Big Data e Small Data como Fonte de Informações para a Inteligência Antecipativa

Abstract

A coleta de informações no ambiente empresarial é prática importante para a antecipação de mudanças disruptivas no mercado. Com ela, organizações minoram o risco da tomada de decisão e alinham seu posicionamento com cenários futuros. Informações podem ser armazenadas e analisadas com diversos formatos, sendo classificadas como Big Data ou Small Data. Neste trabalho, serão discutidos estes tipos de dados, visando associá-los à processos de Inteligência Antecipativa. Com pesquisa qualitativa, aplicada via formulário a profissionais de inteligência, foi possível estabelecer um paralelo buscando identificar como as organizações estão relacionando Big Data e Small Data em processos de Inteligência Antecipativa. Destaca-se, nos resultados obtidos, a correlação entre o uso de Big Data e a identificação de Sinais Fracos. As ferramentas Big Data Analytics ampliam o conhecimento do ambiente, melhorando a capacidade de tomar decisões fundamentadas em evidências.

Full text

VII Encontro de Administração da Informação - EnADI 2020
Evento on-line - 25 de agosto de 2020 - ISSN 2177-2487 - versão online
VII Encontro de Administração da Informação - EnADI 2020
Evento on-line - 25 de agosto de 2020
ISSN 2177-2487 - versão online
Big Data e Small Data como Fonte de Informações 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
A coleta de informações no ambiente empresarial é prática importante para a antecipação de
mudanças disruptivas no mercado. Com ela, organizações minoram o risco da tomada de
decisão e alinham seu posicionamento com cenários futuros. Informações podem ser
armazenadas e analisadas com diversos formatos, sendo classificadas como Big Data ou
Small Data. Neste trabalho, serão discutidos estes tipos de dados, visando associá-los à
processos de Inteligência Antecipativa. Com pesquisa qualitativa, aplicada via formulário a
profissionais de inteligência, foi possível estabelecer um paralelo buscando identificar como
as organizações estão relacionando Big Data e Small Data em processos de Inteligência
Antecipativa. Destaca-se, nos resultados obtidos, a correlação entre o uso de Big Data e a
identificação de Sinais Fracos. As ferramentas Big Data Analytics ampliam o conhecimento
do ambiente, melhorando a capacidade de tomar decisões fundamentadas em evidências.

VII Encontro de Administração da Informação - EnADI 2020
Evento on-line - 25 de agosto de 2020 - ISSN 2177-2487 - versão online
1
Big Data e Small Data como Fonte de Informações para a Inteligência Antecipativa
Resumo: A coleta de informações no ambiente empresarial é prática importante para a
antecipação de mudanças disruptivas no mercado. Com ela, organizações minoram o risco da
tomada de decisão e alinham seu posicionamento com cenários futuros. Informações podem
ser armazenadas e analisadas com diversos formatos, sendo classificadas como Big Data ou
Small Data. Neste trabalho, serão discutidos estes tipos de dados, visando associá-los à
processos de Inteligência Antecipativa. Com pesquisa qualitativa, aplicada via formulário a
profissionais de inteligência, foi possível estabelecer um paralelo buscando identificar como
as organizações estão relacionando Big Data e Small Data em processos de Inteligência
Antecipativa. Destaca-se, nos resultados obtidos, a correlação entre o uso de Big Data e a
identificação de Sinais Fracos. As ferramentas Big Data Analytics ampliam o conhecimento
do ambiente, melhorando a capacidade de tomar decisões fundamentadas em evidências.
Palavras-chave: Inteligência Antecipativa, Sinais Fracos, Big Data Analytics, Small Data.
1. Introdução
A capacidade de buscar, armazenar e analisar informações do ambiente é imprescindível para
a resiliência das organizações. Sua compreensão possibilita a percepção de mudanças e a
antecipação de fenômenos futuros, facilitando posição estratégica frente à dinamicidade do
ambiente (Rossel, 2009; N. Lesca et al, 2015), cada vez mais dinâmico e incerto (Choo,
2001). Organizações sem esta capacidade tornam-se vulneráveis, perdendo competitividade
em relação aos concorrentes (Janissek-Muniz, Borges & Bortoli, 2015). Para obter estas
informações são necessários processos estruturados e sistemáticos de inteligência, que iniciam
pelo monitoramento do ambiente (Ilmola & Kuusi, 2006; Saffi & Janissek-Muniz, 2019).
Nesta observação constante do mercado, a identificação do que é relevante não é simples, as
informações podem chegar em pequenas mensagens, de forma difusa, ambígua ou
fragmentada. Na área de Inteligência Estratégica Antecipativa, essas mensagens são chamadas
de Sinais Fracos (Janissek-Muniz, Lesca & Freitas, 2006) e são definidos como indicadores
antecipados de fenômenos de mudança (Lesca, 2003; Mendonça, Cardoso & Caraça, 2012).
Uma das formas de adquirir e processar dados do ambiente se desenvolve por meio de
do Big Data (Watson, 2017), cujo termo caracteriza sistemas que armazenam e processam
enormes volumes de dados amplamente variados, que são gerados, capturados e processados
em alta velocidade (Chen, Chiang & Storey, 2012; Günther et al, 2017; Laney, 2001). O
desenvolvimento de técnicas e ferramentas possibilita a análise dos dados, potencializando o
retorno de valor e tornando o Big Data cada vez mais importante, tanto na academia como nos
negócios (Chen et al., 2012). O conjunto de ferramentas envolvendo os volumes de dados
associados ao seu processamento e análise é chamado pelo termo Big Data Analytics (BDA)
(Janssen, van der Voort, & Wahyudi, 2017). Muita atenção está sendo dada ao valor que as
organizações podem obter pelo uso do BDA, indicando que ele pode ajudar as organizações a
entender melhor negócios e mercados, alavancar oportunidades e alertar possíveis ameaças
(Chen et al., 2012). Estudos da indústria também têm destacado o seu desenvolvimento (Jiang
& Gallupe, 2015). Lavalle et al. (2011), em pesquisa com mais de 3000 CIOs, mostra que
organizações de maior performance usam Big Data cinco vezes mais do que as demais.
Um dos objetivos do BDA é ser um mecanismo de relacionamento com o mercado,
estando ligado à forma como as organizações percebem e atuam no ambiente empresarial
(Constantiou & Kallinikos, 2015). Seu desenvolvimento tem permitido às empresas
identificar sinais fracos em seu ambiente corporativo, já que, os grandes conjuntos de dados
coletados pelo monitoramento digital do ambiente contêm informações político-econômicas,
sociais, mercadológicas e tecnológicas (Yoon, 2012; Mühlroth & Grottke, 2018). Ao adotar
tecnologias de análise a partir da nova ciência de dados, as organizações podem usar Big Data
para alavancar sua vantagem competitiva, incluindo a otimização das operações (Chen et al,

VII Encontro de Administração da Informação - EnADI 2020
Evento on-line - 25 de agosto de 2020 - ISSN 2177-2487 - versão online
2
2017), a percepção de insights, e desenvolvimento de produtos e serviços inovadores
(Davenport, Barth & Bean, 2012; Günther et al., 2017). Antes do BDA, a construção do
conhecimento era conduzida a partir do que chama-se agora de Small Data ou Little data:
dados capturados ou produzidos de maneira controlada, de coleta não contínua, usando
amostras que limitam o escopo e definem margens de erro, vieses e incertezas (Miller, 2010).
A distinção Big Data e Small Data é recente, antes de 2008 não havia esta distinção nas
fontes de informações (Kitchin & Lauriault, 2015).
Como as organizações obtêm informações em processos de inteligência antecipativa?
Ferramentas Big Data estão sendo utilizadas para este fim? Como as informações são
consideradas na tomada de decisão, são realizadas a partir dos dados? Buscando responder
estas questões, este trabalho objetiva discutir e relacionar métodos de adquirir conhecimento
para a inteligência antecipativa, desenvolvendo um paralelo entre os tipos de informações
Small Data e Big Data. Embora haja literatura extensa sobre estes conceitos, encontram-se
poucos estudos que os relacionem, realizando esta comparação de forma empírica e
estruturada. Justifica-se este trabalho, portanto, preenchendo este gap, apresentando
resultados práticos e teóricos. Para desenvolver o tema, optou-se pela pesquisa qualitativa,
aplicando formulário estruturado a um conjunto de profissionais da área de inteligência.
2. Referencial Teórico
2.1 Big Data Analytics
A etimologia do termo Big Data foi utilizado pela primeira vez por John Mashey, na década
de 90, para se referir ao manuseio e análise de conjuntos de dados massivos (Diebold, 2018).
Em 2001, Doug Laney mostrou que o Big Data se caracteriza pelas qualidades seguintes
(3Vs): volume, velocidade e variedade (Kitchin & McArdle, 2016). O volume diz respeito a
enormes quantidades de informações que possibilitam a ir além de dados históricos internos
das empresas (Lam et al., 2017). A velocidade trata do ritmo de geração de dados, impactando
na agilidade de armazenamento e processamento (Bholat, 2015) para análise em tempo real.
Adicionalmente, essas tecnologias processam uma variedade de dados, estruturados ou não,
como informações de texto, imagens, vídeos e áudios (Arunachalam et al, 2018). Esses dados
fornecem uma riqueza diversificada de informações, que supera os dados tradicionais
estruturados. Uma das grandes diferenças entre dados do Big Data e dados tradicionais é a
possibilidade de coletar não apenas dados transacionais estruturados, mas também dados
comportamentais não estruturados (Erevelles, Fukawa, & Swayne, 2016). Chen et al. (2012)
criou o termo Big Data Analytics (BDA), relacionando conceitos e ferramentas de Big Data
com Business Intelligence e Analytics, principalmente no que se refere à mineração de dados e
análise estatística. A literatura define BDA como tecnologias projetadas para extrair valor de
grandes volumes e variedades de dados, permitindo coleta, processamento e análise de alta
velocidade (Côrte-Real, Oliveira, & Ruivo, 2017). Estas ferramentas oferecem métodos que
usam dados para obter valor e vantagem competitiva (Davenport, 2006; Janssen et al, 2017).
A essência do BDA é a transformação de muitos dados em informação e conhecimento para
decisão, se tornando a nova fronteira de inovações e oportunidades habilitadas pela tecnologia
e permitidas pela revolução da informação (Goes, 2014; Duan, Cao, & Edwards, 2018).
2.2 Small Data
O termo Small Data só fez sentido depois que surgiu o seu “contraponto” Big Data. Antes, os
dados não eram classificados como "pequenos" ou "grandes", sendo recente esta distinção.
Small Data é qualquer conjunto de dados coletado e analisado lentamente a partir de técnicas
de amostragem (Kitchin & Lauriault, 2015). Para Lam et al. (2017), Small Data está no outro
lado do espectro dos 3Vs: volume menor, gerado vagarosamente e pouco variado. Antes do
Big Data, a construção do conhecimento se dava a partir do resultado de experiências ou
observações em escala humana, limitados ao volume, com pouca variedade e geralmente

VII Encontro de Administração da Informação - EnADI 2020
Evento on-line - 25 de agosto de 2020 - ISSN 2177-2487 - versão online
3
planejados para responder questões específicas, com foco na causalidade e compreensão da
realidade (Faraway & Augustin, 2018). Estudos baseados em Small Data são adequados para
responder perguntas ou hipóteses deduzidas (Kitchin & Lauriault, 2015) e explorar detalhes,
da problemática da pesquisa (Lindstrom, 2016). As duas abordagens (Big Data e Small Data)
caracterizam métodos distintos de coletar dados e enfrentar questões de pesquisa para análises
de inteligência em organizações. Uma não substitui a outra, ambas são importantes e devem
ser usadas conforme contexto e problemática da pesquisa, de acordo com o objetivo e com o
que é necessário entender ou comprovar. Embora a abordagem Big Data apresente benefícios,
há situações onde Small Data será mais adequado para a chegar às conclusões de forma mais
rápida, confiável e com menor custo (Faraway & Augustin, 2018).
2.3 Sinais Fracos e a Inteligência Estratégica Antecipativa (IEA)
A IEA é voltada para a antecipação do futuro no contexto organizacional e baseada na
interpretação de sinais coletados nos ambientes externos (Janissek-Muniz, Freitas, & Lesca,
2006). Esta disciplina se desenvolveu ao longo dos anos em diversas escolas (Lesca, 2003;
Rossel, 2012), tendo Ansoff (1975) como pioneiro nas áreas de inteligência e planejamento
estratégico, destacando a questão que o ambiente empresarial é turbulento e exige recursos
apropriados para o alinhamento das capacidades organizacionais através da antecipação.
Lesca (2003) defende que o dinamismo do ambiente exige adaptação proativa por parte das
organizações, e que para imaginar possíveis eventos futuros e poder agir com antecipação, é
necessário monitoramento do ambiente social, político e econômico. Ansoff (1975) introduziu
o termo “sinais fracos”, que são sintomas imprecisos e antecipados de futuras ameaças ou
oportunidades (Gheorghiu, Andreescu, & Curaj, 2015). A percepção de fenômenos futuros é
realizada por meio desses sinais que, inicialmente, são fragmentados, ambíguos e incompletos
(Lesca, 2003). Estudos também os definem como dados ambientais brutos de difícil detecção,
incertos, não estruturados, prematuros e inadvertidos, que podem ser transformados em
informações valiosas e em conhecimento estratégico (Janissek-Muniz et al., 2015; Kim, Kim,
& Park, 2017). São antecipatórios, qualitativos e podem vir em vários formatos, a partir de
fontes distintas (Fonseca & Barreto, 2011). Possuem um papel importante na inteligência
estratégica das organizações (Heupel & von Juterzenka, 2015), já que, por meio deles, eventos
futuros podem ser percebidos e interpretados, antes que existam efetivamente.
3. Método
Considerando os objetivos do estudo, optou-se pela abordagem qualitativa, estudando
elementos em seu contexto, de forma integrada, partindo da visão das pessoas e considerando
opiniões relevantes de todos indivíduos (Godoy, 1995). Esta abordagem implica na análise de
poucos dados, oriundos de um número limitado de fontes, com propósito exploratório ou de
desenvolvimento de hipóteses (Freitas & Janissek-Muniz, 2000). A coleta de dados envolveu
dados primários através de 23 entrevistas estruturadas com profissionais de inteligência,
selecionados oportunisticamente por conveniência através de redes de contatos acadêmicas e
profissionais. A coleta foi realizada via formulário entregue para preenchimento por escrito,
com as seguintes perguntas: No contexto da sua organização, qual sua percepção sobre o uso
de informações para inteligência e para a tomada de decisões? Elas são realizadas com base
em Big Data e/ou Small Data? Há um processo definido de inteligência e tomada de decisão?
As decisões são realizadas com base nos dados (data-driven) ou são mais intuitivas? Os dados
são usados de forma descritiva, para examinar tendências, ou para perceber o que pode
acontecer no futuro? Os textos obtidos foram codificados para a análise qualitativa de dados,
em software de qualitative data analysis (QDA) NVivo Plus, versão 11Win. A análise de
conteúdo foi realizada seguindo as técnicas de Bardin (1977): pré-análise, com organização e
sistematização dos dados, elaborando indicadores que fundamentam a interpretação;
codificação dos textos para obter conhecimento e insights, identificando motivos, opiniões

VII Encontro de Administração da Informação - EnADI 2020
Evento on-line - 25 de agosto de 2020 - ISSN 2177-2487 - versão online
4
subentendidas, dificuldades dos fenômenos estudados; e tratamento, para que os resultados
obtidos sejam significativos. Com dados estatísticos obtidos com a codificação, foi possível
estabelecer visões sobre os resultados (tabelas, diagramas, gráficos), apresentadas a seguir.
4. Resultados
Dos 23 entrevistados, 22 foram considerados para os resultados. Para preservar os
entrevistados, foram identificados como E1, E2, até o E23. O E14 foi descartado devido a
respostas conceituais. A Tabela 1 exibe o perfil dos entrevistados e suas organizações,
classificados pela abrangência, porte e indústria. Em entrevistas onde não foi possível coletar
a organização ou o cargo, consta a informação “Não atribuído” ou “Não informado”.
Tabela 1: Lista de organizações e sua classificação
Entrevistado
Abrangência
Porte
Indústria
Cargo
E01
Multinacional
Grande
TI
Gestor
E02
Multinacional
Grande
Energia
Não informado
E03
Multinacional
Grande
Financeiro
Não informado
E04
Nacional
Médio
Educação
Analista
E05
Nacional
Grande
Financeiro
Analista
E06
Nacional
Pequeno
Turismo
Analista
E07
Não atribuído
Não atribuído
Farmacêutica
Gestor
E08
Multinacional
Grande
Energia
Analista
E09
Nacional
Pequeno
Energia
Técnico
E10
Nacional
Pequeno
Consultoria
Não informado
E11
Nacional
Grande
Governo
Gestor
E12
Nacional
Médio
Previdência
Técnico
E13
Nacional
Pequeno
Consultoria
Analista
E14
Nacional
Pequeno
Consultoria
Técnico
E15
Nacional
Pequeno
Consultoria
Gestor
E16
Multinacional
Grande
TI
Gestor
E17
Multinacional
Grande
Metal Mecânico
Não informado
E18
Não atribuído
Não atribuído
Não atribuído
Não informado
E19
Não atribuído
Não atribuído
Não atribuído
Não informado
E20
Não atribuído
Não atribuído
Não atribuído
Não informado
E21
Não atribuído
Não atribuído
Não atribuído
Coordenador
E22
Multinacional
Grande
Agrícola
Analista
E23
Nacional
Grande
Financeiro
Gestor
Fonte: Dados da pesquisa
O nível hierárquico ocupado pelos entrevistados abrange a percepção de colaboradores
com cargos operacionais até gerenciais (técnico, analista e gestor de nível intermediário). Para
entender a amostra, as Figuras 1 e 2 exibem informações conforme atributos de classificação.
Figura 1: Porte das organizações Figura 2: Abrangência das organizações
Fonte: Dados da pesquisa Fonte: Dados da pesquisa
Para facilitar as deduções e a compreensão das mensagens contidas no texto, Freitas &
Janissek-Muniz (2000) sugerem evidenciar elementos significativos. A análise iniciou pela
categorização, determinando as dimensões de codificação do texto, originadas ou a partir da
coleta realizada ou de um conhecimento obtido na literatura. As categorias foram criadas em

VII Encontro de Administração da Informação - EnADI 2020
Evento on-line - 25 de agosto de 2020 - ISSN 2177-2487 - versão online
5
função da necessidade de investigação e teste, baseadas na revisão teórica realizada. Elas são,
em grande parte, decorrentes do estudo prévio, permitindo que as informações encontradas
nas entrevistas sejam analisadas à luz da base teórica. Durante a análise do texto coletado,
outras categorias podem ter sido criadas, sendo adicionadas às deduzidas a priori no estudo da
teoria. A partir destas regras, reduz-se o texto durante a fase de exploração do material,
compilando-o e resumindo-o por meio do software de QDA utilizado. Esta análise buscou
interpretar os dados, agrupando-os nos códigos estabelecidos. A Tabela 2 exibe a lista de
categorias e códigos utilizados na análise de conteúdo, realizada a partir do software de NVivo
Plus e gerada em uma exportação dos nós, pelo próprio aplicativo. Para explorar os dados, na
fase de tratamento dos resultados e interpretações, resultados quantitativos são relacionados às
classificações das organizações, quanto aos atributos de Porte e Abrangência. Esse estudo
descritivo é feito realizando o cruzamento dos dados, correlacionando quantitativamente e
qualitativamente as informações colhidas. Ele permite a geração e a validação de ideias,
hipóteses e conclusões (Freitas & Janissek-Muniz, 2000). A Figura 3 apresenta um resumo
quantitativo, com a sumarização das categorias e nós utilizados na análise. Os percentuais
foram calculados somando a quantidade de fontes que fazem referência aos códigos.
