MONOGRAFIA BusinessIntelligenceGestão

MINISTÉRIO DA EDUCAÇÃO - MEC
UNIVERSIDADE FEDERAL DE OURO PRETO – UFOP

ESCOLA DE MINAS – EM
DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO, ADMINISTRAÇÃO E
ECONOMIA – DEPRO
BUSINESS INTELLIGENCE PARA GESTÃO DE

INDICADORES DE DESEMPENHO E SUPORTE A
TOMADA DE DECISÃO NO SETOR DE COMPRAS
DE UMA ORGANIZAÇÃO
MONOGRAFIA DE GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO
MARCELO TAVARES DE FREITAS
Ouro Preto - MG
2021
2
MARCELO TAVARES DE FREITAS

[email protected]
BUSINESS INTELLIGENCE PARA GESTÃO DE

INDICADORES DE DESEMPENHO E SUPORTE A
TOMADA DE DECISÃO NO SETOR DE COMPRAS
DE UMA ORGANIZAÇÃO
Monografia submetida à apreciação da banca

examinadora de graduação em Engenharia de Produção da
Universidade Federal de Ouro Preto, como parte dos
requisitos obrigatórios para conclusão do curso de
bacharelado em Engenharia de Produção.
Orientador: Prof. Dr. Helton Cristiano Gomes.
Ouro Preto – MG
2021
3
SISBIN - SISTEMA DE BIBLIOTECAS E INFORMAÇÃO
F866b Freitas, Marcelo Tavares de.

Business Intelligence para gestão de indicadores de desempenho e
suporte a tomada de decisão no setor de compras de uma organização.
[manuscrito] / Marcelo Tavares de Freitas. - 2021.
47 f.: il.: color., gráf., tab..
Orientador: Prof. Dr. Helton Cristiano Gomes.

Monografia (Bacharelado). Universidade Federal de Ouro Preto. Escola
de Minas. Graduação em Engenharia de Produção .
1. Tecnologia. 2. Big data. 3. Inteligência de negócios. 4. Inteligência

competitiva (Administração). 5. Desempenho - Indicadores. I. Gomes,
Helton Cristiano. II. Universidade Federal de Ouro Preto. III. Título.
CDU 658.5:004.62
Bibliotecário(a) Responsável: Sione Galvão Rodrigues - CRB6 / 2526

MINISTÉRIO DA EDUCAÇÃO
UNIVERSIDADE FEDERAL DE OURO PRETO
REITORIA
ESCOLA DE MINAS
DEPARTAMENTO DE ENGENHARIA DE PRODUCAO, ADMINISTRACAO E ECON
FOLHA DE APROVAÇÃO

Marcelo Tavares de Freitas

Business Intelligence para gestão de indicadores de desempenho e suporte a tomada de decisão no setor de compras de uma organização

Monografia apresentada ao Curso de Engenharia de Produção da Universidade Federal

de Ouro Preto como requisito parcial para obtenção do título de Engenheiro de Produção.
Aprovada em 11 de outubro de 2021.

Membros da banca

Doutor - Helton Cristiano Gomes - Orientador - Universidade Federal de Ouro Preto
Mestre - Cristiano Luís Turbino de França e Silva - Universidade Federal de Ouro Preto
Mestrando - Ruan Carlos Silva Menezes Pinheiro - Universidade Federal de Ouro Preto

Helton Cristiano Gomes, orientador do trabalho, aprovou a versão final e autorizou seu depósito na Biblioteca Digital de Trabalhos de Conclusão de Curso da UFOP
em 19/10/2021.

Documento assinado eletronicamente por Helton Cristiano Gomes, PROFESSOR DE MAGISTERIO SUPERIOR, em 19/10/2021, às 15:11, conforme
horário oficial de Brasília, com fundamento no art. 6º, § 1º, do Decreto nº 8.539, de 8 de outubro de 2015.
Documento assinado eletronicamente por Cristiano Luis Turbino de Franca e Silva, PROFESSOR DE MAGISTERIO SUPERIOR, em 19/10/2021, às
22:28, conforme horário oficial de Brasília, com fundamento no art. 6º, § 1º, do Decreto nº 8.539, de 8 de outubro de 2015.
A autenticidade deste documento pode ser conferida no site http://sei.ufop.br/sei/controlador_externo.php?

acao=documento_conferir&id_orgao_acesso_externo=0 , informando o código verificador 0231631 e o código CRC 42915A8F.
Referência: Caso responda este documento, indicar expressamente o Processo nº 23109.010771/2021-35 SEI nº 0231631
R. Diogo de Vasconcelos, 122, - Bairro Pilar Ouro Preto/MG, CEP 35400-000
Telefone: 3135591540 - www.ufop.br

5
AGRADECIMENTOS
Agradeço primeiramente a Deus e Nossa Senhora Aparecida pelo dom da vida, força, sabedoria
e tranquilidade para que eu chegasse até esse dia. Aos meus pais, Edilson e Vania por todo o
apoio e por não medirem esforços para que eu tivesse condiçoes de realizar mais esse sonho. À
minha irmã por todo apoio e parceria durante todos esse anos. A todos os tios, primos, avós e
demais familiares por acreditarem em mim e me darem toda confiança.
Agradeço aos amigos de Belo Horizonte, por serem sempre presentes em todos os momentos e
compartilharem a vida comigo. A todos os amigos que fiz em Ouro Preto, em especial aqueles
que são minha segunda família, ex-alunos, moradores, agregados e calouros da grandiosa
República Oito e Oitenta.
Agradeço a Universidade Federal de Ouro Preto pelo ensino gratuito e de qualidade e aos
professores do Departamento de Engenharia de Produção por todo conhecimento e experiências
compartilhadas durante a gradução dentro e fora da sala de aula, em especial ao Prof. Dr. Helton
Cristiano Gomes por aceitar orientar o presente trabalho. Agradeço aos discentes do curso de
Engenharia de Produção, em especial à turma 14.1 a qual tenho muito orgulho de fazer parte,
obrigado por todos os momentos únicos que vivemos durante todos esses anos.
Agradeço aos meus colegas de trabalho que desde 2019 confiam no meu potencial e me ensinam
não só a ser um bom profissional como também uma excelente pessoa.
Por fim agradeço a cidade de Ouro Preto pelo acolhimento e por ser um lugar fantástico com
pessoas execpcionas, sem dúvida foram os melhores anos da minha vida.
6
RESUMO
Não há empresa que consiga sobreviver e se destacar no mercado sem se adaptar aos avanços
tecnológicos, a chamada indústria 4.0 já é uma realidade e causa uma revolução na maneira
como as organizações definem suas estratégias. Em um ambiente que exige cada vez mais
eficiência nos processos, possuir indicadores confiáveis e tomar decisões com maior velocidade
é fundamental. Para atingir tais objetivos muitas empresas vêm adotando o Business
Intelligence (BI) como forma de transformar a grande quantidade de dados que possui em
informações que contribuirão para o sucesso da organização. No entanto, todos esses dados e
computadores não trabalham sozinhos, o maior ativo das empresas são as pessoas que a compõe
e dessa maneira é imprescindível que essas pessoas saibam trabalhar com as novas tecnologias
e entender de que maneira elas podem ajudá-las. Neste sentido este trabalho apresentará um
estudo de caso da implementação de uma estrutura completa de BI no setor de compras de uma
empresa que produz bens de capital, desde a definição das fontes de dados, passando pela
escolha da abordagem para análise e finalmente chegando à interface de usuário. Também será
apresentado uma avaliação da percepção dos usuários que utilizaram a ferramenta. Os
resultados obtidos buscaram entender sob quais aspectos foram observadas melhorias no
processo de gestão de indicadores de desempenho e no suporte a tomada de decisão e discutir
como a adoção de uma tecnologia impacta na rotina de trabalho dos colaboradores. Através
desse estudo podemos perceber os benefícios de se utilizar os conceitos associados ao BI para
abordar os dados disponíveis e gerar informações valiosas a partir deles.
Palavras chave: Dados, tecnologia, Business Intelligence, tomada de decisão, indicadores de

desempenho
7
ABSTRACT
There is no company that can survive and be noticed on the market without adapt to the
technological advances, the industry 4.0 it is a reality and cause one revolution on the way
organizations define their strategies. In an environment that demands every time more
efficiency on the process, have trustable indicators and make decisions faster is fundamental.
To achieve these goals many companies have been adopt the Business Intelligence (BI) to a
way to transform great amounts of data they have into information which will contribute to the
success of the organization. Nonetheless, all these data and computers don’t work by
themselves, the greatest resource of the companies are the people that work on them and it’s
very important that these people know how to work with the new technologies and understand
how they can help the employees. That way, this work will present a case study of the
development of a BI tool on the purchasing department of an industry that produces capital
goods, since the phase of data collecting, passing through the choice of a methodology for data
analysis and finally coming to the user interface. Also, will be presented an evaluation of the
opinion of the users who utilized the BI tool. The objective of the results was understanding in
which aspects was observed benefits on the process of managing performance indicators,
support the decision making and discuss how the adoption of a new technology impacts on the
work routine of the people. Through this study we can see on practice the benefits of using the
concepts associated with the BI to work with data and generate valuable information from them.
Keywords: Data, technology, Business Intelligence, decision making, performance indicators

8
LISTA DE FIGURAS
Figura 1 - Indicadores fornecem informação baseados em comparação . . . . . . . . . . . . . . . . 16

Figura 2 – Macroprocesso decisório . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .19
Figura 3 – Tomada de decisão nos diferentes níveis organizacionais . . . . . . . . . . . . . . . . . . 20
Figura 4 – Estrutura de um Data Warehouse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .22
Figura 5 - Exemplo de modelo multidimensional de dados. . . . . . . . . . . . . . . . . . . . . . . . . . 23
Figura 6 – Arquitetura de BI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .25
Figura 7 - Abordagem para classificação do tipo de pesquisa utilizado em um estudo . . . . .27
Figura 8 – Funcionalidade do PBI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Figura 9 – Fluxograma CI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .32
Figura 10 – Importando dados para o PBI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Figura 11 – Carregamento de dados no PBI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .35
Figura 12 – Registro da etapa de Transformação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .35
Figura 13 – Relacionamento entre Tabelas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .37
Figura 14 – Visuais do PBI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .37
Figura 15 – Dashboard de Commercial Issues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .38
Figura 16 – Identificação de outros aspectos relevantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . .44
9
LISTA DE QUADROS
Quadro 1 – Conceitos de BI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Quadro 2 – Códigos de cada causal de CI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Quadro 3 – Dicionário de Dados do DW . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .36
Quadro 4 – Pontuação por nível de concordância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .39
Quadro 5 – RM para Escala de Likert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .43
10
LISTA DE GRÁFICOS
Gráfico 1 – NPS para processo decisório . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Gráfico 2 – NPS para gestão de indicadores de desempenho . . . . . . . . . . . . . . . . . . . . . . . . . 40
Gráfico 3 – Escala de Likert para transparência e acessibilidade. . . . . . . . . . . . . . . . . . . . . . . 41
Gráfico 4 – Escala de Likert para velocidade da informação . . . . . . . . . . . . . . . . . . . . . . . . . 41
Gráfico 5 – Escala de Likert para confiabilidade dos dados. . . . . . . . . . . . . . . . . . . . . . . . . . .41
Gráfico 6 – Escala de Likert para identificação de “gargalos” . . . . . . . . . . . . . . . . . . . . . . . . 42
Gráfico 7 – Escala de Likert para priorização de tarefas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .42
Gráfico 8 – Frequência de utilização do dashboard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
11
LISTA DE SIGLAS E ABREVIATURAS

