o BDA ajuda as organizações
a entender melhor seus negócios e mercados dinâmicos, alavancando oportunidades e
apresentando possíveis ameaças (Sharma et al, 2010). Lavalle, Lesser, Shockley e Hopkins
(2011), em sua pesquisa com mais de 3000 CIOs, mostra que organizações de maior
performance utilizam BDA 5x mais do que as demais.
Por outro lado, a manutenção da competitividade e da resiliência das organizações
depende, em grande parte, da capacidade de entender e antecipar as mudanças no ambiente
(Ilmola & Kuusi, 2006; Rossel, 2009; Lesca, Caron-Fasan, Loza Aguirre & Chalus-Sauvannet,
2015). Para reduzir a incerteza na tomada de decisão e alinhar a estratégia às transformações
rápidas do mercado (Choo, 2001), é necessário um processo proativo de monitoramento do
ambiente. Esta escuta “ativa” permite que as empresas se posicionem considerando as
XLIII Encontro da ANPAD - EnANPAD 2019
São Paulo/SP - 02 a 05 de outubro
informações encontradas (Janissek-Muniz, Lesca & Freitas, 2007; Kim & Lee, 2017). Ela não
pode ser realizada de forma passiva (Mendonça, Cardoso & Caraça, 2012); a escuta não é
efetiva sem um processo formalizado (Fonseca, 2011; Cainelli, 2018). Como chegam de forma
difusa, ambígua e fragmentada, sua detecção não é simples, sendo dificilmente apresentadas
aos decisores. Por isto, os dados precisam ser amplificados e interpretados (Mendonça et al,
2012), evidenciando eventos ainda estão em formação.
Em Inteligência Antecipativa chamamos tais informações de sinais fracos (Ansoff,
1975). Sinais fracos (SF) são indícios antecipados de fenômenos de mudança (Janissek-Muniz
et al, 2007) com características como: incompletos, ambíguos, incertos e de difícil detecção
(Lesca, 2003). Sua interpretação requer uma análise metodológica e preferencialmente coletiva,
em processo contínuo, para que possam potencialmente fornecer valor estratégico (Janissek-
Muniz, Borges & Bortoli, 2015). Esta prática implica em ser capaz de coletar e selecionar
informações significativas, imersas em um grande “ruído” de dados, para depois analisá-las,
adaptando a organização aos sinais encontrados (Lesca et al, 2015). As maneiras pelas quais as
organizações capturam sinais ambientais e alavancam sua tomada de decisão são questões
importantes de pesquisa e essenciais para a vantagem competitiva (Jiang, 2015).
Em contexto de possibilidade de coleta de dados digitalizados em múltiplas fontes
externas e de necessidade de monitoramento do ambiente, o BDA pode ser considerado como
um mecanismo de relacionamento com o mercado. Ele permite o entendimento do ambiente
econômico e social (Keller et al, 2014), e introduz mudanças em como a informação pode ser
coletada e usada pelas empresas (Constantiou & Kallinikos, 2015). Investiga-se, portanto, a
possibilidade de que os métodos de identificação de SF e criação de sentido da inteligência
antecipativa, que inicialmente preveem captura de sinais apenas em base qualitativa, possam
ser atualizados para comportar essas novas ferramentas, que são, em geral, mais quantitativas.
Erevelles, Fukawa e Swayne (2016), em estudo sobre o impacto do BDA, afirma que a análise
está no centro da revolução dos dados e que a tecnologia permite a coleta de dados sobre
fenômenos em observação, sugerindo que empresas podem ser proativas às mudanças no
ambiente, capturando SF por meio de BDA para prospecção de eventos futuros. O
desenvolvimento do BDA tem permitido às empresas identificar SF em seu ambiente
corporativo, considerando que os conjuntos de dados coletados pelo monitoramento digital do
ambiente contêm informações político-econômicas, sociais, mercadológicas e tecnológicos
(Yoon, 2012; Mühlroth & Grottke, 2018). Questiona-se, portanto, acerca da importância de que
a busca de SF seja também realizada a partir destas ferramentas.
Pretende-se, neste estudo, verificar se, em organizações que possuem processos de
inteligência e usam as ferramentas BDA como fonte de informações, os gestores percebem
sinais antecipativos por meio delas, e se estes sinais são utilizados na tomada de decisão
estratégica. Assim, objetiva-se identificar se sinais antecipativos são percebidos por meio das
ferramentas BDA, visando explorar se os insights colhidos no BDA podem ser associados,
percebidos e considerados como possíveis SF. Como enquadramento metodológico, optou-se
por uma pesquisa qualitativa, realizada via estudo de casos múltiplos, coletando dados a partir
de entrevistas baseadas em um roteiro de perguntas semiestruturado.
Esta pesquisa é justificada por uma mudança de contexto na área da inteligência
antecipativa gerada pelo advento do BDA, ainda não tratada de forma extensa na literatura de
Sistemas de Informação (SI). Em contrapartida a este desenvolvimento na academia e nas
empresas, BDA também deve ser considerado como um tópico de pesquisa emergente. O termo
permanece confuso e pode tornar-se muito genérico, utilizado como uma “buzzword” (Pospiech
& Felden, 2013), o que pode inibir pesquisas. Assim, percebe-se que a demanda de uma base
teórica na literatura de SI existe e é importante, já que tópicos relevantes e teorias ainda são
desconhecidos. Embora existam pesquisas endereçadas a entender e categorizar BDA, seus
métodos de análise e formas de entregar valor, poucos estudos o relacionam aos Sinais Fracos.
A exemplo, Jiang (2015) sugere que o BDA está relacionado à obtenção de insights e inovações,
XLIII Encontro da ANPAD - EnANPAD 2019
São Paulo/SP - 02 a 05 de outubro
promovendo e alavancando melhores resultados para a organização. Por outro lado, há estudos,
desde Ansoff (1975), apresentam métodos de obter inteligência usando SF como matéria prima.
Porém, não se identificam pesquisas associando diretamente os Sinais Fracos (matéria prima
da Inteligência Antecipativa) com Big Data. Identifica-se, portanto, uma lacuna na literatura a
respeito da percepção, em um BDA, de possíveis SF. No sentido de buscar respostas, encontra-
se o estudo de Günther et al (2017) que apresenta uma revisão de literatura em SI sobre a
obtenção de valor a partir de Big Data. O autor indica que a literatura tangencia o assunto, mas
não trata diretamente do relacionamento do Big Data com Inteligência Antecipativa. Liang &
Liu (2018), em recente estudo panorâmico e bibliométrico, apresenta as principais pesquisas
acadêmicas sobre Big Data, buscando identificar como os resultados relacionados a Big Data e
Business Intelligence cresceram e evoluíram na última década. O artigo sugere orientações de
pesquisas futuras, mas nenhum tópico desta ampla pesquisa relaciona Big Data diretamente
com inteligência antecipativa e sinais fracos.
Este trabalho está organizado de forma a apresentar, após esta introdução, o referencial
teórico base desta pesquisa. Após, mostraremos o método, seguindo com os resultados
encontrados e discussões. Por fim, apresentamos conclusões e considerações finais.
2. Referencial Teórico
2.1 Big Data Analytics (BDA)
O crescimento exponencial do BDA ocorre principalmente em função do desenvolvimento de
tecnologias e processos, e sua rápida incorporação às práticas organizacionais. Essas novas
tecnologias são importantes tanto na geração dos dados, como na sua coleta e processamento
(Kitchin, 2013). O declínio nos custos de processamento computacional, da memória, da
capacidade de armazenamento e as novas técnicas de manipulação de dados em arquivos
distribuídos como Hadoop (Villars, Olofson & Eastwood, 2011), também contribuíram de
forma decisiva para a difusão destas ferramentas. Para definir BDA de forma mais específica,
Laney (2001) inicialmente determinou os “3Vs” do Big Data e boa parte da literatura (Diebold,
2018; Jeble, Kumari & Patil, 2018) enfatiza as oportunidades oferecidas por eles.
Big Data necessariamente é enorme em volume, tornando obrigatório o uso de novas
técnicas e ferramentas de coleta, armazenamento e análise. O mundo gerou 1 zettabytes de
dados até 2010 e está previsto para gerar 40 zettabytes até 2020 (Villars et al, 2011; Erevelles
et al, 2016). Este imenso volume de dados permite às organizações ir além dos dados históricos
internos e obter uma visão mais abrangente do ambiente e do mercado consumidor (Lam, Sleep,
Hennig-Thurau, Sridhar & Saboo, 2017). Devido ao reduzido custo de armazenamento e grande
capacidade de guardar dados em um formato nativo, organizações estão mantendo os dados
brutos nos chamados “data lakes”, ficando disponíveis quando forem necessários para análise
(Watson, 2017). Esses dados passivos, ou agnósticos, não são coletados em razão de uma
solicitação específica ou para um propósito definido (Chen, Ma, Susilo, Liu & Wang, 2016).