Tabela 2: Categorias/códigos Figura 3: Resumo quantitativo da análise de conteúdo
Fonte: Dados da pesquisa
Quanto ao porte, em empresas pequenas, nota-se maior tendência à tomada de decisão
intuitiva. Já nas empresas médias e grandes, a maior parte das decisões são baseadas em dados
(data-driven). Em geral, nas empresas maiores há setores de inteligência responsáveis pelo
tratamento das informações e uma maturidade maior nos processos de tomada de decisão
baseados em dados, o que pode ser percebido ao apresentar os dados agrupados
primeiramente pelas características de processo de decisão percebidos, conforme Figura 4.
Para perceber padrões relevantes na codificação realizada, utiliza-se a análise de cluster
oferecida pela ferramenta QDA. Trata-se de uma técnica exploratória que permite visualizar
correlações entre os dados, agrupando-os ao ser codificados de forma semelhante, a partir dos
nós categorizados. O diagrama foi apresentado (Figura 5) exibindo códigos (ou nós) para
facilitar a percepção de semelhanças e diferenças relacionadas, em formato chamado de
dendrograma que mostra relações entre os códigos de forma agrupada. Nele são apresentadas
linhas que seguem níveis de similaridade, agrupando os pares de códigos selecionados.
Realizou-se, então, no NVivo Plus, a análise de cluster, para visualizar os nós em cluster por
similaridade de codificação, usando o coeficiente de Jaccard como métrica de similaridade.

VII Encontro de Administração da Informação - EnADI 2020
Evento on-line - 25 de agosto de 2020 - ISSN 2177-2487 - versão online
6
Figura 4: Dados sobre o Processo de Decisão Figura 5: Dendrograma horizontal
Fonte: Dados da pesquisa Fonte: Dados da pesquisa
Conforme o diagrama, os respondentes de organizações sem processo de inteligência
não citam nenhum tipo de análise de percepção futura. Esta relação de códigos confirma
enfoque da Teoria dos Sinais Fracos, conforme referencial teórico de IEA. A detecção de
sinais antecipativos dificilmente é compatível com uma postura passiva (Mendonça et al.,
2012), o que ocorre quando não há um processo sistemático e definido de inteligência. Lesca
(2003) afirma que é preciso ter um processo formalizado para tornar possível a visão de
futuro. Como os sinais são fracos e também são evidências de novos fenômenos, sua
correspondência imperfeita antes de se materializar precisa ser amplificada, sua qualidade
deve ser melhorada e validada (Mendonça et al, 2012). É necessário, portanto, criar
atividades, práticas, implementadas de forma contínua, como capacidade difundida na cultura
da organização (Rhisiart, Miller & Brooks, 2015). A escuta ativa e permanente do ambiente é
o elemento mais importante para a tomada de decisão. Essa “inteligência do ambiente” deve
ser o início da estratégia, permitindo que o posicionamento da empresa seja realizado a partir
do contexto interpretado a partir das informações coletadas (Simon, 1977). O tratamento das
informações e a geração de conhecimento são processos estratégicos para o sucesso de
qualquer organização. Ser capaz de capturar sinais é importante para a antecipação de
mudanças, exploração de oportunidades e prevenção de ameaças (Rossel, 2009).
Também se percebe no dendrograma respostas semelhantes em organizações que estão
implementando Big Data. Há um agrupamento com o código que representa esta ideia
(“Implementando Big Data”) e outros que evocam mudanças na área de inteligência. Elas
citaram que o processo de decisão está “em processo de mudança”, do mais intuitivo para o
mais data-driven e que há um processo formal de inteligência sendo implementado
(“Implementando processo intelig.”). Pode-se inferir, neste caso, que as organizações estão
desenvolvendo novas origens de dados, coletando mais informações, para implementar novos
processos, possivelmente com o objetivo de tornar a tomada de decisão mais data-driven.
O dendrograma apresenta clara relação entre o processo de decisão “Intuitivo” e os
“Small Data” usados para inteligência. Lindstrom (2016) defende a importância do uso de
informações coletadas diretamente no mercado. Esta forma de coletar pequenos volumes de
dados está relacionada a insights obtidos em observações diretas no ambiente. É natural que
essa fonte gere decisões intuitivas, complexas, considerando os sinais qualitativos e empíricos
coletados, adicionados à longa experiência dos decisores. Como exemplos de Small Data
podemos citar observações descritivas e qualitativas do ambiente social-econômico; pesquisas
quantitativas e qualitativas; dados de sistemas CRM (Customer Relationship Management);
percepções de mercado dos colaboradores, etc. Métodos de inteligência antecipativa, criados a
partir da teoria dos sinais fracos (Ansoff, 1975), são baseados neste tipo de informação, que é
coletada, selecionada, analisada coletivamente, cruzando diversos sinais para obter um sentido

VII Encontro de Administração da Informação - EnADI 2020
Evento on-line - 25 de agosto de 2020 - ISSN 2177-2487 - versão online
7
maior. É no monitoramento ativo dessas fontes que são percebidos os sinais que representam
sintomas de mudanças, de possíveis descontinuidades estratégicas.
As ferramentas de BDA, quando usam dados de mercado e já possuem maturidade nas
suas análises, podem gerar conhecimento que permitem esses insights. Para isso, é necessário
desenvolver capacidades e entender o papel dos dados como um fator crítico de sucesso na
tomada de decisão, adquirindo uma cultura orientada por dados (data-driven) (Dremel, 2017).
Entretanto, nas organizações deste estudo, percebe-se esta análise intuitiva sendo realizada, na
sua maior parte, por meio de Small Data, a partir do estudo da relação dos clientes com os
produtos e serviços oferecidos. Destaca-se que, pelo perfil demográfico da amostra, 27% são
empresas são de pequeno porte e 39% delas, pela percepção dos entrevistados, não possuem
processos de inteligência. Nestas, possivelmente não há a maturidade necessária para tomar
decisões baseadas em BDA. Por outro lado, a análise de cluster também apresenta uma
relação entre o uso de Big Data nos processos de inteligência (código “Big Data”) e métodos
de inteligência antecipativa (código “Foresight”). Em contexto organizacional de
possibilidade de coleta de dados digitalizados em múltiplas fontes externas e de necessidade
de monitoramento do ambiente, um dos objetivos do BDA é o de ser um mecanismo de
relacionamento com o mercado. Ele é um dos meios que possibilitam o entendimento do
ambiente econômico e social (Keller & von der Gracht, 2014), e introduz mudanças em como
a informação pode ser coletada e usada pelas empresas (Constantiou & Kallinikos, 2015).
Neste sentido, acredita-se que os métodos de identificação de sinais fracos e criação de
sentido da inteligência antecipativa (Lesca, 2003), que inicialmente preveem captura de sinais
apenas em base qualitativa, possam ser atualizados para comportar essas novas ferramentas
mais quantitativas. Erevelles et al. (2016), em estudo sobre o impacto do BDA, afirma que a
análise do consumidor está no centro da revolução dos dados e que a tecnologia permite a
coleta de dados importantes sobre os fenômenos do mercado. Ele mostra, em framework
teórico, que empresas podem ser proativas às mudanças no ambiente, capturando sinais fracos
dos consumidores por meio de ferramentas BDA para previsão de eventos futuros.
Yoon (2012) afirma que os métodos tradicionais para identificar sinais fracos dependem
muito do conhecimento e perícia de especialistas, podendo resultar em vieses e análises
divergentes. Portanto, novas formas de coletar evidências desses sinais, automatizadas por
algoritmos e sistemas, são importantes para a competitividade das organizações. Na mesma
linha, Mühlroth & Grottke (2018) mostra que devido ao crescente volume de dados
disponíveis, está aumentando a demanda por métodos e sistemas digitais para detectar sinais
fracos e apoiar o foresight corporativo. Em resumo, identificam-se as seguintes correlações:
● Organizações que não possuem processo de inteligência também não possuem
nenhum tipo de análise de percepção futura.
● Organizações que estão adotando BDA também estão implementando processos de
tomada de decisão data-driven.
● Organizações que tomam mais decisões de forma intuitiva utilizam Small Data como
fonte de dados para inteligência.
● Há uma relação entre a utilização de Big Data nos processos de inteligência e métodos
de inteligência antecipativa.
Esta última observação é uma evidência da viabilidade de coletar sinais fracos em dados
do tipo Big Data. É uma conclusão importante no paralelo deste estudo. Há uma mudança na
área da inteligência antecipativa, gerada pelo advento do BDA. É imprescindível que se passe
a colher informações por meio destas novas ferramentas, esta é uma oportunidade de
atualização dos processos da inteligência estratégica antecipativa a partir da transformação
digital. O volume das informações e a quantidade de dados digitais está aumentando de forma

VII Encontro de Administração da Informação - EnADI 2020
Evento on-line - 25 de agosto de 2020 - ISSN 2177-2487 - versão online
8
exponencial, de modo que os gestores não são capazes, sem uma ferramenta, de analisar o que
está mudando no mercado (Mühlroth & Grottke, 2018). Ao monitorar o ambiente também
pelo BDA, em função dessa quantidade de informações, pode-se correlacionar mais variáveis
nas práticas de criação coletiva de sentido. O Big Data também oferece respostas em tempo
real, por meio de algoritmos sofisticados e conjuntos de dados dinâmicos, potencializando a
criação de sentido rápida a partir de mudanças ambientais turbulentas e inconstantes
(Constantiou & Kallinikos, 2015). Neste mundo de dados crescentes, a tecnologia de
informação deve contribuir para ter processos de inteligência antecipativa mais eficientes.