BI – Business Intelligence
BPM – Business Performance Management
CI – Commercial Issues
DM – Data Mining
DW – Data Warehouse
ETL – Extract, Transform and Load
KPI – Key Performance Indicators
MPDG – Ministério do Planejamento, Desenvolvimento e Gestão
NPS – Net Promoter Score
OLAP – Online Analytical Process
PBI – Microsoft Power BI®
RM – Ranking Médio
12
SÚMARIO
1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1 Justificativa e Objetivos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .14
2. Referencial Teórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1. Indicadores de desempenho e sua importância dentro das organizações . . . . . . .15
2.2. Processo decisório. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3. Business Intelligence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3. Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1. Pesquisa Científica em Engenharia de Produção. . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2. Tecnologias de BI. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3. Avaliação dos Usuários. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4. Estudo de caso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.1. A empresa e o departamento de Compras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2. Indicador de Desempenho e Problemática encontrada . . . . . . . . . . . . . . . . . . . . . 32
4.3. Estruturação e Implementação do BI. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.3.1 Fonte de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.3.2 ETL e DW . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.3.3 OLAP e Interface de Usuário . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.4. Questionário de Avaliação dos Usuários . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.5. Apresentação e Discussão dos Resultados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5. Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6. Referências. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
13
1. Introdução
Desde o início da atividade industrial, as empresas precisam constantemente se adaptar às novas

tecnologias para tornar seus processos mais eficientes e se manterem competitivas no mercado
onde estão inseridas. Isso ocorre desde a primeira revolução industrial com o advento da
mecanização da produção, passando pelo desenvolvimento da eletricidade, automóveis,
telefones e rádio, e, também, o surgimento dos equipamentos eletrônicos, de telecomunicações
e computadores em meados de 1970, no que conhecemos como terceira revolução industrial. O
desenvolvimento da internet tornou o mundo cada vez mais conectado fazendo com que a
relação homem-máquina seja cada vez integrada e dando início ao que atualmente vivenciamos:
uma nova fase de transformações nas organizações, a chamada Industria 4.0.
Segundo Gilchrist (2016) a Indústria 4.0 é composta por nove pilares de tecnologia, dentre eles
está o Big Data. Big Data nada mais é que a coleta, armazenamento e disponibilização de
grande quantidade de dados sejam eles estruturados ou não. Possuir uma base de dados robusta
não é suficiente para garantir a sobrevivência do negócio, é necessário transformar esse grande
volume de dados em informações que irão impactar diretamente no processo de tomada de
decisão em todos os níveis da organização. Dessa necessidade de tomar melhores decisões e ter
que lidar com grande quantidade de informações as empresas vêm adotando o Business
Intelligence (BI) como ferramenta para agrupar, organizar e visualizar os dados em busca de se
tornarem mais eficientes, otimizando seus processos, tanto no nível tático/operacional com o
acompanhamento de seus indicadores-chave de performance, do inglês Key Performance
Indicators (KPIs) quanto no nível estratégico em grandes decisões sobre o futuro das empresas.
Uma empresa pode adotar as mais modernas tecnologias para obter, armazenar e analisar todos
esses dados, mas ao final quem tomará as decisões reais e que realmente irão impactar no
negócio são as pessoas que compõe a organização. Muitas vezes, a incorporação de novas
tecnologias, principalmente aquelas mais disruptivas, pode criar um sentimento de insegurança
ou de aversão a mudança por parte dos colaboradores acostumados com determinada rotina,
sobretudo em empresas já consolidadas no mercado com processos bem definidos e padrões já
estabelecidos. Portanto, é fundamental avaliar como essas novas tecnologias impactam na
rotina de trabalho dessas pessoas e como os colaboradores avaliam a as mudanças trazidas pelas
novas ferramentas.
14
1.1 Justificativa e Objetivos
Este estudo justifica-se devido a necessidade de compreender constantemente as

transformações tecnológicas e a forma com que elas podem ser incorporadas nas empresas,
além disso é um exemplo de aplicação dos conceitos encontrados na literatura em um problema
real de uma indústria de grande porte. O investimento nesta análise traz respostas às indagações
de profissionais e estudantes que se relacionam com esses conceitos.
Esse conhecimento possui grande relevância uma vez que pode capacitar e desenvolver novas
pesquisas a respeito do assunto abordado contribuindo para o desenvolvimento de novas
tecnologias. Por se tratar de uma temática de estudo recente, mas que tem atraído de grande
atenção é importante que os estudantes de engenharia tenham contato com esses conceitos que
servirão de base em muitos campos e processos industriais
Nesse sentido, a hipótese testada foi a de que o uso do BI melhora a gestão de indicadores e
auxilia a tomada de decisão dentro das organizações e para atingir o objetivo proposto, tem-se
os seguintes objetivos específicos:
• Realizar uma revisão bibliográfica a respeito do processo de tomada de decisão,

Business Intelligence e indicadores de desempenho;
• Realizar um estudo de caso sobre a implantação de uma ferramenta de BI na empresa
escolhida utilizando o software MS Power BI para análise exploratória;
• Avaliar quais foram as mudanças percebidas pelos usuários da ferramenta nos processos
de acompanhamento de indicadores e tomada de decisão.
Para se cumprir com os objetivos definidos o presente trabalho possui, além deste, mais 4
capítulos. O capítulo 2 apresenta uma revisão bibliográfica a respeito dos conceitos de
indicadores de desempenho na seção 2.1, processo decisório na seção 2.2 e BI na seção 2.3. O
capítulo 3 dedica-se a metodologia de pesquisa definida abordando os conceitos de pesquisa
científica em Engenharia de Produção e explicando as motivações das abordagens utilizadas no
estudo de caso. O capítulo 4 trata do estudo de caso realizado in loco na empresa escolhida
desde a identificação da problemática, passando pelo desenvolvimento da proposta de
intervenção, chegando até a análise e discussão dos resultados obtidos. Por fim, o capítulo 5
trata das considerações finais e apresenta possibilidades de estudos futuros.
15
2. Referencial Teórico
Este capítulo dedica-se a fazer uma revisão dos trabalhos já publicados, abordando os conceitos
de indicadores de desempenho, processo de tomada de decisão e Business Intelligence.
2.1 Indicadores de desempenho e sua importância dentro das organizações
Segundo o Ministério do Planejamento, Desenvolvimento e Gestão (MPDG) indicadores são

instrumentos essenciais nas atividades de monitoramento e avaliação das organizações. Com
eles é possível gerar informação do estado real dos acontecimentos e processos, permitindo
acompanhamento do alcance de metas, correção de problemas, necessidade de mudança, entre
outros. Ou seja, indicadores não são simplesmente números, são atribuições de valor a um
objetivo, situação ou acontecimento.
Indicadores chave de performance, do inglês Key performance indicators (KPIs), são medidas
quantificáveis que auxiliam as empresas na definição e acompanhamento de seu desempenho
nas áreas mais importantes de seu negócio, indicando o quão bem ou mal está um processo
quando comparado ao nível considerado aceitável ou quão longe ou perto se está da meta
estabelecida (LATORRE et al., 2010).
El-Mongy et al. (2013) define que uma outra importante função ao se estabelecer indicadores
seria transmitir a visão e missão da empresa a todos os níveis organizacionais. Ao definir e
compartilhar como serão medidos os processos, fica claro para toda a organização o que
realmente importa para os níveis mais altos da administração. Além de alinhar os objetivos em
todos os níveis, Souza e Correa (2014) advogam que as medidas de desempenho devem possuir
fácil entendimento e fornecer feedback rápido e preciso, além disso devem representar o
processo de negócio possuindo relevância e foco na melhoria.
Slack et al. (2006) destaca que indicadores de desempenho dentro das organizações ajudam a
definir prioridades de melhoria nos processos que representam a sua realidade além de serem
uma forma eficiente de medir objetivos relacionados a custo, velocidade, disponibilidade,
qualidade, confiabilidade e flexibilidade. Santos e Santos (2018) demonstram que o
monitoramento constante dos KPIs permite com que a gestão identifique com maior velocidade
problemas ou gargalos em seus processos e dessa maneira consiga estabelecer planos de ação
e intervenção para se atingir os objetivos.
16
Francischini (2017) argumenta que é necessário algum parâmetro de comparação para que seja
possível atribuir julgamento sobre o indicador e essa comparação pode ser realizada através três
diferentes formas conforme ilustrado na Figura 1:
Figura 1: Indicadores fornecem informação baseados em comparação
Fonte: Francischini (2017)
Os três tipos possíveis são: 1) Históricos, que utilizam o desempenho passado e exigem uma
base histórica com os dados a serem mensurados; 2) Padrão, onde são estabelecidos números
de referência baseados em objetivos e metas definidos pela administração ou negociados entre
os níveis hierárquicos; e 3) Amplitude, que são comparações feitas entre empresas que atuam
no mesmo setor e valores de benchmarking (FRANCISCHINI, 2017).
Os processos de definição, mensuração e acompanhamento de indicadores fazem parte do

sistema de avaliação de desempenho. Para Chiavenato (2004, p. 223) “a avaliação do
desempenho constitui um poderoso meio de resolver problemas de desempenho, melhorar a
qualidade do trabalho e a qualidade de vida dentro das organizações”.
Lugoboni et al. (2013) defende que uma empresa deve estabelecer seu sistema de avaliação e
indicadores de desempenho baseado na definição de metas, motivação dos colaboradores e
melhoria da qualidade. Dessa maneira cria-se um instrumento capaz de proporcionar uma
gestão eficaz. Sistemas de avaliação baseados em indicadores são fundamentais para o
planejamento e controle através da informação, criando transparência e atuando no suporte a
tomada de decisão empresarial (CALHEIROS; SORDI,2012).
17
2.2 Processo decisório
Tomar decisões é uma atividade comum a todos os indivíduos em nossa sociedade. É algo que
faz parte da rotina pessoal ou profissional, sejam elas decisões triviais como acordar ou
continuar deitado, escolher o que comer, ir ou não ir ao médico, ou até decisões complexas que
podem afetar uma organização inteira e em casos extremos até os rumos de países.
Moritz e Pereira (2006) definem que é necessário tomar uma decisão quando um problema
apresenta mais de uma alternativa viável de solução. Mesmo quando somente há apenas um
caminho a seguir é possível que possa existir a escolha de tomar ou não esse caminho. O
processo de escolha do caminho mais adequado, dadas circunstâncias, é chamado de processo
decisório.
Segundo Gomes (2007) uma decisão deve ser avaliada segundo três dimensões: importância,
velocidade e individualidade. A primeira está relacionada a aderência da decisão tomada com
valores e interesses de quem é impactado pela escolha. Já a segunda está relacionada a
velocidade que o contexto de tomada de decisão exige, por exemplo, uma equipe de resgate
deve tomar decisões com maior velocidade do que o conselho diretivo de uma companhia. Por
fim, a dimensão de individualidade refere-se à necessidade de uma decisão ser tomada
individualmente ou em grupo.
Uris (1989 apud. Osinski et al., 2016) define o processo decisório em seis etapas, sendo elas:
1. análise e identificação da situação: identificar claramente a situação que o ambiente do

