fevereiro de 2018

Ângela Rodrigues Alpoim

Identificação dos desafios que o Big Data

coloca à área do Business Analytics

Dissertação do Mestrado Integrado em Engenharia

e Gestão de Sistemas de Informação

Trabalho efetuado sob orientação do

Professor Doutor Manuel Filipe Santos

e do

Professor Doutor Carlos Filipe Portela

Página | iii

RESUMO

Atualmente, a chave de sucesso de muitas organizações passa por gerir, eficazmente, a enorme

quantidade de informação que têm ao seu dispor. Realizar uma correta gestão de todos estes recursos

informacionais e entender como obter valor a partir dos mesmos é essencial para gerar as oportunidades

necessárias e obter o tão desejado sucesso. É então fundamental entender quais são as oportunidades

e potencialidades do big data e contrastá-los com os desafios inerentes à sua utilização.

Com os avanços tecnológicos que se tem vindo a assistir afincadamente nos últimos anos, torna-se

realmente mais difícil e complexo realizar análises ao grande volume de dados (que tem crescido

exponencialmente, advindos das mais diversas fontes), utilizando as técnicas tradicionais existentes.

Consequentemente, tem-se também vindo a assistir a mudanças aceleradas dos negócios, que têm

vindo a provocar uma necessidade crescente de garantir que projetos de big data analytics suportem a

estratégia de negócio de cada organização com sucesso. Até porque, atualmente, as visões

convencionais de business analytics (BA) estão preocupadas e diretamente relacionadas com a melhoria

do funcionamento dos negócios e com o objetivo de os apoiar.

A principal contribuição desta dissertação passa, essencialmente, pelo estudo e comparação de um

conjunto de desafios que o big data coloca à área do business analytics. Pretende-se ainda providenciar

uma visão geral dos conceitos relacionados com big data e business analytics, bem como os desafios,

capacidades e áreas associados a estes.

Uma vez que as técnicas tradicionais já não conseguem satisfazer as necessidades de extrair

informações relevantes às empresas em tempo real, estão a ser adotados novos paradigmas no que diz

respeito aos repositórios de dados. Este novo paradigma traz novos desafios para as abordagens de

business analytics que é necessário identificar e sistematizar, sendo este o objetivo principal deste

projeto de dissertação.

Palavras-chave: big data, business analytics, data analytics, capacidades, desafios

Página | v

ABSTRACT

Nowdays, the key to success of many organizations is to effectively manage the massive volume of

information they have at their disposal. Performing a correct management of all these informational

resources and understanding how to gain value from them is essential to create the necessary

opportunities to achieve the so desired success. Therefore, it is fundamental to understand the

opportunities and potentialities of big data and to contrast them with the challenges inherent in its use.

Technological advances that have been deeply felt in the last years, have made more difficult and complex

the task of analyzing the large volume of data (which has grown exponentially from the most diverse

sources), using the existing traditional techniques.

As a result, there have also been rapid changes in business, which has provoked an increasing need to

ensure that big data analytics projects support each organization's business strategy successfully.

Especially because the conventional views of business analytics (BA) are currently concerned and directly

related to the improvement of business operations and with the objective of supporting them.

The main contribution of this dissertation is essentially the study and comparison of a set of challenges

that big data lays in the area of business analytics. It is also intended to provide an overview of concepts

related to big data and business analytics, as well as challenges, capabilities and areas associated with

them.

As traditional techniques are no longer able to meet the needs of extracting relevant business information

in real time, new paradigms are being adopted with respect to data repositories. This new paradigm

brings new challenges to the business analytic approaches that need to be identified and systematized.

And this is the main purpose and objective of this dissertation project.

Keywords: big data, business analytics, data analytics, capabilities, challenges

Página | vii

ÍNDICE

RESUMO ......................................................................................................................................................... iii

ABSTRACT ........................................................................................................................................................ v

ÍNDICE ........................................................................................................................................................... vii

ÍNDICE DE FIGURAS ........................................................................................................................................ ix

ÍNDICE DE TABELAS ......................................................................................................................................... x

LISTA DE ABREVIATURAS, SIGLAS E ACRÓNIMOS .......................................................................................... xii

1. CONTEXTUALIZAÇÃO ...............................................................................................................................1

1.1. INTRODUÇÃO ..................................................................................................................................1

1.2. MOTIVAÇÃO .....................................................................................................................................3

1.3. ESTRUTURA DO DOCUMENTO .........................................................................................................3

2. ESTADO DA ARTE .....................................................................................................................................5

2.1. ESTRATÉGIA DE PESQUISA ..............................................................................................................5

2.2. BIG DATA .........................................................................................................................................6

2.2.1. DEFINIÇÃO E CONCEITOS ...............................................................................................................7

2.2.2. CARACTERÍSTICAS E DESAFIOS .......................................................................................................9

2.3. BIG DATA ANALYTICS ................................................................................................................... 15

2.3.1. PRINCIPAIS DESAFIOS DO BIG DATA ANALYTICS .......................................................................... 17

2.4. BUSINESS ANALYTICS .................................................................................................................. 18

2.4.1. MODELOS DESCRITIVOS, PREDITIVOS E PROSPETIVO .................................................................. 21

2.4.2. DESAFIOS E CAPACIDADES DO BUSINESS ANALYTICS ................................................................. 22

2.5. BUSINESS INTELLIGENCE E A SUA IMPORTÂNCIA NAS ORGANIZAÇÕES ...................................... 27

3. OBJETIVOS ............................................................................................................................................ 31

3.1. OBJETIVO GERAL .......................................................................................................................... 31

3.2. OBJETIVO ESPECÍFICO ................................................................................................................. 31

3.3. RESULTADOS ESPERADOS ........................................................................................................... 31

4. ABORDAGEM METODOLÓGICA .............................................................................................................. 32

4.1. BENCHMARKING .......................................................................................................................... 32

Página | viii

4.1.1. METODOLOGIA A ABORDAR .......................................................................................................... 33

4.2. CASE STUDY ................................................................................................................................. 34

4.2.1. METODOLOGIA DE INVESTIGAÇÃO ............................................................................................... 35

5. PLANO DE ATIVIDADES ......................................................................................................................... 36

5.1. PLANEAMENTO ............................................................................................................................ 36

5.2. WBS E DIAGRAMA DE GANTT ........................................................................................................ 38

5.3. TABELA DE RISCOS ...................................................................................................................... 39

6. CONCLUSÃO ......................................................................................................................................... 43

7. REFERÊNCIAS ....................................................................................................................................... 44

Página | ix

ÍNDICE DE FIGURAS

Figura 1 - Os 5V'S do big data ...........................................................................................................................9

Figura 2 - 7 V's + C que caracterizam o big data ............................................................................................. 12

Figura 3 - Áreas do Business analytics ............................................................................................................ 20

Figura 4 – Modelo de maturidade das capacidades do BA .............................................................................. 24

Figura 5 - Estrutura de BI ............................................................................................................................... 28

Figura 6 - Interesse em big data, business analytics e business intelligence ao longo do tempo. ...................... 29

Figura 7 - WBS e Respetivo Diagrama de Gantt ............................................................................................... 38

Página | x

ÍNDICE DE TABELAS

Tabela 1 - Diferentes conceitos de big data ........................................................................................................7

Tabela 2 - Princiapis desafios do big data ....................................................................................................... 13

Tabela 3 - Principais desafios do big data analytics ......................................................................................... 17

Tabela 4 - Características do BA ..................................................................................................................... 23

Tabela 5 - Áreas das Capacidades do BA ........................................................................................................ 24

Tabela 6 - Calendarização das atividades ....................................................................................................... 36

Tabela 7 - Tabela de Riscos ............................................................................................................................ 39

Página | xii

LISTA DE ABREVIATURAS, SIGLAS E ACRÓNIMOS

APQC – American Productivity and Quality Center

BA – Business Analytics

BI – Business Intelligence

BI & BA – Business Intelligence & Analytics

BPM – Business Performance Management

CIO – Chief Information Officer

DW – Data Warehouse

E-Commerce – Electronic Commerce

E-Government – Electronic Government

ETL – Extraction, Transformation and Load

IBM – International Business Machines

OLAP – Online Analytical Processing

TI – Tecnologias de Informação

WBS – Work Breakdown Structure

Página | 1

1. CONTEXTUALIZAÇÃO

1.1. INTRODUÇÃO

Estamos a viver aquela que é denominada, por muitos, a era da “explosão” da quantidade de dados e

de informação, ou seja, a era do big data. Os avanços tecnológicos (a digitalização da informação, o

desenvolvimento de cloud computing e de computadores cada vez mais rápidos) tornam este enorme

crescimento de dados ainda mais acessíveis e úteis e permitem às organizações explorarem e

descobrirem factos, correlações e padrões nos dados que antes não era possível. Se antigamente

analisar uma grande quantidade de dados era visto como um problema técnico, hoje pode ser

considerada uma oportunidade de negócio (Russom, 2011).

A verdade é que os dados digitais estão em todo o lado, em todos os setores da economia e em todas

as organizações. A capacidade de armazenar e combinar esses dados para depois utilizar os resultados

para realizar análises detalhadas e precisas tem-se tornado cada vez mais acessível e importante, até

mesmo para as empresas entenderem o estado atual dos seus negócios e tomarem as melhores

decisões.

Para realizar estas análises e atuar de forma segura e objetiva, é essencial recorrer às Tecnologias de

Informação (TI) e às suas aplicações. No entanto, essas análises não podem ser realizadas através de

processos ou sistemas tradicionais, já que os mesmos podem ter dificuldades em armazenar e a

desempenhar as devidas análises aos dados.

Na realidade, são diversos os desafios que as organizações enfrentam, já que, o facto de terem a

oportunidade de aceder a uma grande quantidade de dados, não significa que saibam retirar e obter

valor a partir dos mesmos. Esta exorbitante quantidade de dados cresce à medida que diminui a própria

capacidade de guardá-los e processá-los e é aí que se encontra o grande desafio, pois a maior parte

destes dados são não estruturados, tornando difícil tomar a decisão daquilo que vale ou não vale a pena

guardar (Lima et al., 2013).

A chave para conseguir obter este valor é entender como transformar, utilizar e realizar as devidas

análises aos dados. Num mundo cada vez mais competitivo, é essencial que as organizações tomem

decisões rápidas, ágeis e consigam transformar este recurso tão fundamental que é a informação em

conhecimento. Cabe às organizações serem capazes de transformar essa informação em conhecimento

e lhe darem a devida utilidade.

Página | 2

Este fenómeno do big data é considerado aquele que mais atenção tem capturado na indústria de

computadores moderna desde a era da internet (Lima, 2014). De facto, hoje, são muitas as organizações

que recolhem, armazenam e analisam esta grande quantidade de dados. Big data é um termo que se

popularizou e que tem sido sujeito a diversas definições, por diversos autores com diferentes perspetivas.

De forma geral, pode ser definido como ativos de grande volume (grande quantidade), de diferentes

fontes e níveis de complexidade, criados a diferentes velocidades que exigem formas inovadoras de

processamento de informações para maior visibilidade e tomada de decisão, ou seja, de forma a gerar

valor.

De forma a responder a esta grande necessidade, algumas soluções foram desenvolvidas por empresas

que precisavam de lidar rapidamente com grandes quantidades de dados. Por essa razão, essas

empresas desenvolveram algumas tecnologias com o objetivo principal de ajudá-las a processar e a

analisar big data (Lima, 2014).

Apesar de todas as vantagens relacionadas com a recolha, armazenamento e análise de dados, também

estão associados a este um conjunto de desafios, como já referido, e que serão discutidos mais

detalhadamente neste documento.

