O termo Business Intelligence (também chamado de BI) foi criado por Howard Dresner, do Gartner, em 1989, para representar tecnologias, conceitos e métodos computacionais para suporte à tomada de decisões em negócios baseadas em fatos.
Business Intelligence é comumente aplicado na visualização dos resultados diários dos negócios. Os dados são o material bruto do conhecimento, criados a partir das transações do dia a dia, em processos de trabalho e em sistemas integrados de gestão. Esses sistemas transacionais do dia a dia são conhecidos como Online Transaction Process (OLTP). Sem o devido tratamento, os dados não fornecem informações consistentes.
Os sistemas analíticos que produzem as informações úteis e as disponibilizam para os usuários são chamados de OLAP (Online Analytical Process). Essa é a essência do Business Intelligence: transformar dados imprecisos em informações de apoio à decisão, a partir do cruzamento e análise de conjuntos desses dados. O Business Intelligence é um componente para auxiliar no planejamento de gestão, tanto para detectar erros nos processos da empresa como para avaliar a produtividade dos empregados por meio de indicadores de desempenho. Como exemplos, na área financeira, os dados são cruciais para oferecer uma visão panorâmica dos gastos e administrar o fluxo de caixa; na área de vendas se consegue aprimorar as estratégias a partir de dados úteis sobre o comportamento do cliente. Lembrando que empresas data-driven são em média 5% mais produtivas e 6% mais lucrativas que seus concorrentes. (Vidgen et al., 2017).
O processo de relatar os resultados da empresa foi melhor desenhado por Cole Knaflik, no livro Storytelling com dados, publicado em 2015, com os fundamentos da visualização de dados e como promover uma comunicação efetiva com os dados obtidos. O livro propõe os seguintes passos relevantes:
Para isso tudo funcionar precisa-se de dados estruturados para análise. Os dados são estruturados conforme a definição de um esquema que define as tabelas com seus respectivos campos (ou atributos) e tipos (formato). O esquema pode ser pensado como uma metainformação do banco de dados, ou seja, uma descrição sobre a organização dos dados que serão armazenados.
Data Mining (ou mineração de dados) é um processo analítico no qual grande quantidade de dados são explorados com o objetivo de encontrar padrões relevantes ou relação sistemática entre variáveis, os quais são validados. Enquanto o Business Intelligence visa obter informação útil para subsidiar a tomada de decisão nos escalões médios e altos da empresa a partir dos dados operativos brutos, a mineração de dados busca subsidiar a empresa com conhecimento novo e útil acerca do seu meio ambiente. O primeiro funciona no plano tático, o segundo no estratégico.
Data Science é a coleta de dados de diversas fontes, decorrentes da mineração de dados, para analisar e subsidiar a tomada de decisões, de forma preditiva, em grandes quantidades de dados e gerando insights. BI trata de dados do passado enquanto Data Science trata do futuro, a partir da análise preditiva.
Business Analytics tem essas interpretações:
Para sintetizar os conceitos envolvidos, sugere-se o modelo:
Um modelo de maturidade consiste num instrumento que permite mensurar o grau de evolução em domínios, contribuindo para direcionar o desenvolvimento, posicionamento e transformações organizacionais. Existem modelos descritivos, permitindo que a organização identifique seu nível atual nos critérios do modelo; prescritivos, que indicam a forma de alcançar o próximo nível de maturidade por meio de um roteiro de melhorias; e comparativos, que avaliam práticas semelhantes entre organizações. Dos modelos existentes, para a avaliação da maturidade em Business Analytics, sugerimos focar nesses dois:
Competição Analítica é a aplicação dos conceitos de Business Analytics na geração de valor para o negócio, aumentando a competitividade interorganizacional
Nosso conceito para Competição Analítica é “O modelo de gestão de negócio que utiliza ferramentas de business analytics para a definição de estratégias de competição, potencializando a inovação e a criação de valor para as organizações”. Seu uso destina-se a melhorar a percepção de valor pelos clientes dos segmentos-alvo, inovar ou garantir a excelência operacional, base da liderança em custo.
O posicionamento assumido pela empresa pode direcionar os esforços analíticos, seja pela estratégia deliberada (liderança em custos, diferenciação ou enfoque – na abordagem tradicional; seja na intimidade com o cliente, liderança de produtos ou excelência operacional, pela abordagem de Treacy e Wiersema anotada no livro A disciplina dos líderes de mercado, como disciplinas de valor, dentre outras como a Visão Baseada em Recursos (VBR) ou o Balanced Scorecard, sempre pela definição do foco estratégico como base da ação analítica.
Maturidade em competição analítica pressupõe aumento de capacidade de escolhas estratégicas, condutoras de ganhos competitivos. Esses ganhos podem se dar dentro das fronteiras da firma e no mercado.
Os ganhos internos suportam a excelência operacional, base para a liderança em custos (maturidade e foco nos processos, análise de fronteira da eficiência ou folgas de recursos), ou ainda com a inovação baseada em pesquisa e desenvolvimento de produtos, ligados à disseminação do conhecimento de mercado gerado. Aqui a análise da eficiência e a avaliação das folgas de recursos são poderosas técnicas de melhorias para excelência operacional.
Os ganhos de mercado podem se dar pelo aumento da compreensão do que os clientes valorizam, a partir dos incidentes críticos nos processos de atendimento, nas características dos produtos ou nos serviços prestados pela empresa.
Para representar esse alinhamento, sugerimos o seguinte modelo:
E para o monitoramento dos dados que comporão a lógica da competição, sugerimos a codificação do comportamento analítico, conforme o modelo que adotamos, representado na figura a seguir:
Assim, estratégias deliberadas e foco estratégico são as bases para as definições empresariais do processo analítico. As lógicas de competição podem ser incrementadas com aumento de racionalidade sobre os fatores que têm impacto nas decisões de consumo. E devem sempre levar em conta aspectos da estratégia deliberada e os objetivos empresariais, como mostra o quadro a seguir:
Maturidade em competição analítica pressupõe o domínio das seguintes dimensões: Posicionamento estratégico e foco analítico (strategy & governance); Liderança transformadora e equipes multidisciplinares (people orientation); Tomada de decisão baseada em dados (culture); Domínio de Data Science e Data Analysis (technology); Orientação para o mercado (innovation).
Nosso modelo de maturidade analisa a evolução da organização, por estágios, avaliando a o domínio dessas dimensões como estratégia de gerenciamento da informação empresarial, com ênfase na geração de valor nos negócios e a avaliação de oportunidades de novos produtos e serviços, visando guiar decisões de investimentos e inovações para o mercado.