problema se encontra, por meio do levantamento de informações, com o objetivo de chegar a
uma decisão sólida;
2. desenvolver alternativas: com base nos levantamentos realizados na coleta de dados, pode-
se elencar alternativas para a resolução dos problemas;
3. comparação entre alternativas: identificar vantagens e desvantagens de cada opção;
4. classificação de riscos: avaliar os riscos envolvidos em cada uma das alternativas, de modo
a antecipar as principais consequências de cada decisão, buscando apontar a que representa
menor risco;
5. escolha da alternativa: selecionar aquela que resolve o problema, baseado nas vantagens,
desvantagens e riscos analisados;
18
6. execução e avaliação: comparação de resultados obtidos com a alternativa escolhida frente

as previsões anteriores.
Bazerman e Moore (2010) destacam que o processo de comparação entre as alternativas deve
ser feito de forma racional, através da definição de critérios prévios para análise de cada
possibilidade e atribuição de ponderações para cada critério sendo possível definir uma ordem
de relevância entre eles. A escolha da melhor alternativa é feita então através de uma
comparação quantitativa, onde aquela que possuir a maior soma após atribuição dos pesos por
cada critério e tida como solução ideal.
Por outro lado, Nonohay (2012) entende que o fator humano influencia diretamente no processo
de tomada de decisão, mesmo que de forma inconsciente, através de fatores subjetivos como a
forma de ver, pensar, analisar e agir do indivíduo responsável pela decisão. Dessa maneira
entende-se que o processo decisório não é puramente racional.
Simon (1955 apud. Rodrigues, 2010), através do princípio da racionalidade limitada, argumenta
que as decisões são limitadas pelo conhecimento prévio e habilidades do tomador de decisão,
além da capacidade da mente humana em formular e solucionar problemas complexos. Dessa
maneira não é possível avaliar todas as alternativas existentes, então a decisão é considerada
satisfatória, dado o contexto em que foi tomada, e não ótima.
Graças ao avanço tecnológico, sobretudo no que diz respeito a computadores e sistemas de

informações, o tomador de decisão no contexto atual consegue obter com velocidade uma
grande quantidade e variedade de informação. Dessa maneira é possível embasar melhor as
análises de modo a atenuar os limites apresentados no conceito da racionalidade limitada de
Simon (1955) (CANARY, 2013).
Ao estudar vários autores com diferentes abordagens sobre o processo decisório, Canary (2013)
indica que é possível estabelecer pontos em comum entre as diferentes abordagens, definindo-
se assim um macroprocesso decisório, conforme ilustrado na Figura 2. A primeira etapa diz
respeito a identificação e entendimento do problema, a segunda trata da geração de alternativas
e riscos e por último temos a escolha efetiva de uma alternativa.
19
Figura 2: Macro processo decisório
Fonte: Canary (2013)
No ambiente organizacional deve-se sempre buscar pelas melhores alternativas com foco no
sucesso e cumprimento dos objetivos propostos, mas sempre entendendo que não existe uma
“decisão perfeita” (BERTONCINI et al., 2013).
Normalmente as empresas são estruturadas em três níveis hierárquicos: Estratégico, Tático e

Operacional. Cada um deles possui diferentes demandas no que diz respeito ao processo de
tomada de decisão. Araújo (2012) caracteriza a importância das decisões tomadas em cada um,
definindo o nível estratégico como responsável pelo planejamento de longo prazo e definição
das estratégias e políticas da organização. O nível tático diz respeito aos gerentes responsáveis
pelo curto e médio prazo visando garantir as metas estabelecidas pelo nível estratégico.
Finalmente, o nível operacional cuida do curto prazo sendo este importante na execução das
tarefas rotineiras apresentadas pelo tomador de decisão.
As decisões estratégicas tendem a ser não estruturadas, não sendo possível construir padrões ou
determinar especificações uma vez que nesse nível trabalha-se com situações subjetivas onde
os critérios não são totalmente conhecidos e levam em consideração análise de todo o ambiente
onde a organização está inserida. No nível tático as decisões são consideradas como
semiestruturadas, sendo possível definir parâmetros de comparação, mas ainda há interferência
de agentes subjetivos, como a experiência prévia e intuição do tomador de decisão, por
exemplo. Por último, as decisões à nível operacional são consideradas como estruturadas uma
vez que seguem padrões definidos quando se faz necessário escolher uma alternativa
(O’BRIEN, 2004). A Figura 3 resume as principais características do processo de tomada de
decisão em relação aos níveis organizacionais.
20
Figura 3: Tomada de decisão nos diferentes níveis organizacionais
Fonte: Elaborado pelo Autor.
Estudar o processo de tomada de decisão não é um assunto novo, Bispo e Cazarini (1998)
fizeram uma revisão histórica sobre a evolução do processo decisório abordando o conceito
desde a antiguidade, onde as decisões eram atribuídas a divindades, passando pela grande
evolução do século XX, onde o trabalhador deixa de ser simplesmente “mão-de-obra” e passa
a ser entendido como recurso humano das organizações e, dessa maneira, considerado como
fator essencial dentro das decisões empresariais, chegando aos sistemas de apoio à decisão onde
surgem conceitos, que na época do estudo eram novos, como Data Warehouse (DW), Data
mining (DM) e Online Analytical Process (OLAP). Nos dias atuais sabe-se que esses conceitos
fazem parte do que conhecemos como Business Intelligence.
2.3 Business Intelligence
Não há um consenso sobre quando surgiu o termo BI. Conceição (2020) considera que a
primeira utilização do termo data ainda do século XIX, através da publicação de Devens (1868).
Botelho e Filho (2014), no entanto, consideram que o termo surgiu quase 100 anos mais tarde
com Luhn (1958), na empresa IBM, em um artigo intitulado “A Business Intelligence System”.
Já Ramalho (2019) entende que a origem do termo conforme conhecemos vem do Gartner
Group e foi desenvolvido a partir da evolução computacional e desenvolvimento de softwares
para gestão a partir de 1970.
Na literatura o conceito de BI é amplamente estudado por diferentes autores e pontos de vista.

Várias definições se assemelham mas não é possível afirmar que existe consenso. No Quadro
1 tem-se algumas definições encontradas na literatura, onde a primeira coluna trás o autor e a
segunda o conceito do termo.
21
Quadro 1: Conceitos de BI
Autor Conceito
Sistema automático para disseminar informação para vários
LUHN (1958) setores de qualquer empresa, utilizando máquinas de
processamento de dados.
Diversas ferramentas para apoiar as decisões de negócio
PETRINI et al. (2004)
utilizando dados de fontes variadas.
Utilização de variadas fontes de informação para construir
estratégias de competitividade nos negócios das empresas.
BARBIERI (2011)
Para isso utiliza-se de ferramentas para gestão, análise e
exploração de dados.
Conjunto de aplicativos, ferramentas e metodologias usadas
para coleta, tratamento, armazenamento, recuperação e
BOTELHO e FILHO (2014)
disseminação de informações com o objetivo de auxiliar o
processo de tomada de decisões organizacionais complexas.
Termo abrangente que inclui aplicativos, ferramentas e
GARTNER (2021) infraestrutura que permitem acesso e análise de dados para
melhorar a tomada de decisão e otimizar performance.
Fonte: Elaborado pelo autor
Sharda et al. (2019) entendem que um sistema BI é composto por quatro principais
componentes, são eles: Data Warehouse (DW), que consiste basicamente no local onde estão
armazenados os dados que servirão de base para as análises. O segundo elemento são as
ferramentas de manipulação, onde todos aqueles dados contidos no DW podem ser trabalhados,
estruturados e manipulados permitindo assim a transformação dos dados em informações. O
terceiro é o chamado Business Performance Management (BPM) que nada mais é que a
estratégia de avaliação de desempenho das empresas, utilizado como forma de traduzir os
objetivos e metas em ações. Por último tem-se a interface de usuário, que é a forma de
apresentar e divulgar os dados para que todas as pessoas de interesse tenham acesso as
informações geradas pelo BI.
Ranjan (2009) define o DW como o componente de maior importância dentro de um sistema

de BI, uma vez que ele suporta a propagação de informação dentro da organização, permite
limpeza, agregação e consulta aos dados. Um DW contém dados não instantâneos e que
possuem histórico, podendo ser formado por todo o conjunto de dados operacionais internos,
22
mas também por dados externos às organizações, sejam eles estruturados como em tabelas e
planilhas ou não estruturados como arquivos de imagem e texto.
Dependendo do tamanho da empresa, construir um DW com todos os dados operacionais se

torna uma tarefa inviável devido à complexidade e custo de implementação. Por esse motivo
vários projetos de BI utilizam data marts. Um data mart pode ser entendido como um DW
funcional, departamental ou reduzido, uma vez que ele reúne os dados específicos de cada setor
da empresa, por exemplo marketing, vendas etc. e é construído com as mesmas estruturas
tecnológicas que um DW (VERCELLIS, 2009).
Além de várias fontes de dados, existem também alguns processos que fazem parte da
construção e utilização de um DW conforme ilustrado na Figura 4:
Figura 4: Estrutura de um Data Warehouse
Fonte: Adaptado de Laudon e Laudon (2011)
Após reunir os dados das diferentes fontes se faz necessário realizar o processo de extração,
transformação e carregamento, do inglês Extract, Transform and Load (ETL). Lima (2019)
define as três etapas do ETL, sendo o primeiro passo a etapa de extração que consiste na seleção
dos dados de interesse da fonte original. Depois é feito o processo de transformação onde são
realizados ajustes como filtragens, remoções, limpeza etc. a fim de remover erros e possíveis
não conformidades. Por esse motivo o processo de transformação é considerado o mais
importante, pois é ele que garante a qualidade dos dados. Por último tem-se a etapa de
carregamento que consiste no transporte dos dados transformados para o ambiente final. Deve-
se estabelecer rotinas de atualização com o intuito de propagar as mudanças ocorridas nos dados
originais para o DW.
23
Ao concluir o processo de ETL, as ferramentas e metodologias de análise são as responsáveis