Para que este ritmo de volume e complexidade de informações seja acompanhado, precisa-se
de sistemas, ferramentas, mecanismos digitais que ajudem na coleta e análise, permitindo
melhores percepções sobre o ambiente corporativo (Keller & von der Gracht, 2014).
5. Considerações Finais
A intenção deste estudo foi entender e descrever práticas usadas para obter informação, nas
áreas e processos de inteligência e tomada de decisão, sob a luz da Teoria dos Sinais Fracos,
com foco no tipo de informação utilizado: Big Data, Small Data e Sinais Antecipativos. Para
desenvolver o tema, optou-se por uma pesquisa empírica qualitativa, aplicando um formulário
estruturado à profissionais da área de inteligência. As análises revelaram resultados
importantes envolvendo um tema latente sobre os processos de inteligência antecipativa: as
organizações sem estes processos definidos têm maior dificuldade na percepção ou
antecipação de fenômenos futuros, além das simples tendências e padrões identificados nos
seus dados internos. Esta conclusão confirma a teoria (Cainelli & Janissek-Muniz, 2019;
Fonseca & Barreto, 2011; Lesca, 2003) conduzindo a uma contribuição prática importante:
empresas podem estar perdendo competitividade por não monitorar e tratar sinais
antecipativos. Na análise realizada também foi percebido que, em organizações cujas decisões
são intuitivas, Small Data é mais utilizado como fonte de informação para inteligência. A
disponibilidade de métodos de análise e a crescente maturidade do uso do BDA, juntamente
com uma melhor compreensão do valor da análise de dados, é o que permitirá, aos tomadores
de decisão destas organizações, aceitar os insights obtidos a partir do Big Data (Dremel,
2017). Adicionalmente, percebe-se relação entre o uso de Big Data e a identificação de sinais
antecipativos. Este resultado é reflexo do novo momento da inteligência antecipativa, que
permite que a coleta de sinais fracos seja realizada também a partir dos grandes volumes de
dados (Hiltunen, 2008). Isto conduz a outra contribuição prática: gestores, para tornar suas
organizações mais competitivas e obter maior valor a partir do Big Data, devem atualizar seus
processos de inteligência, coletando dados também por meio destas fontes. Informações
extraídas via BDA podem aumentar significativamente o conhecimento disponível e, assim,
melhorar a capacidade de tomar decisões fundamentadas em evidências. Os processos de
tomada de decisão, desta forma, são baseados na experiência, na intuição do negócio e,
principalmente, enriquecidos pelos insights orientados pelos dados (Dremel, 2017). As
organizações estão no meio de uma revolução na gestão baseada na informação digital. Elas
coletam enormes quantidades de dados e suas análises prometem gerar insights que estão
mudando o formato da tomada de decisão. O uso do BDA permite maior profundidade,
velocidade e assertividade nos insights data-driven, obtendo maior valor e aumentando a
competitividade (Tambe, 2013). Entende-se, como limitação do estudo, o fato da compilação
realizada ser fruto de uma amostra pequena da população com percepção de profissionais que
trabalham com inteligência, e da mesma região geográfica, o que aumenta a possibilidade de
vieses. Desta forma, as conclusões não podem ser generalizadas e devem ser avaliadas de
forma mais aprofundada em estudos futuros. O uso de ferramentas de Big Data e a
comparação com seu contraponto Small Data, pode ser considerado como um gap na
literatura de sistemas de informação. Este estudo apresentou uma pesquisa inicial, entretanto

VII Encontro de Administração da Informação - EnADI 2020
Evento on-line - 25 de agosto de 2020 - ISSN 2177-2487 - versão online
9
deve ser complementada e sequenciada. Sugere-se, como estudos futuros, pesquisas
qualitativas e quantitativas com um maior número de respondentes e variedade demográfica.
Referências
Ansoff, H. I. (1975). Managing Strategic Surprise by Response to Weak Signals. California
Management Review, 18(2), 21–33.
Arunachalam, D. et al (2018). Understanding big data analytics capabilities in supply chain
management. Transportation Research E: Logistics and Transportation Review, 114.
Bardin, L. (1977). Análise de conteúdo. Lisboa: Edições 70.
Bholat, D. (2015). Big Data and central banks. Big Data & Society, 2(1).
Cainelli, A. & Janissek-Muniz, R. (2019). Pre-Adoption Diagnosis of the Intelligence Process
in Organizations. BAR - Brazilian Administration Review, 16(3), 1–28.
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).