Desse modo, o processo de coleta promove as análises realizadas pela abordagem indutiva e
abdutiva (Olbrich, 2014; Constantiou & Kallinikos, 2015; Günther et al, 2017), e gera o registro
completo das informações “captadas” no ambiente. Ambas práticas, tanto as análises indutivas,
quanto o armazenamento do que é coletado para exames futuros, são características de
processos de inteligência antecipativa. Velocidade é a frequência de geração, de
processamento, armazenamento e publicação. Esta propriedade do BDA impacta na agilidade
necessária para armazená-los e analisá-los (Bholat, 2015; Lam et al, 2017). Há igualmente
dados não estruturados de redes sociais, como textos, imagens e vídeos que também precisam
ser armazenados e processados imediatamente. Tecnologias BDA processam uma variedade
de dados, como informações de texto, imagens, sensores e da internet (Arunachalam, Kumar &
Kawalek, 2018). A grande diferença entre os dados de um BDA para os dados tradicionais é
essa possibilidade de coletar não apenas informações transacionais estruturadas, mas também
comportamentais não estruturadas (Erevelles et al, 2016). Os dados não estruturados podem ser
utilizados para análises qualitativas (Kitchin & McArdle, 2016), permitindo obtenção de
XLIII Encontro da ANPAD - EnANPAD 2019
São Paulo/SP - 02 a 05 de outubro
insights, candidatos a sinais fracos. Além dos 3Vs, novas dimensões foram associadas para
caracterizar dados do Big Data: exaustividade, valência, resolução, escalabilidade, veracidade,
valor, variabilidade, visibilidade e virtude (Tiefenbacher & Olbrich, 2015; Günther et al, 2017;
Lam et al, 2017). Kitchin e McArdle (2016), porém, argumenta que o BDA realmente se
diferencia quando possui velocidade e exaustividade dos dados coletados. Entretanto, nem
sempre é a quantidade, o volume e a variedade dos dados que são importantes, mas sim o quê
as organizações fazem com os dados, a sua utilidade. BDA pode ser uma ferramenta importante
para obter insights, permitindo melhores decisões (Lam et al, 2017). Ao investigar o papel do
BDA para o monitoramento do ambiente, oferecendo percepções de possíveis sinais fracos,
imprescindíveis para a prospecção de fenômenos futuros e a tomada de decisão.
2.2 Sinais Fracos e Inteligência Antecipativa
Ansoff (1975) foi precursor na área de inteligência, monitoramento estratégico e sinais fracos,
tendo sido o primeiro a destacar o fato de que o ambiente empresarial é turbulento e, portanto,
exige recursos gerenciais apropriados (Rossel, 2012). Na mesma linha, Lesca (2003) defende
que o dinamismo do ambiente exige uma adaptação proativa constante por parte das
organizações. Atualmente, a complexidade do contexto empresarial e da tomada de decisão
estratégica tem sido exponenciada em função do volume de informações e fenômenos
desconhecidos (Rohrbeck & Bade, 2012; Warnke & Schirrmeister, 2016; Mühlroth & Grottke,
2018). Lesca (2003) sugere que, se a taxa de mudança é alta, o melhor enfoque é ter
flexibilidade estratégica e decidir quais ações serão viáveis, se preparando dentro de um escopo
determinado pelos sinais fracos.
Sinais fracos (SF) são sintomas imprecisos e antecipados de futuras ameaças ou
oportunidades (Ansoff, 1975; Gheorghiu, Andreescu & Curaj, 2015), e possuem um papel
importante na inteligência estratégica das organizações, pois mostram que eventos futuros
podem ser percebidos antes que existam como um todo. Esta percepção pode ser realizada por
meio desses sinais, inicialmente fragmentados, ambíguos e incompletos (Lesca, 2003; Heupel
& Von Juterzenka, 2015). SF são também dados ambientais brutos com características
diferenciais: incertos, de difícil detecção, não estruturados, prematuros, que podem ser
refinados e transformados em informações valiosas e em conhecimento estratégico (Janissek-
Muniz et al, 2015; Kim & Lee, 2017). Eles são antecipatórios, qualitativos e podem vir em
vários formatos e a partir de fontes distintas (Fonseca, 2011). Como são apenas evidências de
um novo fenômeno, eles precisam ser amplificados. De fato, a priori, SF são hipóteses de uma
futura mudança, em uma combinação de lógica dedutiva e insights obtidos em conjunto com
outras informações ou experiências. Isoladamente eles têm pouca utilidade, pois não são
suficientes em si para estabelecer uma percepção de um evento futuro (Janissek-Muniz et al,
2015). São construções interpretativas de indivíduos, baseadas em dados brutos, compilados
em um insight a partir de um olhar atento e interessado. Para gerar valor, os SF dependem das
interpretações realizadas pelos analistas e gestores (Borges & Janissek-Muniz, 2018), que
devem estar atentos ao que ocorre no ambiente pertinente.
Há, no ambiente, estímulos a todo instante: informações, notícias, estudos, números e
opiniões, etc. Nessa oferta abundante, pode haver algum dado prematuro e não estruturado que
pode apontar para transformações disruptivas (Mendonça et al, 2012). A princípio parecem ser
um “ruído de fundo”, mas, examinando melhor, ou associando a outros sinais (Lesca, 2003),
pode vir a tornar-se um sinal forte no futuro, representando um evento que aos poucos se
materializa (Schoemaker, Day & Snyder, 2013; Kim & Lee, 2017). Sua importância reside,
portanto, na possibilidade de correlacionar a outros SF (Lesca, 2003), o que pode levar a novas
interpretações e caminhos (Mendonça et al, 2012) através de decisões estratégicas.
Para obter vantagem competitiva a partir de uma decisão estratégica proativa, é, pois,
necessário interpretar essas informações precoces, em uma visão dinâmica do futuro. Um dos
pré-requisitos para essa percepção é a coleta dos dados, e, para que ela ocorra, é necessário um
processo sistemático de exame do ambiente (Ilmola & Kuusi, 2006). Estudos especificam
XLIII Encontro da ANPAD - EnANPAD 2019
São Paulo/SP - 02 a 05 de outubro
maneiras pelas quais os sinais podem ser coletados, interpretados, percebidos e identificados
(Holopainen & Toivonen, 2012). A detecção desses sinais dificilmente é compatível com uma
postura passiva (Mendonça et al, 2012). Não é possível identificá-los sem um processo definido,
estruturado e formal (Lesca, 2003; Fonseca, 2011; Cainelli, 2018). É necessário, portanto, que
atividades sejam implantadas de forma contínua, como uma capacidade (Rhisiart, Miller &
Brooks, 2015) difundida pela cultura da organização.
A coleta de informações de tipo SF exige método e gestão. Já na década de 70, Ansoff
(1975) sugeriu um método para identificar sinais fracos, estabelecendo um sistema formal de
monitoramento do ambiente, valoração do impacto dos sinais percebidos e planejamento com
desenvolvimento de ações (Fonseca, 2011), baseado no monitoramento ativo e contínuo do
ambiente com três filtros (Holopainen & Toivonen, 2012). O filtro de vigilância permite a
observação do ambiente pela organização, que precisa ser restrito a alguns domínios, assim
como a definição de alvo proposta por Lesca (2003). O filtro da mentalidade comporta
percepções, interpretações e decisões dos indivíduos, realizados sempre em função do seu estilo
cognitivo, da sua formação, conhecimento e experiências anteriores. O filtro de poder que trata
da influência de hierarquias e de processos organizacionais sobre o reconhecimento dos sinais
fracos (Warnke & Schirrmeister, 2016). Estes três filtros refletem a percepção de um estímulo,
a interpretação com a intenção de criar sentido e valor, e a sua incorporação ao banco de
conhecimento e tomada de decisão (Fonseca, 2011). O objetivo é detectar um padrão antes que
todas as peças do quebra-cabeça se encaixem, ou antes que seja tarde demais.
2.3 Big Data e Inteligência Antecipativa: insights, outliers e métodos indutivos
O BDA disponibiliza uma grande quantidade de dados, estruturados e não estruturados,
juntamente com suas ferramentas de coleta, análise e visualização (Duan & Cao, 2015), sendo
uma solução de apoio para a geração de insights a partir dos dados (Lam et al, 2017). Estes
insights, que podem vir a ser transformados em conhecimento, fornecem vantagens
competitivas como por exemplo a inovação de novos produtos e serviços (Duan & Cao, 2015).
