Machine Translated by Google

Estágios de Adequação Organizacional Sensível às

Configurações orientadas a dados

Alencar Santos Buriti Junior 1 , Pedro Rafael Simplício Cunha 1 , Breno Rodrigo da See More
Silva di Pippo 1 , Eliomar Araújo de Lima 1

1
Instituto de Informática - Universidade Federal de Goiás - Goiânia, GO - Brasil
[email protected], [email protected], [email protected],
[email protected]

Resumo. As organizações lidam com seus artefatos de informação de

maneiras diferentes e possuem diferentes configurações organizacionais.
Um eixo norteador pode fornecer subsídios para resolução de problemas e
tomada de decisões empresariais. O percurso metodológico consistiu em
um estudo exploratório, consubstanciado na forma de uma revisão narrativa
sintética. A pesquisa centrou-se na discussão de diferentes modelos de
configuração data-sensitive, com foco em tornar-se uma organização
orientada a dados, apoiada na abordagem conceitual e no contexto histórico.
Como resultado, foi possível propor hipóteses relacionando modelos de
configuração organizacional e abordagens analíticas com fatores facilitadores
para uma jornada orientada por dados. O estudo também possibilitou
qualificar as abordagens para o desenvolvimento da análise exploratória de
dados, incluindo o CRISP-DM, por apresentar um ciclo evolutivo e incremental que favorece sua a
Resumo. As organizações lidam com os seus sofridos de informação de
modos diferentes e possuem configurações organizacionais distintas. Um
eixo norteador poderá prover ganhos para a resolução de problemas e
tomada de decisão de negócio. O percurso metodológico consiste em um
estudo exploratório, consubstanciado na forma de uma revisão narrativa
sintética. A pesquisa centrou-se na discussão de diferentes modelos de
configuração sensíveis a dados, com foco em se tornar uma organização
data-driven, amparada pela abordagem conceitual e do contexto histórico.
Como resultado, foi possível a proposição de hipóteses relacionando os
modelos de configuração organizacional e analíticas analíticas com fatores
habilitadores para uma jornada data-driven. O estudo também possibilitou
qualificar as abordagens para desenvolvimento de análise exploratória de
dados, dentre os quais o CRISP-DM, por apresentar um ciclo evolutivo e
incremental que favorece a sua aplicação.

1. Introdução
Em geral, os setores da economia possuem como um dos elementos críticos para
manter os níveis de competitividade e produtivos a capacidade de geração, produção
e aplicação eficiente do conhecimento gerado pela combinação de informações e
produzidos a partir do processamento de dados massivos. A competitividade
utilizando dados como diferencial é vista não apenas como um mero
Machine Translated by Google

trabalho a ser feito, mas como uma decisão estratégica vital para a organização e
necessária para que ela continue evoluindo.

Em diferentes áreas e segmentos, desde o atendimento ao cliente, experiência

de compra, soluções e produtos, custos e riscos, passando pela maximização de
oportunidades, novos negócios até a tomada de decisão efetiva, são alguns exemplos
que podem ilustrar o quanto os conglomerados de os dados podem passar a se
tornar um diferencial. Compreender que o processo de decisão orientado por dados
processados massivamente não é feito apenas por tecnologias, é um passo
fundamental em direção ao sucesso desse conceito.

A falta de equipes multidisciplinares, executivas que não compreendem a

importância da utilização dos dados e uma cultura organizacional que não apoia
totalmente a orientação por dados podem ser consideradas como alguns dos pontos
de fracasso em implementações do conceito data-driven (sensível a dados). Não se
pode garantir que o investimento financeiro por si só garanta que uma organização
consiga ter êxito na adoção de um modelo orientado a dados. É necessário ter uma
visão clara do caminho que é necessário perfazer, caso a organização entenda que
o processamento de dados massivos é um diferencial estratégico.

Mapear o que uma organização já consegue fazer de útil com os dados

processados é o primeiro passo para entender quais serão os próximos e que devem ser aprimorados
O interesse que as organizações têm em utilizar cada vez mais dados para se
manterem competitivos e responder rapidamente às mudanças de mercado traz
consigo uma enorme quantidade de possibilidades de implementação. Em meio às
possíveis alternativas, uma pode ser pela manutenção do atual estágio de
desenvolvimento, seja porque falta clareza do caminho a seguir seja porque a
organização não possui capacidade de realização, impedindo a evolução analítica esperada.

