TRANSFORMAÇÃO DIGITAL E INTELIGÊNCIA DE DADOS: ESTRATÉGIAS DE INOVAÇÃO NA GESTÃO EMPRESARIAL
DOI:
https://doi.org/10.66104/mqc3zh43Keywords:
administração, transformação digital, big data, inteligência artificial, inovação organizacional.Abstract
A transformação digital deixou de ser uma iniciativa pontual de tecnologia para tornar-se um imperativo estratégico que redesenha modelos de negócio, processos e cultura organizacional. Este artigo examina como big data, inteligência artificial (IA) e automação — apoiados por arquiteturas em nuvem, integração por eventos e práticas de MLOps — elevam produtividade, precisão decisória e competitividade. Em vez de digitalizar o “as is”, propõe-se reimaginar o “to be”: eliminar handoffs, padronizar entradas/saídas e acoplar decisões algorítmicas aos fluxos operacionais. Quatro pilares estruturam programas bem-sucedidos: (1) estratégia orientada a valor (P&L e OKRs); (2) arquitetura de dados e IA (lakehouse, APIs e feature store); (3) operating model e talentos; e (4) governança/risco (LGPD e IA responsável). A análise demonstra que dados são ativos apenas quando confiáveis; do contrário, tornam-se passivos que elevam custos. Qualidade e governança determinam o ROI de alavancas como manutenção preditiva, precificação dinâmica e agentes de IA. Valor é capturado quando recomendações alimentam decisões automatizadas com monitoramento de drift. Discutem-se armadilhas como “pilotos eternos” e métricas de vaidade, propondo-se o product management e testes A/B como contramedidas. O roteiro de 12 meses ilustra a trajetória da fundação à consolidação data-driven. Por fim, destaca-se que a vantagem competitiva reside na engenharia de decisão: transformar dados em decisões integradas à estratégia e sustentadas por governança robusta.
Downloads
References
AMERSHI, S. et al. Software engineering for machine learning: A case study. ICSE SEIP, p. 291-300, 2019.
ARMBRUST, M. et al. A view of cloud computing. Communications of the ACM, v. 53, n. 4, p. 50-58, 2010.
ARMBRUST, M. et al. Delta Lake: High-performance ACID table storage over cloud object stores. VLDB, v. 13, n. 12, p. 3411-3424, 2020.
ARMBRUST, M. et al. Lakehouse: A new generation of open platforms that unify data warehousing and advanced analytics. CIDR, 2021.
BRASIL. Lei nº 13.709/2018 — Lei Geral de Proteção de Dados Pessoais (LGPD). Diário Oficial da União, Brasília, DF, 2018.
BRECK, E. et al. Data validation for machine learning. MLSys (TFX/TFDV white paper), 2019.
BREIMAN, L. Random forests. Machine Learning, v. 45, p. 5-32, 2001.
BRYNJOLFSSON, E.; MCAFEE, A. Machine, Platform, Crowd. New York: W. W. Norton, 2017.
CAGAN, M. INSPIRED: How to Create Tech Products Customers Love. 2. ed. New Jersey: Wiley, 2018.
DAMA International. DAMA-DMBOK2: Data Management Body of Knowledge. 2. ed. 2017.
DAVENPORT, T. H.; HARRIS, J. G. Competing on Analytics: The New Science of Winning. Boston: Harvard Business Review Press, 2007.
DAVENPORT, T. H.; RONANKI, R. Artificial intelligence for the real world. Harvard Business Review, v. 96, n. 1, p. 108-116, 2018.
DEHGHANI, Z. Data Mesh: Delivering Data-Driven Value at Scale. Sebastopol: O’Reilly, 2022.
DOERR, J. Measure What Matters. New York: Portfolio, 2018.
FORSGREN, N.; HUMBLE, J.; KIM, G. Accelerate: The Science of DevOps. Portland: IT Revolution, 2018.
FOWLER, M. Patterns of Enterprise Application Architecture. Boston: Addison-Wesley, 2002.
FRANÇA, J. L. Manual para normalização de publicações técnico-científicas. 8. ed. Belo Horizonte: Ed. UFMG, 2008.
GANDOMI, A.; HAIDER, M. Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management, v. 35, n. 2, p. 137-144, 2015.
GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. Cambridge: MIT Press, 2016.
HEVNER, A. R. et al. Design science in information systems research. MIS Quarterly, v. 28, n. 1, p. 75-105, 2004.
ISO/IEC 27001:2022. Information Security, Cybersecurity and Privacy Protection — ISMS Requirements, 2022.
KREUZBERGER, R.; KÜHL, D.; POLZE, J. MLOps: A survey of techniques for operationalizing machine learning. ACM Computing Surveys, 2023.
LEWIS, P. et al. Retrieval-augmented generation for knowledge-intensive NLP. NeurIPS, 2020.
NIST. AI Risk Management Framework 1.0. National Institute of Standards and Technology, 2023.
PROVOST, F.; FAWCETT, T. Data Science for Business. Sebastopol: O’Reilly, 2013.
SCULLEY, D. et al. Hidden technical debt in machine learning systems. NIPS, p. 2503-2511, 2015.
UNIÃO EUROPEIA. Regulamento (UE) 2016/679 (GDPR), 2016.
WESTERMAN, G.; BONNET, D.; MCAFEE, A. Leading Digital: Turning Technology into Business Transformation. Boston: Harvard Business Review Press, 2014.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Magno Oliveira Ramos, Agnaldo Braga Lima , Murillo Nazareno Cavalcante Aguiar, Reginaldo Magalhães, Mônica Aparecida Bortolotti , Rodrigo Oliveira Miranda, Cibely Maria Ferreira de Abreu, Edson Anilo Cardoso de Moraes, Douglas Alves Soares, Marcello Pires Fonseca, Luiz Daniel Albuquerque Dias, Cínthia Ladjane de Souza Holanda, Antonio Esmerahdson de Pinho da Silva, Leandro Rachel Arguello
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish in this journal agree to the following terms:
Authors retain copyright and grant the journal the right of first publication, with the work simultaneously licensed under the Creative Commons Attribution License, which permits the sharing of the work with proper acknowledgment of authorship and initial publication in this journal;
Authors are authorized to enter into separate, additional agreements for the non-exclusive distribution of the version of the work published in this journal (e.g., posting in an institutional repository or publishing it as a book chapter), provided that authorship and initial publication in this journal are properly acknowledged, and that the work is adapted to the template of the respective repository;
Authors are permitted and encouraged to post and distribute their work online (e.g., in institutional repositories or on their personal websites) at any point before or during the editorial process, as this may lead to productive exchanges and increase the impact and citation of the published work (see The Effect of Open Access);
Authors are responsible for correctly providing their personal information, including name, keywords, abstracts, and other relevant data, thereby defining how they wish to be cited. The journal’s editorial board is not responsible for any errors or inconsistencies in these records.
PRIVACY POLICY
The names and email addresses provided to this journal will be used exclusively for the purposes of this publication and will not be made available for any other purpose or to third parties.
Note: All content of the work is the sole responsibility of the author and the advisor.