No entanto, os insights não são apresentados de forma automática, como um resultado pronto
a partir do uso destas ferramentas. Eles decorrem de um processo humano e analítico de criação
de sentido, individual ou coletivo, executado por analistas e tomadores de decisão, que utilizam
os dados processados e estas ferramentas analíticas como um meio (Sharma, Mithas e
Kankanhalli, 2014; Constantiou & Kallinikos, 2015). Obter insights não é o mesmo que
identificar sinais fracos. Insight refere-se a uma compreensão relevante de uma parte de um
conhecimento, de um fato ou objeto, de modo que ideias relacionadas possam ser compiladas
em uma mesma narrativa (Schulte & Hovorka, 2017). É a capacidade de obter uma
compreensão intuitiva de determinada situação, que potencialmente beneficia os negócios e
potencializa o resultado da organização (Jiang, 2015). Assim, podemos considerá-los como
candidatos a sinais fracos. Obtidos a partir de análises em BDAs, eles podem ser tratados em
um processo de inteligência antecipativa, no momento da coleta e percepção de informações,
participando como um item na criação coletiva de sentido conforme proposto por Lesca (2003),
por exemplo. No processo de criação de sentido orientado a dados, analistas têm total influência
sobre quais elementos serão selecionados para descrever os fenômenos, quais os outliers
importantes e quais associações relevantes podem estar contidas (Lycett, 2013). Insights
baseados em dados podem ser usados para criar uma narrativa que dá sentido aos fenômenos
estudados, alimentando a tomada de decisão e planos subsequentes (Sharma et al, 2014).
A busca e a identificação de SF em processos de inteligência antecipativa envolvem
desafios da coleta e seleção manual a partir do ambiente (Kim & Lee, 2017), podendo ser
tratados por métodos sugeridos e praticados dentro da tradição Ansoff. A varredura do SF tem
sido baseada na percepção intuitiva de especialistas e nas perspectivas avaliadas pelos analistas,
durante processo de criação de sentido. Embora custosos e demorados, eles possibilitam obter
resultados importantes (Yoon, 2012; Lee, 2018). No entanto, devido ao crescimento
considerável do volume de dados no ambiente de negócios atual (Jiang, 2015), é necessário
XLIII Encontro da ANPAD - EnANPAD 2019
São Paulo/SP - 02 a 05 de outubro
buscar pelos SF também a partir das análises sobre os dados (Erevelles et al, 2016; Mühlroth &
Grottke, 2018). Os desenvolvimentos associados ao BDA, assim, desafiam os modelos
prescritivos e tratam também de formas qualitativas de inteligência, sem hipóteses pré-
definidas, trabalhando assim de forma indutiva, exploratória e antecipativa (Constantiou &
Kallinikos, 2015). Ao tratar da identificação de SF, evidencia-se a importância de outliers
observados estatisticamente em volumes de dados, podendo ser evidências de SF (Mendonça
et al, 2012; Kim & Lee, 2017). Outliers são conceituados como anomalias nos resultados
estatísticos que não se encaixam facilmente no entendimento dos resultados apresentados, mas
podem ao mesmo tempo ser pontos singulares interpretados como um nicho potencial de
inovação (Janissek-Muniz et al, 2015). Neste sentido, cenários alternativos gerados por outliers,
baseados em pesquisas de identificação de SF, também podem ser elaborados. As oportunidades
e riscos percebidos nesses diferentes cenários podem ser transformados em uma agenda de
decisão e ação (Mendonça et al, 2012). Estudos indicam que a identificação dos outliers como
geradores de insights podem trazer bons retornos (Dutta e Bose, 2015).
Ao trabalhar com BDA o volume de dados se torna muito maior, portanto, as relações
passam a ser mais complexas e a capacidade de discernimento dos analistas pode apresentar
dificuldades em decifrar e interpretar o ambiente (Sammut & Sartawi, 2012; Mühlroth &
Grottke, 2018). Assim, para realizar pesquisas assertivas, não basta apenas a adoção de novas
tecnologias de análise, uma mudança metodológica é necessária. Para entender os dados, gerar
informação e conhecimento, para obter o melhor resultado e os benefícios esperados do BDA,
é necessário repensar ou complementar o método utilizado (Bholat, 2015; McAbee, Landis &
Burke, 2017). Estrategicamente, deve-se não apenas consultar e manipular os dados validando
hipóteses pré-concebidas, mas também usar as informações para formular novas hipóteses
(Erevelles et al, 2016), no chamado sistema de informação invertido (Janissek-Muniz et al,
2015). Como Taylor, Schroeder & Meyer (2014) observa, no contexto do BDA, visualiza-se
esta mudança epistemológica. A abordagem indutiva, em conjunto com as tecnologias de Big
Data, permite que se identifique padrões, tendências e outliers sem desenvolver hipóteses a
priori (Lycett, 2013). Ela reflete uma maneira particular de perceber e entender o ambiente, é a
manifestação de uma epistemologia diferente (Kitchin & Lauriault, 2015). Tal tipo de
investigação científica requer menos confiança no conhecimento existente, dando maior foco
no que é desconhecido. Para esta mudança de foco de atenção, deve-se passar de uma visão
baseada no conhecimento para uma visão baseada na ignorância (Sammut & Sartawi, 2012).
Estas considerações sugerem que, além das capacidades de observadores individuais,
processos são necessários para perceber, identificar e utilizar SF na inteligência antecipativa.
Portanto, é importante adotar novas técnicas de identificação que permitam a percepção de
sinais antecipativos nesse mundo de ruídos, como por exemplo a partir do processamento de
dados (Mendonça et al, 2012), e o BDA pode ser uma delas (Erevelles et al, 2016; Mühlroth &
Grottke, 2018). Contudo, há uma diferença entre aceitar sinais antecipativos e perceber ou
interpretar o que eles significam. Tomadores de decisão possuem um viés de ver o mundo
conforme suas experiências e, se os SF apresentados não se ajustarem a este padrão, serão
ignorados ou distorcidos (Borges & Janissek-Muniz, 2018). Quando há ambiguidade, pode-se
facilmente manipular os sinais até obter o que se deseja acreditar (Schoemaker & Day, 2009).
Esta observação reforça a necessidade de um processo coletivo e sistemático de análise das
informações obtidas em um BDA.
A lista abaixo consolida os principais elementos de investigação desta pesquisa,
relacionando o BDA com Inteligência Antecipativa e Sinais Fracos (SF).
1. Coleta de grandes volumes de dados brutos para análise posterior: promove o
monitoramento digital do ambiente?
2. Coleta, processamento e análise com velocidade: esta característica do BDA permite
respostas rápidas às mudanças do ambiente?
XLIII Encontro da ANPAD - EnANPAD 2019
São Paulo/SP - 02 a 05 de outubro
3. Dados não-estruturados permitem análise qualitativa, mais adequada para identificação
de SF; BDA potencializam coleta/análise destes dados não estruturados?
4. Sinais Fracos: análises BDA permitem sua identificação?
5. Sinais Fracos: análises BDA oferecem informações com as mesmas características?
6. Importância de existência de um processo sistemático e coletivo de criação de sentido
para o discernimento dos SF, visando a tomada de decisão: organizações estão
utilizando BDA em um processo definido, formal e coletivo?
7. Filtros de Ansoff: vigilância, mentalidade e poder. Informações obtidas em análises
BDA passam pelos mesmos filtros?
8. Insights via BDA para uso na tomada de decisão: eles podem ser considerados
candidatos a SF?
9. Outliers como evidência de SF, a ser confirmado em análises posteriores: eles são
analisados como uma informação antecipativa?
10. Abordagem indutiva em BDA potencializando melhores resultados. Esse método
permite identificar possíveis SF?
11. BDA pode ser considerada ferramenta ou técnica para identificação de SF?
3. Método de Pesquisa
Para responder a questão de pesquisa proposta e investigar a viabilidade de perceber sinais
antecipativos, ou SF, por meio das ferramentas de BDA, optou-se por uma pesquisa descritiva
de natureza qualitativa, adotando a abordagem de estudo de casos múltiplos (Yin, 2014; Arnott,
Lizama & Song, 2017), que permite a análise descritiva de como estas organizações estão
utilizando grandes volumes de dados e como a informação obtida está sendo percebida pelos
decisores. Neste design de pesquisa, onde a unidade de análise são os métodos, técnicas e
análises realizadas em BDA, o método escolhido permite explorá-las e compará-las, gerando
reflexões sobre as diferenças e semelhanças entre os casos (Yin, 2014). Os casos foram
selecionados oportunisticamente por conveniência, atendendo a critérios estabelecidos, através
de redes de contatos acadêmicas e profissionais. Os critérios obrigatórios de seleção de casos
foram as organizações com áreas ou processos de inteligência estabelecidos, que utilizam
ferramentas de BDA por ao menos um ano, e entrevistados usuários de ferramentas de BDA
direta ou indiretamente, por meio de aplicações ou relatórios gerados pela equipe de
inteligência. A coleta de dados primários foi realizada por entrevistas em profundidade, usando
roteiro semiestruturado (Gil, 1999) (Quadro 1), com perguntas que se relacionam aos elementos
de investigação desenvolvidos no referencial teórico. Perguntas abertas permitem coleta de
dados espontâneos não previstos, percebidos no momento da interação com o entrevistado
(Freitas & Janissek-Muniz, 2000), e estimulam o entrevistado a elaborar os detalhes, obtendo
clareza e aproximando-se da experiência do fenômeno investigado (Starks & Trinidad, 2007).
As entrevistas ocorreram nos meses de novembro e dezembro de 2018, cada um com
duração aproximada de 30 a 60 min, gravação em áudio e notas tomadas pelo entrevistador. As
transcrições das gravações em áudio e as anotações realizadas foram codificadas no NVivo Plus
(v11-Win). A análise foi realizada utilizando as técnicas de análise de conteúdo (Freitas &
Janissek-Muniz, 2000; Bardin, 2011), explorando a questão de pesquisa por meio de
correlações de padrões obtidos empiricamente.
Após as entrevistas, não havendo nova informação relatada, decidiu-se pela saturação,
obtida por meio da garantia de uma amostra adequada e que forneça dados suficientes para
replicar a classificação de dados em cada item (Denzin, 2018). Embora os resultados sejam
baseados em casos, limitando conceitualmente sua generalização, este estudo serve como uma
pesquisa preliminar exploratória, permitindo a outros pesquisadores seu aprimoramento.
XLIII Encontro da ANPAD - EnANPAD 2019
São Paulo/SP - 02 a 05 de outubro
Quadro 1: Roteiro de perguntas semiestruturado
Referência
Perguntas
01. BDA:
Volume
1.
Como a sua organização coleta e analisa grandes volumes de dados? Eles são coletados de forma
bruta para modelar e analisar posteriormente?
02. BDA:
Velocidade
2.
Os dados são coletados e analisados rapidamente (por exemplo: streaming, real-time ou nowcasting)?
Se sim: Como esses dados possibilitam gerar orientações ou respostas, em tempo real, às mudanças
no ambiente?
03. BDA:
Variedade
3.
Sua organização coleta dados não estruturados? Se sim, eles decorrem de fontes externas como textos,
imagens e vídeos? Como a organização lida com este tipo de dado?
04. SF e
inteligência
antecipativa
4.
Você percebe que as análises de BDA oferecem insights para melhor exame ou compreensão de
eventos futuros e permitem antecipar oportunidades, ameaças e eventos disruptivos?
5.
Na sua avaliação, as análises de BDA se caracterizam por oferecer informações incompletas, incertas,
de difícil detecção, fragmentadas e/ou ambíguas sobre o ambiente de negócios?
6.
Ao perceber informações antecipativas, como sua organização as analisa para dar sentido e criar um
entendimento do ambiente? ela decide e planeja ações para aproveitar oportunidades ou mitigar
ameaças de uma eventual disrupção ou mudança de paradigma no ambiente de negócios? Esta análise
é realizada em um processo sistemático coletivo?
05. Filtros de
Ansoff
7.
Você percebe que uma informação obtida via análise de BDA passa por este caminho ou barreiras?
Fale sobre isso (Percepção e atenção para o monitoramento do ambiente de negócios? Interpretação,
julgamento e a tomada de decisão? Tomada de ação (poder) no ambiente organizacional?)
06. Insights e
SF
8.
As decisões da sua organização estão sendo tomadas baseadas em informações e insights colhidos no
DBA? Sua organização é data-driven? Fale a respeito do processo de análise.
07. Outliers
9.
Como a sua organização analisa os pontos singulares (outliers, fora da curva) encontrados no BDA?
Eles podem ser utilizados para perceber indicadores de fenômenos futuros (por exemplo, nichos de
mercado, novos produtos)?
08. Método
Indutivo
10.
Considerando o método de análise de grandes volumes de dados em sua organização: As análises já
possuem perguntas prontas ou hipóteses a serem respondidas e/ou validadas? As análises utilizam o
BDA para formular novas hipóteses a partir dos dados? Como? A organização percebe novas
correlações, outliers, ou informações que permitam descobrir novas oportunidades futuras apenas a
partir dos dados? Exemplifique.
09. Monito-
ramento do
ambiente
11.
Na sua opinião, como as organizações podem utilizar o BDA para obter informações a fim de
monitorar o que está mudando no ambiente externo.
4. Análise dos Resultados
Os resultados foram obtidos por meio da análise de conteúdo das transcrições das entrevistas.
A unidade de análise estabelecida são os métodos, técnicas e análises realizadas em BDA pelos
praticantes, não entrando em detalhes contextuais de cada organização envolvida. O dado
empírico foi coletado com foco nas análises desenvolvidas, apoiadas ou planejadas por cada
entrevistado, formando um estudo de caso baseado na experiência centralizada dos
entrevistados. Ao conversar com consultores que trabalham com diversas organizações, as
informações relatadas podem ter sido colhidas em fenômenos ocorridos em mais de uma
empresa. A tabela 1 apresenta o perfil do grupo de entrevistados: todos possuem Pós-
Graduação, com mais de 5 anos de experiência na área de inteligência, marketing ou na direção,
atuando majoritariamente na Indústria TIC.
Tabela 1: Grupo de entrevistados
Entrevistado
Empresa
Indústria
Cargo
Escolaridade
E01
A
TIC
Partner Manager
Pós-Graduação
E02
B
TIC
Arquiteto de Soluções
Pós-Graduação
E03
C
TIC
IT Specialist | Team Leader
Pós-Graduação
E04
D
TIC
Diretor de Negócios
Pós-Graduação
E05
E
TIC
Analista e Arquiteto de Dados
Pós-Graduação
E06
F
TIC
Consultor de Negócios
Pós-Graduação
E07
G
Comunic.
Prog. Business Developer
Pós-Graduação
E08
H
TIC
CEO
Pós-Graduação
E09
I
TIC
Diretor
Pós-Graduação
E10
J
TIC
Big Data and Cloud Services
Pós-Graduação
E11
K
TIC
R&D Senior Manager
Pós-Graduação
E12
L
TIC
Head Of Research
Pós-Graduação
XLIII Encontro da ANPAD - EnANPAD 2019
São Paulo/SP - 02 a 05 de outubro
Para explorar os dados, apresenta-se inicialmente alguns resultados em formato
descritivo. Destaca-se informações obtidas na análise quantitativa dos dados textuais, das
categorias e códigos gerados pela análise cuidadosa e detalhada de conteúdo.Na figura 1
(referente à Pergunta 3-P3), os entrevistados afirmam que coletam dados estruturados, embora
nem todos os analisem. A figura 2 mostra a percepção das análises BDA (Pergunta 4-P4), e a
grande maioria indica que elas oferecem insights para compreensão de eventos futuros.
Figura 1: Dados Estruturados (P3) Figura 2: Uso de BDA para insights (P4)
Conforme figura 3 (Pergunta 9-P9), o uso de outliers é considerado como importante, e a
figura 4 (P10) mostra que a abordagem indutiva em análises BDA é utilizada na mesma
intensidade que o método dedutivo, embora exista uma predisposição à evolução neste sentido.
Figura 3: Uso dos Outliers (P9) Figura 4: Uso da Abordagem Indutiva (P10)
A pergunta 8 (figura 5) também avalia se os insights obtidos em BDA são utilizados na
tomada de decisão estratégica. As respostas indicam que, quando tais insights são considerados,
as decisões estratégicas ficam mais intuitivas. As respostas também mostram que as empresas
precisam amadurecer os processos de decisão guiada por dados.
Figura 5: Tomada de decisão guiada por dados (P8) Figura 6: BDA como meio para
monitoramento do ambiente (P11)
Por fim, a figura 6 mostra que, na percepção dos respondentes, o BDA pode ser uma
ferramenta de apoio ao monitoramento do ambiente nas suas organizações. Após análise de
conteúdo das transcrições das entrevistas e com base nas categorias e códigos gerados,
compilamos e resumimos as respostas dos respondentes no quadro 2.
XLIII Encontro da ANPAD - EnANPAD 2019
São Paulo/SP - 02 a 05 de outubro
Quadro 2: Resumo das respostas
Ref
Resumo das Respostas
01
A maior parte dos entrevistados informou que suas organizações coletam grandes volumes de dados brutos, para
posteriormente modelar e analisar. Apenas 2 deles relatam que tratam, em grande parte, de dados internos e
transacionais, portanto, já processados de certa forma pelos sistemas operacionais corporativos e funcionais.
02
Metade dos entrevistados afirmaram que coletam e processam dados rapidamente, com velocidade, em real-time.
Estes dados permitem agilidade na percepção de mudanças do ambiente. Suas análises, julgamentos e decisões
podem ser caracterizadas como operacionais e táticas.
03
Quase todos entrevistados relatam que as organizações coletam dados não estruturados. Apenas um, que trabalha
com empresas de porte médio e pequeno, informa que este tipo de coleta não é atualmente uma preocupação.
Estas empresas ainda estão criando processos para implementar BI a partir de dados estruturados internos.
Algumas empresas estão coletando e analisando dados não estruturados, outras apenas coletando e algumas, com
maturidade maior, informam que estas análises possibilitam orientações operacionais e táticas, em tempo real.
04
Quase todos entrevistados informam que as análises realizadas em BDA permitem a percepção de fenômenos
futuros, possibilitando, assim, a antecipação de oportunidades, ameaças e eventos disruptivos. Um entrevistado
afirma que não percebe o uso efetivo do BDA para este tipo de análise estratégica.
04
Seis entrevistados afirmam que em um contexto corporativo e estratégico, as análises em BDA oferecem
informações incompletas, incertas, de difícil detecção, fragmentadas e/ou ambíguas. Cada informação oferecida
pelo BDA tem seu motivo e sua completude, mas, para utilizá-la na tomada de decisão, sempre é necessário
conjugar ou correlacionar com outras, do próprio BDA ou colhidas em outros contextos.
04
A maioria dos entrevistados relata que as organizações, mesmo com áreas de inteligência, não possuem processos
bem definidos, formais e sistemáticos, para coleta e criação de sentido.
05
Entrevistados relatam que os filtros de Ansoff (1975) para SF se aplicam aos resultados das análises em um BDA.
Em geral os filtros são amenizados em virtude das características destas ferramentas.
06
Metade dos entrevistados afirma que suas empresas usam insights colhidos em BDA na tomada de decisão, sendo
consideradas como data-driven. Afirmam também, porém, que estão apenas começando este processo, há um
longo caminho de maturidade a percorrer. Boa parte das decisões continua sendo realizada de forma intuitiva.
07
Metade dos entrevistados informa que suas organizações não utilizam outliers, não olham para estas informações
e, para realizar uma análise estatística robusta, os outliers são removidos da amostra. Outros afirmam que eles são
imprescindíveis, são representações de informações importantes e possíveis indicadores de fenômenos futuros.
Um entrevistado indica que, para estudar os padrões eles são descartados, mas, como são importantes, são
examinados de forma profunda e detalhada em pesquisas qualitativas. O E01 percebe que os outliers são os
primeiros dados que são analisados, priorizados, pois podem ser manifestações de oportunidades/ameaças.
08
Sobre o método de pesquisa, dois entrevistados afirmaram que utilizam apenas o método dedutivo. Um afirmou
que não usa na sua empresa o método indutivo, mas é uma tendência. Os demais afirmam que o método indutivo é
utilizado de alguma forma, obtendo bons resultados, novas informações e novos insights não deduzidos a priori.
09
Quase todos entrevistados afirmam que o BDA pode ser uma ferramenta utilizada para monitorar o ambiente,
apresentando em suas análises as mudanças detectadas e possíveis sinais antecipativos. O entrevistado 11, por
outro lado, informa que esta atividade depende ainda muito de humanos.
5. Discussões
Buscando compreender como as organizações estão processando e analisando os dados de um
BDA, percebe-se que tais práticas dependem do processo em questão, dos motivos da coleta e
análise, e, principalmente, da cultura e maturidade da área de inteligência de cada empresa.
Nesta pesquisa, encontramos vários níveis, desde empresas que trabalham apenas com os dados
internos estruturados, de forma lenta, até as que trabalham com dados externos, não estruturados
e rápidos, exigindo maior complexidade no tratamento da informação (Tiefenbacher & Olbrich,
2015; Arunachalam et al, 2018). Empresas mais maduras entendem que o dado é um ativo e
procuram armazená-los de forma bruta e em um escopo maior, conforme indicado por Ramirez
(2013). O E10 ilustra esta afirmação:
“Já consideram que a informação é um ativo e querem guardar tudo para utilizar porque vai
ter valor. Guardam dados brutos de tudo que é possível, sem ter uma pesquisa em andamento.”
Essas coletas não são realizadas com problemática definida. Normalmente há um
projeto pontual que as suportam, mas os analistas tomam o cuidado de aproveitar e armazenar
mais dados do que o necessário, sem processá-los a priori, para que possam ser utilizados como
dados secundários em futuras pesquisas. Assim, as práticas de coleta e análise promovem o
monitoramento do ambiente, armazenam informações e conhecimento (Kitchin & Lauriault,
XLIII Encontro da ANPAD - EnANPAD 2019
São Paulo/SP - 02 a 05 de outubro
2015), podendo ser usadas em diferentes momentos. Essas práticas também facilitam o uso da
abordagem indutiva, um dos caminhos para gerar hipóteses e conhecimentos não deduzidos
(Lycett, 2013), alavancando a chance da percepção de sinais fracos. Nas entrevistas, muitos
afirmam o uso do método indutivo e também a possibilidade de monitorar o ambiente e perceber
sinais fracos em análises realizadas em BDA.
A coleta de dados externos brutos sem escopo definido também permite o registro
histórico do que está sendo alterado no ambiente. É um monitoramento digital, com possíveis
alertas em tempo real. Entrevistados E3, E5, E6, E10 e E11 relatam esta característica, como é
possível observar na manifestação do E6:
“É o conceito de Data Lake de trazer estes dados, independente de num primeiro momento tu
não necessariamente ter uma ideia de uso ou valor, mas trazer isso porque daqui a pouco, no
uso de qualquer modelo estatístico, se possa identificar quem possa ter relação, quem faça
sentido em um determinado insight, ou necessidade de negócio que venha querer solucionar.”
Boa parte dos entrevistados relata que há coleta de dados em tempo real do tipo real-
time ou streaming. Alguns sistemas são reconhecidos como near real-time, já que a coleta e
processamento não é imediata, mas igualmente rápida. Eles informam que esses sistemas
possibilitam a resposta automática, ou a decisão rápida, em relação a uma mudança no meio.
Porém, em todos os casos relatados, esta resposta é de característica operacional ou tática. Não
vimos exemplos de real-time no BDA que percebem mudanças estratégicas no ambiente, ou
que permitam antever eventos futuros.
A coleta e análise de dados externos não estruturados (imagens, textos, vídeos, mapas)
permite a análise qualitativa (Kitchin & McArdle, 2016), oferecendo métodos mais adequados
para a identificação de SF. Alguns entrevistados relatam o uso de técnica de processamento de
linguagem natural (Natural Language Processing - NLP), chamada análise de sentimento. Ela
classifica e categoriza o que a população está sentindo ao escrever textos, em mídias sociais ou
processos interativos com a organização no estilo “0800” ou “fale conosco”. Esta técnica utiliza
algoritmos de inteligência artificial e pode ser usada em questões operacionais e estratégicas,
avaliando como o mercado está assimilando uma marca, por exemplo. O E7 afirma que há
modelos preditivos usando dados não estruturados que permitem análises e insights sobre
interação com o consumidor. Mühlroth e Grottke (2018) apresentam o NLP como sendo uma
ferramenta para “minerar” SF em grandes conjuntos de dados. O E8 afirma que a coleta e
análise de dados não estruturados é uma consequência da evolução da aplicação das tecnologias
de Big Data. Importante observar que uma parte dos exemplos relatados pelos entrevistados
trata da análise de dados não estruturados com o foco em decisões operacionais e táticas, como
reconhecimento de imagem, monitoramento de placas, entre outros. O uso destes dados para
obtenção de insights em nível estratégico corporativo, como já dito, deve ser uma evolução
natural desses processos, de acordo com o amadurecimento técnico e cultural das organizações.
Para que insights sejam transformados em conhecimento e possam ser candidatos a SF, visando
antecipação e vantagem competitiva (Duan & Cao, 2015), será preciso que as informações
sejam observadas e interpretadas por uma equipe experiente de analistas e decisores (Sharma
et al, 2014; Constantiou & Kallinikos, 2015).
O E11 afirma que a tomada de decisão estratégica é o grande objetivo de um BDA. Por
meio do volume de dados se torna possível a antecipação de um evento ou comportamento. Em
alguns casos de uso, os entrevistados relatam que os dados brutos possuem informações do
ambiente, permitindo monitorar mudanças e registrar histórico para futuras consultas. O E12
mostra um caso onde é possível avaliar mudanças de comportamento, a partir da “clusterização”
de consumidores: em um momento, uma análise pode apresentar um cluster pequeno em relação
aos demais, um outlier, representando um comportamento de determinado segmento da
sociedade, sobre uma preferência por um produto, por exemplo. Ao longo do tempo, com dados
históricos, é percebido que este outlier está aumentando em uma segmentação específica, mas
que, dentro do total da população, não é representativa. Esta visão mais analítica talvez permita
XLIII Encontro da ANPAD - EnANPAD 2019
São Paulo/SP - 02 a 05 de outubro
antecipar fenômenos de comportamento de mercado. Podemos destacar um trecho da entrevista
do E12: “Com big data e inteligência artificial conseguimos antecipar isso, ter um sinal de
mudança. Se será relevante, permanente ou não, é difícil de dizer, mas existe um sinal de
mudança.” Além do comportamento de consumidores, podemos analisar o mercado também a
partir da visão dos concorrentes, substitutos ou novos entrantes. Observa-se exemplos de uso
do BDA para análise da concorrência, que pode gerar insights e percepções de possíveis SF
sobre a sua atuação e desempenho, permitindo antecipar os próximos passos e eventos futuros.
Segundo o E8, a capacidade que um BDA tem de analisar o volume de dados coletados
do ambiente, com sua quantidade de variáveis, é muito maior do que a dos analistas.
Fundamentalmente o ser humano tem limite de capacidade de interpretação. Simon (1955)
apontou o conceito de racionalidade limitada, indicando que fazemos inferências e tomamos
decisões a partir de conhecimentos limitados. Normalmente a lista de escolhas dos analistas não
é totalmente conhecida, sendo inviável comparar todos seus benefícios (Bawden & Robinson,
2009). Ao buscar informações para criação de sentido, eles ficam satisfeitos quando julgam
suficiente, mesmo que não sejam as melhores escolhas disponíveis. Assim, o BDA pode ter
função importante na percepção da correlação entre as informações. Devido à complexidade do
ambiente (Jiang, 2015) e à grandeza dos dados coletados (Villars et al, 2011), fica claro que as
organizações vão obter valor e vantagem competitiva ao buscar pelos SF também a partir de
análises em BDA (Erevelles et al, 2016; Mühlroth & Grottke, 2018).
Questionamos os entrevistados perguntando se as análises em BDA oferecem
informações com características de SF (fragmentados, ambíguos, incompletos e incertos)
conforme indicado pela literatura. Os entrevistados E3, E4, E5, E6, E7 e E8 afirmaram que cada
informação oferecida pelas análises em BDA tem seu sentido e se completa em um escopo
pontual. Porém, para utilizá-la na tomada de decisão, para entender ou perceber a possibilidade
de evento disruptivo futuro, deve-se conjugar aquela informação com outras. Assim, em
contexto mais amplo, corporativo e estratégico, interno e externo, as análises em BDA
oferecem, da mesma forma, informações com as mesmas características que os sinais fracos.
Pode-se destacar esta fala do E7: “[...] os dados, quando eles estão fora de contexto, eles dizem
o que tu quer na realidade, e não o que eles querem dizer de fato. O dado não conta nada
sozinho.” Ele relata que é necessário juntar várias informações do BDA para uma análise
completa, de um escopo ou contexto de pesquisa. Em alguns casos, além de dados quantitativos,
é necessária uma análise qualitativa para obter, detalhar e refinar as conclusões obtidas no
monitoramento. O E08 apontou exemplos de vieses que podem ocorrer ao considerar apenas
uma informação ou dado coletado. Para aumentar a chance da antecipação de um fenômeno, é
necessário correlacionar informações, assim como ocorrem com os SF (Ansoff, 1975).
A maior parte dos entrevistados relata que suas organizações possuem uma área de
inteligência, com pessoas dedicadas a analisar o mercado, definir estratégias, explorar
hipóteses, trabalhando com BDA e outras ferramentas de apoio. Porém, normalmente não
possuem processos definidos, tanto para executar as análises quanto para a tomada de decisão.
Normalmente as demandas têm origem nos gestores e decisores, que são repassadas para a área
de inteligência, que as analisa e retorna. Entrevistados afirmam que insights obtidos em BDA
passam, como os SF, pelos filtros de Ansoff (1975). Em geral, os filtros são reduzidos pelas
características dos SF. O filtro da vigilância pode ser facilitado pelo BDA, pois é possível
estruturar o modelo de análise para avisar caso surjam informações relevantes. Vários
entrevistados afirmam que a tomada de decisão a partir dos dados é uma tendência e está
ocorrendo nas organizações que possuem maior maturidade em analytics e data-driven. De
fato, empresas que entendem e confiam nos seus dados já os utilizam, de inúmeras formas, no
seu planejamento estratégico.
A literatura indica que um outlier pode ser uma evidência de sinal fraco, a ser
confirmado em análises posteriores (Mendonça et al, 2012; Kim & Lee, 2017). As análises em
BDA, nas suas diversas abordagens, permitem o destaque dos outliers. Cabe aos analistas e
XLIII Encontro da ANPAD - EnANPAD 2019
São Paulo/SP - 02 a 05 de outubro
tomadores de decisão, priorizá-los ou não em seu estudo. Nas entrevistas, percebe-se que há
organizações, mais maduras, que examinam prioritariamente os outliers, buscando entender o
motivo de eles existirem, porque há pontos fora da curva, da tendência e do padrão. Para estas,
outliers são informações importantes pois podem indicar ameaças ou oportunidades de um
mercado, ou uma adaptação necessária ao ambiente. Se representar uma ameaça de um evento
futuro, a organização pode preparar-se, evitando-o ou tratando quando este surgir. Se for uma
nova oportunidade, a estratégia pode ser de que este outlier entre para a média, aumentando sua
amplitude de modo que ele deixe, no futuro, de ser um outlier e se transforme em algo de grande
valor. Destaca-se assim as seguintes opiniões: “Um ponto fora da curva pode deslocar a média.
Então, um outlier pode apresentar uma previsão de uma nova média”; “Sempre que olho para
um outlier, descubro como posso adequar minha estratégia para que deixe de ser um outlier.”
Para o E4, as organizações não estão olhando para os outliers como deveriam. Mesmo
assim, ele acredita que o outlier representa uma informação mais importante do que o resto da
população. Afirma que é dele que vamos obter o conhecimento invulgar. O E7 afirma que, na
análise quantitativa, os outliers são removidos para que os grandes padrões e médias dos dados
sejam avaliados e confirmados, para que cálculos estatísticos sejam realizados. Porém, como
consideram os outliers importantes, em alguns casos é realizada uma análise mais profunda e
detalhada, para explicar tais ocorrências. Estas análises, em geral, são qualitativas e descritivas,
gerando relatórios com motivos e insights obtidos. Esta análise ocorre de forma menos
frequente e o objetivo principal é entender quem são os outliers, como por exemplo clientes
com perfil muito diferente. A abordagem indutiva é uma técnica que possibilita encontrar
outliers. Para melhores resultados com um BDA, é necessário complementar o método dedutivo
tradicional, analisando também por meio da abordagem indutiva (Bholat, 2015; McAbee et al,
2017). Como ela apresenta novos insights de hipóteses ainda não deduzidas, acredita-se que é
através do método indutivo que é possível identificar um maior número de candidatos a SF.
Neste sentido da investigação, a maior parte dos entrevistados afirma que o método indutivo é
utilizado nas organizações, identificando novas informações e insights não deduzidos a priori.
Quando se questiona se o BDA pode ser uma ferramenta utilizada para monitorar o
ambiente, a maioria dos entrevistados afirma que sim. Na literatura, Mendonça et al (2012)
evoca a necessidade de dispositivos intelectuais para a detecção de SF e afirma a possibilidade
de técnicas de processamentos de dados para este fim. Ele sugere que algo, além das
capacidades do observador individual, é necessário para identificar e usar estes sinais na criação
de estratégias, já que vivemos em um mundo econômico e social muito complexo. Erevelles et
al (2016) e Mühlroth e Grottke (2018) afirmam que BDA pode ser o caminho. Os entrevistados
apontam inúmeros exemplos de análises realizadas que detectaram SF com supervisão humana,
em dados internos e externos, com dados estruturados e não, com velocidade ou não, sempre
por meio de um grande volume de informações coletadas.
6. Considerações Finais
O uso de BDA para monitoramento do ambiente e identificação de sinais fracos é ainda um gap
na literatura de Big Data e Inteligência Antecipativa. Este trabalho apresentou um estudo
empírico inicial, associando estas disciplinas da área de Sistemas de Informação. Para responder
se os gestores percebem sinais antecipativos por meio das ferramentas BDA e se estes estão
sendo considerados na tomada de decisão estratégica, realizou-se uma pesquisa qualitativa, com
abordagem de estudo de casos múltiplos, coletando dados em 12 entrevistas semiestruturadas
com profissionais com experiência em BDA.
Como resultado, são apresentadas evidências de que dados candidatos a SF podem ser
identificados a partir do BDA. Verifica-se que algumas organizações percebem SF por meio de
dados, mesmo sem possuir processos formais definidos e sem conhecer a Teoria dos Sinais
Fracos (Ansoff, 1975). Apresentando métodos, processos, práticas e mecanismos de como o
BDA pode ser utilizado para tal, este trabalho trouxe exemplos de análises já sendo conduzidas
nas organizações. Em termos de contribuição prática, evidencia-se que as organizações podem
XLIII Encontro da ANPAD - EnANPAD 2019
São Paulo/SP - 02 a 05 de outubro
utilizar BDA como uma forma de monitorar o mercado, antecipando fenômenos, oportunidades
e ameaças, apresentando, neste trabalho, exemplos e caminhos para este fim. Percebe-se
igualmente, com os resultados do estudo, que o ambiente social-econômico está ficando, a cada
dia, mais complexo, com o volume das informações recebidas e a quantidade de dados digitais
coletados aumentando de forma exponencial, de modo que os gestores já não são capazes, sem
uma ferramenta, de analisar o que está acontecendo e de entender o que está mudando no
mercado (Mühlroth & Grottke, 2018). Como contribuição teórica, pode-se ressaltar a discussão
dos dados empíricos e seus pontos convergentes com a literatura estudada. Sugere-se, também,
que o BDA seja incorporado como um mecanismo de monitoramento do ambiente, como um
meio que permite a coleta, processamento e análise de dados do contexto empresarial, interno
e externo. Considerada como um dos fatores que justificam esta pesquisa, a mudança na área
da inteligência antecipativa gerada pelo advento do BDA é determinante, sendo imprescindível
que se passe a colher informações por meio destas novas ferramentas. Tem-se, assim, uma
oportunidade de atualização dos processos da inteligência antecipativa a partir da transformação
digital. Ao monitorar o ambiente também pelo BDA, em função do volume de informações, é
possível considerar mais variáveis nas práticas de criação coletiva de sentido.
Os resultados revelam que uma maior ênfase nas estratégias de busca de insights a partir
dos grandes volumes de dados, como a coleta e análise de dados brutos e não estruturados, o
estudo de outliers, o uso da abordagem indutiva, o uso de técnicas de análise disponíveis no
BDA e a promoção da cultura data-driven, são elementos necessários para facilitar a
identificação de um número maior de sinais fracos, reduzindo em parte o viés humano nos
processos de inteligência antecipativa e tomada de decisão estratégica. Como limitações do
estudo, evidencia-se o número de entrevistas realizadas. Foram poucas organizações estudadas,
de uma mesma região geográfica, o que aumenta a possibilidade de vieses. Da mesma forma, o
perfil de empresas é majoritariamente voltado para a indústria de Tecnologia e Comunicação.
Também citamos como limitação a impossibilidade de triangulação, pois utilizou-se um
formato único de coleta de dados. Entende-se estes limites como oportunidades de estudos
futuros. Nesta linha, como sugestão de pesquisa, propõe-se a definição de um modelo contendo
elementos de impacto do BDA no monitoramento do ambiente e na percepção de possíveis
sinais fracos, contribuindo assim para a evolução do processo da inteligência antecipativa. De
fato, percebe-se que a TI deve contribuir para processos de inteligência antecipativa mais
eficientes, e para que o ritmo atual de volume e complexidade seja acompanhado, sistemas,
ferramentas e mecanismos digitais são necessários para ajudar na coleta e análise das
informações, permitindo melhores percepções sobre o ambiente corporativo (Keller et al, 2014).
7. Referências Bibliográficas
Ansoff, H. I. (1975). Managing strategic surprise by response to weak signals. Calif. Manag. Rev. 23 (2) 21–23.
Arnott, D., Lizama, F., & Song, Y. (2017). Patterns of business intelligence systems use in organizations. Decision
Support Systems, 97, 58–68.
Arunachalam, D., Kumar, N., & Kawalek, J. P. (2018). Understanding Big Data analytics capabilities in supply
chain management: Unravelling the issues, challenges and implications for practice. Transportation Research
Part E: Logistics and Transportation Review, 114, 416–436.
Bardin, L. (2011). Análise de conteúdo. São Paulo; Edições 70.
Bawden, D., & Robinson, L. (2009). The dark side of information: Overload, anxiety and other paradoxes and
pathologies. Journal of Information Science, 35(2), 180–191.
Bholat, D. (2015). Big Data and central banks. Big Data & Society, 2(1), 205395171557946.
Borges, N. M. & Janissek-Muniz, R. (2018). Individual environmental scanning as a barrier to collective processes
in organizations. Revista de Gestão de Negócios, 25(3), 321–335.
Bortoli, L., Muniz, R. J., & Borges, N. (2015). Criação de Conhecimento Organizacional e Análise de Sinais
Fracos: Convergências. CONF-IRM 2015 Proceedings, (May).
Cainelli, A. de S. (2018). Diagnóstico De Pré-Adoção Do Processo Estruturado De Inteligência Nas Organizações.
Universidade Federal do Rio Grande do Sul.
Chen, H., Chiang, R. H. L., & Storey, V. C. (2012). Business Intelligence and Analytics: From Big Data to Big
Impact. Management Information Systems Quarterly, 36(4), 1165–1188.
XLIII Encontro da ANPAD - EnANPAD 2019
São Paulo/SP - 02 a 05 de outubro
Chen, C., Ma, J., Susilo, Y., Liu, Y., & Wang, M. (2016). The promises of big data and small data for travel
behavior analysis. Transportation Research Part C: Emerging Technologies, 68, 285–299.
Choo, C. W. (2001). Environmental Scanning as Information Seeking and Organizational Learning. Information
Research, 7(1), 1–25.
Constantiou, I. D., & Kallinikos, J. (2015). New games, new rules: Big Data and the changing context of strategy.
Journal of Information Technology, 30(1), 44–57.
Davenport, T., & Dyche, J. (2013). Big Data in Big Companies. International Institute for Analytics, (May), 1–31.
Diebold, F. X. (2018). The Origin(s) and Development of “Big Data”: The Phenomenon, the Term, and the
Discipline. University of Pennsylvania.
Denzin, N. K. (2018). The SAGE Handbook of Qualitative Research (Fifth Edition). Los Angeles / London / New
Delhi / Singapore / Washington DC / Melbourne: SAGE Publications, Inc.
Duan, Y., & Cao, G. (2015). An Analysis of the Impact of Business Analytics on Innovation. Twenty-Third
European Conference on Information Systems.
Dutta, D., & Bose, I. (2015). Managing a Big Data project: The case of Ramco cements limited. International
Journal of Production Economics, 165, 293–306.
Erevelles, S., Fukawa, N., & Swayne, L. (2016). Big Data consumer analytics and the transformation of marketing.
Journal of Business Research, 69(2), 897–904.
Fonseca, F., & Britto Pereira De Mello Barreto, L. F. (2011). Processo Decisório e o Tratamento de Sinais Fracos.
Future Studies Research Journal: Trends and Strategies, 03(02), 34–58.
Freitas, H., & Janissek-Muniz, R. (2000). Análise léxica e análise de conteúdo: técnicas complementares,
sequenciais e recorrentes para exploração de dados qualitativos. Porto Alegre.
Gheorghiu, R., Andreescu, L., & Curaj, A. (2015). A foresight toolkit for smart specialization and entrepreneurial
discovery. Futures, 80, 33–44.
Gil, A. C. Métodos e técnicas de pesquisa social. São Paulo: Atlas, 1999
Goes, P. B. (2014). Big Data and IS Research. MIS Quarterly, 38(3).
Günther, W. A., Mehrizi, M. H. R., Huysman, M., & Feldberg, F. (2017). Debating Big Data: A literature review
on realizing value from Big Data. Journal of Strategic Information Systems, 26(3), 191–209.
Heupel, T., & von Juterzenka, M. (2015). From a Weak Signal to a Boiling Frog Syndrome Opportunities and
Threats of Legal Boundaries in the Paper-based Packaging Supply Chain! Procedia Economics and Finance,
26(15), 722–728.
Holopainen, M., & Toivonen, M. (2012). Weak signals: Ansoff today. Futures, 44(3), 198–205.
Ilmola, L., & Kuusi, O. (2006). Filters of weak signals hinder foresight: Monitoring weak signals efficiently in
corporate decision-making. Futures, 38(8), 908–924.
Janissek-Muniz, R., Freitas, H., Lesca, H., (2007). A Inteligência Estratégica Antecipativa e Coletiva como apoio
ao desenvolvimento da capacidade de adaptação das organizações. In Congresso Internacional de Gestão de
Tecnologia e Sistemas de Informação (CONTECSI), 4º, 2007, São Paulo/SP. Anais.
Janissek-Muniz, R., Borges, N. M., & Bortoli, L. (2015). Gestão dos Sinais Fracos no Contexto Brasileiro: Estado
da Arte. Anais do 8o IFBAE - Gramado RS, (May), 1–19.
Janssen, M., van der Voort, H., & Wahyudi, A. (2017). Factors influencing Big Data decision-making quality.
Journal of Business Research, 70, 338–345.
Jeble, S., Kumari, S., & Patil, Y. (2018). Role of Big Data in Decision Making, 11(1), 36–44.
Jiang, J. (2015). Environmental Scanning and Business Insight Capability: The Role of Business Analytics and
Knowledge Integration Full paper. Twenty-First Americas Conference on Information Systems, 1–21.
Kim, J., & Lee, C. (2017). Novelty-focused weak signal detection in futuristic data: Assessing the rarity and
paradigm unrelatedness of signals. Technological Forecasting and Social Change, 120, 59–76.
Keller, J., & von der Gracht, H. A. (2014). The influence of information and communication technology (ICT) on
future foresight processes - Results from a Delphi. Tech Forecasting & Social Change, 85, 81–92.
Kitchin, R. (2013). Big data and human geography: Opportunities, challenges & risks. Dialogues in Human
Geography, 79(1).
Kitchin, R., & Lauriault, T. P. (2015). Small data in the era of Big Data. GeoJournal, 80(4), 463–475.
Kitchin, R., & McArdle, G. (2016). What makes Big Data, Big Data? Exploring the ontological characteristics of
26 datasets. Big Data & Society, 3(1).
Lam, S. K., Sleep, S., Hennig-Thurau, T., Sridhar, S., & Saboo, A. R. (2017). Leveraging Frontline Employees’
Small Data and Firm-Level Big Data in Frontline Management. Journal of Service Research, 20(1), 12–28.
Laney, D. (2001). META Delta. Application Delivery Strategies, 949 (February 2001), 4.
Lavalle, S., Lesser, E., Shockley, R., Hopkins, M. S., & Kruschwitz, N. (2011). Big Data, Analytics and the Path
From Insights to Value. MIT Sloan Management Review, 52(2), 21–32.
Lee, Y. (2018). Identification of future signal based on the quantitative and qualitative text mining: a case study
on ethical issues in artificial intelligence. Quality & Quantity, 52(2), 653–667.
Lesca, H. (2003). Veille stratégique: la méthode L.E.SCAnning®. Editions EMS, France, 180 p.
XLIII Encontro da ANPAD - EnANPAD 2019
São Paulo/SP - 02 a 05 de outubro
Lesca, N., Caron-Fasan, ML., Aguirre, E.L., & Chalus-Sauvannet, MC. (2015). Drivers and barriers to pre-
adoption of strategic scanning information systems in the context of sustainable supply chain. Systèmes
d’information & Management, 20(3), 9.
Liang, T.-P., & Liu, Y.-H. (2018). Research Landscape of Business Intelligence and Big Data Analytics: A
Bibliometrics Study. Expert Systems with Applications, 0(128), 1–9.
Lycett, M. (2013). “Datafication”: Making sense of (big) data in a complex world. European Journal of
Information Systems, 22(4), 381–386.
Mendonça, S., Cardoso, G., & Caraça, J. (2012). The strategic strength of weak signal analysis. Futures, 44(3),
218–228.
McAbee, S. T., Landis, R. S., & Burke, M. I. (2017). Inductive reasoning: The promise of Big Data. Human
Resource Management Review, 27(2), 277–290.
Mühlroth, C., & Grottke, M. (2018). A systematic literature review of mining weak signals and trends for corporate
foresight. Journal of Business Economics, 88(5), 643–687.
Olbrich, S. (2014). Madness of the Crowd - How Big Data Creates Emotional Markets and What Can Be Done To
Control Behavioural Risk. Ecis, 0–11.
Plads, S., Robert, D., & Street, F. (2013). Towards an Understanding of the Role of Business Intelligence. ECIS,
1–12.
Pospiech, M., & Felden, C. (2013). A Descriptive Big Data Model Using Grounded Theory. 2013 IEEE 16th
International Conference on Computational Science and Engineering, 878–885.
Ramirez, E. (2013). The Privacy Challenges of Big Data: a view from the Lifeguard’s Chair. In Technology Policy
Institute Aspen Forum (p. 10).
Rhisiart, M., Miller, R., & Brooks, S. (2015). Learning to use the future: Developing foresight capabilities through
scenario processes. Technological Forecasting and Social Change, 101, 124–133.
Rohrbeck, R., & Bade, M. (2012). Environmental scanning, futures research, strategic foresight and organizational
future orientation: a review, integration, and future research directions. ISPIM Annual Conference 2012, (June
2012), 1–14.
Rohrbeck, R., Thom, N., & Arnold, H. (2015). IT tools for foresight: The integrated insight and response system
of Deutsche Telekom Innovation Laboratories. Tech Forecasting and Social Change, 97, 115–126.
Rossel, P. (2009). Weak signals as a flexible framing space for enhanced management and decision-making.
Technology Analysis and Strategic Management, 21(3), 307–320.
Rossel, P. (2012). Early detection, warnings, weak signals and seeds of change: A turbulent domain of futures
studies. Futures, 44(3), 229–239.
Sammut, G., & Sartawi, M. (2012). Perspective-Taking and the Attribution of Ignorance. Journal for the Theory
of Social Behaviour, 42(2), 181–200.
Schoemaker, P.J.H., & Day, G.S. (2009). How to Make Sense of Weak Signals. MIT Sloan Manag. Review, 50(3),
81–89.
Schoemaker, P. J. H., Day, G. S., & Snyder, S. A. (2013). Integrating organizational networks, weak signals,
strategic radars and scenario planning. Technological Forecasting and Social Change, 80(4), 815–824.
Schulte, C., & Hovorka, D. (2017). Heuristics for Gaining Project Insights. Australasian Conf on Information
Systems, 1–11.
Sharma, R., Reynolds, P., Scheepers, R., Seddon, P. B., & Shanks, G. (2010). Business analytics and competitive
advantage: a review and a research agenda. Frontiers in Artificial Intelligence and Applic, 212, 187-198.
Sharma, R., Mithas, S., & Kankanhalli, A. (2014). Transforming decision-making processes: a research agenda
for understanding the impact of business analytics. European Journal of Information Systems, 23(4), 433–441.
Simon, H. (1955). A Behavioral Model of Rational Choice. The Quarterly Journal of Economics, 69(1), 99.
Starks, H., & Trinidad, S. B. (2007). Choose your method: a comparison of phenomenology, discourse analysis,
and grounded theory. Qual. Health Res., 17(10), 1372–1380.
Taylor, L., Schroeder, R., & Meyer, E. (2014). Emerging practices and perspectives on Big Data analysis in
economics: Bigger and better or more of the same? Big Data & Society, 1(2), 205395171453687.
Tiefenbacher, K., & Olbrich, S. (2015). Increasing the value of Big Data projects - Investigation of industrial
success stories. Proc. of the Hawaii International Conf. on System Sciences, 2015–March, 294–303.
Villars, R. L., Olofson, C. W. & Eastwood, M. (2011). Big Data: What It Is and Why You Should Care. White
Paper, International Data Corporation, Framingham, MA.
Warnke, P., & Schirrmeister, E. (2016). Small seeds for grand challenges-Exploring disregarded seeds of change
in a foresight process for RTI policy. Futures, 77, 1–10.
Watson, H. J. (2017). Preparing for the Cognitive Generation of Decision Support. MIS Quarterly Executive, 16(3),
153–169.
Yin, R. K. (2014). Case Study Research: Design and Methods, (5th ed.). Los Angeles: SAGE Publications, Inc.
Yoon, J. (2012). Detecting weak signals for long-term business opportunities using text mining of Web news.
Expert Systems with Applications, 39(16), 12543–12550.