O principal objetivo desta pesquisa é identificar fatores habilitadores para

definição de uma configuração organizacional sensível a dados. Os fatores habilitadores
são elementos constituintes para que uma organização possa evoluir analiticamente. A
utilização desses fatores contribui para a jornada Data-Driven ao passo que cada
configuração organizacional, metodologias e evolução de evolução indicam um caminho
possível a ser seguido para essa evolução.

Para atingir o objetivo proposto, busque-se identificar quais os pressupostos

para que a mudança na configuração organizacional possa evoluir analiticamente.
Além disso, buscou-se entender quais habilidades são necessárias na construção
de uma organização que utiliza a ciência de dados para se tornar mais competitiva,
bem como definir quais os componentes organizacionais devem ser mapeados para
descrever o estágio atual de seu modelo analítico e como evoluir a partir disso.

Este estudo busca evidenciar e identificar, por meio de uma breve revisão da
literatura, de caráter exploratório, potenciais fatores habilitadores e proporções
hipóteses que implicam na jornada para uma organização escalar modelos sensíveis
a dados, diretrizes para que organizações possam se preparar do ponto de vista de
design organizacional para atingir o modelo data-driven.
Machine Translated by Google

A Seção 1 apresenta e situa o leitor sobre o objetivo do artigo, assim como

faz uma breve contextualização. A Seção 2 caracteriza o conceito data-driven e
aborda formas de configuração organizacional que criaram para que uma
organização evolua analiticamente. A Seção 3 aborda os conhecimentos necessários
para que projetos analíticos possam evoluir na organização e também apresenta a
metodologia de mineração de dados CRISP-DM. A Seção 4 apresenta a metodologia
de orientação deste estudo, para em seguida discorrer sobre os desejos
evolucionários por meio dos quais uma organização pode ascender em busca de
uma orientação sensível aos dados. É também a análise e discussão dos resultados
que foram obtidos durante a pesquisa. A Seção 6 traz as considerações finais da pesquisa.

2. Configurações Organizacionais Sensíveis a Dados

As estruturas organizacionais não são elaboradas apenas por organogramas ou

documentos que apresentam os aspectos funcionais e de controle, mas de válvulas
provisórias que podem revelar o posicionamento e o modelo de negócio para
propiciar a estratégia da organização [Matias 2018].

A evolução das organizações com objetivo de alcançar um alto nível de

competitividade tem resultado em uma nova configuração organizacional com uma
estrutura adequada para melhor controlar os indicadores de desempenho, obter e
analisar diferentes dados existentes e identificar recursos de acordo com a
necessidade [Camargo 2018] .

Uma mudança possível na estrutura organizacional é a criação de um

departamento dedicado à análise de dados. Pode ser uma unidade combinada ou
substituída por uma unidade de análise quantitativa, ou uma unidade completamente
nova. Algumas grandes organizações possuem unidades ou departamentos
dedicados à análise de dados completamente segregados da área de apoio à
decisão [Sharda, Delen e Turban 2019].

Para [Griffin e Davenport 2014], quando se pensa em implementar uma

análise de ecossistema, é importante observar a cultura e visão da organização,
para que o modelo de análise escolhido satisfaça os objetivos dessa organização.
Pessoas e configurações organizacionais têm grande inspiração para que os dados
sejam utilizados orientando as decisões da organização.

2.1 Organização Data-Driven

Quando uma organização passa a assumir o conceito data-driven, ela passa a

entender que uma pergunta ou um problema na organização será respondido via
processamento de dados massivos e os reservatórios de informação e informações
revelados poderão subsidiar a decisão a ser tomada [Vilvert 2020] .

Podemos considerar que uma organização é orientada por dados quando

sua tomada de decisão é baseada totalmente em dados processados e,
diferentemente de uma abordagem informada por dados (informada por dados), não
há a utilização de intuição por parte dos tomadores de decisão [Stewart 2019 ].
Machine Translated by Google

Se por um lado a tomada de decisão data-driven proporciona decisões

sólidas e bem-informadas, por outro pode levar a decisões precipitadas, errôneas
e causar prejuízos, caso não haja dados suficientes ou não se tenha uma equipe
bem qualificada para delinear o modelo analítico [Kampakis 2020].