Chen, H. M., Schütz, R., Kazman, R., & Matthes, F. (2017). How Lufthansa capitalized on
Big Data for Business Model Renovation. MIS Quarterly Executive, 1615 (14).
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.
Côrte-Real, N., Oliveira, T., & Ruivo, P. (2017). Assessing business value of Big Data
Analytics in European firms. Journal of Business Research, 70, 379–390.
Davenport, T. H. (2006). Competing on analytics. Harvard Business Review, 22(3), 139–145.
Davenport, T. H., Barth, P., & Bean, R. (2012). How ‘Big Data’ is Different. MIT Sloan
Management Review, 54(1).
Diebold, F. X. (2018). The Origin(s) and Development of “Big Data”: The Phenomenon, the
Term, and the Discipline. University of Pennsylvania.
Dremel, C. (2017). How AUDI AG Established Big Data Analytics in Its Digital
Transformation. MIS Quarterly Executive.
Duan, Y., Cao, G., & Edwards, J. S. (2018). Understanding the impact of business analytics
on innovation. European Journal of Operational Research, 0, 1–14.
Erevelles, S., Fukawa, N., & Swayne, L. (2016). Big Data consumer analytics and the
transformation of marketing. Journal of Business Research, 69(2), 897–904.
Faraway, J. J., & Augustin, N. H. (2018). When small data beats big data. Statistics and
Probability Letters, 136.
Fonseca, F., & Barreto, L. F. B. P. M. (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.
Gheorghiu, R., Andreescu, L., & Curaj, A. (2015). A foresight toolkit for smart specialization
and entrepreneurial discovery. Futures, 80, 33–44.
Godoy, A.S. (1995). Pesquisa qualitativa: tipos fundamentais. Revista Administração de
Empresas, 35(3).
Goes, P. B. (2014). Big Data and IS Research. MIS Quarterly (38).
Günther, W. A. et al. (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.
Hiltunen, E. (2008). The future sign and its three dimensions. Futures, 40(3), 247–260.

VII Encontro de Administração da Informação - EnADI 2020
Evento on-line - 25 de agosto de 2020 - ISSN 2177-2487 - versão online
10
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., Borges, N.M., & Bortoli, L. (2015). Gestão Dos Sinais Fracos No
Contexto Brasileiro: Estado Da Arte. 8o Ifbae, 1–19.
Janissek-Muniz, R., Lesca, H., & Freitas, H. (2006). Inteligência estratégica antecipativa e
coletiva para tomada de decisão. Revista Organizações em Contexto, 2(4), 92–118.
Janssen, M., van der Voort, H., & Wahyudi, A. (2017). Factors influencing big data decision-
making quality. Journal of Business Research, 70, 338–345.
Jiang, J., & Gallupe, R. B. (2015). Environmental Scanning and Business Insight Capability:
The Role of Business Analytics and Knowledge Integration Full paper. Twenty-first
Americas Conference on Information Systems, pp. 1–21.
Keller, J., & Gracht, H. A. (2014). The influence of information and communication
technology on foresight processes. Technological Forecasting and Social Change, 85.
Kim, S., Kim, H., & Park, Y. (2017). Early detection of vessel delays using combined
historical and real-time information. Journal Operational Research Society, 68(2).
Kitchin, R., & Lauriault, T.P. (2015). Small data in the era of big data. GeoJournal, 80(4).
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. et al (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). 3D Data Management: Controlling Data Volume, Velocity, and Variety.
Application Delivery Strategies.
Lavalle, S. et al (2011). Big Data, Analytics and the Path From Insights to Value. MIT Sloan
Management Review, 52(2), 21–32.
Lesca, H. (2003). Veille stratégique: la méthode L.E.SCAnning® (EMS).
Lesca, N. et al (2015). Drivers and barriers to pre-adoption of strategic scanning information
systems. Systèmes d’information & Management, 20(3), 9.
Lindstrom, Martin (2016). Small Data. HarperCollins Brasil; Edição: 1ª
Mendonça, S., Cardoso, G., & Caraça, J. (2012). The strategic strength of weak signal
analysis. Futures, 44(3), 218–228.
Miller, H. J. (2010). The data avalanche is here. Shouldn’t we be digging? Journal of
Regional Science, 50(1), 181–201.
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.
Rhisiart, M., Miller, R., & Brooks, S. (2015). Learning to use the future: Developing foresight
capabilities through scenario processes. Technological Forecasting Social Change, 101.
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.
Saffi, F. C., & Janissek-Muniz, R. (2019). Explorando usos potenciais do Big Data Analytics
para a Inteligência Antecipativa. In XLIII Encontro da ANPAD (pp.1–17). São
Paulo/SP.
Simon, H. A. (1977). The new science of management decision. Prentice Hall.
Tambe, P. (2013). Big Data Investment, Skills, and Firm Value. SSRN (Vol. 2016).
Watson, H. J. (2017). Preparing for the Cognitive Generation of Decision Support. MIS
Quarterly Executive, 16(3), 153–169.
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.