Através da realização de estudos e análises comparativas entre soluções, serão identificados, neste

projeto, os requisitos que o big data impõe às abordagens de business analytics. Como tal, é importante

realizar a distinção entre estes dois conceitos que podem ser muitas vezes confundidos.

Segundo O’neil (O’neil, 2013), a diferença fundamental entre big data e business analytics, é que

“independentemente do big data utilizado, no final do dia, se estiver a ser realizada uma análise de

negócio (business analytics), haverá sempre uma pessoa a olhar para gráficos ou números, para tomar

uma decisão depois de possivelmente ter tido uma discussão com mais 150 pessoas, de forma a ser

ajustado e modificado algo sobre a forma como o negócio é executado". Ambos os conceitos, assim

como outros associados a este “mundo” dos dados e do seu tratamento e análise serão abordados e

aprofundados neste documento de forma a enquadrar melhor este estudo.

Hoje, com o surgimento do big data, estão a ser adotados novos paradigmas no que respeita aos

repositórios de dados. Este novo paradigma traz novos desafios para as abordagens de business

analytics que é necessário identificar e sistematizar, sendo este o principal objetivo deste projeto.

Página | 3

1.2. MOTIVAÇÃO

A importância dada à informação e à sua obtenção por parte das organizações tem vindo a crescer,

principalmente nos últimos anos, com o crescente desenvolvimento da tecnologia.

Para se ter uma noção da dimensão e da relevância do estudo deste tema, a McKinsey Global Institute

estimou um crescimento do volume de dados de 40% por ano e concluiu que, entre 2009 e 2020, esse

crescimento será 44 vezes maior (Lima, 2014). Números impressionantes e que provocam uma reflexão

acerca da importância dos mesmos para as organizações e como se podem aproveitar esses dados para

extrair informações estratégias e obter vantagens competitivas.

Na realidade, tantos os clientes como as organizações podem obter vantagens. Os clientes porque

podem obter um determinado produto ou serviço de forma personalizada. As organizações, por outro

lado, podem evitar situações de risco e sustentar uma abordagem competitiva.

Apesar das enormes vantagens que a exploração do big data e do business analytics podem oferecer às

organizações, há um conjunto de desafios que podem comprometer a facilidade de adotá-los e explorá-

los adequadamente.

É então de extrema importância estudar esses fatores e desafios que o big data coloca à área do business

analytics para ser possível identificar as melhores formas de ultrapassar as dificuldades sentidas no

processo de tomada de decisão e que possibilitem o acesso e a exploração de informação.

1.3. ESTRUTURA DO DOCUMENTO

Este documento está estruturado de uma forma simples, composto por 7 capítulos e respetivos

subcapítulos.

No primeiro capítulo (Contextualização) é definido o contexto, o âmbito, os objetivos do projeto, assim

como os fatores motivadores que levaram ao seu desenvolvimento e estudo.

No segundo capítulo (Estado de Arte) é abordada e explicada a estratégia de pesquisa utilizada e a forma

como foi executada. Também é neste capítulo que é realizado o enquadramento teórico, através da

revisão de literatura e onde são apresentados os conceitos mais relevantes para o projeto.

No terceiro capítulo (Objetivos) são definidos os principais objetivos deste projeto, desde uma perspetiva

mais geral a uma perspetiva mais específica e detalhada. Também serão estipulados os resultados

esperados.

Página | 4

No quarto capítulo (Abordagem Metodológica) serão apresentadas as abordagens metodológicas adotas

para a realização deste estudo que servirão de base para a realização do projeto.

No quinto capítulo (Plano de Atividades) é apresentado o plano de atividades, onde está definido o

planeamento do projeto desde uma perspetiva mais genérica, através de uma pequena matriz com a

calendarização inicial estipulada no Plano de Trabalhos a uma perspetiva mais detalhada através do

diagrama de Gantt e da WBS. Para o dimensionamento dos riscos deste projeto foi realizada uma tabela

de riscos, que apresenta os principais riscos associados a este projeto.

No sexto capítulo (Conclusão) são apresentadas algumas considerações e conclusões acerca do trabalho

realizado e as expectativas do trabalho a realizar na segunda fase deste projeto de dissertação.

No sétimo e último capítulo (Referências) serão listadas um conjunto de referências que serviram e

servirão de base e apoio para realizar este estudo.

Página | 5

2. ESTADO DA ARTE

2.1. ESTRATÉGIA DE PESQUISA

A revisão de literatura é um das partes iniciais e essenciais para conduzir este projeto de investigação.

Através desta, é possível analisar, sintetizar e interpretar investigações já realizadas na área em estudo,

tendo, neste caso, como base principal de fonte de pesquisa, artigos científicos.

Os passos básicos da revisão da literatura foram realizados tendo como referência Webster & Watson

(2002), Urbach et al. (2009) e Bento (2012). De uma forma sintetizada, foram realizadas duas etapas

principais: Seleção da fonte (1) e seleção da linha temporal (2).

Os diferentes estudos sobre big data, big data analytics, business analytics (BA) e business intelligence

(BI) foram obtidos e recolhidos através de ferramentas de pesquisa e de base de dados como o Scopus,

ScienceDirect e Google Scholar.

No que diz respeito à estratégia de pesquisa utilizada na realização deste projeto, esta pode ser definida

em dois níveis principais: o primeiro respeitante à recolha de materiais, ou seja, à pesquisa e recolha

de documentos científicos relacionados com o tema da investigação e o segundo respeitante à análise

e interpretação desses materiais recolhidos.

Conforme já referido na introdução, além de não existir um consenso comum no que toca à definição

de conceitos como big data e business analytics, estes termos estão muitas vezes associados a outros

como business intelligence. Dessa forma, o processo de pesquisa bibliográfica foi realizado utilizando

diferentes termos de pesquisa, bem como variações e combinações dos termos, tais como “big data

challenges” ou “business analytics + big data + challenges” ou ainda “big data analytics + desafios”.

Além disso, foram encontrados e recolhidos mais alguns artigos científicos realizando a pesquisa

“forward and backward”, em que, sempre que possível, se acedia ao artigo científico citado no artigo

em análise, até se conseguir obter a fonte original que definiu o conceito ou a metodologia.

A pesquisa abordou ainda quatro tópicos essenciais, que resultou em quatro processos de revisão de

literatura diferentes. O primeiro diz respeito ao big data, onde serão apresentadas algumas definições,

características e os principais desafios. O segundo apresenta o conceito de big data analytics bem como

os principais desafios associados a este. No terceiro, business analytics, além de serem apresentados

alguns conceitos, serão também abordados os três modelos e ainda os desafios e capacidades

Página | 6

associados ao BA. Finalmente, no quarto tópico, será introduzido o conceito de business intelligence e

descrita a sua importância nas organizações.

Este processo de revisão de literatura foi realizado com o objetivo principal de apoiar e dar resposta à

questão de investigação subjacente a este projeto de investigação “Quais os desafios que o big data

coloca à área de business analytics?”.

Para realizar a revisão de literatura, a janela temporal considerada para a pesquisa de artigos foi

delimitada até aproximadamente 10 anos. Ou seja, foram considerados maioritariamente artigos

publicados a partir de 2006/2007. No entanto, para definir alguns conceitos, foram tidos em conta

artigos datados antes desse período, por se considerar relevante apresentar as definições primárias de

alguns conceitos e para uma melhor contextualização dos assuntos em questão. Além disso,

pontualmente, foram utilizados artigos datados antes desse período por se considerar que os mesmos

contribuíam significativamente para a realização do estudo.

2.2. BIG DATA

A inovação e o desenvolvimento tecnológico aliados a uma maior acessibilidade a dispositivos digitais

levaram ao surgimento daquela que é considerada, por muitos, a “Era” do big data. Como resultado

deste impacto que o papel das tecnologias tem vindo a assumir atualmente nas pessoas e nas suas

vidas, surge uma “explosão” na quantidade, diversidade e disponibilidade dos dados digitais em tempo

real (Pulse, 2012).

Segundo Taurion (Taurion, 2013), antes de 2000, apenas 25% dos dados disponíveis no planeta estavam

em formato digital e em 2013, esses dados ultrapassavam os 98%. Ainda de acordo com outro autor,

Lima (Lima et al., 2013), acrescenta que, a cada minuto, são criados 571 novos sites na internet e

204.166.667 mensagens de email são enviadas. O Google recebe mais de 2 milhões de pesquisas, o

YouTube recebe 48 horas de novos vídeos, 684.478 conteúdos são publicados no Facebook, 3.600

fotos são compartilhadas no Instagram e mais de 100 mil tweets são enviados através do Twitter. A

tendência é para estes números aumentarem à medida que o número de utilizadores também aumenta,

pelo que, atualmente, estes números deverão ser muito superiores.

Gerir e analisar este grande crescimento de quantidade de dados, desde a perspetiva de partilhas de

informação nas redes sociais, passando pela análise de transações bancárias, pesquisas online, acessos

a websites e até à análise de registos de chamadas telefónicas, pode ser visto, simultaneamente, como

Página | 7

um dos maiores benefícios e desafios das organizações. Isto porque é tão importante obter e gerar

informação como ter a capacidade de processá-la rapidamente (Volpato, et al., 2014).

A leitura inteligente destas informações e dados é essencial, até porque, segundo algumas pesquisas, o

uso adequado de big data pode desempenhar um papel económico muito útil às organizações,

promovendo inclusivamente a inovação, competitividade e produtividade em todos os segmentos (Lima

et al., 2013). As organizações esperam, assim, obter benefícios em diversos domínios, tais como no e-

commerce, e-government, na área de saúde e de segurança. Estes benefícios e valores que as

organizações esperam criar vão depender também das estratégias adotas e dos objetivos que as

mesmas pretendem alcançar (Günther et al., 2017).

2.2.1. DEFINIÇÃO E CONCEITOS

Existem diversas perspetivas distintas no que toca à definição do termo “big data”, não existindo uma

definição que seja aceite como única, mesmo que existam algumas que se destaquem mais.

Este vocábulo foi formulado por Doug Laney em fevereiro de 2001, durante uma apresentação de análise

dos desafios que as empresas enfrentavam na gestão dos dados (Santos, 2016). Claramente que a

característica mais intuitiva que se pode rapidamente deduzir deste termo está relacionada com o

tamanho. No entanto, esta não é a única característica, dado que existem mais algumas que

complementam a definição deste termo. Na Tabela 1 serão apresentados alguns conceitos e definições

de big data, elucidados por diferentes autores.

TABELA 1 - DIFERENTES CONCEITOS DE BIG DATA

AUTOR CONCEITO

Hurwitz et. al, 2013

“Capacidade de gerir um grande volume de

dados diferentes, com a velocidade adequada e

dentro do prazo certo para permitir análises e

reações em tempo real”.

Günther et al., 2017

“Big data trata-se de um conjunto de tecnologias

que são capazes de analisar e processar grandes

quantidades de dados de diferentes fontes,

usando ferramentas e recursos que sejam

capazes de o fazer em alta velocidade”.

Página | 8

AUTOR CONCEITO

Zikopoulos & Eaton, 2011

“Resumidamente, o termo big data aplica-se a

informação que não pode ser processada ou

analisada utilizando processos ou ferramentas

tradicionais”.

Dumbill, 2012

“São dados que excedem a capacidade de

processamento dos sistemas de base de dados

convencionais. Os dados são muito grandes,

movem-se muito rápido ou não se encaixam nas

restrições das arquiteturas de base de dados”. Taurion, 2013 “Big Data = volume + variedade + velocidade”.

Hashem et al., 2015

“Conjunto de técnicas e tecnologias que

requerem novas formas de integração, de forma

a descobrir valores ocultos de grandes conjuntos

de dados diversos, complexos e de grande

escala”.

Gupta et al., 2015

“São recursos de informação de alto volume, alta

velocidade e alta variedade que exigem formas

inovadoras e económicas de processamento de

informações para uma melhor compreensão e

tomada de decisão”.

Campos et al., 2015

“Conjunto volumoso de vários tipos de dados

(estruturados, semiestruturados e não

estruturados) e de fontes de dados (web, redes

sociais), que necessitam de soluções

tecnológicas específicas para serem

armazenados e analisados, na perspetiva de

geração de informação e valor."

Apesar de não existir um consenso sobre o conceito, as diversas definições dos autores assemelham-se

bastante, já que grande parte delas referem que as ferramentas tradicionais e convencionais não são

capazes de satisfazer as exigências da nova Era do big data. Outros autores acrescentam e enfatizam

ainda a ideia de existirem algumas características chave que definem o conceito, tais como a “grande

quantidade de dados”, “volume”, “variedade” e a “velocidade”.

Página | 9

2.2.2. CARACTERÍSTICAS E DESAFIOS

De facto, inicialmente, este conceito foi definido como sendo composto por um conjunto de 3

características fundamentais (3V’s): volume, variedade e velocidade. De uma forma muito simplificada

e sintetizada, pode-se referir que “volume” corresponde à quantidade, “variedade” corresponde à

diversidade de tipos e fontes dos dados e “velocidade” corresponde à taxa de transferência (Salas-Veja

et al., 2015).

No entanto, algumas organizações consideram importante adicionar outro “V”, como é o caso da IBM1,

que adicionou a veracidade como outra característica importante para definir o conceito de big data

(4V’s). Além de empresas como a IBM que sentiram a necessidade completar o conceito ao adicionar

outro “V”, ainda existem outras empresas, como a Oracle2, que sentiram a necessidade de acrescentar

o quinto “V”, que se refere à característica valor (5V’s), como se pode observar na Figura 1.

Reunidas estas 5 características do big data, é importante defini-las e distingui-las.

1 Informação recolhida do próprio website da empresa. Disponível em: https://www.ibm.com/developerworks/community/blogs/jfp/entry/big_data_for_dummies23?lang=en Acedido a 20/12/2017. 2 Informação recolhida do próprio website da empresa. Disponível em: https://www.oracle.com/big-data/index.html Acedido a 20/12/2017.

BIG DATA

Volume

Velocidade

VariedadeVeracidade

Valor

FIGURA 1 - OS 5V'S DO BIG DATA (ADAPTADO DE ORACLE, 2015)

Página | 10

A primeira, volume, está relacionada com a quantidade de dados. Como já referido neste artigo,

atualmente, são muitos os fatores que levam ao aumento exponencial do volume de dados. As redes

sociais ou os sensores de localização, por exemplo, geram terabytes de informação, diariamente, na

internet. A grande tarefa do big data é transformar estes dados em informações com valor (Volpato,

2014). No entanto, o que tem vindo a acontecer, é que o volume de dados disponíveis para análise tem

vindo a crescer, enquanto que a percentagem de dados que são efetivamente analisados está em

declínio (Zikopoulos et al., 2011).

O grande volume dos dados não é o único desafio. Este relaciona-se fortemente com a segunda

característica, a variedade, já que esses dados podem ser de diversos tipos e formas (Ribeiro, 2014). A

variedade refere-se aos diferentes tipos de dados recolhidos através de sensores, smartphones ou redes

sociais. Estes dados incluem registos de vídeo, imagem, texto, áudio, em formato estruturado ou não

estruturado, sendo que a maioria dos dados gerados por aplicações móveis (como jogos online e

mensagens de texto) são não estruturados (Hashem et al., 2015). Além da dificuldade sentida em

recolher informação de dados não estruturados, há também a dificuldade de integrar essa informação

com os dados já existentes (Lima et al., 2014).

Esta variedade é um grande desafio, já que as tradicionais plataformas analíticas e de base de dados

não conseguem lidar com esta enorme variedade de dados. Além disso, o sucesso de uma organização

vai ser determinado pela capacidade de obter e gerar informações sobre os vários tipos de dados

disponíveis, o que inclui quer os tradicionais, quer os não tradicionais (Zikopoulos et al., 2011).

Da mesma forma que o volume e variedade de dados se tem vindo a alterar e a crescer, também a

velocidade, a terceira característica apontada, tem vindo a sentir essa mudança. A velocidade diz respeito

ao quão rápido os dados são criados, inseridos, acumulados e processados (Suzuki, 2016). Os dados

são criados a alta velocidade e precisam de ser processados quase em tempo real, de forma a atenderem

a procura (Lima et al., 2014).

Mais uma vez, o exemplo das redes sociais pode ser aplicado neste caso. Gerir dados em movimento

contínuo requer tecnologias bastante diferentes do que gerir dados armazenados num data warehouse

(IBM, 2013). Também se sabe que as aplicações móveis, atualmente, têm um grande número de

utilizadores, pelo que o aumento de tráfego de rede também é expectável. Logo, é essencial que a

resposta a esta exigência seja quase imediata (Oracle, 2013).

Página | 11

A melhoria dos canais de transmissão (através das redes de fibra ótica) bem como as comunicações

em tempo real para controlo de processos na internet, tem possibilitado atingir uma maior velocidade

para troca de dados e informação. Além disso, segundo a literatura, é possível afirmar que esta

velocidade continuará a crescer, já que o desenvolvimento da tecnologia de processadores, dos canais

e do hardware para armazenamento (discos rígidos e memória rápida – flash memory), duplica o seu

poder a cada 2 anos (Ribeiro, 2014).

É notória a importância de garantir a velocidade e de obter as informações pretendidas e úteis em tempo

real. No entanto, é também necessário garantir que esses dados são corretos, até porque é essencial

garantir que são realizadas as devidas análises a esses dados (Santos, 2016). Ou seja, é necessário

garantir a veracidade dos dados, o quarto “V” e quarta característica do conceito de big data.

Grandes quantidades de dados podem, geralmente, combinar várias fontes de confiabilidade e confiança

variável (Bellazi, 2014). É então essencial garantir que os utilizadores interessados nestes dados os

utilizem de forma apropriada, gerando informações verdadeiras. Até porque para serem tomadas

decisões concretas e, inclusivamente, ser possível às organizações ganharem vantagens competitivas,

possuir dados verídicos é de extrema importância. Se forem utilizados dados incorretos, as organizações

correm o risco de incorrer em prejuízo e ter o efeito contrário ao desejado (Mazzega, 2016).

É então muito importante extrair benefícios de diversas naturezas a partir do uso de big data, ou seja,

agregar valor aos processos, produtos, serviços e negócios através dos dados confiáveis extraídos

(Mazzega, 2016). Por isso é que o quinto “V”, valor, é considerado, por muitos autores, a principal

característica do big data (Hashem et al., 2015). Existe uma diversidade de técnicas quantitativas e de

investigação para descobrir o valor dos dados, desde descobrir uma preferência de um consumidor até

mesmo prever a falha de um equipamento. O grande desafio em “descobrir” este valor é,

maioritariamente, de cariz humano, isto porque é necessário saber fazer as perguntas certas, reconhecer

padrões, fazer suposições informadas e prever comportamentos durante a análise dos dados (Oracle,

2013).

Apesar das 5 características acima referidas e adotadas por muitas empresas, a literatura recente

acrescenta mais 3 atributos que não devem ser excluídos na definição e na caracterização de big data.

O modelo dos 7 V’s + C, presente na Figura 2, acrescenta a variabilidade, a visualização e a

complexidade como características importantes para descrever o conceito de big data.

Página | 12

A variabilidade está relacionada tanto com a inconsistência dos fluxos de dados, dadas as múltiplas

fontes de onde estes provêm, como também se refere à velocidade inconsistente na qual os dados são

carregados (Katal et al., 2013). Dificulta assim o processo de gerir estes dados de forma eficaz (Gupta

et al., 2015).

A visualização traduz a necessidade de apresentar a grande e complexa quantidade de dados de uma

forma mais eficaz e mais percetível, de forma a melhor compreender essas informações, através, por

exemplo, de gráficos (Kamilares et al., 2017). A visualização dos dados pode ser um grande desafio

para as organizações, já que para tirar total partido das análises visuais que se podem obter a partir dos

dados, é necessário garantir que estes são compreendidos devidamente, que são exibidos e

demonstrados resultados significativos que apoiem o negócio e que de facto são analisados dados com

a devida qualidade (Gupta et al., 2015).

Finalmente, a complexidade, é um aspeto muito importante, principalmente no processo de gestão da

enorme quantidade de dados provenientes das diversas fontes (Gupta et al., 2015). É então essencial

relacionar estes dados, as hierarquias e as múltiplas conexões entre os mesmos (Katal et al., 2013).

BIG DATA

Complexidade

Valor

Velocidade

Variedade

Variabilidade

Veracidade

Visualização

Volume

FIGURA 2 - 7 V'S + C QUE CARACTERIZAM O BIG DATA

Página | 13

Além dos desafios acima referidos, são apresentados, na Tabela 2, de forma sucinta, aqueles que foram

os principais desafios identificados, associados ao big data e à sua implementação.

TABELA 2 - PRINCIAPIS DESAFIOS DO BIG DATA

ÁREAS DESAFIO

Privacidade e Segurança

O facto das organizações possuírem demasiada

informação dos seus clientes poderá colocar

algum receio no que diz respeito à sua

privacidade e à violação da mesma. O

relacionamento de uma grande quantidade de

dados é útil às organizações e acrescenta valor ao

negócio, mas pode interferir na privacidade, já

que ocorre o acesso a informações pessoais e

possivelmente secretas, que a pessoa em causa

não gostaria que fossem obtidas por ninguém

(Katal et al., 2013).

Acesso e Partilha de Dados

Para tomar as devidas decisões no tempo certo,

é necessário garantir que os dados estão

disponíveis de forma completa, precisa e

atempada, o que torna o processo de gerir os

dados mais complexo (Katal et al., 2013). Além

disso, as organizações podem ser relutantes no

que toca à partilha ou troca de dados com

parceiros e outras organizações devido, por

exemplo, a questões de privacidade e segurança

(Günther et al., 2017), ou quando a análise de

dados é considerada uma fonte de

competitividade e esta partilha pode colocar em

perigo a posição estratégica da organização (Katal

et al., 2013).

Página | 14

ÁREAS DESAFIO

Tecnologia: Armazenamento, Processamento e

Acesso aos Dados

Existe a necessidade de ter recursos de TI (tanto

hardware como software) compatíveis com o

negócio da empresa. E apesar de existirem

muitas tecnologias de big data gratuitas ou até

mesmo de baixo custo, estas podem ser difíceis

de implementar e programar (Campos, 2015). O

desafio pode também estar na forma como são

realizadas as extrações dos dados, o seu

armazenamento (dadas as limitações e a

necessidade de múltiplos discos), o seu

processamento (requer extensivo processamento

e novos algoritmos analíticos de forma a fornecer

informação atempada), o acesso ou a análise final

aos dados (Mazzega, 2016). Estas limitações

levam as organizações a tomarem decisões

importantes, tais como decidir quais os dados

que devem manter e quais os que devem “deitar

fora” (Gupta et al., 2015).

Aptidões e Conhecimentos

A própria implementação de big data pode ser

considerada um grande desafio. Isto porque é

necessário que as organizações e os seus

recursos detenham um conjunto de aptidões e

conhecimentos tanto a nível tecnológico, como

também de análise de dados e pesquisa

(Mazzega, 2016).

Qualidade versus Quantidade

Apesar de muitas organizações sentirem a

necessidade de recolher uma grande quantidade

de dados de forma contínua, a verdade é que o

importante não é ter acesso a “todos” os dados

possíveis, mas àqueles que permitam retirar

conclusões precisas e com o devido valor (Kaisler

Página | 15

ÁREAS DESAFIO et al., 2013). Caso contrário, este processo de

recolha de dados poderá ter o efeito oposto ao

desejado (Gupta et al., 2015).

Dados Estruturados versus Dados Não

Estruturados

A maior parte dos dados gerados atualmente

(como das redes sociais, por exemplo) são não

estruturados. Trabalhar com este tipo de dados é

muito mais custoso e complexo do que com

dados estruturados, que são organizados de uma

forma que os tornam fáceis de gerir. Além disso,

transformar dados não estruturados em dados

estruturados nem sempre é viável, tornando-se

uma tarefa difícil e com custos associados (Katal

et al., 2013).

Visualização dos Dados

De forma a ser possível tirar total partido das

análises visuais, as organizações têm que ter em

conta os diversos desafios existentes com a

manipulação de big data, sendo essencial ter em

conta os seguintes fatores chave: entender bem

os dados, perceber se os dados têm a devida

qualidade e apresentar resultados realmente

significativos e conclusivos (Gupta et al., 2015).

2.3. BIG DATA ANALYTICS

Hoje, são diversas as organizações que recolhem, armazenam e analisam grandes quantidades de

dados porque já reconhecem o seu valor, pelo que têm vindo a apostar e a colocar tecnologias, pessoas

e processos no seu “devido lugar” para maximizar as oportunidades (Watson, 2014).

Como já discutido neste documento, de todo o grande conjunto de dados e informações disponíveis,

apenas uma pequena percentagem tem, de facto, utilidade já que o resto é considerado “ruído”. É

essencial entender as potenciais características desses dados, ou seja, ser capaz de extrair um pequeno

Página | 16

“sinal” de todo o ruído existente. Este pode ser considerado o maior benefício de utilizar o big data

analytics (Hurwitz et al., 2013).

Recolher e armazenar big data cria pouco valor, mas com o uso de big data analytics é possível extrair

e analisar apenas as informações realmente relevantes de forma a tomar decisões que efetivamente

gerem valor (Watson, 2014).

Big data analytics pode então ser definido como “o conjunto de ferramentas e metodologias que visam

transformar grandes quantidades de dados brutos em "dados sobre dados" - para fins analíticos” (Pulse,

2012). Ou ainda, segundo o “líder global em analytics” (SAS) como o “processo de examinar big data

para descobrir padrões escondidos, correlações desconhecidas e outras informações úteis que podem

ser utilizadas para a melhor tomada de decisão”3. Ou seja, de forma muito sintetizada, é onde “as

técnicas analíticas avançadas operam sobre o big data” (Russom, 2011).

Segundo a literatura, a principal razão para se realizar a análise de dados está relacionada com a

obtenção de informações a partir dos mesmos, com a obtenção de conhecimento a partir dessas

informações e a obtenção de sabedoria a partir desse conhecimento (Mello, 2015).

Obviamente que um dos objetivos das organizações é conseguir obter esta sabedoria, de modo a

tomarem as decisões corretas e obterem vantagens competitivas. Através da utilização destas análises,

é possível entenderem o negócio e, por exemplo, acompanharem o comportamento de um cliente. No

entanto, e como já discutido neste documento, o modo de realizar a análise de big data é diferente da

análise tradicional.

Um ponto de partida para entender esta análise aos dados é compreender as suas origens. Os sistemas

de apoio à decisão, na década de 1970, foram os primeiros sistemas a apoiar a tomada de decisões

das organizações (Power, 2007). Com a evolução tecnológica foram surgindo outras ferramentas muito

úteis para analisar essa grande quantidade de dados. Ferramentas para extração, transformação e

carregamento (ETL) são essenciais para a conversão e integração de dados específicos das

organizações. Consulta de base de dados, processamento analítico online (OLAP) e ferramentas de

reporting baseadas em gráficos intuitivos e simples são usadas para explorar características importantes

dos dados. O business performance management (BPM) através da utilização de dashboards e

scorecards ajuda a analisar uma diversidade de métricas de desempenho (Chen et al., 2012).

3 Informação recolhida do próprio website da empresa. Disponível em: https://www.sas.com/pt_br/insights/analytics/big-data-analytics.html Acedido a 21/12/2017.

Página | 17

Segundo Hurwitz et al. (2013), podem ser definidas três classes essenciais de ferramentas analíticas,

nomeadamente: ferramentas de reporting ou dashboards (monitorização frequente do desempenho das

operações comerciais através de representações intuitivas como os dashboards), visualização (em que

o resultado tende a ser altamente interativo e dinâmico, distinguindo-se do reporting pela animação da

visualização, podendo ser utilizadas diversas técnicas de visualização, incluindo mapas de calor e

diagramas de conexão) e, finalmente, a análise avançada (estas ferramentas processam os dados do

data warehouse para depois servirem os seus utilizadores, através de explicações de tendências ou

eventos revolucionários para práticas de negócio existentes).

Aquele que pode ser referido como um dos requisitos para se ter sucesso num projeto de big data

analytics é ter pessoas com as skills necessárias e adequadas, dado que é essencial ter recursos

humanos com conhecimentos em negócios, dados e capacidades analíticas (Russom, 2011).

2.3.1. PRINCIPAIS DESAFIOS DO BIG DATA ANALYTICS

Para que o processo do big data analytics seja implementado com sucesso, é necessário garantir que

as organizações estão consciencializadas para os desafios associados a este processo, de forma a

conseguirem superá-los. Assim, são descritos na Tabela 3 os principais desafios identificados na

implementação do big data analytics.

TABELA 3 – PRINCIPAIS DESAFIOS DO BIG DATA ANALYTICS

DIMENSÃO DESAFIO

Escala

Gerir eficazmente esta rápida expansão e

aumento de volume de dados tornou-se um

grande desafio. Atualmente, o volume de dados

está a crescer mais rapidamente do que a

velocidade dos processadores e outros recursos

de computação (Jagadish et al., 2014).

A verdade é que cada algoritmo, a um

determinado ponto, deixa de aumentar

linearmente o seu desempenho com o aumento

dos recursos computacionais, podendo mesmo

Página | 18

DIMENSÃO DESAFIO começar a diminuir o seu desempenho (Kaisler et

al., 2013).

Inconsistência e Incompletude dos Dados

As origens e fontes dos dados são cada vez mais

diversificadas, muitas vezes de confiabilidade

variável. Isto traduz-se na possibilidade de haver

erros, inconsistências, valores em falta e

incertezas nos dados. É então necessário obter

tecnologias que apoiem e facilitem a deteção

desses erros (Jagadish et al., 2014).

Dados Chave

Encontrar os dados fundamentais e chave que

apoiem devidamente a tomada de decisão é uma

tarefa complexa, principalmente devido ao

enorme volume dos mesmos. De forma a obter a

tão desejada “resposta” ao problema é

necessário seguir um dos seguintes caminhos:

reduzir o tamanho da amostra ou melhorar os

procedimentos de procura, análise e tomada de

decisão (Gupta et al., 2015).

Heterogeneidade dos Dados

Dado um conjunto muito grande de dados

heterogéneos, um dos grandes desafios está

também em descobrir como analisar esses dados

que se adquiriram (Kaisler et al., 2013). Para

analisar esses dados, será necessário adaptar e

integrar múltiplas técnicas analíticas para, por

exemplo, perceber que novos conhecimentos

provavelmente poderão surgir (Gupta et al.,

2015).

2.4. BUSINESS ANALYTICS

Com as mudanças aceleradas dos negócios e das suas complexidades, é essencial garantir que projetos

de big data analytics suportem a estratégia de negócio de cada organização. Até porque, atualmente, as

Página | 19

visões convencionais de business analytics (BA) estão preocupadas e diretamente relacionadas com a

melhoria do funcionamento dos negócios com o objetivo de os apoiar (por exemplo, com as tomadas de

decisão) (Holsapple, 2014).

Segundo uma pesquisa realizada pela IBM, 4 em 5 dos CIO’s (ou seja, aproximadamente 80% dos CIO’s)

opinam que o business analytics e o business intelligence são os principais caminhos para a

competitividade4.

Com a crescente competitividade, a área de BA requer indivíduos que detenham conhecimentos sobre

os negócios, de forma a que saibam colocar as questões corretas, que tenham a habilidade e capacidade

de aproveitar, armazenar e processar vastos conjuntos de dados (estruturados e não estruturados) e

que depois possa utilizar um conjunto de técnicas estatísticas e de machine learning para tomar as

melhores decisões (Shmueli et al., 2017). A verdade é que, ao longo dos últimos anos, a área de BA

melhorou significativamente, proporcionando esse tão desejado conhecimento aos utilizadores.

O BA, atualmente, está muito enraizado no avanço e desenvolvimento de sistemas de apoio à decisão.

Esses avanços incluem mecanismos cada vez mais poderosos para “adquirir, gerar, assimilar, selecionar

e emitir conhecimentos relevantes para a tomada de decisões”. Esse conhecimento que deve ser

processado, pode variar de qualitativo a quantitativo e, na realidade, o BA está preocupado com o

funcionamento com ambos os tipos de conhecimento, conforme aquilo que é apropriado para a tomada

de decisão (Holsapple, 2014).

Business analytics pode ser visto como a interseção de um conjunto de áreas, em que a pesquisa

operacional, inteligência artificial e sistemas de informação têm particular relevância, como se pode

constatar na Figura 3.

Refere-se ainda à recolha, armazenamento, análise e interpretações dos dados para apoiar as decisões

(Sharma et al., 2010). Este conceito pode ainda ser considerado como uma definição agregada de

Business Intelligence & Analytics (BI&A), como sendo o conjunto de “técnicas, tecnologias, sistemas,

práticas, metodologias e aplicações que analisam dados críticos no negócio para auxiliar as organizações

num melhor entendimento do seu mercado e negócio, de forma a tomar decisões mais rápidas” (Chen

et al., 2012), ou seja, pode ser visto como um subconjunto de BI, que tem como principal foco gerar

relatórios baseados em técnicas estatísticas e inteligência de negócio, sendo mais apropriado para a

4 Informação recolhida do próprio website da empresa. Disponível em: http://www-03.ibm.com/press/us/en/pressrelease/34530.wss. Acedido a 20/12/2017.

Página | 20

definição e revisão dos indicadores da empresa (Sayão, 2017). É ainda caracterizado por ser constituído

por modelos descritivos, preditivos e prospetivos, utilizando dados heterogéneos e de grande volume

(Watson, 2014).

Os objetivos do BA podem, ainda assim, ser definidos em quatro tipos, os quais formam a sigla SPED.

O primeiro diz respeito a entender uma situação (make Sense of a situation), o segundo a realizar

previsões (make Predictions), o terceiro a realizar avaliações (make Evaluations) e último a tomar

decisões (make Decisions) (Holsapple et al., 2014). Estes autores ainda afirmam que o BA tanto pode

atuar na identificação como na solução de problemas, sendo esses conceitos mais amplos que apenas

o suporte à tomada de decisão.

Dada a multidisciplinaridade do conceito, como já supracitado, os conhecimentos na área de BA podem

ser classificados em três grupos (como se pode observar, uma vez mais, na Figura 3):

Tecnológicos - em que são incorporadas diversas ferramentas de forma a que o processamento de dados

seja realizado de forma eficiente (por exemplo, hardware, software, redes de computadores);

Métodos Quantitativos - em que são aplicadas abordagens quantitativas para a análise de dados (por

exemplo, estatística, inteligência artificial e pesquisa operacional);

Tomada de decisão – que representa as ferramentas, teorias e práticas utilizadas para apoiar e suportar

o processo de tomada de decisão. Este grupo fundamenta-se tanto em áreas de conhecimento como

FIGURA 3 - ÁREAS DO BUSINESS ANALYTICS (MORTENSON ET AL., 2015)

Página | 21

psicologia e ciência comportamental, como noutras áreas menos tradicionais como é o caso da

visualização da informação (Mortenson et al., 2015).

2.4.1. MODELOS DESCRITIVOS, PREDITIVOS E PROSPETIVO

Como já referido, o BA é caracterizado por ser constituído por 3 tipos de modelos: descritos, preditivos

e prospetivos.

Os modelos descritivos utilizam dados para analisar os eventos passados de forma a saber como abordar

o futuro, analisando o desempenho passado para procurar as razões e fatores do sucesso ou falha de

determinados eventos. Ao contrário dos modelos preditivos que se concentram na previsão de um

determinado comportamento de um cliente (por exemplo, o risco de crédito), os modelos descritivos

identificam muitas relações diferentes entre clientes ou produtos, categorizando-os muitas vezes em

grupos (Walker, 2012). Sucintamente, uma análise descritiva revela o que ocorreu, utilizando métodos

estatísticos para explorar “o que aconteceu?” (Mortenson, 2015).

Os modelos preditivos sugerem aquilo que acontecerá no futuro, através da utilização de dados para

determinar o provável resultado futuro de um evento ou a probabilidade de ocorrência de uma situação

(Walker, 2012). Ou seja, a análise preditiva abrange uma variedade de técnicas estatísticas de

modelação, machine learning e data mining que analisam factos históricos e atuais para fazer previsões

sobre eventos futuros e, inclusivamente, identificar riscos e oportunidades nos negócios (Walker, 2012).

Enquanto que os modelos preditivos sugerem aquilo que acontecerá, os modelos prospetivos sugerem

o que fazer (Appelbaum et al., 2017). Esta análise vai além de prever os resultados futuros, sugerindo

também ações para se beneficiar das previsões realizadas, de forma a demonstrar as implicações de

cada opção de decisão. Ou seja, consegue não só antecipar o que acontecerá e quando acontecerá,

mas também a razão e o motivo pelo qual acontecerá. Na prática, a análise prospetiva pode melhorar a

eficácia da predição e fornecer melhores opções de decisão (Walker, 2012).

As organizações geralmente passam de análise descritiva para preditiva finalizando com a análise

prospetiva. Outra forma de descrever essa progressão é raciocinar da seguinte forma: o que aconteceu?

Qual o motivo pelo qual aconteceu? O que acontecerá? O que se pode fazer para que isso aconteça, ou

seja, como agir? (Watson, 2014).

Estes modelos permitem, então, que as organizações tomem decisões mais rápidas e mais inteligentes

de forma a criar valor, podendo ser a diferença entre a sobrevivência e extinção num mundo, como já

referido, cada vez mais competitivo (Sharma et al., 2010).

Página | 22

Apesar destes conceitos definidos, existem alguns autores que defendem a dificuldade e a falta de

consenso sobre a definição de BA e a sua semelhança com os conceitos de BI e Pesquisa Operacional

(Mortenson et al., 2015), principalmente porque têm objetivos comuns e muito semelhantes: melhorar

as operações das empresas e tomadas de decisão (Sayão, 2017).

2.4.2. DESAFIOS E CAPACIDADES DO BUSINESS ANALYTICS

Apesar de todos os avanços tecnológicos e de análise de dados sentidos nos últimos anos, estão sempre

associadas a estes alguns desafios, já que a dimensão e a complexidade dos dados não para de crescer,

como é o caso dos dados não estruturados, maioritariamente provenientes de fontes online) (Mortenson,

2011).

O que também não para de crescer é a competitividade do mundo dos negócios, pelo que é necessário

que as empresas encontrem uma forma de se conseguirem diferenciar. Segundo Bose (Bose, 2009), a

forma das empresas encontrarem esta diferenciação no atual mercado tão competitivo, está na

habilidade e capacidade de realizar decisões de forma precisa, rápida e efetiva, de modo a ir de encontro

às preferências e prioridades dos clientes.

Segundo uma pesquisa realizada pela McKinsey Global Institute, há uma previsão que, até 2018, só os

Estados Unidos enfrentarão uma escassez de 140.000 a 190.000 pessoas com conhecimentos e

capacidades analíticas profundas, bem como um défice de 1,5 milhões de gerentes experientes e com

o know-how necessário para analisar grandes quantidades de dados para tomar as devidas decisões

(Manyika et al., 2011).

É de realçar a importância das técnicas de integração e de data mining para o levantamento das

informações e da utilização de métodos estatísticos para a identificação de tendências e padrões nas

informações (Bose, 2009). É notória também a necessidade de apostar nesta área e de aprender

continuamente a manipular e a analisar dados, ou seja, adquirir os devidos conhecimentos, por exemplo,

de base de dados, machine learning, estatística e visualização.

Segundo Sayão (Sayão, 2017), os principais conhecimentos e habilidades que os profissionais de BA

devem possuir podem ser divididos em três grupos, nomeadamente:

- Habilidades técnicas e quantitativas: capacidade de realizar análises quantitativas e conhecimento em

software para a sua operacionalização. As técnicas utilizadas podem variar entre setores e empresas,

Página | 23

como por exemplo: técnicas de data mining e desenvolvimento de algoritmos, construção e análise de

dashboards e simulação de cenários;

- Conhecimentos de negócios: os profissionais de BA deverão ter familiaridade e conhecimentos na área

de gestão, de modo a serem capazes de identificar oportunidades e desafios enfrentados pelas

organizações e de encontrarem a devida solução recorrendo a BA;

- Habilidades de relacionamento e comunicação: deverão ser capazes de trabalhar em equipa de

diferentes áreas de negócio e devem também ser capazes de comunicar de forma clara e compreensível

os resultados das análises realizadas.

Sem dúvida que as pessoas são um dos fatores críticos de sucesso das ferramentas de BA. No entanto,

e como já referido e observado na Figura 3, o BA é um conceito multidisciplinar, pelo que os fatores

críticos de sucesso de ferramentas de BA devem também cobrir os desafios das áreas envolvidas no

processo, pelo que existem mais três dimensões de grande relevância: a tecnologia (sistemas de

informação), a cultura organizacional e a governação. Segundo Cosic, Shanks & Maynard (2015), estas

são as denominadas capacidades de BA e estão apresentadas na Figura 4. Estes fatores são ainda

descritos com mais detalhe na Tabela 5.

TABELA 4 - CARACTERÍSTICAS DO BA (RETIRADO DE SAYÃO, 2017)

CARACTERÍSTICAS BA

Objetivo principal do sistema Fornecer informações que auxiliem a tomada de

decisão.

Principal desafio de implementação

Garantir a credibilidade das informações geradas

para apoiar o processo de tomada de decisão, a

integração no processo de tomada de decisão e a

contínua utilização do sistema.

Página | 24

FIGURA 4 – MODELO DE MATURIDADE DAS CAPACIDADES DO BA (RETIRADO DE COSIC, SHANKS & MAYNARD, 2015)

Tendo por base o modelo de Cosic, Shanks & Maynard (2015) - Figura 4 - na seguinte tabela (Tabela 5)

estão descritas as áreas de capacidade do BA e as suas principais características. Segundo Sayão

(2017), estes podem ainda ser considerados os fatores críticos de sucesso do BA.

TABELA 5 – ÁREAS DAS CAPACIDADES DO BA

ÁREA CARACTERÍSTICAS DESCRIÇÃO

Tecnologia (Sistemas de

Informação)

Qualidade do sistema

Capacidade do sistema de

consolidar dados de distintas

fontes, de forma a providenciar

informações úteis e confiáveis, a

qualquer momento, que

auxiliem o processo de tomada

de decisão (Sayão, 2017).

Uso das Tecnologias

Desenvolvimento e uso efetivo

do hardware, software e dados

nas atividades de BA (Cosic et

Página | 25

ÁREA CARACTERÍSTICAS DESCRIÇÃO al., 2015). Também diz respeito

à integração dos sistemas de BA

com outros sistemas de

informação organizacionais

(Davenport & Harris, 2007) e é

ainda importante no que toca à

integração de dados com fontes

de diferentes origens (Watson,

2002).

Envolvimento dos utilizadores

no projeto

É importante que os

colaboradores entendam as

análises que devem ser

realizadas aos dados. Para tal,

não devem ter qualquer

dificuldade em aceder aos

dados que necessitam, a

qualquer momento, devendo

utilizar aqueles que são os mais

oportunos e que conduzam às

melhores decisões (Bayrak et

al., 2015).

Cultura Organizacional Gerir as mudanças

A adoção efetiva de BA nas

empresas requer mudanças na

cultura, processos,

comportamentos e

conhecimentos dos

colaboradores. É importante

preparar os colaboradores para

que a resistência à mudança

não seja um problema (Cosic et

al., 2015)

Página | 26

ÁREA CARACTERÍSTICAS DESCRIÇÃO

Pessoas

Competência da equipa do

projeto

Grau do conhecimento do

negócio, bem como de técnicas

de extração, análise e

visualização de dados (Sayão,

2017). Além das skills técnicas,

também requer aptidões e

conhecimentos de gestão e de

entendimento do negócio (Cosic

et al., 2015).

Capacidade, treino e

aprendizagem

Grau de compreensão dos

indicadores e informações

disponíveis, da lógica

(algoritmo) utilizada nos tipos de

análises realizadas, bem como

dos possíveis planos de ação a

serem executados de acordo

com o desempenho dos

indicadores (Sayão, 2017).

Governação

Gerir o uso dos recursos de BA:

empenho e compromisso dos

responsáveis e liderança do

projeto

De forma a alinhar os objetivos

organizacionais com as

iniciativas de BA, torna-se

necessário delegar

responsabilidades pela

organização (Cosic et al., 2015).

Tem que existir um esforço por

parte dos responsáveis e líderes

do projeto para executar esta

tarefa com sucesso, já que, em

algumas situações, pode ter que

haver uma necessidade de

alterar processos, papéis e até

Página | 27

ÁREA CARACTERÍSTICAS DESCRIÇÃO mesmo responsabilidades

(Sayão, 2017).

2.5. BUSINESS INTELLIGENCE E A SUA IMPORTÂNCIA NAS ORGANIZAÇÕES

Segundo a literatura, o termo Business Intelligence (comummente designado por BI) foi introduzido em

1958 por um cientista computacional da IBM, que afirma que o objetivo do BI é responder a questões

do tipo “Quem faz ou sabe determinada coisa?” e que o define como o conjunto de técnicas que “são

baseadas em procedimentos estatísticos que podem ser realizados em máquinas de processamento de

dados atuais. Juntamente com instalações de comunicação adequadas e equipamentos de entrada e

saída, pode ser construído e montado um sistema completo para acomodar todos os problemas de

informação de uma organização“ (Luhn, 1958).

A ideia principal de Luhn baseava-se, essencialmente, em criar “perfis de interesse” para cada um dos

“pontos de ação” de uma organização, ou seja, ser possível otimizar o negócio através da utilização de

dados.

Apesar da enorme diversidade de definições para este conceito, e que mais uma vez não existe uma

definição do conceito mundialmente aceite, esta ideia base de Luhn mantém-se ainda hoje, nas mais

recentes definições de BI. Segundo Fernandes (Fernandes, 2016), BI pode ser caracterizado como um

processo que fornece dados confiáveis e consistentes em formato útil, através do processamento e

análise de grandes quantidades de dados, provenientes de diferentes fontes, com vista à tomada de

decisões mais adequadas, seguras e imediatas, repercutindo em melhorias da competitividade.

BI pode ser definido como o processo constituído por duas atividades primárias (Figura 5): entrada de

dados (envolve a mudança de dados de um conjunto de sistemas de origem para um data warehouse

integrado) e saída de dados (que consiste em utilizadores empresariais e aplicações que acedem aos

dados do DW para realizar relatórios de empresa, OLAP, consultas e análises preditivas). Esta segunda

atividade é comummente referida como BI (Watson et al., 2007).