Além da importância de se ter dados de qualidade, [Teixeira 2018] descreve

6 pilares para que as organizações possam sustentar um modelo de operação
sensível a dados e que almeja o crescimento exponencial por meio do investimento
em tecnologia, equipes, processos e conhecimento dos clientes :

1. organizar dados de diversas fontes de forma rápida, ágil e

padronizada; 2. obter os dados unificados dos clientes; 3. utilizar
inteligência artificial, principalmente modelos preditivos para buscar
respostas sobre tendências e visão futura; 4. treinar e ter tempos
que sejam multidisciplinares e autônomos; 5. trabalhar com tecnologias
que permitem fazer a maioria das coisas em
tempo real;
e 6. respeita a privacidade das informações.

2.2 Configuração de Organizações Analíticas

De acordo com [Griffin and Davenport 2014], nenhum conjunto de estruturas e
processos organizacionais é permanente, a liderança da organização deve estar
disposta a mudar o modelo de análise se for necessário, para que ele continue
atendendo as necessidades do negócio.

As configurações analíticas de uma organização podem compreender o

modelo centralizado, não qual os analistas se posicionam em um centro de
excelência; o modelo descentralizado, no qual a análise é criada nas unidades de
negócio de maneira individual e; o modelo híbrido, que busca combinar uma
unidade centralizada com áreas analíticas integradas às unidades de negócio [Miranda 2018].

O modelo centralizado atua como uma unidade principal e atende toda empresa.
Utilizado, geralmente, quando há uma necessidade premente de análise amparada
por dados na organização. O ponto forte dessa configuração consiste na
capacidade de mostrar para o alto escalão o valor das análises abrangendo as
áreas operacionais da empresa, até o nível de projeto. Seu ponto fraco decorre do
fato de que cada unidade de negócio atendida por esse modelo pode oferecer a
analisar um problema que não seja estratégico e, assim, impulsionador esforçado.

Segundo [Griffin and Davenport 2014], para a maioria das organizações,

grupos de análise centralizados são mais eficazes, principalmente quando o
trabalho dos analistas é integrado com as unidades e funções do negócio.
Independente do modelo escolhido, faz-se necessário reavaliar o modo
periodicamente para que ele continue atendendo conforme as necessidades do negócio.

3. Em direção à Aplicação em Ciência de Dados

Machine Translated by Google

Conceitua-se Ciência de Dados como uma filosofia de estudo cujo propósito é

melhorar a tomada de decisão, gerar ações para apoiar a gestão através de
insight e obter resultados aplicando processos em problemas específicos do
mundo real. Um conjunto de princípios deve ser executado escolhendo os
algoritmos que melhor se adequam às necessidades, extraindo padrões não
claros de grandes conjuntos de dados [Kelleher e Tierney 2018].

[Rautenberg and Carmo 2019] apresentam 3 áreas, sendo elas:

programação de computadores, matemática e estatística e conhecimento de
domínio. Os subconjuntos dessas áreas, provenientes da associação entre elas,
podem ser, a título de exemplo: a associação da área de Ciência da Computação
com a área de Matemática e Estatística obtém-se a ramificação da Inteligência
Artificial concomitante do Aprendizado de Máquina. Cada área de conhecimento
citada é importante no desenvolvimento de projetos de ciência de dados e no
entendimento que é necessário montar times de analistas e cientistas de dados multidisciplinares

De outro ponto de vista, na compreensão de [Kelleher e Tierney 2018],

entenda-se a Ciência de Dados como um conjunto de domínios que são
interdependentes em termos de comunicação, domínio de perícia, ética de dados
e regulação, ciência da computação, visualização de dados, estatística e
probabilidade e aprendizado de máquina.

3.1 CRISP-DM
Dos processos e metodologias que existem atualmente, o Cross Industry
Standard Process for Data Mining – CRISP-DM – é provavelmente o mais utilizado e conhecido.
Essa orientação metodológica pode ser bastante interativa e deve ter uma
atenção especial já nos passos iniciais para evitar a obtenção de conhecimento
a partir de perguntas mal formuladas [Sharda, Delen e Turban 2019].

Muitas vezes, encontrar a solução de um problema é um processo

repetitivo de descobertas. É importante entender que nem sempre os dados terão
uma relação exata com o problema a ser resolvido. O fator crítico dessa fase é
fazer uma estimativa de custo e benefício para cada fonte de dados e verificar se
será necessário fazer mais investimentos para adquirir mais conjuntos de dados
ou se apenas os dados disponíveis são suficientes.

O CRISP-DM possui 6 fases às quais tem por objetivo compreender desde

a necessidade do negócio até a implementação das respostas ou soluções para
os problemas envolvendo dados. As fases compreendem: entendimento do
negócio; compreensão dos dados; pré-processamento dos dados; modelagem;
avaliação e; implementação.

