Inteligência estratégica antecipativa : identificação de sinais fracos por meio do Big Data Analytics
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/216410 |
Resumo: | Com o ambiente empresarial cada vez mais dinâmico e complexo, seu monitoramento tem sido uma prática obrigatória para as organizações. Dado que nas últimas décadas há um volume importante de informações disponibilizadas por tecnologias digitais, organizações estão investindo em ferramentas Big Data Analytics (BDA) com o propósito de compreender o mercado e reduzir a incerteza na tomada de decisão. Ao considerar esse tipo de dados nos processos de monitoramento, analistas possivelmente fortalecem a identificação de Sinais Fracos (sinais antecipativos). Acreditando que tais processos possam ser guiados por dados, buscou-se investigar a seguinte questão de pesquisa: qual o impacto das práticas do BDA na identificação de Sinais Fracos? Objetiva-se, portanto analisar a relação entre o uso de práticas do BDA e a identificação de Sinais Fracos, fonte de informações da Inteligência Antecipativa. Neste intuito, aproximando as disciplinas da área de Sistemas de Informação - Analytics e Inteligência Antecipativa - realizou-se duas pesquisas empíricas, a primeira de natureza qualitativa e a segunda quantitativa. Com o método de entrevistas em profundidade, a primeira pesquisa objetiva compreender se os gestores percebem Sinais Fracos por meio das ferramentas BDA, e seu uso potencial na tomada de decisão estratégica. Foram reveladas práticas do BDA que influenciam o monitoramento e a identificação de Sinais Fracos. Apresentou-se evidências de que dados candidatos a Sinais Fracos podem ser identificados a partir do BDA e de que essas ferramentas facilitam o monitoramento do ambiente. Na segunda pesquisa, a fim de medir o efeito das práticas do BDA na identificação de Sinais Fracos, desenvolveu-se hipóteses relacionadas em um modelo conceitual. Para suportá-lo, elaborou-se uma pesquisa do tipo survey, com 123 respondentes. As respostas foram analisadas mediante modelagem de equações estruturais (PLS-SEM), suportando o modelo e resultando em achados relevantes, indicando que o uso das práticas do BDA tem efeito positivo na identificação de Sinais Fracos. Como contribuições teóricas destaca-se o suporte empírico ao modelo desenvolvido, demonstrando a importância das variáveis que têm impacto significativo na identificação de sinais fracos. |
id |
URGS_a776923793d304884fa767823cacdc8f |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/216410 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Saffi, Fabiano ChiapinottoJanissek-Muniz, Raquel2020-12-11T04:11:58Z2020http://hdl.handle.net/10183/216410001120378Com o ambiente empresarial cada vez mais dinâmico e complexo, seu monitoramento tem sido uma prática obrigatória para as organizações. Dado que nas últimas décadas há um volume importante de informações disponibilizadas por tecnologias digitais, organizações estão investindo em ferramentas Big Data Analytics (BDA) com o propósito de compreender o mercado e reduzir a incerteza na tomada de decisão. Ao considerar esse tipo de dados nos processos de monitoramento, analistas possivelmente fortalecem a identificação de Sinais Fracos (sinais antecipativos). Acreditando que tais processos possam ser guiados por dados, buscou-se investigar a seguinte questão de pesquisa: qual o impacto das práticas do BDA na identificação de Sinais Fracos? Objetiva-se, portanto analisar a relação entre o uso de práticas do BDA e a identificação de Sinais Fracos, fonte de informações da Inteligência Antecipativa. Neste intuito, aproximando as disciplinas da área de Sistemas de Informação - Analytics e Inteligência Antecipativa - realizou-se duas pesquisas empíricas, a primeira de natureza qualitativa e a segunda quantitativa. Com o método de entrevistas em profundidade, a primeira pesquisa objetiva compreender se os gestores percebem Sinais Fracos por meio das ferramentas BDA, e seu uso potencial na tomada de decisão estratégica. Foram reveladas práticas do BDA que influenciam o monitoramento e a identificação de Sinais Fracos. Apresentou-se evidências de que dados candidatos a Sinais Fracos podem ser identificados a partir do BDA e de que essas