10 de noviembre de 2026
Behaviour Insights: A comercialização de dados para tomada de decisões estratégicas no setor de tecnologia
César Valandro Moutinho; Aimar Martins Lopes
DOI: 10.22167/2675-6528-202604386
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
A crescente utilização da inteligência artificial e da big data por empresas de tecnologia ampliou o uso de dados pessoais como ativos estratégicos, mas também intensificou riscos éticos relacionados à privacidade, consentimento e transparência. Nesse contexto, investigou-se como usuários com conhecimento mínimo sobre a Lei Geral de Proteção de Dados (LGPD), inteligência artificial e dados percebem a legitimidade e a ética do uso do produto Behaviour Insights, desenvolvido pela Meta, e quais contrapartidas consideraram aceitáveis para autorizar o tratamento de dados. Para tanto, realizou-se uma pesquisa aplicada, de abordagem quantitativa, descritiva e exploratória. A coleta de dados ocorreu por meio de um questionário estruturado, aplicado a 100 participantes da região Sudeste do Brasil com conhecimento mínimo sobre LGPD, IA e dados. A análise dos dados foi estatística e incluiu triangulação para maior robustez. Os resultados indicaram que a presença de algoritmos preditivos é amplamente percebida, e 55,6% dos usuários consideraram os sistemas de recomendação algorítmica positivos para sua experiência. Contudo, 82,7% dos respondentes avaliaram negativamente a comercialização de seus dados para terceiros sem consentimento explícito. A legitimidade percebida do Behaviour Insights não se associou à sofisticação técnica, mas à existência de governança de dados, transparência algorítmica e controle do titular. Concluiu-se que a aceitação de soluções preditivas, como o Behaviour Insights, depende da percepção de benefício direto ao usuário e da clareza sobre o uso dos dados, com forte rejeição à comercialização sem consentimento. Recomenda-se que as organizações explicitem as finalidades do uso de dados e as contrapartidas oferecidas para aumentar a aceitação.
Palavras-chave: Comercialização de dados; Criatividade combinatória; LGPD; Predição; Privacidade.
1. Introdução
A acelerada evolução da inteligência artificial e da big data no período pós-pandemia evidenciou a importância do ambiente digital e sua capacidade de gerar valor econômico a partir de informações pessoais. Os dados consolidaram-se como ativos estratégicos para a criação de oportunidades de negócio no setor de tecnologia e comércio (Museti e Finoto, 2023). A big data consiste na coleta e no processamento de grandes volumes de dados pessoais dos titulares, que, no contexto empresarial, são destinados a atender demandas de consumo e aprimorar a eficiência operacional. Contudo, conforme destacam Museti e Finoto (2023), muitas vezes as corporações utilizam essas informações de forma abusiva, formando perfis detalhados de consumidores para influenciar decisões de compra ou empregando os dados para finalidades distintas das originalmente autorizadas. Este cenário amplia tensões éticas sobre privacidade, consentimento, autonomia decisória do consumidor e transparência de negócios (Floridi, 2020).
Em resposta a essas tensões, a Lei Geral de Proteção de Dados (Lei nº 13.709/2018) surgiu para regulamentar o uso responsável das informações pessoais, impondo às organizações a adoção de práticas de transparência, segurança e consentimento informado (Doneda, 2021). No cenário comercial, a venda e a troca de dados tornaram-se práticas atrativas, mas também arriscadas, exigindo salvaguardas para evitar usos secundários, fraudes e vazamento de informações (Costa, 2022). A legislação transfere às empresas a responsabilidade de garantir transparência, segurança e consentimento informado no tratamento e na comercialização de dados pessoais, embora não proíba a cessão onerosa em relações privadas, permitindo ao indivíduo o direito de negar essa ação (Costa, 2022).
Nesse contexto, a análise de dados pessoais mediada por modelos preditivos e algoritmos de machine learning tornou-se um dos principais vetores de inovação empresarial. Evidências empíricas indicam que equipes que utilizam inteligência artificial produzem 17,2% mais protótipos de tecnologia, 44,1% mais materiais novos e 39,4% mais patentes do que equipes sem uso de IA (Dória, 2025). Esses dados reforçam o potencial transformador da IA aplicada à inovação, permitindo extrair padrões de comportamento, antecipar demandas e personalizar ofertas em escala. No entanto, essa aplicação também amplia os desafios relacionados à privacidade, à autonomia e à governança digital (Floridi, 2020). Paralelamente, a governança de dados com IA é posicionada como pilar para operações seguras, escaláveis e em conformidade, com algoritmos de machine learning desempenhando papel crucial na classificação de dados sensíveis, monitoramento preditivo e auditorias contínuas (Meta, 2025).
Diante deste cenário, a Meta, uma empresa brasileira de tecnologia, desenvolveu o produto Behaviour Insights em parceria com a Manfing. Este produto utiliza processos de machine learning para identificar padrões ocultos ao cruzar dados de clientes com mais de 120 fontes externas, resultando em análises preditivas avançadas. A tecnologia oferece recomendações de compras, previsão de demanda e otimização de operações, visando maior precisão na produção e aumento de conversões em vendas para as empresas do setor de tecnologia ofertarem a seus clientes (Mercado & Consumo, 2024).
Este modelo de oferta intensifica os desafios de governança de dados e autonomia do usuário sobre suas informações, configurando uma problemática central. A justificativa para esta pesquisa reside na necessidade de produzir evidências que auxiliem organizações a equilibrar inovação e proteção de direitos, convertendo princípios éticos em critérios mensuráveis de desenho, implantação e comunicação de soluções baseadas em dados, com vistas ao equilíbrio entre o retorno para as empresas e os benefícios percebidos pelos usuários finais (Floridi, 2020; Costa, 2022; Meta, 2025; Mercado & Consumo, 2024). Assim, o objetivo deste estudo é investigar em que medida a aplicação do Behaviour Insights para fins comerciais, apoiada em IA e em múltiplas fontes de dados, é percebida como legítima e ética por usuários com conhecimento mínimo sobre LGPD, dados e machine learning, bem como quais contrapartidas esses usuários consideram aceitáveis em troca da autorização desse tratamento de dados.
2. Material e Métodos
O presente estudo caracterizou-se como uma pesquisa aplicada, de abordagem quantitativa, com caráter descritivo e exploratório. A escolha da abordagem quantitativa fundamentou-se na sua capacidade de permitir a coleta, organização e análise de dados numéricos, o que facilita a identificação de padrões, tendências e relações entre variáveis, conforme destacado por De Medeiros et al. (2015). Essa metodologia contribuiu para a redução de vieses interpretativos e para o aumento da confiabilidade dos resultados obtidos, alinhando-se ao objetivo de investigar a percepção de usuários sobre a legitimidade e a ética do produto Behaviour Insights.
A estratégia de pesquisa adotada seguiu um processo sequencial, adaptado do procedimento metodológico proposto por Conforto et al. (2011). Este método compreendeu três etapas principais: a definição e caracterização da população e da amostra, a aplicação de um instrumento estruturado de pesquisa quantitativa e a análise estatística dos resultados obtidos. O fluxo metodológico foi concebido para abordar de forma sistemática as dimensões de percepção algorítmica e ética do uso de dados pessoais.
A população-alvo foi definida como indivíduos com conhecimento básico sobre a Lei Geral de Proteção de Dados (LGPD), inteligência artificial (IA) e tratamento de dados. Adicionalmente, esses indivíduos deveriam utilizar regularmente plataformas digitais que operam com recomendações automatizadas, segmentação comportamental ou algoritmos de predição. Esse recorte foi estabelecido para incluir usuários cotidianamente expostos a práticas de coleta e cruzamento de informações pessoais em ambientes digitais, tornando-os adequados para a investigação das questões centrais do estudo.