por transformar os dados extraídos, transformados e carregados no DW ou data mart em
informações que darão suporte para o tomador de decisão. Dentre essas ferramentas pode-se
destacar o processamento analítico em tempo real, do inglês Online Analytical Process (OLAP)
e a mineração de dados, do inglês data mining (DM). Essas ferramentas são o ápice do sistema
de apoio a decisão (BOTELHO e FILHO, 2014).
Bachega et al. (2009, p.102) consideram o OLAP como uma ferramenta de apoio à decisão que
permite a análise multidimensional de dados em sistemas on-line e, com isso, auxilia a empresa
a tomar decisões mais eficientes e eficazes nos diversos níveis empresariais. A Figura 5
representa um exemplo de modelo multidimensional de dados, utilizando as dimensões de
produto, região e vendas, real e projetada.
Figura 5: Exemplo de modelo multidimensional de dados
Fonte: Laudon e Laudon (2011)
Laudon e Laudon (2011) utilizam o modelo representado na Figura 5 para exemplificar de que
forma o OLAP atua na visualização e interpretação dos dados. Enquanto uma consulta somente
responderia questões simples, como por exemplo, a quantidade de produtos vendidos durante
um período, o OLAP é capaz de disponibilizar a informação de forma multidimensional. Ou
seja, com ele é possível se obter a quantidade de produtos vendida nesse mesmo intervalo de
tempo, dividido pelas regiões e ainda comparar as vendas reais e projetadas, tudo isso com uma
velocidade razoável mesmo quando se tem grandes volumes de dados armazenados no DW.
Sistemas que utilizam OLAP processam consultas capazes de descobrir tendências e indicar
fatores críticos nos processos das organizações, fazendo com que a gestão tenha informação em
tempo real sobre o estado de seus negócios (RANJAN, 2009).
24
Já o DM é um processo de análise que busca extrair informações que não podem ser
visualizadas apenas consultando os dados, seja através de uma consulta simples ou
multidimensional. No DM o grande objetivo é encontrar padrões e relacionamentos entre os
dados que permitam com que o usuário possa realizar análises preditivas ou estabelecer
correlações com o que já ocorreu (BARBIERI,2011). Modelos que utilizam DM são
frequentemente utilizados para suportar o processo decisório ao tentar prever o possível efeito
de cada alternativa possível (LAUDON e LAUDON,2011). Duan e Xu (2012) trazem alguns
exemplos de técnicas que utilizam o conceito de DM, tais como: redes neurais, vizinho mais
próximo, estatística bayesiana, árvores de decisão, técnicas de agrupamento, entre outros.
Vercellis (2009) define que a principal diferença entre o OLAP e o DM está na natureza das
duas ferramentas. Para o autor, o OLAP seria uma ferramenta de geração de conhecimento
passiva, onde as extrações, relatórios e visualizações dependem da intuição do tomador de
decisão e de sua capacidade de criar hipóteses para solucionar os problemas. Já o DM seria uma
ferramenta de natureza ativa, uma vez que seu objetivo é encontrar padrões e correlações que
estão escondidas nos dados para gerar previsões ou interpretações e, dessa maneira, é capaz de
produzir novos conhecimentos, servindo como apoio para decisões mais fundamentas e menos
dependentes do fator humano.
Após estruturado o DW e definidas as ferramentas que serão utilizadas para análise, é preciso
disponibilizar ao usuário uma interface que permita a visualização dos dados. A visualização
de dados refere-se às tecnologias que dão suporte a visualização e, algumas vezes, a
interpretação dos dados (TURBAN, 2009, p.124). Costa (2017) mostra que a utilização de
técnicas de visualização, ao concentrar um grande volume de dados de um DW em
representações gráficas, torna o acesso, compreensão e compartilhamento de informações mais
rápido dentro da organização, além de permitir maior aprofundamento nas análises de dados.
Turban (2009) advoga que as tecnologias de visualização podem auxiliar o tomador de decisão
a identificar rapidamente relações entre os dados, como formação de padrões e tendências.
Dessa maneira podem criar vantagens competitivas, tanto em análises preditivas quanto na
identificação de problemas que antes passariam despercebidos. Pode-se estruturar ferramentas
de visualização em vários formatos como, por exemplo, planilhas, relatórios, consultas e
dashboards.
Dashboards são painéis visuais baseados em gráficos e tabelas capazes de comunicar

instantaneamente a performance organizacional. O uso dessa ferramenta faz com que os
25
gestores tenham acesso contínuo à situação atual de desempenho de seus negócios de forma
inteligente, eficaz e imediata (CALDEIRA, 2010). Antunes (2020) entende que cada nível da
organização demanda um nível de informação e detalhamento diferentes, uma vez que as
decisões tomadas em cada um deles também são diferentes. É preciso adaptar as visualizações
de modo a atender as demandas específicas de cada um. Muitas vezes o que é relevante para
determinado usuário pode ser descartável para outro.
Para Turban (2009), um dashboard bem planejado precisa conter as seguintes características:
• Possuir componentes visuais para destacar de forma imediata os dados de interesse ou

pontos que necessitem ação;
• Reunir dados de diferentes fontes formando uma visão dos negócios resumida e única;
• Apresentação de uma visão dinâmica e com atualizações pontuais para que o usuário
perceba com rapidez alterações recentes em seus negócios e processos;
• Possibilitar a realização de comparações entre os dados através da navegação;
• Exige pouco ou nenhum código de programação customizado para desenvolvimento e
manutenção;
• Ser uma ferramenta de fácil utilização, exigindo pouca ou nenhuma capacitação dos
usuários.
Definida a interface de usuário, temos estruturada toda a arquitetura de um BI conforme modelo

proposto por Chaudhuri et al. (2011). Tal modelo é composto de cinco componentes ou fases,
conforme ilustrado na Figura 6.
Figura 6: Arquitetura de BI
Fonte: Adaptado de Chaudhuri et al. (2011)

26
A primeira etapa da arquitetura de BI seria a definição de qual será a entrada de dados. Após
essa seleção é necessário realizar o processo de ETL, juntamente com o processamento dos
dados. Após o ETL, tem-se formado o DW ou data mart, com os dados consolidados e
armazenados em um mesmo local. Selecionam-se as ferramentas ou técnicas para realizar as
análises de BI e, por último, é definida a interface por onde o usuário irá acessar os dados
(CHAUDHURI et al., 2011).
O BI e seus benefícios para as organizações tem sido objeto de estudo de vários autores nos
últimos anos. Bachega (2009) realizou um estudo sobre empresas que adotam o OLAP para
análise de dados. Foram abordadas empresas de médio e grande porte e que atuam em diferentes
segmentos. Entre essas empresas verificou-se que diferentes departamentos se beneficiam
dessas análises, como marketing, vendas, compras, financeiro, diretoria, entre outros. Ou seja,
o BI pode estar presente em todos os níveis organizacionais. Além disso, em todos os casos foi
relatado que o uso do OLAP aumentou a velocidade e confiabilidade nas análises de dados e
tais benefícios servem como suporte para as tomadas de decisão.
Ramalho (2020) faz uso de BI para realizar a automatização da obtenção de indicadores de

desempenho, gerando maior velocidade e transparência na divulgação dos dados. Dessa
maneira a informação chega mais rápido e de forma mais assertiva, gerando maior segurança
ao gestor ou usuário. Além de simplificar a obtenção e divulgação, a simples implantação de
uma ferramenta de BI também pode trazer melhorias na performance desses indicadores, tendo
em vista que, a transformação de trabalhos manuais em automatizados e maior agilidade na
divulgação de informações facilitam as rotinas de trabalho e fazem com que as pessoas possam
focar mais em melhorias e menos em trabalhos operacionais (JUNIOR, 2021).
Além do suporte a tomada de decisão e gestão de indicadores, o BI pode ser muito eficaz em
análises de Big Data. Ao incorporar ferramentas de DM para extrair informações de grandes
volumes de dados e disponibilizar esses dados através de uma interface é possível produzir com
velocidade insights que podem ser usados como vantagem competitiva no planejamento
estratégico das empresas (ARAÚJO,2019).
27
3.Metodologia
Este capítulo dedica-se a enfatizar o conceito e classificações da pesquisa científica em

Engenharia de Produção e descrever a metodologia utilizada para implantação da ferramenta
de BI e avaliação dos usuários.
3.1. Pesquisa Científica em Engenharia de Produção
Segundo Venanzi (2016), a definição de uma metodologia desde o planejamento do projeto

possibilita que a coleta de dados seja feita de forma mais prática e racional. Deve ser
apresentado ao leitor qual o tipo de pesquisa utilizada para que ele possa compreender como
foi abordada as problemáticas e quais foram os procedimentos técnicos utilizados. Portanto, é
preciso classificar a pesquisa quanto a sua natureza, abordagem, objetivos e procedimentos
técnicos. A Figura 7 resume os diferentes tipos de pesquisa segundo cada uma das classificações
citadas.
Figura 7: Abordagem para classificação do tipo de pesquisa utilizado em um estudo
Fonte: Gil (2008) (adaptado) apud Venanzi (2016)
Quanto a sua natureza, a pesquisa pode ser básica, com foco na geração de conhecimento sem
se preocupar com a aplicação em casos reais, ou aplicada, com foco em gerar aplicação prática
com o intuito de solucionar problemas específicos. Ambas podem ser abordadas de forma
qualitativa ou quantitativa. A primeira busca a interpretação de fenômenos e atribuição de
significados através de uma pesquisa descritiva onde o pesquisador tende a analisar
indutivamente com foco no significado da pesquisa. A segunda procura quantificar as
28
informações e opiniões para posteriormente classificá-las e analisá-las utilizando recursos

estatísticos (VENANZI, 2016). Turrioni e Mello (2012) afirmam que é possível combinar
aspectos das duas abordagens em algumas ou todas as etapas do processo, construindo assim
uma abordagem combinada.
Em relação aos objetivos da pesquisa, Venanzi (2016) define três tipos: pesquisa descritiva,
pesquisa explicativa e pesquisa exploratória. A pesquisa descritiva procura descrever o
comportamento ou características de determinada população ou fenômeno, podendo construir
relações entre as variáveis, normalmente utilizando questionários e observações sistemáticas,
assumindo a forma de um levantamento. A pesquisa explicativa visa explicar a razão dos fatos,
buscando identificar os fatores que determinam ou contribuem para a ocorrência. Normalmente
envolve a necessidade de realizar experimentos e observação direta dos fenômenos. Por último,
a pesquisa exploratória é a que busca maior familiaridade com o problema, explicitando o
mesmo e permitindo a construção de hipóteses, envolvendo, entre outros, levantamentos
bibliográficos ou entrevistas com indivíduos com experiência na problemática pesquisada.
Segundo os conceitos apresentados, pode-se classificar o presente trabalho como sendo de

natureza aplicada, uma vez que o objetivo principal é aplicar os conceitos e utilizar uma
ferramenta de BI buscando a solução de uma problemática. Quanto a abordagem utilizou-se a
quantitativa para mensurar os resultados observados realizando uma avaliação da percepção
dos usuários por meio de entrevistas individuais. O objetivo é o de realizar uma pesquisa
exploratória gerando familiaridade com um problema explícito e foi testada a hipótese de que
o uso de ferramentas de BI trás melhorias para o processo de acompanhamento de indicadores
e dá suporte a tomada de decisão empresarial.
O procedimento técnico adotado para cumprir os objetivos da pesquisa foi o estudo de caso.
Segundo Turroni e Melo (2012) e Venanzi (2016), um estudo de caso consiste em um estudo
profundo e exaustivo de um objeto buscando seu amplo detalhamento e conhecimento. No
presente trabalho, o estudo de caso será conduzido dentro do setor de compras de uma
organização que produz bens de produção.
3.2. Tecnologias de BI
Para se atingir o objetivo proposto e testar a hipótese definida se fez necessário o uso de
tecnologias de software para estruturar a arquitetura de BI conforme descrito na Seção 2.3. A
empresa escolhida para o estudo de caso possui duas alternativas de softwares que atendem à
demanda proposta. A primeira é o Microsoft Power BI® (PBI) e a segunda o QlikSense®.
29
O PBI é uma coleção de softwares, conectores e aplicativos utilizados para transformar dados
não relacionados em informações coerentes, possibilitando com que o desenvolvedor possa
criar análises interativas em uma interface visual e com a possibilidade de compartilhamento
dessas visualizações com diferentes usuários. Além disso, é possível conectar várias fontes de
dados diferentes, desde planilhas em Excel até DW disponíveis na nuvem (MICROSOFT,
2021). A Figura 8 ilustra o funcionamento do PBI.
Figura 8: Funcionalidade do PBI
Fonte: Microsoft (2021)
Clark (2017) define o PBI como uma solução de BI self-service. Isso quer dizer que sua
utilização pode ser feita mesmo por usuários que não possuem conhecimento técnico em
programação de computadores. Dessa maneira trás maior autonomia aos departamentos da
organização onde os próprios colaboradores que ali estão podem desenvolver suas próprias
análises criando uma menor dependência de profissionais da tecnologia da informação. Além
de maior autonomia, o BI self-service também tem o objetivo de ser uma ferramenta de rápida
implantação e fácil gerenciamento do DW uma vez que o próprio usuário pode modificar suas
aplicações de acordo com suas necessidades específicas facilitando assim a acessibilidade a
fonte dos dados para todos os interessados, o que pode agir como catalisador no processo
decisório. Um outro ponto a ser destacado é que soluções de BI self-service são de fácil
entendimento e podem ser exibidas em diferentes dispositivos (CUNHA e RIBEIRO, 2017).
Diferente do PBI, o Qliksense® não possui as características descritas acima. Para sua utilização
faz-se necessário conhecimento em programação específico para uso do software, o que
demandaria apoio do departamento de tecnologia da informação da empresa em estudo,
aumentando o tempo e custo de implantação da ferramenta. Além disso, o software exige a
compra de licenças para utilização, diferentemente do PBI que possui uma versão gratuita e
disponível a todos os colaboradores e que atende perfeitamente ao objetivo do presente estudo.
Por esses motivos, e pelas características do BI self-service expostas acima, a tecnologia
escolhida para realização da pesquisa foi o PBI.
30
3.3. Avaliação dos Usuários
Para avaliar a percepção dos usuários sobre as mudanças ocorridas no processo de

acompanhamento de indicadores e tomada de decisão devido a implementação da ferramenta
de BI em estudo, foram utilizadas duas metodologias de pesquisa: a escala de Likert e o Net
Promoter Score (NPS).
A escala de Likert (1932) permite quantificar a opinião das pessoas através do grau de
concordância com afirmações auto descritivas cujas opções de resposta contemplam extremos
divididas em uma escala de 5 pontos, variando de “Discordo totalmente” até “Concordo
totalmente”, onde o pesquisador pode atribuir ponderações para cada alternativa. A grande
vantagem de se usar a escala de Likert está na sua fácil construção para o pesquisador e fácil
entendimento pelo pesquisado (COSTA, 2011).
Já o NPS é um indicador que busca mensurar a satisfação do cliente com determinado produto
ou serviço através de uma pergunta simples e padronizada: “De 0 a 10, o quanto você
recomendaria nosso produto para um amigo ou familiar?”. A depender da nota atribuída,
entende-se um padrão de comportamento diferente. Pessoas que avaliam com notas inferiores
ou iguais a 6 são classificadas como detratoras, indicando insatisfação com o serviço ou produto
oferecido. Pessoas que atribuem notas 7 ou 8 são consideradas neutras, não estão insatisfeitas
mas também é pouco provável que voltem a consumir. Por fim, tem-se as pessoas que atribuem
notas 9 ou 10, essas são consideradas como promotoras e indicam que houve melhora em sua
vida após o relacionamento com a empresa, geralmente voltam a consumir com frequência e,
além disso, atraem novos clientes através do feedback positivo (REICHHELD, 2011).
Segundo Uno (2015), não há restrições para implementação do NPS nas empresas, uma vez que
é uma métrica ampla e facilmente adaptável a qualquer cenário, desde que se mantenha o intuito
de mensurar a satisfação e classificar o relacionamento dos clientes com a empresa.
31
4. Estudo de Caso
Este capítulo dedica-se ao estudo de caso realizado com o objetivo de testar a hipótese definida.
Nesta seção é apresentada a empresa, o departamento de compras, o indicador de desempenho
estudado e a problemática encontrada. Em seguida são expostas as etapas para implementação
do BI e o questionário utilizado para avaliar a percepção dos colaboradores, bem como a
apresentação e discussão dos resultados obtidos. Por uma questão de confidencialidade, não
será divulgado o nome da empresa onde foi realizado o estudo. Portanto denominou-se a mesma
como Alpha.
4.1. A empresa e o departamento de Compras
A empresa Alpha é uma multinacional do setor de bens de produção que congrega 12 marcas
comerciais e possui presença em 180 países. No Brasil a empresa atua nos mercados de
máquinas e equipamentos agrícolas e de construção, caminhões, ônibus rodoviários e urbanos,
motores a diesel, eixos e transmissões. Possui sete fábricas e dois centros de distribuição que
atendem as concessionárias espalhados por todo o país.
Para a produzir seus veículos e equipamentos a empresa conta com uma rede de mais de 500
fornecedores parceiros, responsáveis pela fabricação de peças e componentes que são utilizados
na montagem do produto final dentro das unidades fabris. Diante desse contexto, o setor de
compras exerce um papel estratégico dentro da empresa, uma vez que ele é o responsável por
conduzir as negociações comerciais com os fornecedores e garantir a cadeia de abastecimento.
Além disso, devido a grande maioria dos componentes serem compradas de terceiros, essas
negociações determinam a maior parte da composição do custo final do produto.
Dentro do departamento de compras existem mais de 200 funcionários divididos em gerências

especializadas e segmentadas por tipos de peça, matéria prima, materiais indiretos, capex,
desenvolvimento de produto, pós-venda, dentre outros. O presente trabalho foi realizado em
conjunto com a gerência de compras para o mercado de pós-venda, formada por um gerente,
dois supervisores e dez compradores, responsáveis pela aquisição de peças para atendimento
das concessionárias filiadas a empresa, que por sua vez atendem ao cliente final, suportando
tanto os produtos atualmente em linha de produção quanto os modelos anteriores que foram
produzidos em até dez anos. Trata-se de um universo de mais de 30 mil peças que precisam ser
gerenciadas pela equipe e disponibilizadas ao mercado.
32
4.2. Indicador de desempenho e problemática encontrada
Dentro da gerência de pós-vendas existe um indicador utilizado para medir a quantidade de

peças com algum tipo de pendência comercial. Esse indicador é chamado de Commercial Issues
(CI). Trata-se de um indicador operacional e seu desempenho faz parte das metas definidas pela
diretoria da empresa no plano de remuneração variável dos compradores. A Figura 9 resume o
fluxograma do processo de identificação e resolução de uma CI.
Figura 9: Fluxograma CI
Para que o planejamento possa incluir a CI dentro do banco de dados é necessário atribuir o
motivo da pendência que justifica a atuação do time de compras. Foi definido entre as áreas
doze causais para que seja criada uma CI e cada um deles possui um código identificador de
caráter numérico. O Quadro 2 apresenta os motivos da pendência e seu respectivo código.
Quadro 2: Códigos de cada Causal de CI
Código do Motivo
Causal
01 Peça está sem fornecedor no sistema
02 Peça não foi reconhecida pelo fornecedor
03 Fornecedor pediu reajuste de preços
04 Fornecedor solicita desenvolvimento de ferramental
05 Peça com lote mínimo alto (seja em custo ou quantidade)
07 Fornecedor não fornece mais a peça
08 Fornecedor encerrou as atividades
13 Referência da peça do fornecedor incorreta
14 Entrega suspensa por falta de pagamento
16 Necessário negociação comercial de embalagens
19 Peça em processo de cotação/contrato
20 CNPJ do fornecedor sofreu alteração
Fonte: Elaborado pelo Autor
33
Com a observação in loco na empresa foi possível perceber que o formato utilizado na
divulgação e acompanhamento do indicador de CI não estava adequada. Era feita uma extração
do banco de dados central e divulgada uma tabela com a lista de peças com pendência. Esse
trabalho era feito diariamente por um comprador, o que lhe demandava tempo de trabalho e
centralizava o conhecimento de atualização e divulgação do indicador em uma única pessoa.
Além disso, muitas comunicações do planejamento se sobrepunham e geravam um fluxo de e-
mails muito grande, por exemplo, vários e-mails de pendência do mesmo fornecedor, e-mails
faltando informação, e-mails repetidos etc. Conforme contextualizado na Seção 4.1, se trata de
uma área com bastante demanda onde cada comprador deve fazer a gestão de dezenas de
fornecedores e milhares de peças. Dessa maneira enxergou-se a oportunidade de abordar esses
dados utilizando o BI, visando melhorar o acompanhamento e gestão do indicador de CI e
auxiliar os compradores em sua tomada de decisão.
4.3. Estruturação e Implementação do BI
Para implementação do BI dentro da organização foi utilizado o padrão de arquitetura definido

por Chaudhuri et al. (2011), apresentado na Seção 2.3. O software escolhido para a realização
de todas as etapas foi o PBI, conforme explicitado na Seção 3.2.
4.3.1 Fonte de Dados
Os dados para se obter o indicador de CI são disponibilizados pelo setor de planejamento da

empresa. As informações são atualizadas diariamente, consolidadas em um banco de dados do
software MS Access® e divulgadas para todos os departamentos, sempre refletindo o
fechamento do dia anterior. No banco de dados há diversas tabelas contendo informações como
ordens de compra e venda, informações técnicas de peças, cadastro de fornecedores, controle
de estoque etc. Para se obter os dados do indicador de CI são necessárias duas dessas tabelas,
uma contendo todas as ordens de compra que estão atualmente abertas no sistema e outra
contendo a correlação entre fornecedor e comprador, indicando qual é o comprador responsável
por cada fornecedor. A tabela de ordens de compra é chamada de TB_PO, possui 77 colunas e
120 mil linhas em média. Essa tabela sofre atualizações todos os dias com novas ordens que
entram, ordens entregues, inserção de pendências pelo planejamento, comentários dos
planejadores, entre outros. A segunda tabela é chamada de TB_VENDOR e possui 1400 linhas
e 22 colunas. Essa é uma tabela apenas de consulta, raramente sofre alterações com as
atualizações diárias.
34
Para composição do indicador foi necessário a criação de uma fonte de dados adicional em uma
planilha de MS Excel®, chamada de TB_AUX. Essa tabela contém a informação do código
numérico da pendência comercial e seu respectivo motivo, conforme o Quadro 2, e possui 12
linhas e 2 colunas. Foi necessário criar essa tabela de consulta para padronizar os causais das
CI no banco de dados, uma vez que os planejadores escreviam o código da pendência somado
a um comentário específico de cada ordem de compra, o que dificultaria bastante a extração
dos dados e futuras análises.
4.3.2 ETL e DW
Conhecida a fonte dos dados, foi necessário realizar e extração e importá-los para o PBI. Para
isso utilizou-se a função do software chamada “Obter Dados”. Essa funcionalidade oferece
suporte tanto para importação de dados em arquivos do MS Access® quanto para arquivos do
Excel®, que são as duas fontes utilizadas no presente estudo. As Figuras 10 e 11 resumem a
importação e carregamento dos dados dentro do PBI.
Figura 10: Importando dados para o PBI
Fonte: Pesquisa direta (2021)

