Decisões baseadas em dados: como o business intelligence e a IA estão a redefinir as empresas

Tomar decisões estratégicas com base em dados concretos é essencial para as organizações. Numa altura de transformação digital acelerada, as empresas têm de procurar extrair insights valiosos a partir dos seus dados para obter vantagem competitiva, melhorar a eficiência operacional e identificar novas oportunidades de mercado.

A mentalidade data-driven vai além da tecnologia; exige uma mudança cultural dentro das organizações. As organizações que adotam esta abordagem garantem decisões estratégicas baseadas em factos e métricas e reduzem a influência da intuição ou de suposições.

Para isso, é fundamental investir em ferramentas analíticas, na qualidade dos dados e na capacitação das equipas. Com a evolução da Inteligência Artificial (IA) e do machine learning, o business intelligence tornou-se num aliado ainda mais poderoso das organizações: algoritmos avançados permitem análises preditivas e prescritivas, antecipando tendências e recomendando ações antes que os problemas se manifestem. A sinergia entre o business intelligence e a inteligência artificial redefine a maneira como as empresas operam.

Qualidade, acesso e mudança

Apesar das mais-valias que o business intelligence traz para as operações diárias das organizações, a integração destas soluções apresenta desafios: escalabilidade, falta de clareza sobre como utilizar uma solução de business intelligence ou o acesso aos dados são apenas alguns.

	A integridade dos dados é “garantida através de uma estratégia rigorosa de data governance e um modelo robusto de gestão da qualidade dos dados” Rui Afeiteira, Chief Information Officer da BI4All

Rui Afeiteira, Chief Information Officer da BI4All, dá como exemplos de desafios sentidos pelas organizações a complexidade na implementação e adoção, uma vez que “as soluções de advanced analytics, como machine learning e IA generativa, exigem infraestruturas escaláveis e equipas qualificas para a sua implementação e monitorização”, a falta de alinhamento entre tecnologia e objetivos estratégicos, já que “nem todas as organizações têm uma estratégia clara de dados que alinhe as capacidades analíticas com as prioridades de negócio”, e ainda a escalabilidade e performance em tempo real, até porque “à medida que os volumes crescem exponencialmente, torna-se essencial investir em arquiteturas escaláveis e processamento em tempo real para garantir que as análises suportam decisões ágeis e estratégicas”.

Para Gilberto Rodrigues, Diretor da EY, AI & Data, Consulting, a dimensão do projeto e a falta de clareza sobre como utilizar a solução de business intelligence são dois desafios sentidos pelas organizações. No caso do primeiro ponto, “a dimensão da implementação pode ser um desafio significativo”, uma vez que os projetos “envolvem a integração de muitos sistemas fonte [e] grandes volumes de dados, o que pode tornar a sua implementação complexa e morosa”. No mesmo tema, “estas implementações podem acabar por criar o sentimento de frustração para os utilizadores de negócio”.

Já sobre o segundo ponto, Gilberto Rodrigues afirma que “ter acesso a uma grande quantidade de dados e relatórios não é útil se os gestores e equipas não sabem como interpretá-los ou aplicá-los nas suas decisões diárias. É essencial educar os utilizadores sobre como converter esses dados em decisões práticas e alinhar as análises com a estratégia de negócio. É importante envolver os colaboradores desde o início do processo de implementação, explicando os benefícios da tecnologia e oferecendo formação que demonstre como a solução pode facilitar o seu dia a dia”.

Filipa Caldeira, Advisor Data & AI Sales da IBM Portugal, aponta a falta de competências, a segurança, privacidade e acesso aos dados como desafios para as organizações. Filipa Caldeira indica que a falta de competências, “ou melhor, a falta de recursos internos com competências específicas em ciências de dados, engenharia e arquitetura para ajudar a garantir que a análise produza insights que reflitam a realidade” é um dos desafios que as organizações que procuram ter uma estratégia data-driven enfrentam.

Gilberto Rodrigues e Rui Afeiteira apontam, também, a resistência à mudança como um dos desafios das organizações. O interlocutor da EY explica que, “muitas vezes, os colaboradores sentem-se inseguros em relação à mudança e à utilização de novas ferramentas. A resistência cultural é um dos desafios mais recorrentes, pois tipicamente o BI impacta formas de trabalhar consolidadas e desafia hábitos antigos”. Já o CIO da BI4All defende que “muitas equipas de negócios ainda desconfiam das recomendações baseadas em dados, preferindo abordagens tradicionais de tomada de decisão. Sem um investimento claro na literacia de dados e formação contínua das equipas, as empresas não conseguem extrair o verdadeiro valor das suas iniciativas de dados”.