É importante compreender que a primeira iteração desse ciclo pode não

trazer os resultados esperados e isso não quer dizer que o projeto fracassou.
Após cada iteração, a equipe de ciência de dados consegue compreender muito
mais sobre o problema e ajustar o caminho [Provost e Fawcett 2016].
Machine Translated by Google

4. Metodologia Da Pesquisa

A pesquisa é de natureza qualitativa e de cunho exploratório e teve como foco

estabelecer uma trajetória preconizada pela revisão narrativa, que consiste em
apresentar uma discussão sobre uma questão ampla de método, para descrever e
discutir o desenvolvimento do tema sob o ponto de vista conceitual e histórico.

O ponto de partida é a manifestação de interesse em mapear os fatores

impulsionadores para mudanças organizacionais que visem a orientação por dados
nas organizações. Foram levantadas diferentes configurações organizacionais de
modo a comportar uma área de desenvolvimento de modelos analíticos ou de ciência de dados.
Esse levantamento se fez necessário para entender quais modelos se destacam,
além de poder mapear as configurações sensíveis a dados.

Sendo um trabalho de revisão, teve como foco principal a descoberta de

fatores habilitadores para que as organizações possam ascender a modelos sensíveis a dados.
Esses fatores também foram usados como norteadores, visto que na jornada para
se tornar uma organização data-driven foram elencados planejados por [Davenport
e Harris 2018], como forma de identificação do nível atual da organização e quais
seriam os requisitos para avançar por cada estágio posterior até atingir o nível de
competidor analítico.

5. Jornada Para Tornar-se Uma Organização Data-driven

A partir da década de 2010, uma miscelânia de modelos de processos, métodos,
ferramentas e metodologias parecem apropriados para subsidiar abordagens de
transformação digital que podem fornecer uma organização em sua jornada de
assimilação tecnológica, por vezes disruptivas.

A transformação digital tende a criar uma organização de alta performance

que busca inovação. Com isso, novas formas de implementação da transformação
da cultura organizacional, maneiras diferentes de realizar as atividades de negócios
que são impactadas pela conjuntura tecnológica atual, são esperadas [Silva 2018].

O objetivo da jornada é dar suporte às organizações para tomar suas

decisões, o que requer elementos que lhe ocorreram caracterizar o problema,
compreender o ambiente que cerca as decisões e identificar os afetos inerentes no
qual a alta direção pode tomar suas decisões com mais segurança [ Morais 2000].

Para [Sharda, Delen and Turban 2019], utilizar um processo significativo ou

mesmo um passo a passo, aumentará muito a chance de sucesso de um projeto de
mineração de dados e descoberta de conhecimento.

A composição de equipes de trabalho deve se ater a certas competências:

lógica apropriada, estrutura de dados e ferramentas disponíveis no mercado. No
entanto, é importante que os profissionais que atuam nos projetos de Ciência de
Dados tenham os princípios éticos, da segurança e da proteção de dados no âmbito
pessoal e corporativo [Kelleher e Tierney 2018].
Machine Translated by Google

Em se tratando dos líderes, estes são capazes de instigar a capacidade

criativa das equipes com o objetivo de criar condições satisfatórias para estimular
os membros a entenderem os problemas que emergem das desconexões e níveis
de abrangência e de negócio corporativo, confiantes para a construção de
soluções potenciais integradas [Silva 2018]. A liderança analítica leva a
organização a ter um diferencial competitivo e cognitivo.

No contexto tecnológico, a partir da descrição da arquitetura da informação

que permite absorver a complexidade organizacional, tem-se que o grande desafio
encontrado no próprio ambiente organizacional é conseguir integrar as
informações geradas dentro do ambiente eletrônico/digital, em formato
compreensível [Teixeira e Valentim 2012].

Pará [Davenport e Harris 2018, p. 166], “mudar os processos de negócios

e o comportamento dos colaboradores é sempre a parte mais difícil e que exige
mais tempo em qualquer grande mudança organizacional”, tendo em vista o
desenvolvimento de competências analíticas de modo contínuo. No mesmo
estudo, os autores asseveram que são necessários de 18 a 36 meses de trabalho
regular com os dados para começar a desenvolver uma linha estável de insights que possam ser tr

Além de um longo caminho a ser percorrido para obter resultados

relevantes, é necessário observar que a maioria das organizações não possui
capacidades analíticas bem desenvolvidas e nem mesmo um plano para que
essas capacidades possam ser impulsionadas. Dessa forma, os 5 fáceis que
serão apresentados descrevem os comportamentos, recursos e desafios típicos
para um desenvolvimento analítico, conforme ilustrado na Figura 1 [Davenport e Harris 2018].

