Artigo

Leslie Dayane da Silva Cruz; Nicole Cerci Mostagi

DOI: 10.22167/2675-6528-202602552

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 de dados no marketing digital impulsionou a adoção de estratégias mais orientadas por métricas e desempenho, com o Inbound Marketing em destaque. O uso de ferramentas de Business Intelligence (BI) mostrou-se fundamental para transformar dados em informações estratégicas, apoiando a tomada de decisão e a construção de bases de contatos qualificadas. Analisou-se como a ausência de integração entre sistemas de BI e plataformas de automação de marketing impactou a eficiência operacional e a efetividade das estratégias de Inbound Marketing em uma empresa de engenharia. Para isso, adotou-se uma abordagem descritiva de natureza qualitativa, baseada na análise dos processos operacionais envolvidos, desde a leitura de relatórios extraídos do BI e sua posterior transformação em mailings, até a preparação para importação no RD Station. Os resultados indicaram que o processo atual dependia de etapas manuais e empíricas, demandando tempo significativo. Identificaram-se limitações relacionadas à ausência de integração entre os sistemas, o que impactou diretamente a eficiência operacional e aumentou a dependência de atividades repetitivas. Concluiu-se que a estruturação adequada do processo de gestão de mailings e a integração entre BI e ferramentas de automação de marketing representam uma oportunidade para otimizar fluxos, melhorar a qualidade dos dados e fortalecer as estratégias de Inbound Marketing.

Palavras-chave: Automação de Marketing; Business Intelligence; Inbound Marketing; Integração de Sistemas; RD Station.

1. Introdução

O crescimento acelerado das tecnologias digitais e o volume cada vez maior de informações disponíveis transformaram o ambiente organizacional em um cenário mais competitivo e complexo. Nesse contexto, as práticas de marketing passaram a depender tanto da compreensão do comportamento do consumidor quanto da capacidade de converter dados em estratégias de valor (Rosário; Dias, 2023; Zhou; Hou, 2024). Empresas que lidam com grandes volumes de dados provenientes de múltiplas fontes necessitam desenvolver competências analíticas para aplicar essas informações de modo estratégico na tomada de decisão, pois a informação, quando bem tratada e interpretada, torna-se um recurso central para a definição de campanhas mais eficazes e direcionadas (Rosário; Dias, 2023).

Nesse cenário, o Business Intelligence (BI) emerge como uma das principais ferramentas para transformar dados em ações concretas. A plataforma atua como suporte à gestão, reunindo informações de diferentes áreas da empresa e permitindo análises estratégicas que orientam decisões de curto, médio e longo prazo. O BI possibilita compreender indicadores de desempenho, mensurar resultados e identificar oportunidades de melhoria. Sua aplicação vai além do aspecto tecnológico, configurando-se como uma abordagem de inteligência corporativa que contribui para a eficiência das campanhas e para o alinhamento entre planejamento e execução (Movtech, 2024).

Apesar da abundância de dados, o excesso de informações pode se tornar um obstáculo à gestão quando não há um processo adequado de filtragem e análise. Dados brutos, por si só, não possuem valor se não forem transformados em conhecimento aplicável e estratégico, sendo essa transformação um dos objetivos centrais da análise de dados (Viasoft, 2024; Análise de Dados, 2024). A aplicação do BI em contextos organizacionais permite compreender relações complexas entre dados de desempenho e comportamento de mercado, aprimorando o processo de tomada de decisão (Maghsoudi; Nezafati, 2023). O uso do BI, aliado à análise de dados em larga escala, promove maior precisão na interpretação de métricas de marketing e eficiência operacional (Adeleye et al., 2024).

A combinação de plataformas de automação, como o RD Station, com sistemas de Business Intelligence, como o Power BI, estabelece uma base robusta para o marketing orientado por dados. Essa integração concede às empresas uma visão unificada e estratégica de suas operações (Maghsoudi, 2023; Nezafati, 2023). Essa abordagem é crucial para o Inbound Marketing, que se baseia na construção de relacionamento ao longo da jornada do cliente, envolvendo etapas como atração, conversão, nutrição e fidelização de leads.

Nesse contexto, a Arial Engenharia, uma empresa que atua no setor da construção civil, oferece soluções inovadoras voltadas à eficiência e à qualidade das obras. Seu portfólio inclui produtos como espaçadores plásticos e uma linha química composta por desmoldantes, plastificantes e aditivos para o concreto. Com foco no mercado B2B, a Arial Engenharia utiliza o BI e o RD Station como suporte na análise de dados e na execução de suas estratégias de Inbound Marketing, buscando visualizar dados de forma mais assertiva e transformá-los em mailings para campanhas segmentadas.

Contudo, a estratégia de Inbound Marketing da Arial Engenharia é executada de forma desordenada e com alta dependência manual. O processo atual de extração de relatórios do BI, transformação em mailings e importação para o RD Station envolve etapas manuais e empíricas, que consomem tempo significativo e impactam a eficiência operacional. A ausência de integração entre os sistemas resulta em atividades repetitivas e limita a agilidade na resposta às oportunidades de mercado. Diante dessa lacuna operacional, este estudo se justifica pela necessidade de otimizar os fluxos, melhorar a qualidade dos dados e fortalecer as estratégias de Inbound Marketing, com o objetivo de analisar como a falta de integração entre o BI e o RD Station impacta a execução do Inbound Marketing na Arial Engenharia, combinando a análise dos processos operacionais com a mensuração dos impactos gerados.

2. Material e Métodos

A pesquisa foi delineada como um estudo de caso descritivo, empregando uma abordagem metodológica mista, que combinou elementos qualitativos e quantitativos. A vertente qualitativa permitiu uma compreensão aprofundada dos processos operacionais em questão, enquanto a abordagem quantitativa possibilitou a mensuração dos impactos das ações de marketing baseadas em dados. Este tipo de estudo, conforme Gil (2019), busca explorar um fenômeno em seu contexto real, oferecendo uma análise detalhada dos processos e dos resultados observados.

O estudo foi conduzido na Arial Engenharia, uma empresa do setor da construção civil (nome fictício), especializada na fabricação de espaçadores plásticos e soluções químicas, como desmoldantes, agentes plastificantes e de cura do concreto. Adotaram-se dados quantitativos para mensurar o impacto das ações de marketing baseadas em dados, conforme preconizado por Malhotra (2020) e Hair et al. (2019). Esses dados foram extraídos de relatórios gerados pela plataforma de Business Intelligence (BI) da empresa.

A coleta de dados realizou-se por meio da extração de informações diretamente dos sistemas internos da empresa: o Business Intelligence (BI) e o RD Station. O sistema de BI foi empregado para a visualização de relatórios e a extração de mailings, enquanto o RD Station forneceu dados sobre bases de clientes, processos de importação e segmentação. As informações coletadas eram de natureza secundária, provenientes dos registros internos da Arial Engenharia e de suas plataformas de marketing, assegurando a relevância dos dados analisados.

Para estruturar a investigação, detalharam-se os conceitos centrais do estudo, que incluíram a tomada de decisão orientada por dados, o Inbound Marketing e a integração e automação de sistemas. Para cada conceito, foram formuladas questões específicas, como a identificação dos dados utilizados na tomada de decisão e a forma de conversão desses dados para o marketing. Também se abordou o processo de importação de bases para o RD Station e a possibilidade de otimização do processo, com o objetivo de descrever o fluxo atual e analisar a aplicação prática do método.

A análise dos dados seguiu uma abordagem interpretativa, focada na identificação de padrões operacionais, na detecção de gargalos no fluxo de dados e na compreensão das relações entre a análise e a execução das estratégias de marketing. O propósito foi construir uma compreensão aprofundada do fenômeno investigado, sem buscar generalizações estatísticas (Bardin, 2016). Essa análise visou descrever o processo atual adotado pela empresa.

No contexto da Arial Engenharia, o processo analisado envolveu a transformação de dados obtidos dos relatórios de BI em bases de contatos operacionais, ou mailings, para uso do setor de marketing. Esse procedimento compreendeu a extração manual de dados dos clientes, incluindo nome, segmento, telefone e e-mail, e a organização dessas informações em planilhas. Posteriormente, essas bases foram preparadas para importação na plataforma RD Station, visando campanhas segmentadas de Inbound Marketing.

A etapa de tratamento dos dados, que antecedeu a importação, consistiu na limpeza e padronização das informações. Observou-se que a base de dados brutos, extraída do BI, apresentava dados heterogêneos, com variações de preenchimento, ausência de padronização e inclusão de informações não diretamente relevantes para a comunicação. Essa etapa manual de limpeza e organização foi fundamental para adequar os dados aos requisitos da plataforma de automação de marketing.

Após o tratamento, o processo de importação e segmentação das bases no RD Station foi analisado. Este procedimento envolveu a seleção do mailing, a definição da base legal para comunicação, em conformidade com a Lei Geral de Proteção de Dados (LGPD), e a configuração de segmentação. A identificação da base por meio de renomeação e a aplicação manual de tags de classificação foram etapas realizadas para organizar os contatos e permitir sua utilização em campanhas (RD Station, 2023).

3. Resultados e Discussão

A análise dos resultados revelou que a Arial Engenharia, embora utilize ferramentas de Business Intelligence (BI) e automação de marketing, enfrenta desafios significativos na integração desses sistemas, o que impacta a eficiência operacional e a efetividade de suas estratégias de Inbound Marketing. O estudo aprofundou-se na interpretação dos processos operacionais e na análise dos dados extraídos dos relatórios de BI, evidenciando a dependência de etapas manuais e empíricas que comprometem o potencial estratégico das informações. Tomada de decisão orientada por dados

Os sistemas de Business Intelligence desempenham um papel crucial na transformação de grandes volumes de dados em informações organizadas e úteis para a tomada de decisão. Na Arial Engenharia, verificou-se que os relatórios gerenciais são centrais para consolidar informações sobre o desempenho e identificar padrões, falhas e oportunidades de melhoria (LAUDON, 2023). A visualização dos dados facilita a análise, tornando informações complexas mais acessíveis e contribuindo para decisões mais rápidas e alinhadas entre as áreas (ZHANG, 2024). Contudo, a eficácia desse processo é diretamente proporcional à confiabilidade dos dados, e falhas na coleta ou integração podem levar a decisões equivocadas (SHARDA; DELEN; TURBAN, 2022).

A análise do relatório de eficiência dos orçamentos da Arial Engenharia demonstrou que o valor total analisado foi de aproximadamente R$31,3 milhões. Desse montante, a categoria “Fechado” representou cerca de R$10,95 milhões, correspondendo a 34,9% do total. Esse dado indica uma capacidade comercial relevante da empresa em converter oportunidades em vendas. No entanto, o percentual também sugere que a maior parte do volume financeiro ainda não se concretizou em vendas, demandando atenção estratégica para as oportunidades pendentes ou perdidas.

A categoria “Em Aberto” somou aproximadamente R$9,48 milhões, equivalente a 30,2% do total, revelando um volume expressivo de negociações ainda em processo de definição. Esse cenário pode indicar um potencial significativo de receita futura, mas também aponta para o risco de estagnação comercial caso essas oportunidades não recebam o acompanhamento adequado. Um alto volume de propostas em aberto pode sinalizar ciclos de vendas longos, atrasos no retorno ao cliente ou a ausência de um follow-up estruturado, o que exige uma revisão dos processos de gestão de vendas.

Entre os gargalos identificados, a “Perda por preço” destacou-se com aproximadamente R$7,52 milhões, ou 23,9% do valor geral, sendo o principal motivo de perda registrado. Esse indicador sugere um possível desalinhamento entre o preço ofertado e a percepção de valor do cliente, além de refletir a competitividade do mercado. A questão não se limita apenas ao preço, mas também à argumentação comercial, à diferenciação da proposta de valor e à comunicação dos benefícios oferecidos pela empresa aos seus clientes potenciais.

As demais categorias de perda, como “Cancelado” (R$1,92 milhão, 6,1%), “Perda por outros” (R$1,28 milhão, 4,0%), “Perda por prazo” (R$162 mil, 0,5%) e “Perda por falta” (R$55 mil, 0,18%), embora individualmente menores, representam perdas relevantes que podem estar associadas a atrasos em propostas, falhas operacionais ou desistência de clientes. Esses resultados reforçam a importância de utilizar o BI não apenas para visualizar dados passados, mas para orientar ações corretivas e decisões futuras de marketing de forma mais estratégica, conforme apontam Chaffey e Ellis-Chadwick (2022).

A segmentação dos dados por status de orçamento permite acompanhar o ciclo de vida das oportunidades, identificando as etapas com maior evasão. Essa funcionalidade é valiosa para direcionar ações corretivas e melhorar a eficiência operacional. Contudo, o relatório apresenta limitações no aprofundamento analítico, pois não evidencia relações causais nem fornece previsões de comportamento futuro, caracterizando-se como uma análise predominantemente descritiva. Esse achado está alinhado à perspectiva de Davenport e Harris (2007), que destacam a necessidade de organizações com maior maturidade analítica utilizarem dados para orientar decisões futuras, e não apenas descrever eventos passados.

A análise do relatório de faturamento por segmento revelou que o segmento “Construtora” concentra aproximadamente 51,5% do faturamento total, representando cerca de R$1,64 milhão. Esse resultado demonstra uma forte dependência comercial desse perfil de cliente, indicando que grande parte do desempenho financeiro da organização está concentrada em um único segmento de mercado. Essa concentração, embora possa indicar eficiência em mercados consolidados, também sinaliza vulnerabilidade estratégica caso haja retração nesse nicho ou perda de competitividade (JIMÉNEZ-PARTEARROYO; MEDINA-LÓPEZ, 2024).

Na sequência, os segmentos “Pré-moldado” e “Poste” destacam-se com 24,2% (aproximadamente R$771 mil) e 11,5% (aproximadamente R$367 mil) do faturamento, respectivamente. Somados ao segmento “Construtora”, esses três grupos representam mais de 87% do faturamento total, evidenciando uma elevada concentração de receita em poucos nichos específicos. Os demais segmentos, como “Revenda”, “Exportado” e “Grande Empreiteira”, apresentam participação bastante reduzida, alguns inferiores a 1%, e podem representar oportunidades de expansão ainda pouco exploradas.

Apesar da disponibilidade de informações estratégicas relevantes para apoiar decisões comerciais e mercadológicas, a Arial Engenharia ainda depende de processos manuais para extração e organização dos dados. Os relatórios de BI são utilizados para gerar mailings para campanhas no RD Station, mas a extração manual, organização em planilhas e importação para a plataforma de automação reduzem a agilidade e limitam o potencial estratégico dos dados, mantendo a empresa em um estágio descritivo de uso de dados (DAVENPORT; HARRIS, 2007).

A base de dados brutos extraída do BI, utilizada para a construção dos mailings, apresentou dados heterogêneos e inconsistências, como variações de preenchimento, ausência de padronização e inclusão de informações irrelevantes para a comunicação. Problemas como irregularidades nos campos de telefone (ausência de DDD, caracteres não padronizados) e nome (registros incompletos ou divergentes), além de contatos sem e-mail, exigem etapas manuais de limpeza e organização. Essa fase é fundamental para garantir a integridade dos dados e sua compatibilidade com os requisitos da plataforma de automação de marketing, influenciando diretamente a confiabilidade e a efetividade das estratégias de segmentação e comunicação (dados da empresa, 2026).

O processo de importação e segmentação de bases na plataforma RD Station envolve a seleção do mailing e a definição das configurações de comunicação. A empresa adota o consentimento como base legal para o tratamento de dados pessoais, obtido por meio de formulários. Contudo, a necessidade de renomear a importação e aplicar manualmente critérios de segmentação demonstra que a organização dos contatos não ocorre de forma automática. Essa dependência de intervenções manuais para estruturar a base conforme os objetivos da campanha compromete a organização e a aplicação prática dos dados, limitando o uso estratégico das informações (dados da empresa, 2026). Inbound Marketing

As estratégias de Inbound Marketing evoluíram para um modelo orientado por desempenho e inteligência analítica, impulsionadas pelo avanço das tecnologias digitais e o uso intensivo de dados (KOTLER; KARTAJAYA; SETIAWAN, 2021). A incorporação de dados ao marketing, por meio do marketing analytics, permite transformar grandes volumes de dados em insights estratégicos, possibilitando a compreensão da jornada do consumidor, a mensuração do desempenho das ações e a otimização de investimentos em canais digitais (WEDEL; KANNAN, 2023).

No Inbound Marketing, a construção de relacionamento ao longo da jornada do cliente, envolvendo atração, conversão, nutrição e fidelização de leads, é aprimorada pelo marketing digital orientado por dados, que permite monitorar campanhas em tempo real e realizar ajustes contínuos (CHAFFEY; ELLIS-CHADWICK, 2022). Modelos baseados em dados contribuem para o aumento do desempenho das campanhas, elevando os níveis de engajamento e retorno financeiro, e a análise estruturada dos dados possibilita identificar os canais de maior impacto na jornada do consumidor (ZHOU et al., 2022; GONG et al., 2024).

Na Arial Engenharia, essa abordagem se materializa a partir dos dados extraídos dos relatórios de BI para a construção de mailings, que posteriormente subsidiam a execução de campanhas de Inbound Marketing. No entanto, essa dinâmica ocorre de forma manual, especialmente nas etapas de organização dos dados. Essa dependência manual impacta diretamente a eficiência das campanhas e a capacidade de resposta da empresa frente às oportunidades de mercado, limitando o aproveitamento pleno do potencial das informações disponíveis. Integração e Automação

Sistemas de BI são essenciais para coletar, integrar e analisar dados de diversas fontes, gerando insights estratégicos para a tomada de decisão. Quando integrados a plataformas de automação, esses dados se tornam operacionais, viabilizando campanhas mais precisas e orientadas por comportamento (VERHOEF et al., 2022). A unificação de informações em ambientes integrados transforma dados dispersos em inteligência acionável, permitindo decisões mais rápidas e assertivas, além de melhorar a consistência das decisões e a efetividade das estratégias de marketing (LEMON; VERHOEF, 2020).

A análise do estudo de caso evidenciou que, apesar de a Arial Engenharia utilizar sistemas de BI para geração de dados estratégicos e o RD Station para execução de ações de Inbound Marketing, existe uma descontinuidade entre essas etapas. Essa lacuna é caracterizada pela ausência de integração entre os sistemas e pela dependência de processos manuais. O fluxo operacional atual envolve a extração manual de dados dos relatórios de BI, sua organização em planilhas, etapas de limpeza e padronização, e a importação manual dessas informações no RD Station. Esse processo, além de demandar tempo, aumenta a probabilidade de inconsistências nos dados, gerando retrabalho e impactando a eficiência das ações de marketing.

Essa limitação está diretamente relacionada ao nível de maturidade analítica da organização. Conforme discutido anteriormente, empresas que utilizam dados apenas para descrever eventos passados permanecem em um estágio descritivo, no qual os dados não são plenamente explorados para geração de valor estratégico (DAVENPORT; HARRIS, 2007). No caso analisado, a Arial Engenharia possui dados relevantes, mas ainda depende de processos operacionais manuais para sua aplicação prática, o que impede a plena exploração do potencial dos dados.

Diante desse diagnóstico, propõe-se a implementação de um modelo de integração entre o sistema de BI e a plataforma RD Station, visando automatizar o fluxo de dados e reduzir a dependência de atividades manuais. O fluxograma de integração proposto substitui o fluxo atual por um processo automatizado e contínuo. Nele, os dados gerados no sistema de BI deixam de ser exportados manualmente e passam a ser estruturados para envio automatizado, promovendo maior integração entre as etapas de análise e execução.

Esse processo ocorre por meio da utilização de interfaces de programação de aplicações (APIs) ou webhooks, que permitem a comunicação entre diferentes sistemas de forma estruturada e padronizada (LAUDON; LAUDON, 2023; PANKAJ; KUMAR, 2022). A API atua como um mecanismo intermediário entre o BI e o RD Station, transmitindo automaticamente os dados previamente organizados, eliminando etapas manuais como exportação de relatórios, manipulação em planilhas e upload manual de arquivos. Isso reduz significativamente o tempo operacional e o risco de inconsistências nos dados.

Durante esse fluxo automatizado, regras de padronização e tratamento dos dados podem ser previamente definidas e aplicadas, incluindo a normalização de campos como telefone, e-mail e nome, e a exclusão de registros incompletos ou inconsistentes. Essa etapa é fundamental para garantir a integridade dos dados e assegurar sua conformidade com os requisitos técnicos da plataforma de automação, evitando falhas na execução das campanhas. A classificação dos contatos no RD Station pode ser realizada automaticamente por meio da aplicação de tags, que identificam características específicas dos leads com base em critérios definidos no BI, como segmento de atuação ou estágio no funil de vendas.

A etapa final do processo consiste na segmentação automática dos contatos, direcionando os leads para listas específicas com base nas tags e critérios definidos. Essa segmentação permite uma comunicação mais direcionada e personalizada, aumentando a relevância das ações de marketing e potencializando os resultados das campanhas, eliminando a necessidade de classificação manual posterior. A adoção desse modelo representa uma evolução significativa para a Arial Engenharia, reduzindo a dependência de atividades operacionais, minimizando erros humanos e possibilitando uma utilização mais estratégica dos dados gerados no BI.

A comparação entre o processo manual e o processo automatizado evidencia ganhos operacionais substanciais. A extração e tratamento de dados, a importação e a segmentação, que atualmente são manuais, tornam-se automáticas no modelo proposto. O tempo operacional é drasticamente reduzido, passando de várias etapas manuais para um fluxo contínuo e automatizado. Consequentemente, o risco de inconsistências, que é alto devido à manipulação manual, torna-se baixo com os recursos de automação. Essa reestruturação do fluxo de dados permite que a Arial Engenharia evolua para um modelo mais integrado, no qual a análise e a execução ocorrem de forma conectada, contínua e orientada por dados.

Em síntese, a pesquisa demonstrou que a Arial Engenharia possui uma base estruturada de dados e utiliza ferramentas de BI e RD Station, mas a ausência de integração entre esses sistemas gera um distanciamento entre o que é analisado e o que é executado nas estratégias de marketing. A dependência de processos manuais para extração, tratamento e importação de mailings resulta em ineficiência operacional, retrabalho e risco de inconsistências. A proposta de integração automatizada, por meio de APIs e webhooks, representa uma oportunidade estratégica para otimizar fluxos, melhorar a qualidade dos dados e fortalecer as estratégias de Inbound Marketing, transformando dados em ações mais ágeis, precisas e eficazes.

4. Conclusão

O presente estudo buscou analisar como a ausência de integração entre sistemas de Business Intelligence (BI) e plataformas de automação de marketing impacta a eficiência operacional e a efetividade das estratégias de Inbound Marketing em uma empresa de engenharia. Verificou-se que, embora a Arial Engenharia utilize ferramentas de BI para gerar dados estratégicos e o RD Station para executar ações de Inbound Marketing, existia uma descontinuidade significativa entre essas etapas. Os relatórios de BI, que revelaram insights importantes como a concentração de 51,5% do faturamento no segmento “Construtora” e a “Perda por preço” como principal gargalo com 23,9% do valor geral, eram subutilizados devido a processos manuais. Identificou-se que a extração, limpeza, padronização e importação de mailings para o RD Station dependiam de intervenções manuais e empíricas, consumindo tempo considerável e aumentando o risco de inconsistências nos dados. Essa dependência operacional limitava a agilidade na execução das campanhas e impedia o aproveitamento pleno do potencial estratégico das informações, mantendo a empresa em um estágio predominantemente descritivo de uso dos dados.

A principal contribuição deste trabalho reside na proposição de um modelo de integração automatizada entre o BI e o RD Station, utilizando APIs ou webhooks. Esse modelo visa substituir o fluxo manual por um processo contínuo e automatizado, que inclui a estruturação dos dados para envio automático, a aplicação de regras de padronização e tratamento, a classificação automática de contatos por tags e a segmentação direcionada para listas específicas. A implementação dessa integração representa uma oportunidade para otimizar fluxos, reduzir a dependência de atividades operacionais, minimizar erros humanos e melhorar a qualidade dos dados, fortalecendo as estratégias de Inbound Marketing da empresa. Para estudos futuros, sugere-se explorar a implementação de análises mais avançadas, como modelos preditivos e correlações entre variáveis, a fim de transformar o BI em uma vantagem competitiva e aprofundar o uso estratégico dos dados gerados.

Referências Bibliográficas

Análise de Dados, 2024 [Referência completa não encontrada no documento original]

MAGHSOUDI, Mohammad; NEZAFATI, Nima. Business intelligence in organizational decision-making: a data-driven approach. International Journal of Advanced Computer Science and Applications, v. 14, n. 3, 20

MOVTECH. Business Intelligence: como transformar dados em ações reais. 2024. Disponível em: https://www.movtech.com.br/blog/business-intelligence-como-transformar-dados-em-acoes-reais/. Acesso em: 10 out. 2025.

ROSÁRIO, Albérico Travassos; DIAS, Joana Carmo. How has data-driven marketing evolved: challenges and opportunities with emerging technologies. International Journal of Information Management Data Insights, v. 3, n. 2, 2023. Disponível em: https://www.sciencedirect.com. Acesso em: 10 out. 2025.

VIASOFT. Gestão guiada por dados: o guia completo para ter um BI na empresa. 2024. Disponível em: https://www.viasoft.com.br/blog. Acesso em: 10 out. 2025.

ZHOU, Xia; HOU, Jian. Causal inference in marketing analytics: improving decision-making effectiveness. Journal of Marketing Analytics, 2024.

Artigo oriundo de Trabalho de Conclusão de Curso de Especialização em Digital Business do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy