O VALOR DA INFORMAÇÃO PARA O PROCESSO DE DECISÃO EM INOVAÇÃO UTILIZANDO BIG DATA

O VALOR DA INFORMAÇÃO PARA O PROCESSO DE DECISÃO EM INOVAÇÃO UTILIZANDO BIG
DATA


César Panisson
Mestrando Programa de Pós-Graduação em Engenharia e Gestão do Conhecimento
Universidade Federal de Santa Catarina – UFSC/ [email protected]/
Brasil

Leonel Paes Furtado
Doutorando Programa de Pós-graduação em Ciências da Computação
Universidade Federal de Santa Catarina – UFSC/
[email protected]/Brasil

André Panisson
Doutor Programa de Pós-graduação Dotoratto in Scienza e Alta tecnologia
Università degli Studi di Torino – UST / [email protected] / Itália

João Artur de Souza
Doutor Programa de Pós-Graduação em Engenharia e Gestão do Conhecimento
Universidade Federal de Santa Catarina – UFSC / [email protected] / Brasil
































RESUMO
O processo de tomada de decisão é bastante complexo e envolve diversos
fatores internos e externos à organização. No contexto da inovação esse
processo torna-se ainda mais peculiar levando-se em consideração a
incerteza sobre os resultados futuros inerente do processo de decisão na
inovação. O Big Data opera em uma escala que transcende a compreensão comum
gerando informações relevantes em torno de uma dimensão de dados que o ser
humano seria incapaz de processar em um curto espaço de tempo, porém
totalmente possível com as tecnologias computacionais. Este estudo aborda o
valor da informação para o processo de tomada de decisão no contexto da
inovação tomando como suporte o Big Data. Para isso, realizou-se um estudo
teórico, utilizando como método uma abordagem qualitativa, de cunho
bibliográfico, exploratório e descritivo. Em linhas gerais, pode-se
verificar que o Big Data, através da tecnologia computacional, viabiliza o
processamento de grandes volumes de informações hoje disponíveis, para
assim criar informações de valor para a tomada de decisão no contexto
complexo da inovação, porém essa imensidão de informações geradas
apresentam novos desafios para os gestores das organizações.

Palavras-chave: Valor da Informação; Big Data; Gestão da Inovação.

ABSTRACT
The decision-making process is complex and involves many internal and
external factors to the organization. In the context of innovation this
process becomes even more peculiar considering the uncertainty on future
earnings inherent in decision-making on innovation. ig Data operates on a
scale that transcends the common understanding generating "explicability"
around a dimension of data that humans would be unable to process in a
short time, but totally possible with computer technologies. This study
addresses the value of information for the decision-making process in the
context of innovation with the help of Big Data. For this,a theoretical
study was carried out, using a qualitative approach of bibliographical,
exploratory and descriptive nature. Generally speaking, it can be seen that
Big Data, through computer technology, enables the processing of large
volumes of information available today, in order to create valuable
information for decision making in the complex context of innovation, but
this immensity of generated information presents new challenges for
ogranization managers.

Keywords: Information value; Big Data; Innovation management





















1. INTRODUÇÃO
As mudanças no mundo contemporâneo têm gerado transformações radicais
na forma que as organizações precisam modelar seus negócios e na relação
entre os indivíduos. Nas últimas décadas, a revolução provocada pela
informatização nos ambientes empresariais e até mesmo domésticos, tem um
efeito enorme na mudança de comportamento das pessoas e na forma que as
organizações precisam planejar seus negócios. Historicamente observa-se a
evolução das organizações, marcada inicialmente pela produção
manufatureira, posteriormente, demarcados pela produção industrial e pós-
industrial, que foram fortemente influenciados pela incorporação
tecnológica nos processos de produção e que causaram grandes mudanças na
forma com que se modelam as estruturas organizacionais atualmente.
Com o avanço tecnológico e a economia baseada no conhecimento, este
processo tornou-se ainda mais complexo e fluido. O ambiente em que as
organizações estão inseridas tornou-se cada vez mais complexo, a era do
conhecimento exige que os gestores tomem decisões extremamente rápidas, sob
uma base incalculável de informações, para gerar novos produtos e serviços,
bem como alterar rapidamente o status quo da organização para permanecerem
competitivas. Porém esse processo de decisão é inundado de riscos e
incertezas, que podem trazer excelentes resultados, bem como desastre total
até mesmo para uma organização sólida. As transformações apontam para um
redirecionamento dos objetivos da organização, antes voltados para o
controle da produção de bens e serviços, para outra baseada na informação,
na tecnologia e no consumo. Em consequência, a gerência praticada nas
organizações se volta para a valorização da descentralização
administrativa, da comunicação informal, da flexibilidade nos processos de
produção, assim como para o estímulo à iniciativa e criatividade dos
indivíduos e grupos. Colaborando com isso, nos ambientes empresariais, a
automação tem ocupado papel fundamental, utilizando-se de seus recursos
para o tratamento da informação necessária à tomada de decisão. A maneira
como a informação é obtida, organizada, gravada, recuperada e
posteriormente utilizada permite ao gerente atuar com mais segurança,
aumentando a possibilidade de acerto na tomada de decisão.
Surge então o papel do Big Data contribuindo para viabilizar o
processamento dessa imensidão de informações em um espaço de tempo viável e
que permita diminuir as incertezas, calculando os riscos de retorno sobre a
inovação dando suporte para a tomada de decisões do gestor.
Diante do exposto, esta pesquisa tem como objetivo analisar o valor
das informações, geradora de conhecimento, como insumo para decisão para
gestão da inovação utilizando Big Data. Nesse sentido, a pesquisa delineou
uma metodologia que abordará o paradoxo de valor em relação à disposição
para uso e utilidade da informação necessária para o processo de tomada de
decisão em inovação. Para isso buscou responder a seguinte questão: Qual o
valor da informação, enquanto geradora de conhecimento, no processo de
Gestão da Inovação?

2. METODOLOGIA
Este tópico apresenta os parâmetros metodológicos que norteiam o
perfil e o desenvolvimento da pesquisa. O procedimento metodológico adotado
com relação à forma de abordagem se classifica como qualitativa, uma vez
que busca uma melhor compreensão do Big Data e o valor das informações para
decisão em inovação. Segundo Oliveira (2002, p. 117), as pesquisas que se
utilizam de abordagens qualitativas possuem as seguintes facilidades:
podem descrever a complexidade de uma determinada hipótese
ou problema, analisar a interação de certas variáveis,
compreender e classificar processos dinâmicos
experimentados por grupos sociais, apresentar
contribuições no processo de mudança, criação ou formação
de opiniões de determinado grupo e permitir, em maior grau
de profundidade, a interpretação das particularidades dos
comportamentos ou atitudes dos indivíduos.


Trata-se de uma pesquisa exploratória, uma vez que um de seus
objetivos é o de analisar o valor das informações para decisão em inovação
sob a ótica de Big Data. Para Severino (2007, p. 123), a pesquisa
exploratória "busca apenas levantar informações sobre um determinado
objeto, delimitando assim um campo de trabalho mapeando as condições de
manifestações desse objeto." Também classifica-se como descritiva, por
buscar explicar e descrever de forma aprofundada, o modo como o objeto de
estudo acontece. Vergara (2009, p. 47) diz que, "a pesquisa descritiva
expõe características de determinada população ou de determinado fenômeno.
Pode também estabelecer correlações entre variáveis e definir sua
natureza".
Quanto aos meios, a pesquisa é bibliográfica, pois permeia a partir da
realização de um levantamento teórico, em que buscou analisar aspectos
vinculados a Big Data e o valor das informações para decisão em inovação.
Marconi e Lakatos (2011, p. 71) afirmam que o objetivo de uma pesquisa
bibliográfica "é colocar o pesquisador em contato direto com tudo o que foi
escrito, dito ou filmado sobre determinado assunto".
Nesta pesquisa, a coleta de dados se deu por meio da pesquisa
bibliográfica, sendo assim, obtidos por fonte secundária, que segundo
Mattar e Motta (2014, p. 48) são "aqueles que já foram coletados,
tabulados, ordenados e, às vezes, até analisados e que estão catalogados à
disposição dos interessados."
Quanto ao processo de análise e de interpretação dos dados foram
dispostos de forma descritiva e analisados qualitativamente, tendo como
estratégia de interpretação, a análise. Nas palavras de Dencker (2000, p.
159) o objetivo da análise é "reunir as observações de maneira coerente e
organizada, de forma que seja possível responder ao problema de pesquisa. A
interpretação busca dar um sentido mais amplo aos dados coletados, fazendo
a ponte entre eles e o conhecimento existente", em que todo o processo de
pesquisa desenvolvido deve estar direcionado ao objetivo proposto, onde os
processos de análise e interpretação de dados devem ser considerados como o
resultado final do estudo, gerando assim, conhecimento sobre o tema.

3. O PARADOXO DO VALOR
Segundo Calado, Marques e Sá Pinto (2007), o autor Adam Smith em 1779
afirmava que a utilidade de um bem é o valor do seu uso e que a capacidade
que tem em ser trocado é o valor de troca, de mercado ou social. Segundo
ele, geralmente, os bens que têm maior valor de uso têm um reduzido valor
de troca e vice-versa. O Autor faz a seguinte reflexão:
Nada é mais útil do que a água, mas com ela praticamente
nada pode comprar-se, praticamente nada pode obter-se em
troca dela. Pelo contrário, um diamante não tem
praticamente qualquer valor de uso, no entanto, pode
normalmente obter-se grande quantidade de outros bens em
troca dele (CALADO, MARQUES e SÁ PINTO apud ADAM SMITH,
2005)


Através dessa reflexão fica evidente o paradoxo do valor enquanto do
uso, exemplificando a água de grande utilidade e seu preço de mercado
baixo, e valor de troca, de mercado ou social, a exemplo dos metais
preciosos ou artigos de luxo que possuem relativo baixo valor de uso, porém
um elevado preço de mercado.
Segundo Calado, Marques e Sá Pinto (2007), a resposta a este paradoxo
está na formação do "preço de equilíbrio". No caso da água o preço de
equilíbrio é baixo porque na maior parte do globo a água é abundante visto
que o consumo de mais uma unidade de água não tem um grande impacto sobre a
quantidade disponível. Pelo contrário, o preço de equilíbrio dos diamantes
forma-se a um nível elevado e o consumo marginal traduz-se numa maior
utilidade marginal.
A utilidade caracteriza-se como a propriedade que os bens tangíveis e
serviços têm de satisfazer as necessidades e desejos humanos. A
caracterização dos bens requer também que os mesmos sejam escassos, isto é,
que estejam disponíveis em quantidades limitadas.
4. TOMADA DE DECISÃO EM INOVAÇÃO
As decisões são escolhas tomadas com base em propósitos, são ações
orientadas para determinado objetivo e o alcance deste objetivo determina a
eficiência do processo de tomada de decisão. A tomada de decisão é uma
qualificação essencial da vida de extrema importância no processo de gestão
das organizações. No entanto a tomada de decisão é um processo complexo e
muito abrangente de análise de diversos fatores e a combinação das mais
diversas e variadas possibilidades. Antes de tomar qualquer decisão o
gestor deve considerar uma infinidade de aspectos, de agentes externos e
internos da organização, levando em consideração todos os custos e
benefícios dessa mesma tomada de decisão. Mankiw (2005) enumera uma série
de princípios a serem levados em consideração:
Princípio 1 - As pessoas enfrentam trade-offs: A sociedade e em particular
os gestores, estão a todo tempo deparando-se com trade-offs que trata-se do
dilema na hora de tomar uma decisão. "Isso acontece porque, no mundo, nada
é de graça, ou seja, para se obter uma coisa é preciso abrir mão de outra,
o que gera conflitos e incertezas" (MONTELLA, 2013, p. 9). Portanto as
pessoas precisam, diariamente, tomar decisões difíceis. A decisão acertada
dependerá do conhecimento que se tem acerca das opções disponíveis.
Princípio 2 - O custo de alguma coisa é aquilo de que você desiste para
obtê-la: sempre que se toma uma decisão deve se levar em conta os
benefícios e as perdas consequentes. É preciso analisar calmamente qual
decisão trará maior custo benefício (investimento e retorno).
Princípio 3 - As pessoas racionais pensam na margem: as decisões devem ser
tomadas levando em consideração o que se pode fazer além do previsto.
Pensar nos ajustes é necessário antes de tomar uma decisão.