O estágio 1, denominado “Pré-requisitos para uma análise competitiva”,

em que as organizações precisam se preocupar com o seu ambiente de dados de
transações, o qual requer dados consistentes, corretos e de qualidade para a
tomada de decisão [Davenport e Harris 2018]. Nesse estágio, a organização deve
compreender a capacidade analítica em 3 áreas:

• organizacional: conhecimento dos vetores de desempenho; escolha de uma

competência distintiva; gestão de desempenho e execução da estratégia;
integração e redesenho do processo; • humanos: liderança e
comprometimento da alta administração; estabelecimento de uma cultura
baseada em fatos; desenvolvimento e retenção de competências;
gerenciamento do pessoal analítico; e • tecnológicas: dados de qualidade;
tecnologias analíticas.
Machine Translated by Google

Figura 1. Roteiro para se tornar um competitivo analítico

Fonte: Davenport; Harris: 2018, pág. 167.

O estágio 2 é constituído pelo desvio de prova, compreendendo os

executivos e organizações que já reconhecem os resultados obtidos através da
competição analítica, ou inversamente, por meio da adoção de abordagem de
teste e aprendizado que pode ocorrer através de análises em etapas menores.
Para cada percepção incremental do negócio é criado um impulso dentro da
organização em favor da mudança para mais sucesso de competitividade analítica [Davenport e

Uma organização pode permanecer no estágio 2 indefinidamente se a

alta direção não conseguir perceber os resultados. De outro modo, poderá
avançar para o próximo universitário, desde que [Davenport e Harris 2018, p.
175]: (1) encontrar um patrocinador e um problema de negócios que pode se
beneficiar da análise; (2) implementar um projeto pequeno e localizado para
agregar valor e produzir benefícios mensuráveis; (3) documente os benefícios
e compartilhe as notícias com as principais partes interessadas; (4) continue a
construir uma série de sucessos localizados que a organização tenha adquirido
experiência e patrocínio suficiente para avançar para o próximo estágio.

O estágio 3 é constituído de aspirações analíticas e tem como principal

característica o momento que a análise obtém um patrocinador executivo. Neste estágio,
Machine Translated by Google

é fundamental definir um conjunto de medidas de desempenho que sejam

alcançáveis e os processos devem ser implementados para monitorar o progresso.
Algumas tarefas devem ser executadas e exigem análises mais sofisticadas como
conhecimento analítico especializado juntamente com a adição de novas tecnologias
analíticas [Davenport e Harris 2018].

O estágio 4 traz as competências analíticas desenvolvidas de forma madura

em toda a empresa. Nessa fase a organização obtém um progresso considerável na
construção de patrocínio, cultura, habilidades, insights estratégicos, dados e
tecnologia necessária para a competição analítica. Portanto, à medida que a
organização aprende mais com cada análise, ela obtém um rico conjunto de novos
insights para explorar e obter vantagem competitiva [Davenport e Harris 2018].

O estágio 5 é considerado o estágio final alcançado por organizações que se

tornaram líderes analíticos. A análise agora é vista não apenas como um recurso
importante para uma organização, mas como a chave de sua estratégia e vantagem
competitiva [Davenport e Harris 2018]. De acordo com os autores (ibidem, 2018, p.
185), “[...] a análise é utilizada para descrever inovações em toda a empresa”. Nesse
estágio, o uso de modelos prescritivos e, principalmente, preditivos têm grande
destaque e ajudam no crescimento dos produtos e serviços oferecidos pela
empresa. Alcançar o estágio de líder analítico requer muito mais que entusiasmo e
o caminho é construído de forma contínua e com trabalho evolutivo.

Para [Grossman e Siegel 2014], quatro questões principais devem ser

propostas para que uma evolução analítica seja iniciada e duradoura, sendo elas:

1. As organizações devem olhar os dados como uma função-chave para si e

cada unidade de negócios devem perceber a importância da análise de dados
e integrá-la às operações.
2. Ter cientistas de dados de alto nível de conhecimento em análise de dados
faz com que a compreensão dos problemas a serem resolvidos e as etapas
para chegar à solução seja mais clara e precisa.
3. Os cientistas de dados devem conhecer profundamente as unidades de negócio
para que seja mais fácil agregar valor a elas.
4. A adoção de uma estrutura de governança analítica ajuda a organização a
tomar decisões que priorizam a análise de dados, suas oportunidades e os
dados necessários para implementar modelos analíticos.

Ater-se aos elementos da cultura, pessoal, processos e governança (do

inglês, Culture, Staffing, Processes, and Governance - CSPG), ajuda a estabelecer
uma cultura para big data e corpus analíticos; contratar, treinar e organizar um
grupo de funcionários analíticos; desenvolver os processos analíticos necessários;
e crie uma estrutura de governança analítica robusta [Grossman e Siegel 2014].

Começando pela cultura, o executivo de nível corporativo deve reconhecer a

necessidade de organizar big data e corpus analítico como uma função
organizacional que recebe ampla responsabilidade e autoridade para ativos de
dados e que é análoga a outras funções importantes na organização [Grossman e Siegel 2014] .
Machine Translated by Google

A estrutura CSPG requer que haja uma massa crítica de equipe analítica
(cientistas de dados). A equipe analítica deve ser capaz de obter e gerenciar
dados; construir modelos estatísticos, preditivos e de mineração de dados; e
implementam esses modelos. O líder de análise, junto com o gerenciamento
corporativo, deve decidir onde localizar a função analítica dentro da organização,
podendo ser, essencialmente, a equipe analítica centralizada, descentralizada ou
com uma abordagem híbrida [Grossman e Siegel 2014].

O terceiro componente da estrutura CSPG diz respeito aos processos

analíticos próprios. O big data apresenta muitas oportunidades se esses
processos podem ser criados e gerenciados transferidos. Os dados podem ser
negociados entre as organizações, os produtos podem ser aumentados para
produzir dados, os ativos podem ser digitalizados, os dados podem ser
combinados dentro e entre setores e assim por diante, quanto mais sofisticados
os processos analíticos se tornam, mais oportunidades podem ser exploradas [Grossman e Siegel

O componente final da estrutura CSPG é a governança analítica. Como big

data e corpus analíticos são novos para muitas organizações, as estruturas de
governança analítica não são bem definidas. Os líderes corporativos seniores são
responsáveis por definir a estrutura de governança e por monitorar e aprimorá-la
à medida que a experiência se acumula [Grossman e Siegel 2014].

A governança analítica tem como foco identificar e fornecer recursos para

oportunidades analíticas, obter dados que sejam consistentes e oportunos e, por
fim, implementar modelos analíticos de forma consistente, a fim de proteger a
eficácia das análises [Grossman e Siegel 2014].

A partir da perspectiva CSPG, uma jornada de transformação se torna

eminentemente humana, a cada novo ciclo de disrupção tecnológica os
profissionais e líderes terão oportunidades de se adequar para alcançar novos
patamares competitivos [Silva, 2018].

5.1 Análise e discussão dos resultados

Para sucesso [Davenport e Harris 2018], alguns elementos fundamentais de um

programa analítico de são compostos por dados, empresa, liderança, metas e
analistas que serão subsidiados por dois elementos - tecnologia e técnicas
analíticas, necessários para alto desempenho.

Na perspectiva dos autores (ibidem, 2018), uma organização pode partir de

um estado inerte de analíticos deficientes para um estágio de evolução
denominado paralelo analítico. Todo o escopo consiste em identificar inicialmente
as necessidades de informação, análise e agregar valor aos dados existentes
[Teixeira e Valentim 2012].

As organizações estão atualmente em níveis variados de maturidade no

que diz respeito à adoção de tecnologias digitais e grau de impacto. As empresas com maior
Machine Translated by Google

maturidade são as que enxergam a tecnologia como uma oportunidade e não como
um desafio [Poleza e Varvakis 2019].

As alternativas para configurações organizacionais propostas na Seção 2,

seguem a lógica de que é necessário compreender que uma área de análise deve
ser adequada às especificidades organizacionais. Insistir em uma configuração
organizacional procurada não é somente prejudicial para a organização, mas
também um fator que pode prejudicar o seu desenvolvimento analítico.

Podemos usar a seguinte pergunta para ajudar a ingressar em um modelo

baseado em dados: Como os dados podem ajudar uma organização a ser mais
competitiva ou sustentável? É importante que as organizações tenham exato
conhecimento sobre o que ela quer fazer com os dados, afinal, buscar respostas
nos dados para perguntas mal formuladas geram resultados ruins e acarretarão perda de investimen

Apesar de existirem outras metodologias, a ênfase na metodologia CRISP-

DM deveu-se ao fato de que é mais abrangente em relação a outras metodologias
com o mesmo propósito, cobrindo a fase de conhecimento do negócio e seus
objetivos [Sharda, Delen and Turban 2019 ].

A primeira fase, que busca o entendimento sobre o negócio e seus objetivos,

é um diferencial da CRISP-DM quando detecta com as outras metodologias
existentes de mineração de dados. O foco no CRISP-DM reforça a percepção de
que é necessário aliar os dados ao negócio, pois as coletas de dados são, além de
um ativo estratégico, a matéria-prima para a resolução de problemas e busca pelas mais diversas re

Cada estágio evolutivo proposto por [Davenport and Harris 2018] corrobora
não somente com a identificação da fase atual e dos requisitos para as próximas
fases, mas também com a conscientização de que há um longo caminho a ser
percorrido para que organizações pouco evoluídas analiticamente, como é o caso
de organizações informadas por dados, pode alcançar o nível de competitivo analítico no estágio 5.

Os investimentos feitos em tecnologia, melhoria de processos, equipes e

descoberta de conhecimento podem levar a organização a um novo cenário, onde
apenas a intuição dos tomadores de decisão não é mais suficiente e desejável.

Levando em consideração esses aspectos, uma organização que está mais

estruturada em processos, tecnologia, ferramentas, equipe qualificada e uma
cultura analítica bem desenvolvida por todo seu negócio, poderá tomar decisões
estratégicas com alto grau de assertividade e, assim, se manter competitiva em um
mundo de mudanças rápidas.

6. Considerações Finais

As proposições de modelos evolucionários, acreditam na maturidade de maturidade,

planejaram para que uma organização possa mudar de patamar por meio de
identificação do seu estado atual de capacidade analítica e fazer uma lista de
verificação para atingir o nível superior, como o de competidor de analítico
[Davenport e Harris 2018], e ser efetivamente sensível aos dados processados.
Machine Translated by Google

Assim como a evolução de evolução que foram apresentados, os modelos de

configuração organizacional influenciaram para que uma organização posicione a área
de ciência de dados a ser implantada, levando em consideração as características
peculiares da organização.

A metodologia de análise de dados, CRISP-DM, auxilia no entendimento de como

os dados devem responder às necessidades do negócio, contribuir para caracterizar uma
organização data-driven, e os conceitos observados serviram como contribuição para o
processo de avanço de data-informed para orientado a dados.

Com isso, o objetivo do trabalho foi alcançado na medida em que explora

aspectos conceituais e categóricos no âmbito organizacional, buscando identificar
possíveis relações de modelos de configuração organizacional e abordagens
metodológicas de análise exploratória sobre dados com fatores habilitadores para uma
jornada data-driven.

Baseado na obra de [Davenport e Harris 2018], assuma-se a hipótese de que,

independente do estágio em que a organização se encontra, é importante focar em alguns
itens para se tornar analiticamente competitivo, a saber: coleções de dados, ao processará
-las podem-se revelar informações que subsidiam as decisões e a produção de
conhecimentos valiosos; empreendimento, ao gerenciar e coordenar recursos a nível
empresarial; liderança, ao promover um tempo e uma cultura de liderança analítica; alvos,
ao focar investimentos analíticos nas áreas promissoras e de maior retorno; analistas,
ao desenvolver e gerenciar talentos analíticos.

Para conseguir evoluir para um modelo data-driven, uma organização precisa

mudar suas práticas e processos. Diferentes cenários de implementação podem ser
vislumbrados como, por exemplo, ambientes organizacionais desprovidos de modelos
sensíveis a dados, cuja metodologia de análise de dados abordada e outras estratégias
de implementação devam ser mapeadas, a depender do contexto e da necessidade de
negócio.

Portanto, as organizações precisam ter consciência da importância dos negócios

amparados pelas tecnologias da informação e de dados, quanto valor podem gerar
seguindo um modelo centrado em preceitos analíticos e quais as respostas para os
problemas de certos domínios de conhecimento. Uma organização poderá explorar áreas
de domínios distintos quando conseguir compreender a importância de ser orientada a
dados ao computá-la de utilizar apenas para um suporte de apoio e gestão.

Referências

Anderson, Carlos. (2015). “Criando uma organização orientada por dados”, Sebastopol: O'Reilly
Meios de comunicação.

Camargo, RF (2021). “A importância dos Tipos de Estrutura Organizacional para um

negócio de sucesso”, 2016.
Treasy, Disponível em:
Machine Translated by Google

https://www.treasy.com.br/blog/tipos-de-estrutura-organizacional/. Acesso em 11 de maio

de 2021.

Davenport, TH e Harris, JG (2018). “Competição analítica: vencendo através da nova ciência”,

Rio de Janeiro: Alta Books.

Griffin, Jane e Davenport, Tom (2014). “Organizing Analytics - From the inside out”, Deloitte
Disponível https://www2.deloitte.com/content/dam/Deloitte/us/Documents/deloitte-analytics/
Análise. em:
us da-organizing-analytics-inside-
out.pdf. Acesso em 13 de maio de 2021.

Grossman, Robert L. e Siegel, Kevin P. (2014). “Big Data e Design Organizacional”,

Jornal de Design Organizacional. Vol. 3, n. 1, pág. 20-24.

Kampakis, Stylianos. (2021). “Quais são as diferenças entre orientado a dados, informado por
dados e centrado em dados”, The Data Scientist, [SI], [2020?]. Disponível em: https://
thedatascientist.com/data-driven-data-informed-data-centric/#:~:text=Data%2
0informed%20companies%20are%20collecting,the%20core%20(eg%20Google) .
Acesso em 15 maio 2021.

Kelleher, John D. e Tierney, Brendan. (2018). “Ciência de Dados”, 1. Ed. Cambrigde: O

Imprensa MIT.

Matias, Alberto Borges (2021). “Tipos de estrutura organizacional: tire suas principais dúvidas”,
Inepad Consulting,organizacional/>. 2018.de 2021.
Disponível https://blog.inepadconsulting.com.br/tipos-de-estrutura-
Acesso em 11 de maio em:

Miranda, Gloria Macias-Lizaso. (2018). “Edição Especial em Análises Avançadas em

Bancário”, McKinsey sobre Pagamentos. vol. 11, n. 28, pág. 1-8, atrás.

Poleza, M. e Varvakis, G. (2019). “Processo de transformação digital nas

organizações: razões e resultados”.

Provost, Foster e Fawcett, Tom. (2016). “Data Science para Negócios: o que você precisa saber
sobre mineração de dados e pensamento analítico de dados”, 1ed. Rio de Janeiro: Alta
Livros.

Rautenberg, Sandro e Carmo, Paulo Ricardo Viviurka. (2019). “Big Data e Ciência de Dados:
complementariedade conceitual no processo de tomada de decisão”, Brazilian Journal of
Information Studies: Research Trends. 13:1 p.56-p.67. ISSN 1981-1640.

Sharda, Ramesh; Delen, Dursun e Turban, Efraim. (2019). “Business Intelligence e Análise de
Dados para gestão do negócio”, Tradução de Ronald Saraiva de Menezes.
4. Ed. Porto Alegre: bookman.

Silva, Nelson. (2018). “Transformação Digital, a 4 a revolução industrial”, Caderno

opinião - FGV Energia.
Machine Translated by Google

Stewart, Shayna. (2019). “Você é orientado por dados, informado por dados ou inspirado
por dados?”, Amplitude, de https://amplitude.com/blog/data-driven-data-
informed-data-inspired.
7 Disponível Acesso
jun. em 15 maio 2021. em:

TEIXEIRA, Fernanda. (2021). “DDOM: os 6 pilares de uma empresa data-driven”, Mit

Sloan Management Brasil. em:
Review Disponível https://www.mitsloanreview.com.br/post/os-6-
pilares-de-uma-empresa-data-driven-o u-ddom?
gclid=CjwKCAiAuoqABhAsEiwAdSkVVGFWVlNLmI0hE8kPAplYFak1
KFfatMWJn_EMVlaKewWajN5XNwc_dxoC4-AQAvD_BwE. Acesso em 05 jun. 2021.

Teixeira, Thiciane MC e Valentim, Marta LP (2012). “Estratégias para Disseminação do

Conhecimento Organizacional: o papel da arquitetura da informação; Estratégias
para a Disseminação do Conhecimento Organizacional: o papel da arquitetura da
informação”, Informação & Informação, v. 17, n. 3, pág. 165–180, 11 jan.