É ainda definido como um termo que abrange uma ampla gama de software analítico e de soluções que

permitem reunir, consolidar, analisar e fornecer acesso a informações de uma forma que deveria permitir

às organizações tomarem melhores decisões de negócios (Sahay, 2008).

Página | 28

O BI é considerado o “próximo nível” do BA e refere-se à visualização e reporting de dados de forma a

entender “o que aconteceu e o que está a acontecer” (Sayão, 2017). Os seus objetivos fundamentais

passam pela recolha de dados, transformá-los em informação, através de padrões e tendências, tendo

em vista a entrega de informação precisa e rigorosa (intelligence) aos decisores em tempo oportuno

(Costa e Santos, 2012).

Business intelligence, business analytics e big data são áreas que se tem tornado cada vez mais

importantes tanto na área académica como empresarial (Chen et al., 2012).Como se pode observar na

Figura 6, ao longo dos últimos 13 anos, o interesse (especialmente) por big data tem crescido

consideravelmente. A um crescimento menos explosivo, também o termo business analytics tem vindo

a ganhar notoriedade, principalmente a partir de 2012, ano em que também, curiosamente, o termo big

data começou a crescer exponencialmente. Contrariamente a estas tendências, o termo business

intelligence tem vindo a perder algum protagonismo e a ser substituído pela pesquisa dos dois termos

anteriores.

FIGURA 5 - ESTRUTURA DE BI (ADAPTADO DE WATSON ET AL., 2007)

Página | 29

INTERESSE EM BIG DATA, BUSINESS ANALYTICS E BUSINESS INTELLIGENCE

AO LONGO DO TEMPO. RETIRADO DE GOOGLE TRENDS.

https://trends.google.com/trends/explore?date=all&q=business%20analytics,bus

iness%20intelligence,%2Fm%2F0bs2j8q

2.6. VISÃO CRÍTICA DO ESTADO DE ARTE

As organizações enfrentam, atualmente, mudanças ambientais muito rápidas, resultantes da nova

“economia de informação” e da natureza cada vez mais dinâmica e global da concorrência. Assim,

tornam-se necessárias infraestruturas de apoio à decisão adequadas, que analisem de forma rápida

informações precisas e oportunas, de forma a enfrentar esses desafios (Sahay, 2008). Como já referido

neste documento, as organizações que conseguem efetivamente obter informação em quantidade

adequada, com qualidade, confiável e no momento certo alcançam vantagem competitiva. As

organizações que não são capazes de gerar esse tipo de informações incorrem na perda de

oportunidades (Costa e Santos, 2012).

A gestão das organizações pode ainda ser apoiada pelos sistemas de BI, através da disponibilização de

informação útil que pode ser utilizada ao longo dos três níveis da pirâmide organizacional: estratégica

(que torna possível a definição de metas e objetivos estratégicos e verificar se os mesmos estão a ser

atingidos), tática (que possibilita otimizar ações futuras, modificar aspetos organizacionais, financeiros

ou tecnológicos de modo a alcançar os objetivos estratégicos de forma mais eficaz) e operacional (para

realizar análises e responder a questões relacionadas com operações das atividades da organização,

como, por exemplo, a questão das vendas) (Fernandes, 2016).

É de extrema importância para as organizações a utilização de sistemas de BI, permitindo a

disponibilização de informação útil e com qualidade, que apoiam os gestores no processo de tomada de

decisão (Costa e Santos, 2012). Segundo a literatura, pode mesmo afirmar-se que será difícil encontrar

FIGURA 6 - INTERESSE EM BIG DATA, BUSINESS ANALYTICS E BUSINESS INTELLIGENCE AO LONGO DO TEMPO. ADAPTADO DE

GOOGLE TRENDS.

Página | 30

uma organização bem-sucedida que não tenha aproveitado os sistemas de business intelligence para o

seu negócio (Chaudhuri et al., 2011).

Página | 31

3. OBJETIVOS

3.1. OBJETIVO GERAL

Este trabalho pretende dar resposta aos desafios que o big data coloca à área do business analytics.

Com o surgimento do big data, estão a ser adotados novos paradigmas no que respeita aos repositórios

de dados. Este novo paradigma traz novos desafios para as abordagens de business analytics que é

necessário identificar e sistematizar, sendo este o objetivo geral deste projeto de dissertação.

3.2. OBJETIVO ESPECÍFICO

De forma a ser possível alcançar o objetivo geral, houve a necessidade de desdobrá-lo em objetivos mais

específicos. Como tal, foram definidos alguns objetivos mais singulares.

O primeiro está relacionado com a necessidade de definir o conceito de big data, business analytics e

de todos os conceitos considerados relevantes associados ao tema do projeto, de forma a distingui-los

e a relacioná-los (como business intelligence e big data analytics).

O segundo com a necessidade de abordar as metodologias adotadas de forma a atingir os objetivos e

resultados esperados (Benchmarking e Case Study).

Finalmente, entender como essas metodologias podem apoiar o desenvolvimento do projeto e,

consequentemente, apoiar na consecução dos resultados esperados.

3.3. RESULTADOS ESPERADOS

Através da realização de estudos e análises comparativas entre soluções, serão identificados os

requisitos que o big data impõe às abordagens de business analytics ao nível descritivo, perspetivo e

prospetivo.

Também através do estudo de vários casos reais que utilizam técnicas de benchmarking pretende-se

obter as devidas conclusões acerca dos possíveis impactos que o big data impõe à área do business

analytics. Com este estudo pretende-se ainda demonstrar quais são os principais desafios que se

verificam e, possivelmente, sugerir formas de os contornar.

Na sequência destes objetivos estipulados, foi apresentada uma revisão de literatura que servirá de base

teórica para a realização deste projeto e para a obtenção dos resultados esperados.

Página | 32

4. ABORDAGEM METODOLÓGICA

4.1. BENCHMARKING

O benchmarking tem sido reconhecido como uma ferramenta muito importante no desenvolvimento de

áreas críticas de negócio, de forma a melhorar o desempenho das organizações, pelo que são muitas

as organizações que utilizam o benchmarking como ferramenta de gestão para alcançar vantagem

competitiva no mundo dos negócios (Anand & kodali, 2008).

No entanto, para alcançar a tão desejada vantagem competitiva e ter a capacidade de transformar big

data em dados com valor e que apoiem a tomada de decisão, são necessários sistemas de big data

adequados. Daí a pressão de medir, comparar e avaliar estes sistemas ter vindo a aumentar e o

benchmarkimg de big data ter surgido como a base desses esforços (Wang et al., 2014).

Da enorme variedade de definições citadas em diversos artigos científicos, uma das que mais se destaca

e que se trata de uma definição pioneira do termo é a de Camp (1989), que define benchmarking como

“a busca das melhores práticas da indústria que levarão as organizações a um desempenho excecional

através da implementação dessas melhores práticas”. Também pode ser definido como “o processo de

identificação, compreensão e adaptação de práticas que se destacam de organizações em todo o mundo

para ajudar uma organização a melhorar seu desempenho” (Kumar & Dhakar, 2006). Na literatura mais

recente, é ainda referido como o termo que permite a “identificação de oportunidades de melhoria; a

busca por melhores práticas (tanto dentro como fora de uma dada indústria); como também a sua

implementação de forma sistemática, ordenada e padronizada, a fim de abordar as diversidades e

especialidades dos próprios processos e prioridades de uma empresa” (Oliveira & Bernardes, 2017).

Existem diversos tipos de métodos de benchmarking, mas de uma forma geral, e apesar de serem

definidos pelo menos onze tipos de benchmarking diferentes (Wah Fong et al., 1998), segundo Stiakakis

& Kechagioglou (2006) pode-se afirmar que todos se enquadram em quatro categorias essenciais:

interna, competitiva, funcional e genérica. Se uma empresa optar por estudar dados de diferentes

departamentos que pertencem à própria organização, então esse processo é denominado benchmarking

interno. No benchmarking competitivo, são realizadas comparações entre empresas que são

concorrentes diretos. Em contrapartida, o benchmarking funcional envolve o estudo de práticas que são

utilizadas por empresas que não competem diretamente nos mesmos mercados. Finalmente, o

benchmarking genérico trata da comparação das melhores práticas e processos, independentemente

da indústria (Stiakakis & Kechagioglou, 2006).

Página | 33

4.1.1. METODOLOGIA A ABORDAR

O benchmarking é considerado um processo bastante estruturado, por isso, segundo a literatura, podem

ser definidas um conjunto de etapas aquando a realização deste processo.

Apesar alguns modelos de benchmarking considerarem 5 etapas neste processo (Stapenhurst, 2009;

Singh & Grover, 2013), apenas serão consideradas e seguidas neste projeto aquelas que foram

consideradas as 4 fases principais do processo de benchmarking. Ou seja, a metodologia de

benchmarking que será abordada neste projeto foi inspirada nas fases da metodologia disponibilizada

pela American Productivity and Quality Center (APQC) – APQC’s Process Classification

Framework®(PCF), que foi considerada a mais utilizada em todo o mundo.5 Desta forma, poderão ser

enumeradas as seguintes fases:

— Fase 1 – Planeamento: é necessário ter bem estipulado o objetivo que levou à necessidade de realizar

o processo de benchmarking e decidir o que será o alvo do estudo (Oiko, 2007). Além disso, é também

nesta fase que se estabelece o âmbito do projeto e que se estipula a abordagem para a recolha de dados

(Torres, 2017). No caso deste projeto o método de recolha definido é a revisão de literatura, sendo que

as fontes de dados utilizadas foram essencialmente o Google Scholar, o Science Direct e o Scopus;

— Fase 2 – Recolha de dados: esta etapa envolve a recolha de informações sobre as melhores práticas

das empresas e os respetivos desempenhos (Singh & Grover, 2013);

— Fase 3 – Análise dos dados: depois de realizada a recolha, procede-se à análise dos dados, de forma

a determinar e comparar lacunas de desempenho e as suas possíveis causas (Singh & Grover, 2013).

Além disso, compreender variações entre processos de empresas diferentes permite a identificação de

estratégias para melhoria (Oiko, 2007);

— Fase 4 – Ações de Adaptação de Melhoria: nesta última fase é importante ter em conta três ações

fundamentais: medir o desempenho das melhores variáveis de desempenho (como o custo,

produtividade e qualidade); determinar a forma como os níveis de desempenho são alcançados; e por

último, utilizar a informação para desenvolver e implementar um plano de ações que conduza à melhoria

(Singh & Grover, 2013).

Segundo Singh & Grover (2013) estas 4 fases podem ainda ser complementadas com um conjunto de

7 atividades, nomeadamente: 1) Estabelecer a necessidade de Benchmarking; 2) Identificar as funções

5 Informação recolhida do próprio website da empresa. Disponível em: https://www.apqc.org/pcf. Acedido a 03/02/2018.

Página | 34

a serem comparadas; 3) Selecionar os pontos de referência que se pretendem atingir; 4) Recolher e

analisar os dados para identificar as falhas no desempenho, processos e práticas; 5) Estabelecer os

ideais e objetivos que se pretendem atingir para melhorar e ultrapassar os melhores; 6) Identificar as

falhas e idealizar uma forma de as implementar e, por último, 7) Implementar o plano para corrigir as

falhas e monitorizar os resultados.

4.2. CASE STUDY

Para realizar pesquisa científica é essencial definir primeiramente o objeto de estudo e, a partir daí,

construir um processo de investigação, delimitando as fronteiras do universo que será investigado e

estudado (Ventura, 2007).

O método de estudos de caso é o mais adequado de aplicar quando o fenómeno em estudo é

contemporâneo e quando há pouca ou nenhuma possibilidade de controlar os eventos no contexto da

vida real (Yin, 2006). Os estudos de caso são levados a cabo de forma a ser possível realizar um estudo

aprofundado sobre determinado tema e de maneira a divulgar os detalhes dos diferentes pontos de vista

dos participantes, utilizando para tal diversas fontes de dados (Telles, 2007).

Segundo Gil (2002), o estudo de caso caracteriza-se pela sua grande flexibilidade, pelo que não existe

um guia único e rígido de como deverá ser conduzida a pesquisa. No entanto, apresenta quatro etapas

fundamentais que devem ser tidas em conta e que serão seguidas e adotadas para realizar esta

pesquisa, nomeadamente: a) a delimitação da unidade caso; b) a recolha de dados; c) análise e

interpretação dos dados e d) redação do relatório.

A primeira fase, a delimitação da unidade de caso, refere-se à delimitação da unidade que constitui o

caso de estudo, ou seja, exige-se que o pesquisador detenha alguma intuição para perceber quais são

os dados que são suficientes para se chegar à compreensão do objeto como um todo, pelo que o autor

aconselha o estudo de uma certa variedade de casos. Esta variedade deverá englobar casos típicos (em

função da informação prévia que aparentam ser o tipo ideal da categoria), casos atípicos (ou anormais

para, por contraste, determinar as possíveis causas do desvio) e casos extremos (para fornecerem uma

ideia dos limites dentro dos quais as variáveis podem oscilar) (Gil, 2002).

A segunda fase, recolha de dados, é geralmente realizada recorrendo a diversos procedimentos

quantitativos e qualitativos (por exemplo, através da observação, de análise de documentos,

Página | 35

levantamento de dados e análises de conteúdos), sendo que geralmente é utilizado mais do que um

procedimento (Ventura, 2007).

Na terceira fase, análise e interpretação dos dados, é importante que o pesquisador defina

antecipadamente o seu plano de análise. Este plano deve considerar as limitações dos dados obtidos,

principalmente no que diz respeito à qualidade da amostra. Se houver garantias da qualidade da

amostra, há uma base racional para fazer generalizações a partir dos dados. Quando não se tem certeza

dessa qualidade, será razoável apresentar as conclusões em termos de probabilidade (Gil, 2002). A

seleção dos dados deve considerar os objetivos da investigação, os seus limites e um sistema de

referências para avaliar quais são os dados que poderão ser úteis ou não e os que deverão ser analisados

ou não (Ventura, 2007).

Na quarta e última fase, redação do relatório, é importante que fique explícito, mas de uma forma

concisa, a forma como foram recolhidos os dados para que seja possível garantir a fidedignidade dos

mesmos, facilitando assim ao leitor a análise da qualidade dos resultados apresentados (Gil, 2002).

4.2.1. METODOLOGIA DE INVESTIGAÇÃO

A metodologia de investigação a ser adotada neste projeto teve como base a estratégia de pesquisa

descrita no subcapítulo 2.1 e as fases descritas no ponto anterior. Depois de recolhidas e escolhidas as

fontes de dados a serem utilizados sobre os temas que abrangem este projeto, a aplicação da

metodologia Case Study envolveu a análise de uma diversidade de documentos científicos com o objetivo

de explorar os conceitos relacionados e associados ao big data e business analytics para desta forma

ser possível responder à pergunta de investigação, também definida no subcapítulo 2.1. De realçar que

para dar continuidade ao projeto de dissertação irá recorrer-se, sempre que necessário, não só à síntese

realizada e apresentada neste documento como também aos artigos e documentos que poderão servir

de apoio para chegar aos resultados pretendidos.

Página | 36

5. PLANO DE ATIVIDADES

5.1. PLANEAMENTO

De modo a alcançar, de uma forma mais eficiente e eficaz, as metas e objetivos definidos neste projeto

com uma melhor distribuição de esforços e tempo, surge a necessidade de definir e organizar as tarefas

e atividades do projeto. Aquando a estruturação do plano de trabalhos, foi definida de uma forma

genérica, a calendarização e planeamento das atividades a realizar. Esta calendarização encontra-se

representada na Tabela 6.

TABELA 6 - CALENDARIZAÇÃO DAS ATIVIDADES

MESES 2017/2018

Out Nov Dez Jan Fev Mar Abr Mai Jun Jul Ago Set Out

Levantamento

de literatura X X

Revisão de

Literatura X X

Enquadramento

teórico X X

Discussão

teórica em

função da

determinação

dos objetivos

X X X X

Realização de

estudos X X

Escrita de um

artigo científico X X X X

Página | 37

MESES 2017/2018

Out Nov Dez Jan Fev Mar Abr Mai Jun Jul Ago Set Out

Análises

comparativas

entre soluções

X X X X

Análise e

interpretação

dos resultados

X X X X

Redação final

da dissertação X X X

Página | 38

5.2. WBS E DIAGRAMA DE GANTT

Depois de definida a referida calendarização, procedeu-se à elaboração da WBS e do respetivo Diagrama

de Gantt (Figura 7). Estas ferramentas visam apoiar e facilitar a definição de todas as atividades, bem

como a sua duração, de uma forma bastante precisa. Além disso, são ferramentas essenciais que

servem também de controlo, já que apoiam a monitorização do progresso do projeto e o cumprimento

das atividades no devido tempo planeado.

FIGURA 7 - WBS E RESPETIVO DIAGRAMA DE GANTT

Página | 39

5.3. TABELA DE RISCOS

Todos os projetos envolvem incertezas e, consequentemente, riscos. Estes riscos podem pôr em causa

a concretização das tarefas e até mesmo dos objetivos estipulados. O grande objetivo com esta gestão

de riscos é aumentar a probabilidade e o impacto dos eventos positivos (oportunidades) e reduzir a

probabilidade e o impacto dos eventos negativos (ameaças) do projeto.

Para o dimensionamento dos riscos deste projeto foi utilizado um método sugerido na norma ISO27000

(36), classificando as ameaças por probabilidade e impacto, atribuindo-se a cada fator um valor

crescente de 1 a 5. O valor do risco (seriedade) é obtido a partir do resultado da multiplicação dos

valores dos fatores de cada ameaça.

TABELA 7 - TABELA DE RISCOS

Risco

Probabilida

de (P)

[1-5]

Impacto

(I)

[1-5]

Serieda

de

[P * I]

Descrição Impacto Estratégia de

Mitigação

Complexidade

do Projeto 3 4 12

Maiores

dificuldades e

desafios estão

geralmente

associados a

projetos

“grandes”, com

alguma

complexidade.

Esta

complexidade

pode colocar

em causa a

viabilidade do

projeto, se não

forem tomadas

as devidas

medidas.

A principal

estratégia é dividir

grandes tarefas em

subtarefas menos

complexas e mais

simples. Além

disso, é importante

estipular desde o

início os objetivos

concretos que se

pretendem

alcançar.

Atrasos na

disponibilização

de dados e

informações

3 4 12

Os orientadores

poderão atrasar-

se na

disponibilização

do material

necessário para

Atraso geral na

realização do

projeto,

colocando em

causa o

cumprimento

Comunicar

diretamente com

os orientadores, de

forma a

fornecerem

algumas guidelines

Página | 40

Risco

Probabilida

de (P)

[1-5]

Impacto

(I)

[1-5]

Serieda

de

[P * I]

Descrição Impacto Estratégia de

Mitigação

acerca do

projeto

a realização do

projeto.

das atividades

no devido

tempo.

daquilo que poderá

ser feito, mesmo

sem os devidos

documentos.

Incumprimento

de prazos 4 4 16

Devido a

atrasos na

realização de

algumas

atividades,

poderão ocorrer

alguns

incumprimentos

de prazos.

Atraso no

projeto,

colocando em

risco a sua

finalização no

tempo

estipulado.

Realizar o controlo

constantes das

atividades

realizadas e por

realizar. O

diagrama de Gantt

poderá auxiliar

nesta

monitorização.

Falha na

execução das

atividades

3 3 9

O facto de

poderem surgir

dúvidas com o

projeto poderá

colocar em

causa a

execução de

algumas

atividades.

Poderá colocar

em causa a

qualidade do

projeto

Solicitar, de forma

regular, o feedback

dos orientadores

relativamente ao

trabalho

desenvolvido até ao

momento.

Falha de

comunicação/

feedback com o

orientador

2 4 8

Poderão ocorrer

falhas de

comunicação

com os

orientadores

devido a

indisponibilidad

es de ambas as

partes.

A comunicação

bilateral é

fundamental

para entender

se está a ser

seguido o

caminho correto

na realização do

projeto.

Marcar reuniões

com alguma

regularidade com

os orientadores, de

modo a garantir

que estão a ser

tomadas as

decisões corretas.

Página | 41

Risco

Probabilida

de (P)

[1-5]

Impacto

(I)

[1-5]

Serieda

de

[P * I]

Descrição Impacto Estratégia de

Mitigação

Perda de dados

e ficheiros 3 5 15

Se não forem

tomadas as

devidas

precauções no

armazenamento

dos dados,

pode ocorrer a

perda dos

mesmos, dado

que podem

surgir situações

inesperadas que

provoquem esta

situação.

Colocar em

causa a

finalização do

projeto no prazo

estipulado e

refazer trabalho

que já tinha

sido realizado.

Armazenar os

dados em

diferentes sistemas

de armazenamento

e ter o cuidado de

realizar cópias de

segurança

constantes.

Falta de

conhecimento e

inexperiência na

área em estudo

4 2 8

O facto de

nunca ter sido

desenvolvido

um projeto

desta dimensão

e com esta

complexidade,

existe a

possibilidade de

surgirem

algumas

dificuldades.

Atrasos e

incumprimento

dos prazos

estipulados

inicialmente no

planeamento.

Estudo e consulta

de dados de apoio

à concretização do

projeto. Consultar

os orientadores

para auxiliarem a

esclarecer dúvidas

que possam surgir.

Ausência de

dados e

informações

importantes na

área em estudo

1 3 3

Existe a

possibilidade de

que a literatura

existente,

atualmente, não

seja suficiente

Atrasos

consecutivos na

realização das

tarefas e

atividades

planeadas.

Comunicar os

orientadores e

informá-los da

dificuldade surgida.

Pesquisar outro

tipo de fontes.

Página | 42

Risco

Probabilida

de (P)

[1-5]

Impacto

(I)

[1-5]

Serieda

de

[P * I]

Descrição Impacto Estratégia de

Mitigação

para auxiliar em

todos os

parâmetros do

estudo.

Pode colocar

em causa a

qualidade do

projeto.

Página | 43

6. CONCLUSÃO

Este documento constitui a primeira fase daquele que é o maior e mais complexo projeto individual e de

investigação do curso, o projeto de dissertação do Mestrado Integrado em Engenharia e Gestão de

Sistemas de Informação.

Neste sentido, e tal como definido no planeamento, podem-se definir como os objetivos principais desta

pré dissertação: o levantamento da literatura, em que se procedeu à pesquisa e obtenção de documentos

científicos que serviram e servirão de apoio para o desenvolvimento do tema deste projeto de

investigação e a realização da revisão de literatura que serviu de base para realizar o enquadramento

teórico, em que, depois de selecionados os artigos que melhor se adequariam e apoiariam o

desenvolvimento do tema, procedeu-se à leitura e síntese da literatura, sendo os resultados dessa síntese

apresentados no capítulo 2 deste documento (Estado de Arte) e ainda no capítulo 4 (Abordagem

Metodológica).

Com a referida revisão de literatura foi possível atingir os objetivos estipulados e definidos neste

documento, tendo sido possível definir, caracterizar e contextualizar os conceitos de big data, business

analytics e data analytics, associando os desafios e oportunidades que o big data coloca à área de

analytics. Além disso, foram ainda definidas e caracterizadas as metodologias que serão aplicadas para

realizar este estudo.

A próxima etapa deste projeto de investigação, assentará numa vertente mais prática, tendo por base

os conhecimentos adquiridos na revisão de literatura realizada nesta fase e onde serão aplicadas as

metodologias abordadas no capítulo 4, ou seja, através da realização de estudos e análises comparativas

entre soluções, serão identificados os requisitos que o big data impõe às abordagens de business

analytics ao nível dos modelos descritivo, preditivo e prospetivo.

Finalmente, espera-se ainda que as incertezas e riscos associados e identificados neste projeto sejam

ultrapassados com sucesso, realizando a correta gestão dos mesmos e aplicando as estratégias de

mitigação identificadas no plano de atividades.

Página | 44

7. REFERÊNCIAS

Anand, G., & Kodali, R. (2008). Benchmarking the benchmarking models. Benchmarking: An

International Journal, 15(3), 257-291.

Appelbaum, D., Kogan, A., Vasarhelyi, M., & Yan, Z. (2017). Impact of business analytics and enterprise

systems on managerial accounting. International Journal of Accounting Information Systems, 25, 29-44.

Bayrak, T. (2015). A review of business analytics: a business enabler or another passing fad. Procedia-

Social and Behavioral Sciences, 195, 230-239.

Bellazzi, R. (2014). Big data and biomedical informatics: a challenging opportunity. Yearbook of medical

informatics, 9(1), 8.

Bento, A. (2012). Como fazer uma revisão da literatura: Considerações teóricas e práticas. Revista JA

(Associação Académica da Universidade da Madeira), (65), 42-44.

Bose, R. (2009). Advanced analytics: opportunities and challenges. Industrial Management & Data

Systems, 109(2), 155-172.

Camp, R.C. (1989), Benchmarking: The Search for Industry Best Practices that Lead to Superior

Performance, ASQC Quality Press, Milwaukee, WI.

Campos, F. R. (2015). A gestão da inovação em serviços intensivos em conhecimento: oportunidades e

desafios do Big Data.

Chaudhuri, S., & Narasayya, V. R. (2011). New frontiers in business intelligence. Proc VLDB Endow,

4(12), 1502-1503.

Chen, H., Chiang, R. H., & Storey, V. C. (2012). Business intelligence and analytics: From big data to big

impact. MIS quarterly, 36(4).

Cosic, R., Shanks, G., & Maynard, S. B. (2015). A business analytics capability framework. Australasian

Journal of Information Systems, 19.

Costa, R. J. R. (2012). Business intelligence: apoio à contenção de custos na BorgWarner Emissions

Systems.

Costa, S. A. R. D. (2012). Sistema de business intelligence como suporte à gestão estratégica (Doctoral

dissertation).

Página | 45

Davenport, T. H., & Harris, J. G. (2007). Competing on analytics: The new science of winning. Harvard

Business Press.

Dumbill, E. (2012). Planning for big data. "O'Reilly Media, Inc.".

Fernandes, J. C. A. (2016). O processo de Business Intelligence em empresas de telecomunicações: o

caso da dstelecom, SA (Doctoral dissertation).

Gil, A. C. (2002). Como elaborar projetos de pesquisa. São Paulo, 5(61), 16-17.

Google Trends: Interest in Big Data, Business Analytics and Business Intelligence over time (2017).

https://trends.google.com/trends/explore?date=all&q=business%20analytics,business%20intelligence,

%2Fm%2F0bs2j8q. Acedido a 19 de dezembro de 2017.

Günther, W. A., Mehrizi, M. H. R., Huysman, M., & Feldberg, F. (2017). Debating big data: A literature

review on realizing value from big data. The Journal of Strategic Information Systems.

Gupta, S., & Chaudari, M. S. (2015). Big Data issues and challenges. International Journal on Recent

and Innovation Trends in Computing and Communication, 3(2), 062-066.

Hashem, I. A. T., Yaqoob, I., Anuar, N. B., Mokhtar, S., Gani, A., & Khan, S. U. (2015). The rise of “big

data” on cloud computing: Review and open research issues. Information Systems, 47, 98-115.

Holsapple, C., Lee-Post, A., & Pakath, R. (2014). A unified foundation for business analytics. Decision

Support Systems, 64, 130-141.

Hurwitz, J., Nugent, A., Halper, F., & Kaufman, M. (2013). Big data for dummies. John Wiley & Sons.

IBM: Big Data For Dummies. JeanFrancoisPuget, abril de 2013. Disponível em:

https://www.ibm.com/developerworks/community/blogs/jfp/entry/big_data_for_dummies23?lang=e

n Acedido a: 20 de dezembro 2017.

Jagadish, H. V., Gehrke, J., Labrinidis, A., Papakonstantinou, Y., Patel, J. M., Ramakrishnan, R., &

Shahabi, C. (2014). Big data and its technical challenges. Communications of the ACM, 57(7), 86-94.

Kaisler, S., Armour, F., Espinosa, J. A., & Money, W. (2013, January). Big data: Issues and challenges

moving forward. In System sciences (HICSS), 2013 46th Hawaii international conference on (pp. 995-

1004). IEEE.

Página | 46

Kamilaris, A., Kartakoullis, A., & Prenafeta-Boldú, F. X. (2017). A review on the practice of big data

analysis in agriculture. Computers and Electronics in Agriculture, 143, 23-37.

Katal, A., Wazid, M., & Goudar, R. H. (2013, August). Big data: issues, challenges, tools and good

practices. In Contemporary Computing (IC3), 2013 Sixth International Conference on (pp. 404-409).

IEEE.

Kumar, A., Antony, J., & Dhakar, T. S. (2006). Integrating quality function deployment and benchmarking

to achieve greater profitability. Benchmarking: An International Journal, 13(3), 290-310.

Lima, C. A. R., & Calazans, J. D. H. C. (2013). Pegadas Digitais:“Big Data” E Informação Estratégica

Sobre O Consumidor.

Lima, L. C. B. D. (2014). Big data for data analysis in financial industry (Doctoral dissertation).

Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., & Byers, A. H. (2011). Big data:

The next frontier for innovation, competition, and productivity.

Mazzega, C. L. (2016). BIG DATA: OPORTUNIDADES E DESAFIOS PARA OS NEGÓCIOS.

Mello, R. G. S. D. (2015). Utilização de big data analytics nos sistemas de medição de desempenho:

estudos de caso.

Mortenson, M. J., Doherty, N. F., & Robinson, S. (2015). Operational research from Taylorism to

Terabytes: A research agenda for the analytics age. European Journal of Operational Research, 241(3),

583-595.

Oiko, O. T. (2007). Desenvolvimento de um sistema de informação para benchmarking e sua aplicação

em arranjos produtivos locais (Doctoral dissertation, Universidade de São Paulo).

Oliveria, G. G. D., & Bernardes, M. M. (2017). O que é o benchmarking? Bernardes, Mauricio Moreira e

Silva; Linden, Júlio Carlos de Souza van der (orgs.). Design em pesquisa. Porto Alegre: Marcavisual,

2017. p. 110-125.

O’neil, Cathy: What’s the difference between big data and business analytics? Mathbabe, agosto de 2013.

Disponível em: https://mathbabe.org/2013/08/16/whats-the-difference-between-big-data-and-

business-analytics/. Acedido a: 28 de dezembro 2017.

Página | 47

Oracle: Big Data for the Enterprise. Oracle White Paper, junho de 2013. Disponível em:

http://www.oracle.com/us/products/database/big-data-for-enterprise-519135.pdf Acedido a: 20 de

dezembro 2017.

Power, D. J. (2007). A brief history of decision support systems. DSSResources. COM, World Wide Web,

http://DSSResources. COM/history/dsshistory. html, version, 4.

Pulse, U. G. (2012). Big data for development: Challenges & opportunities. Naciones Unidas, Nueva

York, mayo.

Ribeiro, C. J. S. (2014). Big Data: os novos desafios para o profissional da informação. Informação &

Tecnologia, 1(1), 96-105.

Russom, P. (2011). Big data analytics. TDWI best practices report, fourth quarter, 19, 40.

Sahay, B. S., & Ranjan, J. (2008). Real time business intelligence in supply chain analytics. Information

Management & Computer Security, 16(1), 28-48.

Salas-Vega, S., Haimann, A., & Mossialos, E. (2015). Big Data and Health Care: Challenges and

Opportunities for Coordinated Policy Development in the EU. Health Systems & Reform, 1(4), 285-300.

SANTOS, I. A. B. D. (2016). Condicionantes do uso efetivo de big data e business analytics em

organizações privadas: atitudes, aptidão e resultados.

Sayão, C. (2017). Fatores críticos de sucesso para ferramentas de Business Analytics (Doctoral

dissertation, Universidade de São Paulo).

Sharma, R., Reynolds, P., Scheepers, R., Seddon, P. B., & Shanks, G. G. (2010, August). Business

Analytics and Competitive Advantage: A Review and a Research Agenda. In DSS (pp. 187-198).

Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl Jr, K. C. (2017). Data Mining for Business

Analytics: Concepts, Techniques, and Applications in R. John Wiley & Sons.

Singh, B., Grover, S., & Singh, V. (2013). An overview of benchmarking process: the continuous

improvement tool. International Journal of YMCAUST, 1(2), 80-83.

Stapenhurst, T. (2009). The benchmarking book. Routledge.

Stiakakis, E., & Kechagioglou, I. (2006). Applying benchmarking practices in small companies: an

empirical approach. Int Bull of Bus Admin, 1, 115-126.

Página | 48

SUZUKI, C. W. (2016). OPORTUNIDADES E DESAFIOS PARA PROJETOS DE BIG DATA: um estudo de

caso da parceria Petrobras EMC².

Taurion, C. (2013). Big data. Brasport.

Torres, H. M. O. (2017). Benchmarking de Tecnologias de Big Data aplicadas à saúde / medicina.

Urbach, N.; Smolnik, S.; Riempp, G (2009): The State of Research on Information Systems Success – A

Review of Existing Multidimensional Approaches. Business & Information Systems Engineering (4)

Ventura, M. M. (2007). O estudo de caso como modalidade de pesquisa. Revista SoCERJ, 20(5), 383-

386.

Volpato, T., Rufino, R. R., & Dias, J. W. (2014). BIG DATA – TRANSFORMANDO DADOS EM DECISÕES.

Wah Fong, S., Cheng, E. W., & Ho, D. C. (1998). Benchmarking: a general reading for management

practitioners. Management Decision, 36(6), 407-418.

Walker, M., 2012. Predictive, Descriptive, Prescriptive Analytics. Analytic Bridge. Disponível em:

http://www.analyticbridge.com/profiles/blogs/predictive-descriptive-prescriptive-analytics. Acedido a

22 de dezembro de 2017.

Wang, L., Zhan, J., Luo, C., Zhu, Y., Yang, Q., He, Y., ... & Zheng, C. (2014, February). Bigdatabench: A

big data benchmark suite from internet services. In High Performance Computer Architecture (HPCA),

2014 IEEE 20th International Symposium on (pp. 488-499). IEEE.

Watson, H. J. (2002). Recent developments in data warehousing. Communications of the Association for

Information Systems, 8(1), 1.

Watson, H. J. (2014). Tutorial: Big data analytics: Concepts, technologies, and applications. CAIS, 34,

65.

Watson, H. J., & Wixom, B. H. (2007). The current state of business intelligence. Computer, 40(9).

Webster, J.; Watson, R. T. (2002). Analyzing the Past to Prepare for the Future: Writing Literature Review.

MIS Quarterly, Vol. 26, No. 2 (Jun., 2002).

Yin, R. K. (2006). Case study research and applications: Design and methods. Sage publications.

Zikopoulos, P., & Eaton, C. (2011). Understanding big data: Analytics for enterprise class hadoop and

streaming data. McGraw-Hill Osborne Media.