Princípio 4 - As pessoas reagem a incentivos: a comparação entre custo e
benefício é determinante na tomada de decisão.
No processo de trabalho, a tomada de decisão é considerada a função
que caracteriza o desempenho do gestor. Independentemente do aspecto da
decisão, esta atitude deve ser fruto de um processo sistematizado, que
envolve o estudo do problema a partir de um levantamento de dados, produção
de informação, estabelecimento de propostas de soluções, escolha da
decisão, viabilização e implementação da decisão e análise dos resultados
obtidos.
No contexto organizacional, Choo (1998) considera que a tomada de
decisão formal é estruturada por regras e procedimentos que especificam
papéis, métodos e normas que, por sua vez, estabelecem valores que
influenciam como a organização enfrenta a escolha e a incerteza. A
combinação esperada entre cultura, comunicação e consenso melhora a
eficiência e ajuda a alcançar um nível mais elevado de comportamento de
escolha racional.
Para Tidd e Bessant (2015), o processo de tomada de decisão em
inovação é ainda mais complexo dado ao fato de não envolver apenas uma
simples escolha entre opções bem definidas, mas por natureza a inovação
envolve o desconhecido, as possibilidades e as oportunidades associadas com
algo a ser criado.
Diferentemente do processo de decisão tradicional que procura
determinar regras e fatores que implicarão nos acontecimentos futuros, a
decisão em inovação exige o enfrentamento das incertezas futuras.
Primeiramente a avaliação dos riscos é baseada em informações muito
limitadas e posteriormente haverá um equilíbrio entre os riscos envolvidos
e as possíveis recompensas em caso de sucesso do projeto de inovação, nesse
sentido, o processo de tomada de decisão em inovação normalmente é definido
por fatores emocionais (TIDD e BESSANT, 2015).
Para o autor o conhecimento tem um papel essencial, é ele que converte
a incerteza em risco mensurável. À medida que vamos calculando riscos,
proporcionalmente temos a diminuição das incertezas, "o desafio da gestão
da inovação é investir na aquisição de conhecimento inicial necessário para
embasar a tomada de decisão" (TIDD e BESSANT 2015). Esse conhecimento é
obtido através de pesquisa e desenvolvimento em tecnologia, pesquisa de
mercado, análise dos fatores do ambiente interno e externo (SWOT),
identificação de tendências, entre outras infinitas fontes de dados.
Esse processo é ainda mais expressivo quando avançamos para inovação
radical e descontínua, à medida que exige o enfrentamento dos cenários
desconhecidos e apresenta novos desafios que não se encaixam em modelos
existentes, exigindo o re-enquadramento organizacional, algo que as
empresas consolidadas têm dificuldade de fazer causando certa "dissonância
cognitiva" (TIDD e BESSANT 2015).
Como instrumento de apoio a este processo extremamente importante nas
atividades do gestor surgem os Sistemas de Apoio a Decisão. Para Sprague e
Watson (1989) os SAD são sistemas computacionais que ajudam os responsáveis
pela tomada de decisões a enfrentar problemas não-estruturados através da
interação direta com modelos de dados e análises. Segundo Bidgoli (1989) os
SAD são sistemas de informação baseado em computador, que consiste de
hardware, software e o elemento humano, para assistir qualquer decisão em
qualquer nível, e enfatiza tarefas não estruturadas ou semi-estruturadas.
Os autores identificam três níveis de tecnologia necessárias em um ambiente
de SAD que variam quanto à complexidade e quanto à abrangência da
aplicação, conforme demonstrado na Figura 1.


Figura 1: Três tecnologias de SAD

Fonte: Adaptado de Sprague e Watson (1989)

Segundo Pearson e Shim (1994) os primeiros Sistemas de Apoio a Decisão
surgiram nos anos 60 e 70, para dar suporte aos gerentes na solução de
problemas não estruturados. Esses SAD pioneiros eram muitos caros, de uso
muito específico e difíceis de operar. Para Fazlollahi, Parikh e Verma
(1997) os SAD têm sido beneficiados pelo avanço na tecnologia de software e
hardware. Os componentes de dados, modelos e interfaces estão mais
sofisticados agora que nas décadas passadas. Os bancos de dados estão
maiores e mais fáceis de serem manipulados, os bancos de modelos estão mais
complexos refletindo a realidade e as interfaces estão mais amigáveis.
Os autores completam dizendo que as tecnologias modernas como: uso de
interface de gráficos, hipermídia, multimídia, redes neurais, lógica fuzzy,
algoritmos genéricos, sistemas distribuídos, sistemas cliente-servidor,
linguagem orientada a objeto são exemplos de tecnologias recentes que
tornaram os SAD mais completos. Mittra (1986) sugere que os Sistemas de
Apoio a Decisão tenham características de apoio cognitivo, portanto esses
SAD são capazes de suportar a participação do usuário do sistema no
processo de decisão. Devido à estrutura do problema o SAD requer uma
abordagem diferente de desenvolvimento dos sistemas tradicionais.






5. BIG DATA E ANÁLISE DE DADOS
O advento do Big Data é o espelho da evolução tecnológica social.
Trata-se da nossa sobejante capacidade de captar miríades de informações,
analisá-las de imediato e tirar conclusões, por vezes, profundamente
surpreendentes. Um fenômeno emergente, de amplitude crescente e ações tão
distintas que atendem desde uma busca por melhores tarifas de bilhetes de
avião até a dataficação de textos contidos em milhões de livros. Nosso
crescente poder na computação entra em ação para descobrir epifanias nunca
antes imaginadas. Estamos diante de uma revolução emparelhada à Internet.
Os aquedutos permitiram o crescimento das cidades; a
imprensa facilitou o Iluminismo, e os jornais permitiram a
ascensão do Estado. Mas essas infraestruturas estavam
voltadas para o fluxo – de água e de conhecimento, assim
como o telefone e a internet. Em contrapartida, a
dataficação representa um essencial enriquecimento da
compreensão humana. Com a ajuda do Big Data, não mais
veremos o mundo como uma sequência de acontecimentos
explicados como fenômenos naturais ou sociais, e sim como
um Universo composto essencialmente por informações (Mayer-
Schonberger e Cukier, 2013 p.66).

A ideia é que há um componente quantitativo em tudo que fazemos e que
os dados são indispensáveis ao aprendizado da sociedade. As várias
dimensões da realidade são transformadas em dados. As informações são
usadas das maneiras mais inusitadas, revelando um valor latente e
implícito. Trata-se de uma mudança que subverte séculos de práticas
consagradas e desafia nossa compreensão mais básica de como tomamos
decisões e compreendemos a realidade
Segundo Mayer-Schonberger e Cukier (2013) o conceito de Big Data, está
caracterizado em como extrair Volume, Variedade Velocidade e Valor da
"avalanche" de informações cotidiana. O Volume faz referência à grande
quantidade de dados disponível em diferentes plataformas, como sistemas
abertos, bases de dados governamentais e empresariais. Há milênios a
sociedade acumula experiências na compreensão e no exame do comportamento
humano, tais repositórios de dados crescem a cada dia, pois empresas,
governo e pessoas civis estão sempre gerando informação e novos
processamentos, que resultam em novos logs, relatórios, arquivos,
registros, etc. Neste contexto, a característica da Variedade aborda os
diferentes tipos de arquivos, como textos, fotos, imagens ou dados de
sensores, que requerem diferentes tipos de tratamento, quando nos referimos
à exploração da informação neles contida. A Velocidade é apontada como uma
característica básica do paradigma Big Data, pois é necessária para acesso,
processamento, retorno e feedback que, em muitos casos, necessita ser on
line para alcançar o resultado desejado. Por exemplo, em monitoramento de
desgaste de equipamentos, por análise de dados de sensores, durante o
funcionamento de uma máquina. Neste caso, este monitoramento somente terá
valor, caso o processamento e a análise tenham velocidade suficiente para
que a descoberta do desgaste da peça aconteça a tempo da tomada de decisão,
para que a substituição da peça seja feita antes da quebra ocasionada pelo
desgaste.
Existem autores que discordam sobre a definição de Big Data. Uma
abordagem diferente foi dada por uma pesquisa da IBM, onde 1.144
participantes da pesquisa foram questionados sobre duas características do
Big Data em suas empresas, então as mais citadas foram o maior alcance da
informação (18%), os novos tipos de dados e análises (16%), as informações
em tempo real (15%), os fluxos de dados a partir de novas tecnologias e as
formas não tradicionais de mídia (13%), os grandes volumes de dados (10%),
a última palavra da moda (8%) e os dados de mídia social (7%), conforme
mostra a Figura 2, a seguir (SCHROECK et al., 2012, p.3).


Figura 02 - Definindo Big data

Fonte: SCHROECK et al., 2012, p.3

Entretanto, vários autores citam o Valor como uma característica do
Big Data. Alguns suportam que, assim como no conceito de inovação, os
projetos de Big Data devem ser rentáveis e aceitos pelo mercado, portanto
precisam identificar Valor. Para David Feinleib (2014), o Valor é muito
importante, pois representa a medida dos investimentos em Big Data e sua
escala de impacto, ao contrário do volume dos dados.
Um exemplo de criação de Valor através de Big data para tomada de
decisão são as análises sobre clima, conforme Finch (2015), a IBM e a
companhia The Weather, tem trabalhado em conjunto para analisar grandes
bases de dados sobre o clima, com o intuito de permitir que empresas de
todos os tipos tomarem decisões por meio de insights, considerando que, de
três a quatro por cento do PIB Americano é sensível ao fator clima. Desse
modo, as decisões de negócios devem considerar as condicionantes dos
efeitos das condições atmosféricas sobre as decisões das empresas.
A verdadeira revolução percebe-se, não está nas máquinas propriamente,
mas nos dados e na maneira como eles são usados. Ao alterarmos a
quantidade, mudamos a essência da análise. À medida que a escala aumenta,
as imprecisões quantitativas também crescem. Noções de causalidade dão
lugar à correlação e aos padrões. Trata-se de um modelo que não revela a
razão, a causa dos acontecimentos, mas faz previsões sobre os fatos. Sendo
assim, ao trabalharmos com probabilidade e punição, como o Big Data
possibilita, nos tornamos reféns dos dados, culpados prévios por ações
ainda não materializadas.
Esse novo contexto pode trazer diversas oportunidades para as
organizações desde que os gestores saibam aproveitá-las, porém pode
apresentar-se como uma ameaça para as organizações que não possuem
flexibilidade suficiente para acompanhar as mudanças exigidas pelo mercado,
bem como sofrer com o risco da falta de proteção de suas informações.
Essa transformação não só dificulta a proteção da
privacidade como também apresenta uma ameaça totalmente
nova: castigo com base em propensões, isto é, a
possibilidade de usar previsões de Big Data sobre as
pessoas para julgá-las e puni-las, antes mesmo que elas
ajam, o que renega a ideia de justiça e livre-arbítrio...
Corremos o risco de sermos vítimas da ditadura dos dados,
na qual adoramos as informações e os resultados de nossas
análises e acabamos usando-os de forma equivocada. Com
responsabilidade, o Big Data é um instrumento útil de
tomada de decisão. Se usado sem sabedoria, ele se torna um
instrumento de poderosos que podem transformá-lo em uma
fonte de repressão, seja ao frustrar clientes e
funcionários ou, pior, ao atacar cidadãos (Mayer-
Schonberger e Cukier, 2013. p.105-106)

Segundo publicação da Deloitte, em 2013, as cinco ameaças para modelos
de negócios, apontadas pelos trezentos CEOs pesquisados foram: mídia social
(47%), mineração e análise de dados (44%), aplicativos mobile (40%), a
computação em nuvem (38%) e os ciber-ataques (36 %) conforme se observa na
Figura 3 (SERAFIN et al., 2013, p.11);








Figura 3: Tecnologias que podem ameaçar os modelos de negócio.

Fonte: SERAFIN et al. - 2013
Neste mesmo estudo foi apontado que 91% das empresas afirmaram que
mudaram suas estratégias de negócios desde o surgimento das tecnologias
móveis, sociais, digitais, big data, e outras tecnologias inovadoras,
conforme mostra a Figura 4.

Figura 4: A mudança dos modelos de negócio das empresas, em função das
tecnologias inovadoras.

Fonte: SERAFIN et al. - 2013

Nesse contexto, Big Data e Análises de Negócios estão juntos como a
mão e a luva. Sem dados não há análise, mas sem análise de negócios o Big
Data é apenas um ruído. Juntos eles oferecem o potencial da inovação.
Entretanto, inovação exige mudanças e estas somente são possíveis com
liderança (STUBBS, 2014).
Quando trata-se de Big Data, Análises de Negócios e Inovação é preciso
definir o objetivo a ser atingido, uma vez que são três conceitos amplos,
que permitem muitas abordagens, entre elas identificar o valor da
informação para a gestão da inovação. Um bom exemplo é a geração de
insigths por meio de análises de dados para produtos, bens ou serviços
inovadores.
Outras abordagens podem ser feitas, segundo Stubbs (2014), o desafio
de transformar informações de análises de dados em valor está na capacidade
de descobrir padrões e agir sobre eles. Segundo o autor, a equipe precisa
chegar na informação correta, gerar os insigths certos e ajudar as
organizações a agirem sobre este conhecimento para transformá-los em
retornos tangíveis. Por exemplo, identificar padrões no comportamento de
usuário insatisfeitos e chamar atenção para o risco de cancelamentos, em
empresas de telefonia.
Um estudo realizado por Schroeck et al. (2012) aponta recomendações
para que as organizações obtenham maior valor das informações colhidas em
processos de análises de dados, no contexto do Big Data, dentre elas
recomenda-se comprometer esforços iniciais para os resultados centrados no
cliente, desenvolver um grande projeto de dados em toda a empresa, começar
com os dados existentes para alcançar resultados a curto prazo, construir
capacidades analíticas com base em prioridades de negócios e criar um plano
de negócios com base em resultados mensuráveis.

6. CONSIDERAÇÕES FINAIS
Os modelos organizacionais estão cada vez mais complexos, dado o novo
contexto da sociedade do conhecimento. A inovação deve ser uma constante e
é o desafio de sustentabilidade dos negócios, sejam em empresas novas,
pequenas ou mesmo grandes e sólidas. O processo de tomada de decisão no
contexto da inovação envolve muito mais do que a determinação de fatores
críticos de sucesso e contingenciais, mas o desafio está no sucesso que se
apresenta nas oportunidades no que ainda é desconhecido, apostando nas
incertezas de criação de algo novo e nas mudanças exigidas a partir das
necessidades comportamentais do mercado.
Se faz necessário então, o uso cada vez mais intenso das tecnologias
computacionais para apoio a tomada de decisão. Estas tecnologias são cada
vez mais necessárias para suportar a necessidade de processar as
informações dado o seu volume, a variedade e a velocidade, criando o real
valor para os negócios e para a vida cotidiana.
A base de uma previsão de algoritmo pode ser extremamente complexa
visto que o Big Data opera em uma escala que transcende nossa compreensão
comum. É impossível para o ser humano investigar os motivos precisos para
as escolhas apontadas pelos programas, afinal são resultados fundamentados
por enormes bancos de dados e cálculos estatísticos. Se antes as decisões
eram tomadas com base em amostras exatas e causais, agora os dados são
grandes, rapidamente processados e toleram imprecisão. As máquinas apontam
os caminhos e corremos o risco de vivemos, então, sob a ditadura dos dados.
Nesse sentido, Big Data, Análises de Negócios e Inovação criam
sinergia contribuindo para a eficácia da tomada de decisão em inovação,
atingir os objetivos de criação de valor das informações para a organização
e assim diminuir as incertezas e calcular riscos. Em linhas gerais, pode-se
verificar que o Big Data, através da tecnologia computacional, viabiliza o
processamento de grandes volumes de informações hoje disponíveis, para
assim criar informações de valor para a tomada de decisão no contexto
complexo da inovação, porém essa imensidão de informações geradas apresenta
novos desafios para os gestores das organizações.