35
Figura 11: Carregamento de dados no PBI
Com os dados carregados dentro do PBI, chega-se a segunda fase do processo de ETL. A
transformação dos dados aconteceu na funcionalidade chamada Query Editor. Nessa fase foi
realizado todo o processo de formatação dos dados para possibilitar as análises: remoção de
linhas duplicadas, definição dos tipos de dados, aplicação de filtros, limpeza de dados
inconsistentes, seleção das colunas e definição do relacionamento entre as tabelas. O Query
Editor registra as modificações feitas documentando todo o processo de transformação. A
Figura 12 exemplifica o registro das transformações feitas no Query Editor.
Figura 12: Registro da etapa de Transformação

36
A grande vantagem do registro das modificações é que qualquer usuário que tenha acesso ao
arquivo do PBI poderá entender facilmente todo o processo de transformação que foi realizado.
Com isso há grandes benefícios na gestão do conhecimento da equipe sobre o indicador em
estudo e qualquer usuário pode replicar o método e fazer suas próprias análises. Além disso,
esse processo contribui para a governança de dados da organização.
A última etapa do ETL é o carregamento. O próprio PBI é capaz de armazenar os dados obtidos
servindo como uma espécie de DW, sendo possível ter acesso diretamente aos dados, realizar
consultas, gerar atualizações e extraí-los para outro formato. Dessa maneira, o DW para o
presente estudo é composto por 3 tabelas. O Quadro 3 apresenta um resumo das colunas e o
dicionário de dados do DW.
Quadro 3: Dicionário de Dados do DW
Tabela Nome da Coluna Descrição Tipo de Dado

Part Number Representa o código correspondente a peça Numérico
Sector Marca da empresa em que a peça é utilizada Texto
TB_PO
Vendor Code Código identificador do Fornecedor Texto
Causal Código que identifica o motivo da pendência Numérico
Vendor Code Código identificador do Fornecedor Texto
TB_VENDOR Vendor Name Nome do Fornecedor Texto
Buyer Nome do comprador responsável Texto
Causal Código que identifica o motivo da pendência Numérico
TB_AUX
Motivo Explicação do motivo relacionado a cada Causal Texto
Conforme explicado anteriormente, os dados da tabela TB_PO mudam diariamente conforme

atualizações do planejamento. Após o processo de ETL, a tabela foi reduzida para cerca de 1500
a 1600 linhas em média. Esse é exatamente o nível de desempenho do indicador de CI onde se
faz necessário atuação do time de compras.
4.3.4 OLAP e Interface de Usuário
Com os dados disponíveis dentro do PBI, é necessário definir a ferramenta de análise a ser
implementada. Após a observação dos dados notou-se que é possível estabelecer um
relacionamento entre as tabelas, uma vez que elas possuem dados em comum, e, dessa maneira,
não é necessário criar outra tabela compilando as informações do indicador. Para isso foi
estabelecido o relacionamento entre as tabelas TB_PO e TB_VENDOR através da coluna
“Vendor code” e, também, o relacionamento entre as tabelas TB_PO e TB_AUX através da
coluna “Causal”. Estes relacionamentos foram definidos através da funcionalidade chamada
Modelagem dentro do PBI, e está resumida na Figura 13.
37
Figura 13: Relacionamento entre Tabelas
Fonte: Pesquisa Direta (2021)
O relacionamento entre as tabelas permite criar uma visualização multidimensional dos dados,
onde a TB_PO se torna a uma tabela fato, que contém o desempenho do indicador de CI, e pode
ser visualizada sob a ótica das tabelas dimensão TB_AUX, que traz a visão do indicador por
causal da pendência, e TB_VENDOR, que traz a visão do indicador por comprador e
fornecedor. Além disso, é possível combinar mais de uma visualização. Ao criar o
relacionamento entre as tabelas tem-se estruturado uma análise OLAP conforme descrito na
Seção 2.3.
Para possibilitar a interação dos compradores com os dados do DW e permitir a realização das
análises OLAP, a interface de usuário escolhida foi o dashboard. Dessa maneira os dados
disponíveis possuirão uma representação gráfica, de fácil entendimento e utilização, permitindo
assim uma melhor gestão do indicador e suporte a tomada de decisão dos usuários. O PBI
oferece variadas possibilidades de visualizações, gráficos de barra, colunas, rosca, dispersão,
mapas, tabelas, matrizes, dentre outras. As possibilidades de visuais do PBI estão contidas na
Figura 14.
Figura 14: Visuais do PBI

38
O dashboard criado contém sete visuais, sendo um gráfico de colunas classificando a

quantidade de CI por causal, um gráfico de barras trazendo os dez maiores fornecedores em
quantidade de CI, um gráfico de rosca classificando a quantidade de CI pelas marcas da
empresa, um cartão mostrando a quantidade total de CI, uma tabela com o resumo das CI por
fornecedor e proporção em relação ao total e dois tipos de segmentação possibilitando a
segmentação por marca e por comprador. A visão do dashboard está retratado na Figura 15. Os
dados que poderiam identificar a empresa em estudo, bem como seus compradores e
fornecedores, foram censurados por uma questão de confidencialidade.
Figura 15: Dashboard de Commercial Issues
Após o desenvolvimento do dashboard, ele foi disponibilizado para visualização e utilização

dos compradores, supervisores e gerentes através da publicação em um endereço web. Em
seguida foi oferecida uma sessão de apresentação e treinamento que contou com a participação
de toda a equipe. Nesse treinamento foi exposto não só a dinâmica do dashboard, também foi
detalhado como é calculado e o que representa o indicador de CI.
Após dois meses da implementação da ferramenta foi enviado o questionário de avaliação aos
usuários para se obter a percepção da equipe a respeito dos impactos causados na gestão do
indicador e suporte a tomada de decisão.
39
4.4. Questionário de Avaliação
Conforme explicitado na Seção 3.3, para avaliar a percepção dos usuários sobre o
acompanhamento de indicadores e suporte a tomada de decisão, foi definida a utilização do
questionário baseado nas escalas de Likert e NPS. No questionário constam duas perguntas
baseadas no NPS para medir a satisfação dos usuários com a ferramenta e cinco afirmações
baseadas na escala de Likert, sendo oferecidos cinco níveis de concordância, e atribuídos uma
pontuação para cada um deles conforme descrito no Quadro 4.
Quadro 4: Pontuação por nível de concordância
Pontuação Nível de Concordância

1 Discordo Totalmente
2 Discordo
3 Neutro
4 Concordo Parcialmente
5 Concordo Totalmente
Para análise das afirmações baseadas na escala de Likert foi utilizado o cálculo do Ranking
Médio (RM) proposto por Oliveira (2005). Nesse modelo é calculada a média ponderada com
base na frequência que cada resposta é selecionada, de acordo com a Equação 1 abaixo:
Média Ponderada (MP) = ∑(𝑓𝑖 . 𝑣𝑖 )
fi = frequência observada
vi = valor atribuído a cada resposta
NS = nº de entrevistados
RM = MP / NS (1)
Quanto mais próximo de cinco for o RM, mais próximo se está da concordância com o aspecto
avaliado e, quanto mais próximo de um, maior a discordância. Para a avaliação do
acompanhamento de indicadores foram propostas três afirmações, levando em consideração os
aspectos de transparência, acessibilidade e confiabilidade dos dados e velocidade na divulgação
de informações. Para o suporte a tomada de decisão foi proposta a avaliação sob os aspectos da
identificação de gargalos e priorização de tarefas.
Também foram incluídas outras duas perguntas para complemento da análise, uma relacionada
com a frequência do uso do dashboard e outra apenas como um espaço aberto para o pesquisado
inserir outro aspecto relevante percebido e não abordado nas questões propostas, caso julgasse
necessário.
40
O questionário de avaliação foi respondido por todos os integrantes da equipe de compras em

estudo, totalizando treze respondentes. Devido a pandemia de COVID-19, a aplicação foi feita
de forma on-line em uma plataforma específica para tal função.
4.5. Apresentação e Discussão dos Resultados
No intuito de contextualizar os pesquisados, o questionário apresenta ao respondente as

definições de gestão de indicadores de desempenho e processo decisório, conforme abordado
no Capítulo 2. Em seguida é proposta uma pergunta de NPS para cada um dos conceitos
apresentados, considerando que existe um problema no processo atual e o dashboard pode ser
entendido como um produto ou serviço que se dispõe a solucionar a problemática encontrada.
A primeira pergunta foi estruturada da seguinte maneira: “De 0 a 10 o quanto você

recomendaria o uso da ferramenta para auxiliar o processo decisório:”. A segunda pergunta tem
a mesma estrutura da primeira, porém aborda o tema de gestão dos indicadores de desempenho.
Os Gráficos 1 e 2 retratam os resultados obtidos após coleta dos dados.
Gráfico 1: NPS para processo decisório

Gráfico 2: NPS para gestão de indicadores de desempenho
Fonte: Pesquisa direta

41
Com a análise do Gráfico 1, pode-se ver que 23,1% dos respondentes atribuíram nota 9 e 76,9%
nota 10 para auxílio do processo decisório. Já o Gráfico 2 apresenta que 15,4% atribuíram nota
9 e 84,6% nota 10 para a gestão de indicadores através do uso da ferramenta. Dessa maneira
verifica-se alto nível de satisfação com a solução oferecida. Além disso, as notas atribuídas
classificam os usuários como promotores, pessoas com esse perfil além de indicarem alto grau
de satisfação tem a tendência de oferecer feedback positivo a outras pessoas que necessitam
resolver problemáticas parecidas, o que pode contribuir com o desenvolvimento de mais
iniciativas de BI dentro do setor de compras e da organização.
Os Gráficos 3 a 7 retratam os resultados obtidos através das questões envolvendo a escala de

Likert.
Gráfico 3: Escala de Likert para transparência e acessibilidade

Gráfico 4: Escala de Likert para velocidade da informação

42
Gráfico 5: Escala de Likert para confiabilidade dos dados

Gráfico 6: Escala de Likert para identificação de “gargalos”

Gráfico 7: Escala de Likert para priorização de tarefas

43
O Quadro 5 apresenta o RM para cada uma das questões propostas. A primeira coluna indica
os aspectos avaliados e a segunda seu respectivo RM.
Quadro 5: RM para avalição da Escala de Likert
Aspecto RM
Transparência e Acessibilidade 5,00
Velocidade da Informação 5,00
Confiabilidade dos dados 4,85
Identificação de “gargalos” 4,85
Priorização de tarefas 4,92
Conforme exposto no Quadro 5, os valores de RM para todos os aspectos pesquisados ou foi

igual ou muito próximo a 5,00, que é a pontuação máxima. Dessa maneira, entende-se que na
opinião de todas as pessoas que tiveram interação com o dashboard foi possível perceber
melhorias significativas nos aspectos abordados.
As melhorias percebidas na transparência, acessibilidade e confiabilidade dos dados indicam

que através do uso do dashboard criou-se uma visão mais clara do desempenho atual do
processo, permitindo que os compradores possam detectar com maior velocidade ações para
melhoria de performance e gerenciamento do indicador. Sob o aspecto de velocidade da
informação, o uso do dashboard automatizou todo o processo de atualização diária, eliminando
uma tarefa de um dos membros da equipe e gerando ganho em tempo disponível, ganho esse
percebido por 100% da equipe através da obtenção do RM = 5,00 nesse aspecto.
A alta concordância na percepção dos compradores sobre a identificação de “gargalos” e

priorização de atividades indica que as decisões a serem tomadas com a utilização da ferramenta
tendem a ser mais estruturadas, uma vez que o dashboard torna os dados acessíveis e permite
análises OLAP. Os compradores conseguem visualizar todo o cenário do indicador antes de
tomar suas decisões. Levando em conta que se trata de um departamento com muitas demandas,
tomar melhores decisões e saber quais são as ações críticas são fatores chave para o bom
desempenho.
Além dos indicadores de NPS e afirmações baseadas em escala de Likert, um outro fator
pesquisado na avaliação foi a frequência de utilização do dashboard. Os resultados obtidos
estão resumidos no Gráfico 8.
44
Gráfico 8: Frequência de utilização do dashboard
Os dados sobre a frequência nos mostram que 38,5% dos compradores utilizam a ferramenta
diariamente, 23,1% mais de uma vez na semana, os mesmos 23,1% uma vez na semana e 15,3%
relataram utilizar a ferramenta uma vez ou menos dentro do mês. Esses dados indicam uma alta
adesão da equipe à ferramenta implementada. Aproximadamente 85%, ou seja, onze usuários
utilizam ao menos uma vez na semana para verificar suas pendências. Outro ponto observado
é que dois usuários relataram utilizar a ferramenta uma vez ou menos por mês. Pode ser
interessante compreender o motivo desse comportamento, uma vez que mesmo com a
percepção positiva a respeito da ferramenta esses usuários não incluíram a mesma em sua rotina
de trabalho.
O último ponto de avaliação foi uma pergunta aberta, não-obrigatória, onde buscou-se a
identificação de outros aspectos relevantes na percepção dos usuários, conforme ilustrado na
Figura 16.
Figura 16: Identificação de outros aspectos relevantes
A maioria dos pontos levantados com essa avaliação foram feedbacks positivos a respeito da
ferramenta ser intuitiva, interativa e de fácil utilização, indicando a adequação da metodologia
definida no estudo ao adotar o PBI e o dashboard para conduzir a implementação do BI.
45
5. Considerações finais
Através do estudo de caso realizado no presente trabalho foi possível avaliar qual é a percepção
das pessoas a respeito do BI sob o ponto de vista da gestão de indicadores e processo decisório.
Cada vez mais as empresas precisam buscar tecnologias e métodos para aprimorar seus
processos e se manterem competitivas no mercado e o BI tem se mostrado um grande aliado
nesse aspecto, uma vez que as organizações a cada dia geram milhões de dados que podem ser
transformados em informações valiosas quando trabalhados da forma correta.
Atualmente, existem as chamadas empresas guiadas por dados, do inglês data driven
companies, que buscam tomar suas decisões baseadas somente em dados, tornando esse
processo puramente racional. Porém, conforme observado no presente estudo, mesmo as
pessoas percebendo os benefícios da adoção de técnicas de análise de dados, ainda sim houve
casos em que a utilização da ferramenta como parte da rotina de trabalho foi muito baixa,
indicando que não basta somente disponibilizá-las aos usuários, é preciso realizar também uma
transformação cultural para que as pessoas se sintam confortáveis em trabalhar com todos esses
dados e tirar proveito deles.
Através dos resultados obtidos na avaliação dos usuários pôde-se concluir que o BI gera
melhorias no processo de gestão de indicadores sob vários aspectos e atua diretamente
suportando a tomada de decisão. Dessa maneira entende-se que houve a confirmação da
hipótese definida no objetivo geral do presente trabalho. Sobre os objetivos específicos, foram
definidos os conceitos pertinentes ao trabalho dentro do Capítulo 2 e realizada a análise da
estruturação do BI dentro da empresa juntamente com a avaliação dos usuários dentro do estudo
de caso apresentado. Verificou-se, portanto, que todos os objetivos propostos foram cumpridos.
Como forma de continuidade para o presente estudo, propõe-se o desenvolvimento de outros

indicadores de performance da empresa dentro dos conceitos de BI, buscando avaliar se a
percepção dos colaboradores se mantém. Outra sugestão seria um estudo para mensurar o
resultado no desempenho operacional do indicador estudado no médio e longo prazo após
o desenvolvimento e utilização do dashboard implementado.
46
6. Referências
ANTUNES, Dario José dos Reis Serra. Balanced Scorecard e Dashboard Estratégico: Caso da
FersiReis Lda.Instituto Universitário de Lisboa. Lisboa, 2020.
ARAÚJO, Allysson Allex de Paula. Business intelligence e sua importância para tomada de
decisão: uma revisão bibliográfica. 2012. Monografia. Curso de Sistemas de Informação.
Faculdade de Juazeiro do Norte, Juazeiro do Norte, 2012.
ARAÚJO, Gabriel Tonini de. Elaboração de dashboards para análises de Big Data como
vantagem competitiva para o planejamento estratégico de uma organização. 2019. Monografia.
Curso de Engenharia de Produção. Universidade Federal de Ouro Preto, Ouro Preto, 2019.
BACHEGA, S.J.; PEREIRA, N.A.; POLITANO, P.R. Estudo multicaso dos impactos do
Business Intelligence no processo decisório e na formulação de estratégias. Revista Gestão
Industrial. Ponta Grossa, Paraná, v.5 n.3, p. 97-117, 2009.
BARBIERI, Carlos. Business Intelligence - Modelagem e Qualidade. Rio de Janeiro: Elsevier
Campus, 2011
BERTONCINI, Cristine; BRITO, Adriana; LEME, Elisangela; SILVA, Ismael; SILVA, Thiago
Ferreira da; PERRI, Ricardo Alves. Processo decisório: a tomada de decisão. Revista FAEF.
Garça, SP, 2013.
BISPO, C. A. F.; CAZARINI, E.W. A Evolução do Processo Decisório. In: Encontro Nacional
de Engenharia de Produção. XVIII. 1998, Niterói. Anais... Dísponível em:
<http://www.abepro.org.br/biblioteca/ENEGEP1998_ART094.pdf>
BOTELHO, F. R.; FILHO, E. R. Conceituando o termo Business Intelligence: Origem e
principais objetivos. Sistemas Cibernética e informática, Volume 11, Número 1. Paraná, 2014.
BRASIL, Ministério do Planejamento, Desenvolvimento e Gestão. Produto 4: guia referencial
para medição de desempenho e manual para construção de indicadores, 2009.
CALHEIROS, D.; DE SORDI, J. O. Indicadores para Localidades com Concentração de
Atividades da Cadeia Produtiva: Identificação e Consolidação de suas Variáveis. Revista de
Administração da Unimep-Unimep Business Journal-B2, v. 10, n. 2, p. 156-178, 2012.
CALDEIRA, Jorge. Dashboards: Comunicar eficazmente a informação de gestão. 1ª ed. Lisboa.
Almedina, 2010.
CANARY, Vivian Passos. A tomada de decisão no contexto do Big Data: Estudo de caso único.
2013. Monografia. Curso de Ciências Administrativas. Universidade Federal do Rio Grande do
Sul. Porto Alegre, 2013.
CHAUDHURI, C.; DAYAL, U.; NARASAYYA, V. Na overview of Business Intellgence
Technology. Communications of the ACM, vol. 54, no. 8, p. 88-98, 2011
47
CHIAVENATO, Idalberto. Gestão de Pessoas: e o novo papel dos recursos humanos nas
organizações. Rio de Janeiro: Elsevier, 2004 – 7ª reimpressão
CLARK, Dan. Introducing Power BI Desktop. In Beginning Power BI: A Practical Guide to
Self-Service Data Analytics with Excel 2016 and Power BI Desktop (pp. 193–216). Berkeley,
2017.
CONCEIÇAO, Luís Felipe Marques dos Santos. A Importância do Business Intelligence na
Tomada de Decisão. Pedrouços, 2020.
COSTA, Felipe Garcia da. Visualização de dados e sua importância na era do Big Data. 2017.
Monografia. Instituto de Matemática e Estatística. Universidade Federal do Rio Grande do Sul.
Porto Alegre, 2017.
COSTA, Franscisco José da. Mensuração e desenvolvimento de escalas: aplicações em
administração.1ª ed. Rio de Janeiro: Ciência Moderna, 2011.
CUNHA, L. S.; RIBEIRO, J. L. D. Dashboard preditivo para apoio à tomada de decisão: o caso
da logística de uma empresa do setor siderúrgico. Porto Alegre, 2017.
DEVENS, Richard Millens;Cyclopaedia of Commercial and Business Anecdotes. 1868.
DUAN, Lian; XU, Li da."Business Intelligence for Enterprise Systems: A Survey," in IEEE
Transactions on Industrial Informatics, vol. 8, no. 3, p. 679-687, 2012.
EL-MONGY, et al. Wahdan Design of prediction system for key performance indicators in
balanced scorecard. International Journal of Computer Applications, v. 72, n. 8. 2013.
FRANCISCHINI, A. S. N.; FRANCISCHINI, P. G. Indicadores de desempenho: dos
objetivos à ação -Métodos para elaborar KPIs e obter resultados. Rio de Janeiro: Alta books,
2017
GARTNER, Institute (2021). Analytics and Business Intelligence (ABI). Gartner Glossary.
Disponível em: https://www.gartner.com/en/information-technology/glossary/business-
intelligence-bi.
GILCHRIST, Alasdair. Introducing Industry 4.0. In: Industry 4.0. Apress, Berkeley, CA,
2016
GOMES, Luiz Flávio. Autran Monteiro. Teoria da Decisão. 1ª ed. São Paulo: Cengage
Learning,2007.
JUNIOR, Amarildo de Magalhães Ferreira. Grau de Satisfação dos serviços Logísticos:

Uma análise do uso de Tecnologias para atendimentos de clientes de produtos siderúrgicos.
2021. Monografia. Curso de Engenharia de Produção, Universidade Federal de Ouro Preto,
Ouro Preto, 2021.
48
LATORRE, V.; ROBERTS, M.; RILEY, M. J. Development of a systems dynamics framework

for KPIs to assist project managers’ decision-making processes. Revista de la Construcción, v.
9, n. 1, p. 39-49, 2010.
LIMA, Murilo Roseno Feitosa. Desenvolvimento de um data mart e automatização do processo
etl para centralizar os dados referentes à produção acadêmica disponíveis nos bancos de dados
do ceulp/ulbra. Centro Universitário Luterano de Palmas, Palmas, 2019.
LUGOBONI, L.F.; FONTES, F. S.; ANDRADE, D. A. C. Avaliação de desempenho
organizacional: medição de desempenho em hotéis do estado de São Paulo. X Seminário da
Associação Nacional de Pesquisa e Pós-Graduação em Turismo. Caxias do Sul-RS, Brasil,
2013.
LUHN, Peter "A Business Intelligence System," in IBM Journal of Research and Development,
vol. 2, no. 4, pp. 314-319, Oct. 1958, doi: 10.1147/rd.24.0314.
MICROSOFT. Aprendizagem interativa do Microsoft Power BI. Microsoft,2021. Dísponível
em: https://powerbi.microsoft.com/pt-br/ Acesso em: 10 set. 2021
MORITZ, Gilberto de Oliveira; PEREIRA, Mauricio Fernandes. Processo decisório.
Florianópolis: SEAD/UFSC, 2006.
NONOHAY, Robero Guedes de. Tomada de decisão e os sistemas cerebrais: primeiros diálogos
entre administração, psicologia e neurofisiologia. Porto Alegre, 2012. Disponível em: <
https://www.lume.ufrgs.br/bitstream/handle/10183/55134/000855910.pdf?sequence=1&isAll
owed=y >.
O'BRIEN, James. Sistemas de informação e as decisões gerenciais na era da Internet. 2ª ed. São
Paulo: Saraiva, 2004
OLIVEIRA, Luciel. Exemplo de Cálculo de Ranking Médio para Likert. Notas de Aula.
Metodologia Científica e Técnicas de Pesquisa em Administração. Mestrado em Adm. e
Desenvolvimento Organizacional. PPGA CNEC/FACECA: Varginha, 2005
OSINSKI, Marilei; ROMAN, Darlan José. ANÁLISE DO PROCESSO DECISÓRIO NAS
ORGANIZAÇÕES DE GESTÃO SOCIAL: ESTUDO DE CASO DA ORGANIZAÇÃO
WSH. Revista Gestão e Desenvolvimento, Novo Hamburgo, v. 13, n. 1, p. 130-143, 2016.
PETRINI, M.; POZZEBON, M.; FREITAS, M. T. Qual é o Papel da Inteligência de Negócios
(BI) nos Países em Desenvolvimento? Um Panorama das Empresas Brasileiras. Anais do 28º
ENANPAD, Curitiba, 2004
RAMALHO, Alex Vinícius Oliveira. Automatização de indicadores utilizando software de
Business Intelligence.2019. Monografia. Curso de Engenharia de Controle e Automação.
Universidade Federal de Ouro Preto. Ouro Preto, 2019.
49
RANJAN, Jayanthi. Business intelligence: Concepts, components, techniques, and benefits.

Journal of Theoretical and Applied Information Technology. 9. 60-70,2009
REICHHELD, Fred. A pergunta definitiva 2.0: Como as empresas que implementam o net
promoter score prosperam em um mundo voltado aos clientes. Elsevier. Rio de Janeiro, 2011
RODRIGUES, Terezinha Vieira. Fatores que influenciam a tomada de decisão relacionada ao
plano de vendas um estudo em empresas de micro e pequeno porte oriundas de incubadoras de
empresas, Universidade Presbiteriana Mackenzie, São Paulo, 2010.
SANTOS, P. V. S.; DOS SANTOS, L. D. P. G. GESTÃO DE INDICADORES: UM ESTUDO
DE CASO NO SETOR DE SERVIÇOS. Brazilian Journal of Production Engineering -
BJPE, [S. l.], v. 4, n. 4, p. 115–133, 2018. DOI: 10.0001/V04N04_09. Disponível em:
https://periodicos.ufes.br/bjpe/article/view/V04N04_09. Acesso em: 5 out. 2021.
SLACK, N.; CHAMBERS, S.; JOHNSTON, R. Administração da Produção: Edição Compacta.
São Paulo: Atlas, 2006.
SOUZA, Antonia Egidia. CORREA, Hamilton Luiz. Indicadores de Desempenho em pequenas
e médias empresas. Revista Pensamento Contemporâneo em Administração, ISSN, 2014.
Disponível em: <https://www.redalyc.org/articulo.oa?id=441742854009>
SHARDA, R.; DURSON, D.; TURBAN, E. Business Intelligence e Análise de Dados para
Gestão do Negócio. 4ª ed. Porto Alegre, 2019
TURBAN et al. Business Intelligence Um enfoque gerencial para a inteligência do negócio. 1ª
ed. Bookman, Porto Alegre, 2009.
TURRIONI, João; MELLO, Carlos. Metodologia de Pesquisa em Engenharia de Produção.
2012
UNO, D. NPS: como as maiores empresas do mundo medem a satisfação de seus clientes.
2015.Disponível em: < https://endeavor.org.br/nps/> Acesso em : 15/09/2021
VENANZI, D.; SILVA O. R. Introdução à Engenharia de Produção: Conceitos e Casos
Práticos. Rio de Janeiro: Elsevier, Grupo GEN, 2016.
VERCELLIS, Carlo. Business Intelligence: Data Mining and Optimization for decision
making. Italia. Wiley, 2009

MONOGRAFIA BusinessIntelligenceGestão

Enviado por

Direitos autorais:

Formatos disponíveis

MONOGRAFIA BusinessIntelligenceGestão

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

MONOGRAFIA BusinessIntelligenceGestão

Enviado por

Direitos autorais:

Formatos disponíveis

MINISTÉRIO DA EDUCAÇÃO - MEC

UNIVERSIDADE FEDERAL DE OURO PRETO – UFOP

BUSINESS INTELLIGENCE PARA GESTÃO DE

MONOGRAFIA DE GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO

MARCELO TAVARES DE FREITAS

MARCELO TAVARES DE FREITAS

BUSINESS INTELLIGENCE PARA GESTÃO DE

Monografia submetida à apreciação da banca

Orientador: Prof. Dr. Helton Cristiano Gomes.

SISBIN - SISTEMA DE BIBLIOTECAS E INFORMAÇÃO

F866b Freitas, Marcelo Tavares de.

Orientador: Prof. Dr. Helton Cristiano Gomes.

1. Tecnologia. 2. Big data. 3. Inteligência de negócios. 4. Inteligência

Bibliotecário(a) Responsável: Sione Galvão Rodrigues - CRB6 / 2526

UNIVERSIDADE FEDERAL DE OURO PRETO

DEPARTAMENTO DE ENGENHARIA DE PRODUCAO, ADMINISTRACAO E ECON

Monografia apresentada ao Curso de Engenharia de Produção da Universidade Federal

Aprovada em 11 de outubro de 2021.

A autenticidade deste documento pode ser conferida no site http://sei.ufop.br/sei/controlador_externo.php?

R. Diogo de Vasconcelos, 122, - Bairro Pilar Ouro Preto/MG, CEP 35400-000

Telefone: 3135591540 - www.ufop.br

Palavras chave: Dados, tecnologia, Business Intelligence, tomada de decisão, indicadores de

Keywords: Data, technology, Business Intelligence, decision making, performance indicators

Figura 1 - Indicadores fornecem informação baseados em comparação . . . . . . . . . . . . . . . . 16

LISTA DE SIGLAS E ABREVIATURAS

Desde o início da atividade industrial, as empresas precisam constantemente se adaptar às novas

1.1 Justificativa e Objetivos

Este estudo justifica-se devido a necessidade de compreender constantemente as

• Realizar uma revisão bibliográfica a respeito do processo de tomada de decisão,

2.1 Indicadores de desempenho e sua importância dentro das organizações

Segundo o Ministério do Planejamento, Desenvolvimento e Gestão (MPDG) indicadores são

Figura 1: Indicadores fornecem informação baseados em comparação

Fonte: Francischini (2017)

Os processos de definição, mensuração e acompanhamento de indicadores fazem parte do

2.2 Processo decisório

1. análise e identificação da situação: identificar claramente a situação que o ambiente do

3. comparação entre alternativas: identificar vantagens e desvantagens de cada opção;

6. execução e avaliação: comparação de resultados obtidos com a alternativa escolhida frente

Graças ao avanço tecnológico, sobretudo no que diz respeito a computadores e sistemas de

Figura 2: Macro processo decisório

Fonte: Canary (2013)

Normalmente as empresas são estruturadas em três níveis hierárquicos: Estratégico, Tático e

Figura 3: Tomada de decisão nos diferentes níveis organizacionais

Fonte: Elaborado pelo Autor.

2.3 Business Intelligence

Na literatura o conceito de BI é amplamente estudado por diferentes autores e pontos de vista.

Ranjan (2009) define o DW como o componente de maior importância dentro de um sistema

Dependendo do tamanho da empresa, construir um DW com todos os dados operacionais se

Figura 4: Estrutura de um Data Warehouse

Fonte: Adaptado de Laudon e Laudon (2011)

Ao concluir o processo de ETL, as ferramentas e metodologias de análise são as responsáveis

Figura 5: Exemplo de modelo multidimensional de dados

Fonte: Laudon e Laudon (2011)

Dashboards são painéis visuais baseados em gráficos e tabelas capazes de comunicar

• Possuir componentes visuais para destacar de forma imediata os dados de interesse ou

Definida a interface de usuário, temos estruturada toda a arquitetura de um BI conforme modelo

Fonte: Adaptado de Chaudhuri et al. (2011)

Ramalho (2020) faz uso de BI para realizar a automatização da obtenção de indicadores de

Este capítulo dedica-se a enfatizar o conceito e classificações da pesquisa científica em