A amostra foi composta por 100 participantes residentes na região Sudeste do Brasil, selecionados por amostragem por julgamento, conforme descrito por Malhotra (2012). Por se tratar de uma amostra não probabilística, os resultados obtidos não possuem caráter de generalização estatística. Contudo, essa abordagem permitiu a identificação de padrões e tendências relevantes dentro do universo analisado, fornecendo insights específicos sobre as percepções do grupo estudado.
As principais variáveis investigadas incluíram a percepção da presença de algoritmos de predição em plataformas digitais, a avaliação da experiência do usuário com esses sistemas, a percepção ética sobre o uso de dados pessoais, e a aceitação da comercialização dessas informações. Variáveis demográficas, como faixa etária e área de formação, também foram coletadas para caracterizar o perfil dos participantes e permitir análises comparativas.
O instrumento de coleta de dados consistiu em um questionário estruturado, composto por 18 perguntas. A elaboração das questões seguiu as diretrizes de Malhotra (2012) e Hair et al. (2014), que especificam a apresentação de um conjunto padronizado de respostas alternativas aos respondentes. Este formato visou garantir a uniformidade na coleta e a comparabilidade das informações.
Para as questões de perfil e uso de plataformas digitais, adotou-se o formato de múltipla escolha, permitindo a seleção de mais de uma alternativa. Já para as questões de percepção e avaliação ética, utilizou-se a escala do tipo Likert de cinco pontos. Nesta escala, o valor 1 correspondeu à ausência de percepção, conhecimento ou concordância, enquanto o valor 5 indicou elevada percepção, conhecimento ou alto grau de concordância com as afirmativas apresentadas (Cunha, 2007). As perguntas foram elaboradas para caracterizar o cenário de mercado onde algoritmos de predição são empregados em redes sociais, plataformas de e-commerce e aplicativos de streaming.
A coleta de dados foi realizada digitalmente por meio da plataforma Google Forms, sem qualquer interação direta do pesquisador com os respondentes durante o preenchimento. O questionário foi encaminhado aos participantes selecionados durante os meses de novembro e dezembro de 2025, com um prazo de sete dias úteis para preenchimento. Estimou-se que o tempo necessário para responder seria de aproximadamente dez a quinze minutos. Caso o número de respostas válidas fosse inferior ao estimado, novos participantes com perfil compatível seriam identificados para assegurar a robustez dos dados.
A análise quantitativa dos dados foi realizada por meio de estatística descritiva, que incluiu o cálculo da soma ou da média das respostas, com a atribuição de um peso específico a cada item da escala, conforme proposto por Cunha (2007). Essa abordagem permitiu a organização e sumarização das informações coletadas, fornecendo uma base para a identificação de padrões de percepção.
Adicionalmente, foram realizados cruzamentos entre as variáveis demográficas e as percepções dos respondentes, com o intuito de obter uma visão panorâmica sobre a presença e a ética dos algoritmos de predição nos diferentes canais. Para ampliar a robustez interpretativa dos resultados, aplicou-se a triangulação de dados, conforme descrito por Zappellini e Feuerschütte (2015). Esta técnica consistiu no cruzamento de diferentes fontes ou métodos de análise, realizando análises comparativas entre perfis de respondentes, considerando fatores como faixa etária, área de formação e posicionamento em relação ao uso de dados e algoritmos, visando maior validade e profundidade às conclusões.
No que tange às considerações éticas, todos os participantes da pesquisa foram submetidos a um Termo de Consentimento Livre e Esclarecido (TCLE). Por meio deste termo, os participantes autorizaram o uso de suas respostas exclusivamente para fins acadêmicos, garantindo-se a privacidade, o consentimento informado e a confidencialidade dos dados fornecidos. O TCLE encontra-se disponível no apêndice deste trabalho.
3. Resultados e Discussão
Os resultados da pesquisa permitiram uma compreensão aprofundada da percepção dos usuários sobre a legitimidade e a ética do uso de dados pessoais em soluções baseadas em inteligência artificial, como o produto Behaviour Insights. A amostra, composta por 100 participantes da região Sudeste do Brasil, revelou um perfil etário diversificado, com 44% dos entrevistados na faixa de 29 a 34 anos, 28% entre 35 e 45 anos, 23% de 18 a 28 anos e 5% com mais de 45 anos. Essa distribuição etária foi considerada adequada para investigar a percepção de usuários com diferentes níveis de familiaridade com tecnologias digitais e suas implicações, conforme o perfil desejado para o estudo.
A percepção da presença de algoritmos preditivos para recomendação de conteúdo emergiu como um achado central, sendo amplamente reconhecida pelos respondentes como um componente intrínseco da experiência digital. Os usuários demonstraram familiaridade com sistemas automatizados de recomendação em diversos ambientes, incluindo redes sociais, plataformas de e-commerce e serviços de streaming. Essa constatação alinha-se à literatura que descreve a inteligência artificial preditiva como uma infraestrutura invisível, mas onipresente, que molda as interações digitais e as decisões de consumo (Floridi, 2020).
Ao analisar a percepção algorítmica por canal, observou-se que as redes sociais apresentaram o maior nível de reconhecimento. Aproximadamente 89% dos participantes atribuíram valores elevados (níveis 4 e 5 em uma escala Likert de 1 a 5) à percepção de conteúdos sugeridos com base em suas interações. Especificamente, 54% dos respondentes indicaram o nível máximo de percepção (nível 5), e 35% o nível 4, totalizando uma forte consciência da atuação algorítmica nesses ambientes.
Os aplicativos de streaming ocuparam a segunda posição em termos de percepção da presença algorítmica. Cerca de 75% dos entrevistados indicaram uma alta percepção de recomendações baseadas em histórico de consumo, com 38% no nível 5 e 27% no nível 4 da escala Likert. Isso reforça o papel dos modelos de machine learning na curadoria automatizada de conteúdos audiovisuais, evidenciando a naturalização desses sistemas na experiência do usuário.
As plataformas de e-commerce, por sua vez, apresentaram uma percepção ligeiramente inferior, com aproximadamente 60% dos participantes identificando claramente a influência de algoritmos de predição na sugestão de produtos e ofertas. Neste segmento, 48% dos respondentes indicaram o nível 5 de percepção e 27% o nível 4. A análise comparativa entre os canais sugere que os algoritmos de recomendação são percebidos como mais intrusivos em ambientes de interação contínua de conteúdo, como redes sociais e streaming, do que em contextos transacionais, como o e-commerce.
A pesquisa também investigou a exposição dos participantes a plataformas digitais que utilizam algoritmos de predição e recomendação. Os resultados indicaram um elevado uso de ambientes orientados por sistemas algorítmicos. O Instagram foi a rede mais utilizada, com 84% dos respondentes, seguido pelo TikTok (75%), X (68%), Spotify (65%) e Facebook (49%). Essa alta taxa de uso intensivo de plataformas baseadas em algoritmos reforça a validade das análises sobre a percepção, experiência e avaliação ética dos sistemas preditivos, indicando que as opiniões dos participantes são oriundas de interações recorrentes e não esporádicas.
No que tange à avaliação da experiência do usuário com sistemas de recomendação algorítmica, 55,6% dos respondentes afirmaram que esses sistemas são positivos para sua experiência. Contudo, uma parcela significativa da amostra demonstrou indiferença (22,2%) ou avaliou negativamente o uso (22,2%). Esses dados revelam que, embora haja uma maioria favorável, existe um grupo considerável de usuários (44,4%) que não percebe valor ou manifesta resistência aos algoritmos de predição, sugerindo que a eficácia da personalização não é homogênea para todos os perfis de usuários.
A dimensão ética do uso de dados pessoais revelou uma divisão clara de opiniões. Os participantes consideraram eticamente aceitável o uso de algoritmos para recomendação de conteúdos quando há um benefício direto e perceptível ao usuário. No entanto, essa aceitação diminuiu drasticamente quando o tema abordou a comercialização de dados pessoais para terceiros sem consentimento explícito. A maioria dos respondentes, 82,7%, avaliou negativamente a venda ou o compartilhamento de seus dados para que outras empresas aprimorem algoritmos de recomendação.
Essa distinção cognitiva entre o uso primário dos dados para personalização da própria experiência e o uso secundário para monetização e transferência de valor informacional é um achado crucial. Enquanto 43,2% dos respondentes consideraram o sistema baseado em recomendações por algoritmo eticamente correto, 29,6% o consideraram incorreto e 27,2% ficaram em dúvida. Essa percepção complexa sublinha a necessidade de transparência e controle na governança de dados, conforme discutido por Floridi (2020) e Costa (2022).
Em relação ao conhecimento sobre a utilização dos dados, 55,6% dos participantes afirmaram saber como seus dados são utilizados pelas plataformas para o treinamento de algoritmos. Contudo, 32,1% declararam não ter esse conhecimento, e 12,3% o tinham apenas parcialmente. Esses números indicam uma lacuna informacional significativa, reforçando a necessidade de as empresas serem mais explícitas sobre as finalidades do uso de dados, especialmente no contexto de soluções como o Behaviour Insights.
Os resultados quantitativos corroboraram a hipótese central da pesquisa: a legitimidade percebida de soluções baseadas em análise preditiva, como o Behaviour Insights, não depende primariamente da sofisticação técnica dos modelos ou da capacidade de gerar personalização em escala. Em vez disso, a aceitação está intrinsecamente ligada à existência de mecanismos claros de governança de dados, transparência algorítmica e controle efetivo por parte do titular das informações, conforme apontado por Meta (2025).
Observou-se que os participantes tendem a aceitar sistemas preditivos quando estes operam sob uma lógica de benefício direto, proporcionalidade e previsibilidade. Essa aceitação, contudo, é acompanhada por uma resistência notável quando os usuários percebem riscos à sua autonomia informacional ou desvio da finalidade original do tratamento de dados. A comercialização de dados para terceiros sem consentimento explícito é um exemplo claro dessa resistência, indicando que a confiança é um pilar fundamental para a aceitação de tecnologias baseadas em IA.
A visibilidade dos algoritmos, por sua vez, mostrou-se mais associada à frequência e à continuidade da interação do usuário com a plataforma do que à simples ocorrência de transações comerciais. Ambientes de consumo contínuo, como redes sociais e plataformas de streaming, tornam os sistemas preditivos mais perceptíveis. Em contraste, contextos transacionais, como o e-commerce, tendem a naturalizar as recomendações algorítmicas dentro da lógica de compra, o que pode reduzir a percepção da atuação autônoma dos algoritmos.
Em síntese, os achados da pesquisa indicam que a aceitação de soluções preditivas, como o Behaviour Insights, é condicionada pela percepção de benefício direto ao usuário e pela clareza sobre o uso dos dados. A forte rejeição à comercialização sem consentimento explícito e a demanda por governança, transparência e controle do titular são fatores determinantes para a legitimidade e ética percebidas, respondendo diretamente ao objetivo do estudo de investigar a percepção de usuários e as contrapartidas aceitáveis para o tratamento de dados.
4. Conclusão
O presente estudo investigou a percepção de usuários com conhecimento mínimo sobre LGPD, inteligência artificial e dados acerca da legitimidade e ética do uso do produto Behaviour Insights para fins comerciais, bem como as contrapartidas aceitáveis para o tratamento de dados. Verificou-se que a presença de algoritmos preditivos é amplamente percebida pelos usuários em diferentes plataformas digitais, com 55,6% considerando os sistemas de recomendação algorítmica positivos para sua experiência. Contudo, observou-se uma forte rejeição à comercialização de dados para terceiros sem consentimento explícito, com 82,7% dos respondentes avaliando negativamente essa prática. A legitimidade percebida do Behaviour Insights não se associou à sofisticação técnica, mas sim à existência de governança de dados, transparência algorítmica e controle do titular. Essa distinção cognitiva entre o uso primário dos dados para personalização da própria experiência e o uso secundário para monetização e transferência de valor informacional emergiu como um achado crucial.
A principal contribuição deste estudo reside na elucidação de que a aceitação de soluções preditivas, como o Behaviour Insights, é condicionada pela percepção de benefício direto ao usuário e pela clareza sobre o uso dos dados. As organizações que operam com análise preditiva alcançarão maior aceitação ao tornarem explícitas as finalidades do uso dos dados e as contrapartidas oferecidas, convertendo princípios éticos em critérios operacionais mensuráveis. Recomenda-se, portanto, que empresas como a Meta explicitem os limites do uso de dados, especialmente no cruzamento com fontes externas, e ofereçam valor claro ao usuário, consolidando uma abordagem em que ética e operação caminham de forma integrada. É importante salientar que, por se tratar de uma amostra não probabilística, os resultados identificam padrões e tendências relevantes, mas não possuem caráter de generalização estatística.
Referências Bibliográficas
CONFORTO, Edivandro Carlos; AMARAL, Daniel Capaldo; SILVA, SL da. Roteiro para revisão bibliográfica sistemática: aplicação no desenvolvimento de produtos e gerenciamento de projetos. In: 8º Congresso Brasileiro de Gestão de Desenvolvimento de Produto, Porto Alegre, RS, Brasil. Anais. pages 1–12, 2011.
Costa, L. 2022. Conheça os riscos da venda de dados e o porquê sua empresa deve se preocupar. Idwall, São Paulo, SP, Brasil. Disponível em: https://blog.idwall.co/venda-de-dados-perigos/. Acesso em: 7 out. 2025.
CUNHA, L. M. da. 2007. Modelos Rasch e Escalas de Likert e Thurstone na medição de atitudes. 78 f. 2007. Dissertação de Mestrado em Probabilidades e Estatística. Universidade de Lisboa, Lisboa, Portugal, 2007.
DE MEDEIROS, Ivan Luiz et al. 2015. Revisão Sistemática e Bibliometria facilitadas por um Canvas para visualização de informação. InfoDesign-Revista Brasileira de Design da Informação, v. 12, n. 1, p. 93-110, 2015.
Doneda, 2021 [Referência completa não encontrada no documento original]
Dória, P. 2025. O Futuro da IA no Mundo Empresarial. In: SAP Bureau 2025, 2025, São Paulo, SP, Brasil. Informação verbal.
Finoto, L.; Museti, C. 2023. O Big Data e a Lei Geral de Proteção de Dados: a responsabilidade civil de empresas que utilizam os dados coletados de forma ilícita. 1ed. Editora Dialética, São Paulo, SP, Brasil.
Floridi, L. 2023. The Ethics of Artificial Intelligence: Principles, Challenges, and Opportunities. 1ed. Oxford University Press, Oxford, Inglaterra.
Hair Jr, J. F.; Celsi, M. W.; Ortinau, D. J.; Bush, R. P. 2014. Fundamentos de pesquisa de marketing. 3 ed. AMGH Editora, Porto Alegre, Rio Grande do Sul, Brasil.
MALHOTRA, N. K. 2012. Pesquisa de marketing: uma orientação aplicada. 6 ed. Editora Bookman, Porto Alegre, Rio Grande do Sul, Brasil.
Mercado & Consumo. 2024. Meta lança plataforma de IA preditiva para otimizar operações e aumentar conversões. Mercado & Consumo, São Paulo, SP, Brasil. Disponível em: https://mercadoeconsumo.com.br/13/08/2024/inovacao/meta-lanca-plataforma-de-ia-preditiva-para-otimizar-operacoes-e-aumentar-conversoes/. Acesso em: 7 out. 2025.
Meta. 2025. IA na Governança de Dados e Processamento: Segurança, Compliance e Eficiência. Meta, São Paulo, SP, Brasil. Disponível em: https://meta.com.br/insights/artigos/ia-governanca-de-dados-e-processamento. Acesso em: 17 out. 2025.
ZAPPELLINI, M. B.; FEUERSCHÜTTE, S. G. 2015. O uso da triangulação na pesquisa científica brasileira em administração. Administração: Ensino e Pesquisa, v. 16, n. 2, p. 241-273, 30 jun. 2015.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy