TRANSFORMAÇÃO DIGITAL E INTELIGÊNCIA DE DADOS: ESTRATÉGIAS DE INOVAÇÃO NA GESTÃO EMPRESARIAL
DOI:
https://doi.org/10.66104/mqc3zh43Palavras-chave:
administração, transformação digital, big data, inteligência artificial, inovação organizacional.Resumo
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
Referências
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
Publicado
Edição
Seção
Licença
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
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista;
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista, desde que adpatado ao template do repositório em questão;
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
- Os autores são responsáveis por inserir corretamente seus dados, incluindo nome, palavras-chave, resumos e demais informações, definindo assim a forma como desejam ser citados. Dessa forma, o corpo editorial da revista não se responsabiliza por eventuais erros ou inconsistências nesses registros.
POLÍTICA DE PRIVACIDADE
Os nomes e endereços informados nesta revista serão usados exclusivamente para os serviços prestados por esta publicação, não sendo disponibilizados para outras finalidades ou a terceiros.
Obs: todo o conteúdo do trabalho é de responsabilidade do autor e orientador.