Por último, a qualidade dos dados é um ponto fulcral para uma estratégia de business intelligence e que é um desafio para as organizações. Rui Afeiteira e Filipa Caldeira apontam que os dados fragmentados, a dispersão e a qualidade dos mesmos como um desafio das organizações. Gilberto Rodrigues acrescenta que “dados incorretos, imprecisos ou incompletos podem levar à descrença total da solução de business intelligence implementada”.

Ser relevante (e escalável)

A qualidade dos dados “passa muito por um modelo de governo de dados robustos, onde os Owners e Stewards dos dados dos respetivos domínios e subdomínios de informação (definidos na arquitetura de dados), estabelecem de forma clara os critérios de qualidade de dados” Gilberto Rodrigues, Diretor da EY, AI & Data, Consulting

Gilberto Rodrigues, da EY, defende que é necessário implementar uma arquitetura de dados robusta para que as organizações possam garantir que as suas soluções de business intelligence continuam relevantes e escaláveis à medida que os volumes de dados aumentam. Com o mesmo propósito, diz, as organizações devem estabelecer um programa de governação de dados “com políticas e processos claros para a gestão de dados” que asseguram que “os dados são precisos, consistentes e seguros”. Depois, também se devem utilizar ferramentas de ETL – Extração, Transformação e Carregamento – para “automatizar a integração de dados de várias fontes” que “irá garantir a escalabilidade e permitir melhorar a eficiência e a consistência dos dados”. Também se devem implementar sistemas de monitorização de desempenho para avaliar a utilização e efetuar ajustes conforme as necessidades, analisar o desempenho, identificar bottlenecks e otimizar os processos. Por fim, na perspetiva de Gilberto Rodrigues, deve-se garantir a atualização contínua dos colaboradores sobre as melhores práticas e as novas tecnologias em business intelligence.

Filipa Caldeira aponta, em primeiro lugar, que “adotar soluções que ofereçam escalabilidade, melhor desempenho, funcionalidade e suporte para grandes volumes de dados é crítico”. Depois, explica, é preciso “garantir o acesso aos dados a quem toma decisões”, até porque “muitas empresas estão atrasadas tanto na estratégia de governo de dados como na democratização e acesso aos dados”.

Já Rui Afeiteira refere como pontos essenciais para manter as soluções de business intelligence relevantes as arquiteturas de dados modernas e escaláveis – como data lakes, data mesh e data fabric que “permitem gerir volumes crescentes de dados sem comprometer a performance” – a automação e IA para gestão de dados, a gestão contínua da qualidade e governação dos dados e, por último, a conformidade e segurança dos dados.

Garantir a integridade e qualidade dos dados

Os dados que são utilizados pelas organizações têm de ser precisos e consistentes para aumentar a competitividade das organizações. Filipa Caldeira defende que garantir a qualidade e integração de dados “não é uma tarefa única”, mas sim “um esforço contínuo que requer uma estratégia holística que envolve tecnologia, processos e pessoas”. Entre essas ações, devem-se considerar a implementação de “verificações de integridade de dados o mais próximo possível do ponto de entrada dos dados”, políticas, diretrizes e regras de restrições da integridade – como regras para formatos e valores –, diretrizes e políticas de retenção de dados, medidas de acessos segurança e integridade física, tecnologias de governo de dados e, ainda, promover a formação e uma cultura que “prioriza a qualidade e segurança dos dados juntos dos líderes de negócio e colaboradores em geral”.

Por sua vez, Rui Afeiteira defende que a integridade dos dados é “garantida através de uma estratégia rigorosa de data governance e um modelo robusto de gestão da qualidade dos dados”. Essa estratégia inclui políticas claras de validação e gestão de qualidade – em que frameworks como DAMADMBOK2 ou DCAM ajudam “a definir de forma clara estas políticas e processos” – ferramentas de data quality management, soluções baseadas em machine learning e IA generativa e mecanismos de feedback e auditoria.

Já Gilberto Rodrigues indica que a qualidade dos dados “passa muito por um modelo de governo de dados robustos, onde os Owners e Stewards dos dados dos respetivos domínios e subdomínios de informação (definidos na arquitetura de dados), estabelecem de forma clara os critérios de qualidade de dados”. Com os critérios bem definidos, torna-se “mais simples poder implementar formas de monitorizar a qualidade dos dados e criar alertas sempre que esta se degrade. Por sua vez, os dashboards criados para monitorizar a qualidade dos dados podem ser disponibilizados à comunidade de utilizadores da solução de business intelligence, que, assim, passam igualmente a ser atores no processo de melhoria contínua da solução e dos dados”.

Barreiras culturais

Para ter uma cultura data-driven numa organização é preciso ultrapassar várias barreiras culturais que impedem a correta adoção de soluções de business intelligence.

Para Rui Afeiteira, o exemplo deve começar de cima: “sem um compromisso da liderança e a demonstração clara de valor, a resistência organizacional podem travar a adoção” de analítica. Depois, a falta de literacia de dados limita a utilização eficaz das ferramentas, uma vez que os colaboradores se podem sentir inseguros ao interpretar insights analíticos. Também os silos organizacionais e a falta de colaboração impede a partilha eficiente de dados, onde “a implementação de data mesh e democratização dos dados” podem ser uma resposta para “promover uma maior colaboração interdepartamental”.

Gilberto Rodrigues aponta a resistência à mudança como “uma das barreiras mais comuns” porque “os colaboradores estão acostumados a métodos tradicionais de trabalho e podem sentir-se ameaçados pela introdução de novas tecnologias e novas formas de trabalhar”. Para superar essa resistência, diz, “é essencial promover uma cultura de inovação e melhoria contínua. Isso pode ser feito através de programas de formação e workshops que demonstrem os benefícios do business intelligence e como este pode facilitar o trabalho diário”.

	“Adotar uma cultura de tomada de decisão baseada em dados é o primeiro passo para o sucesso deste tipo de solução. Além de uma liderança forte, comunicação eficaz, formação e suporte contínuos” Filipa Caldeira, Advisor Data & AI Sales da IBM Portugal

Já Filipa Caldeira, da IBM, refere a “cultura de trabalho em silos” como um “fator de impedimento” na integração eficaz de dados e, por conseguinte, numa adoção de business intelligence bem-sucedida”. Na mesma linha, diz, “adotar uma cultura de tomada de decisão baseada em dados é o primeiro passo para o sucesso deste tipo de solução. Além de uma liderança forte, comunicação eficaz, formação e suporte contínuos, devemos também escolher uma solução que seja user-friendly, flexível, escalável e capacitada com IA para automatizar e fornecer insights críticos à tomada de decisão e, assim, obter em pleno os benefícios” do business intelligence.

Inteligência artificial e machine learning

O business intelligence conta, cada vez mais, com a integração de inteligência artificial e de machine learning. Gilberto Rodrigues defende que estas tecnologias “estão a transformar significativamente a forma como as empresas analisam e utilizam os dados”. A integração de IA e machine learning nas soluções de business intelligence permite “automatizar tarefas repetitivas e complexas, como a limpeza e preparação de dados, o que liberta os colaboradores para se concentrarem em atividades de maior valor”. Já a IA generativa “está a transformar a criação de conteúdo e a personalização de experiências. Com a capacidade de gerar novos dados, como textos, imagens e vídeos, a IA generativa pode ser utilizada para criar relatórios e visualizações de dados altamente personalizados e adaptados às necessidades específicas de cada utilizador”.

Filipa Caldeira afirma que, ainda que “os dashboards tradicionais tenham cumprido o seu papel, a verdade é que deixaram de ser suficientes”. A IA está “a mudar a forma como os utilizadores do negócio interagem com as plataformas analíticas para tomar decisões aumentando a sua adoção” e, segundo a Gartner, “40% dos utilizadores de plataformas de business intelligence vão ultrapassar desafios ao terem os seus dashboards, e até a descrição analítica, gerados por um chatbot generativo capacitado por IA” até ao final de 2025.

Por fim, Rui Afeiteira, da BI4All, explica que a analítica está a evoluir “de modelos descritivos para abordagens preditivas, prescritivas e autónomas” impulsionadas por IA e machine learning. Assim, vamos começar a ouvir cada vez mais de analítica aumentada, onde modelos avançados automatizam análises, geram narrativas explicativas e tornam os insights mais acessíveis.