ferramentas facilitam o monitoramento do ambiente. Na segunda pesquisa, a fim de medir o efeito das práticas do BDA na identificação de Sinais Fracos, desenvolveu-se hipóteses relacionadas em um modelo conceitual. Para suportá-lo, elaborou-se uma pesquisa do tipo survey, com 123 respondentes. As respostas foram analisadas mediante modelagem de equações estruturais (PLS-SEM), suportando o modelo e resultando em achados relevantes, indicando que o uso das práticas do BDA tem efeito positivo na identificação de Sinais Fracos. Como contribuições teóricas destaca-se o suporte empírico ao modelo desenvolvido, demonstrando a importância das variáveis que têm impacto significativo na identificação de sinais fracos.As the business environment is increasingly becoming dynamic and complex, its monitoring has been a mandatory practice for organizations. Given that in the last decades there is an important volume of information available, organizations are investing in Big Data Analytics (BDA) tools, with the purpose of understanding the market and reducing the uncertainty in decision making. Considering this type of data in the monitoring processes, analysts possibly strengthen the identification of weak signals. Believing that such processes could be data-driven, we sought to investigate the following research question: what is the impact of BDA's practices in the identification of weak signs? Thus, the aim of this study is to analyze the relationship between the use of BDA practices and the identification of weak signs, an information source from Anticipative Intelligence. To this end, bringing together the Information Systems area disciplines - Analytics and Anticipative Intelligence - two empirical types of research were carried out, the first had a qualitative nature and the second had a quantitative nature. With the method of in-depth interviews, the first research aims to understand whether managers perceive weak signals through the BDA tools, and their potential use in strategic decision-making. BDA practices that influence the monitoring and identification of weak signals were revealed. Evidence was presented that candidate data for weak signals can be identified by BDA. In the second research, in order to measure the effect of BDA practices in the identification of weak signals, related hypotheses were developed in a conceptual model. To support it, a survey was conducted, with 123 respondents. The responses were analyzed using structural equation modeling (PLS-SEM), supporting the model and resulting in relevant findings, indicating that the use of BDA practices has a positive effect on identifying weak signals. As theoretical contributions, it stands out the empirical support of the model, demonstrating the importance of variables that have a significant impact on the identification of weak signals.application/pdfporBig dataInteligência artificialInteligência estratégica antecipativaTomada de decisãoAnticipative intelligenceBig Data AnalyticsWeak signalsForesightInteligência estratégica antecipativa : identificação de sinais fracos por meio do Big Data Analyticsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulEscola de AdministraçãoPrograma de Pós-Graduação em AdministraçãoPorto Alegre, BR-RS2020mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001120378.pdf.txt001120378.pdf.txtExtracted Texttext/plain300058http://www.lume.ufrgs.br/bitstream/10183/216410/2/001120378.pdf.txtf089b4cebb04e4269a6c8c28c4b69de3MD52ORIGINAL001120378.pdfTexto completoapplication/pdf1641173http://www.lume.ufrgs.br/bitstream/10183/216410/1/001120378.pdff2afeb323a7bf3ace7261d7b0934163dMD5110183/2164102020-12-12 05:20:52.911997oai:www.lume.ufrgs.br:10183/216410Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532020-12-12T07:20:52Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Inteligência estratégica antecipativa : identificação de sinais fracos por meio do Big Data Analytics |
title |
Inteligência estratégica antecipativa : identificação de sinais fracos por meio do Big Data Analytics |
spellingShingle |
Inteligência estratégica antecipativa : identificação de sinais fracos por meio do Big Data Analytics Saffi, Fabiano Chiapinotto Big data Inteligência artificial Inteligência estratégica antecipativa Tomada de decisão Anticipative intelligence Big Data Analytics Weak signals Foresight |
title_short |
Inteligência estratégica antecipativa : identificação de sinais fracos por meio do Big Data Analytics |
title_full |
Inteligência estratégica antecipativa : identificação de sinais fracos por meio do Big Data Analytics |
title_fullStr |
Inteligência estratégica antecipativa : identificação de sinais fracos por meio do Big Data Analytics |
title_full_unstemmed |
Inteligência estratégica antecipativa : identificação de sinais fracos por meio do Big Data Analytics |
title_sort |
Inteligência estratégica antecipativa : identificação de sinais fracos por meio do Big Data Analytics |
author |
Saffi, Fabiano Chiapinotto |
author_facet |
Saffi, Fabiano Chiapinotto |
author_role |
author |
dc.contributor.author.fl_str_mv |
Saffi, Fabiano Chiapinotto |
dc.contributor.advisor1.fl_str_mv |
Janissek-Muniz, Raquel |
contributor_str_mv |
Janissek-Muniz, Raquel |
dc.subject.por.fl_str_mv |
Big data Inteligência artificial Inteligência estratégica antecipativa Tomada de decisão |
topic |
Big data Inteligência artificial Inteligência estratégica antecipativa Tomada de decisão Anticipative intelligence Big Data Analytics Weak signals Foresight |
dc.subject.eng.fl_str_mv |
Anticipative intelligence Big Data Analytics Weak signals Foresight |
description |
Com o ambiente empresarial cada vez mais dinâmico e complexo, seu monitoramento tem sido uma prática obrigatória para as organizações. Dado que nas últimas décadas há um volume importante de informações disponibilizadas por tecnologias digitais, organizações estão investindo em ferramentas Big Data Analytics (BDA) com o propósito de compreender o mercado e reduzir a incerteza na tomada de decisão. Ao considerar esse tipo de dados nos processos de monitoramento, analistas possivelmente fortalecem a identificação de Sinais Fracos (sinais antecipativos). Acreditando que tais processos possam ser guiados por dados, buscou-se investigar a seguinte questão de pesquisa: qual o impacto das práticas do BDA na identificação de Sinais Fracos? Objetiva-se, portanto analisar a relação entre o uso de práticas do BDA e a identificação de Sinais Fracos, fonte de informações da Inteligência Antecipativa. Neste intuito, aproximando as disciplinas da área de Sistemas de Informação - Analytics e Inteligência Antecipativa - realizou-se duas pesquisas empíricas, a primeira de natureza qualitativa e a segunda quantitativa. Com o método de entrevistas em profundidade, a primeira pesquisa objetiva compreender se os gestores percebem Sinais Fracos por meio das ferramentas BDA, e seu uso potencial na tomada de decisão estratégica. Foram reveladas práticas do BDA que influenciam o monitoramento e a identificação de Sinais Fracos. Apresentou-se evidências de que dados candidatos a Sinais Fracos podem ser identificados a partir do BDA e de que essas ferramentas facilitam o monitoramento do ambiente. Na segunda pesquisa, a fim de medir o efeito das práticas do BDA na identificação de Sinais Fracos, desenvolveu-se hipóteses relacionadas em um modelo conceitual. Para suportá-lo, elaborou-se uma pesquisa do tipo survey, com 123 respondentes. As respostas foram analisadas mediante modelagem de equações estruturais (PLS-SEM), suportando o modelo e resultando em achados relevantes, indicando que o uso das práticas do BDA tem efeito positivo na identificação de Sinais Fracos. Como contribuições teóricas destaca-se o suporte empírico ao modelo desenvolvido, demonstrando a importância das variáveis que têm impacto significativo na identificação de sinais fracos. |
publishDate |
2020 |
dc.date.accessioned.fl_str_mv |
2020-12-11T04:11:58Z |
dc.date.issued.fl_str_mv |
2020 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/216410 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001120378 |
url |
http://hdl.handle.net/10183/216410 |
identifier_str_mv |
001120378 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/216410/2/001120378.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/216410/1/001120378.pdf |
bitstream.checksum.fl_str_mv |
f089b4cebb04e4269a6c8c28c4b69de3 f2afeb323a7bf3ace7261d7b0934163d |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1810085540380278784 |