REFERÊNCIAS BIBLIOGRÁFICAS

Bidgoli, H. (1989). Decision support systems: principles and practice. West
Group.
Calado, A.M.F., Marques, J.F.F., Sá Pinto, N.M.G. (2007). Tomada de
Decisão: Alguns dos erros mais comuns na tomada de decisão. Instituto
politécnico de Coimbra.
CHOO, C. W. (1998). The management of uncertainty: organizations as
decision-making systems. _______. The knowing organizations: how
organizations use information to construct meaning, create knowledge, and
make decisions. New York: Oxford University, 155-205.
Dencker, A. D. F. M. (2000). Métodos e técnicas de pesquisa em turismo.
Futuro.
Fazlollahi, B., Parikh, M. A., & Verma, S. (1997). Adaptive decision
support systems. Decision support systems, 20(4), 297-315.
Finch, G. (2015). Weather analytics: A new dimension for business. 2015.
IBM Big Data & Analytcs Hub. Disponível em:
. Acesso em: 18 nov. 2015.
MANKIW, G. (2005). Introdução à economia. São Paulo: T. Learning.
Mayer-Schonberger, V., & Cukier, K. (2013). Big data: como extrair volume,
variedade, velocidade e valor da avalanche de informação cotidiana (Vol.
1). Elsevier Brasil.
Marconi, M. D. A., & Lakatos, E. M. (2011). Técnicas de pesquisa:
planejamento e execução de pesquisas, amostragens e técnicas de pesquisa,
elaboração, análise e interpretação de dados. Atlas.
Mattar, F., & Motta, S. (2014). Pesquisa de Marketing, 7ª Edição (Vol. 7).
Elsevier Brasil.
Mittra, S. S. (1986). Decision support system: tools and techniques. Wiley-
Interscience.
Montella, M. (2013) Descomplicando a Economia: 305 perguntas e respostas.
1ª edição. São Paulo, Clube de Autores.
OLIVEIRA, S. L. D. (2002). Tratados de Metodologia Cientifica: projetos de
pesquisa. TGI, TCC, monografias, dissertações e teses. São Paulo: Pioneira
Thomson.
Pearson, J. M., & Shim, J. P. (1994). An empirical investigation into
decision support systems capabilities: a proposed taxonomy. Information &
Management, 27(1), 45-57.
Schroeck, M., Shockley, R., Smart, J., Romero-Morales, D., & Tufano, P.
(2012). Analytics: The real-world use of big data: How innovative
enterprises extract value from uncertain data. IBM Institute for Business
Value.
Serafin, Bruce Rogers; Brenna Sniderman; Brian Mcleod; Kasia Moreno;
Tatiana et al. (2013). Exploring Strategic Risk: A global survey: 300
executives around the world say their view of strategic risk is changing.
[s.i]: Deloitte Touche Tohmatsu Limited. 21 p. Disponível em:
. Acesso em: 18 nov.
2015.
SEVERINO, A. J. (2007). Metodologia do trabalho científico: 23ª Edição
revista e atualizada 2ª reimpressão.
Sprague, Jr.; Watson, H. (1989). Decision support systems: putting theory
into practice. USA: Prentice-Hall.
Stubbs, E. (2014). Big Data, Big Innovation: Enabling Competitive
Differentiation Through Business Analytics. John Wiley & Sons.
Tidd, J., & Bessant, J. (2015). Gestão da inovação-5. Bookman Editora.
VERGARA, S. C. (2009). Projetos e relatórios de pesquisa em administração.
São Paulo: Atlas, 2000. Métodos de pesquisa em administração, 3.
-----------------------