23 de julho de 2026
Dashboards interativos para monitoramento e controle de projetos de tecnologia com GitLab
Bruno Romito Fischer; Márcia Aparecida Prim
DOI: 10.22167/2675-6528-202600640
Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
Resumo
Em um cenário de crescente complexidade em projetos de tecnologia e demanda por entregas ágeis, a gestão orientada por dados tornou-se essencial para garantir eficiência e previsibilidade. Nesse contexto, o uso de ferramentas de Business Intelligence integradas a plataformas de desenvolvimento, como o GitLab, possibilitou transformar dados operacionais em informações estratégicas. O objetivo deste trabalho foi desenvolver e aplicar dashboards interativos integrados ao GitLab para o acompanhamento de métricas de desempenho em projetos de tecnologia, visando aprimorar a visibilidade das atividades, a previsibilidade das entregas e o suporte à tomada de decisão. A pesquisa, de natureza aplicada, qualitativa e exploratória, foi conduzida em uma empresa de varejo com foco em mídia e e-commerce. Com base nos dados coletados, desenvolveu-se um sistema de dashboards interativos, complementado por um modelo preditivo baseado em Random Forest para estimar o tempo de mesclagem das demandas. Os resultados indicaram que a solução ampliou a visibilidade das atividades, facilitou a interpretação dos indicadores e contribuiu para o monitoramento e controle dos projetos. O modelo preditivo demonstrou desempenho satisfatório, com potencial para apoiar a previsibilidade das entregas, apesar de limitações associadas à variabilidade dos dados. Concluiu-se que a integração entre dashboards e modelos preditivos configura uma abordagem consistente para a gestão de projetos orientada por dados, fortalecendo o monitoramento e controle e ampliando a capacidade de previsão em ambientes dinâmicos.
Palavras-chave: Business Intelligence; Gestão de Projetos; Inteligência Analítica; Plataforma de Desenvolvimento; Previsibilidade de Entregas.
1. Introdução
O cenário empresarial contemporâneo, impulsionado pela transformação digital, exige que as empresas de varejo de mídia, especialmente aquelas com forte atuação em “e-commerce”, mantenham uma agilidade tecnológica constante. A sustentabilidade e a competitividade neste setor dependem diretamente da capacidade de integrar soluções digitais de forma eficaz (Reolon, 2025). Nesse ambiente dinâmico, a gestão de projetos emerge como um pilar fundamental, assegurando que as iniciativas tecnológicas não apenas atendam às exigências do mercado, mas também superem as expectativas dos diversos “stakeholders” envolvidos. A complexidade inerente aos projetos de tecnologia e a crescente demanda por entregas ágeis tornam a gestão orientada por dados uma necessidade estratégica para garantir eficiência, transparência e previsibilidade.
Um projeto, conforme definido pelo Project Management Institute (PMI, 2021), é um esforço temporário empreendido para criar um produto, serviço ou resultado único. A gestão eficaz exige planejamento meticuloso, monitoramento contínuo e execução eficiente. No cenário atual, empresas de varejo de mídia enfrentam pressões significativas por entregas rápidas, integração tecnológica e garantia de qualidade (Reolon, 2025). Essa realidade intensifica a necessidade de ferramentas que proporcionem maior previsibilidade, transparência e capacidade aprimorada de tomada de decisão baseada em dados concretos. A gestão orientada por dados, portanto, configura-se como abordagem estratégica vital para navegar em ambientes competitivos e complexos, oferecendo suporte na análise de métricas que refletem o desempenho real das equipes (Reolon, 2025).
Nesse contexto, plataformas de desenvolvimento e gerenciamento de código, como o “GitLab”, desempenham um papel central. Ele atua como uma central de colaboração, onde alterações no código são registradas como “commits”, e solicitações para integrar essas alterações ao projeto principal são “merge requests”. Tais solicitações passam por revisões e aprovações, garantindo qualidade e segurança. O acompanhamento de “commits”, “merge requests” e aprovações permite transformar dados técnicos operacionais em informações gerenciais estratégicas. Essa transformação é facilitada por ferramentas de “Business Intelligence” (BI), que, conforme Negash e Gray (2008), são sistemas de análise de dados para consolidar e verificar informações estruturadas, apoiando a tomada de decisões.
A conversão de dados brutos em informações acionáveis é onde os “dashboards”, ou painéis visuais, se tornam indispensáveis. Eles consolidam informações em gráficos de fácil interpretação, facilitando a análise e promovendo o engajamento entre a equipe e os gestores (Patrashkova-Volzdoska et al., 2003). Essa abordagem visual cria um ambiente de comunicação transparente, onde todas as partes interessadas têm acesso aos dados em tempo real. A literatura especializada enfatiza a importância da comunicação e da transparência na gestão de projetos, pois uma comunicação eficaz garante que os “stakeholders” compartilhem informações de forma estruturada, fator crítico para o sucesso (Patrashkova-Volzdoska et al., 2003). Além disso, a percepção dos “stakeholders” está ligada aos resultados dos projetos, tornando o alinhamento de expectativas e a clareza dos indicadores essenciais (Bryde e Brown, 2004; Vezzoni et al., 2013). Um “dashboard” interativo, ao consolidar métricas em relatórios acessíveis e atualizados, proporciona maior visibilidade sobre o andamento do projeto.
Apesar da relevância da gestão de projetos orientada por dados e do potencial das ferramentas de BI, muitas organizações, em especial no varejo de mídia, enfrentam desafios na obtenção de uma visão consolidada sobre o desempenho de suas equipes de tecnologia. A ausência de um panorama claro e integrado dificulta o planejamento estratégico, compromete a gestão de “stakeholders” e a mitigação de riscos. A transformação digital e as práticas ágeis exigem que os projetos sejam conduzidos com maior previsibilidade, otimizando o uso de recursos e reduzindo incertezas. A justificativa para este estudo reside na necessidade de preencher essa lacuna, oferecendo uma solução que se alinha às práticas do PMBOK® Guide, que destaca a comunicação como área central de conhecimento. O desenvolvimento de um “dashboard” interativo, baseado em dados estruturados, contribui para aumentar a eficiência, melhorar a distribuição de responsabilidades, clarear o progresso das atividades e fortalecer a governança organizacional.
Neste sentido, a presente pesquisa justifica-se pela necessidade de aprimorar o monitoramento e controle de projetos de tecnologia em um setor que demanda alta agilidade e precisão. Assim, o objetivo deste estudo foi desenvolver e aplicar “dashboards” interativos integrados ao “GitLab” para o acompanhamento de métricas de desempenho em projetos de tecnologia, de modo a aprimorar os processos de monitoramento e controle em uma empresa de varejo com foco em mídia.
2. Material e Métodos
A presente pesquisa caracterizou-se como um estudo de natureza aplicada, visando à geração de conhecimentos direcionados à solução de problemas práticos em um contexto organizacional específico. Adotou-se uma abordagem qualitativa e exploratória, conforme as diretrizes de Gil (2008), buscando aprofundar a compreensão sobre a aplicação de “dashboards” interativos integrados ao “GitLab” na gestão de projetos de tecnologia. Essa abordagem permitiu identificar oportunidades, limitações e implicações da solução proposta.
O estudo foi conduzido em uma empresa de varejo com forte atuação em mídia e operações de “e-commerce”, um setor que demanda alta agilidade tecnológica. A unidade de análise consistiu nos dados operacionais gerados pela plataforma “GitLab”, enquanto a amostra de participantes foi composta pela equipe de tecnologia responsável pelos projetos digitais da organização. Não foram estabelecidos critérios de seleção adicionais para os participantes, além de sua atuação direta nos projetos.
O desenvolvimento da pesquisa seguiu uma estrutura metodológica dividida em quatro etapas principais, conforme as orientações de Gil (2017). Inicialmente, realizou-se um levantamento bibliográfico abrangente sobre gestão de projetos, “Business Intelligence” e as práticas de monitoramento e controle descritas no PMBOK® Guide. Essa etapa forneceu o embasamento teórico para as fases subsequentes do estudo.
Na segunda etapa, procedeu-se à análise técnica do “GitLab”, com foco na exploração das métricas operacionais relevantes para o monitoramento de projetos. Foram consideradas métricas como o número de “commits”, a quantidade de “merge requests”, o registro de aprovações e o tempo de integração das demandas. A coleta de dados ocorreu de forma automatizada, por meio da integração com a “Application Programming Interface” (API) do “GitLab”, permitindo a extração contínua dessas informações.
O sistema desenvolvido foi estruturado em uma arquitetura de três camadas, iniciando pela coleta de dados. Esta camada foi responsável pela extração automatizada de informações do “GitLab”, incluindo “commits”, “merge requests”, aprovações e outros dados do ciclo de desenvolvimento. Em seguida, na camada de processamento, os dados coletados foram tratados, organizados e utilizados para o cálculo das métricas de desempenho e para o treinamento do modelo preditivo, empregando técnicas de aprendizado de máquina implementadas em linguagem Python.
A camada de visualização consistiu na apresentação dos dados por meio de “dashboards” interativos, desenvolvidos com o uso do “framework Streamlit”. Essa camada possibilitou a análise em tempo real e facilitou a interpretação das informações pelos gestores. A terceira etapa da pesquisa, a proposição do modelo de “dashboard”, permitiu a visualização dessas métricas de forma consolidada e estratégica, alinhando-se aos objetivos de monitoramento e controle.
Para aprimorar a previsibilidade das entregas, desenvolveu-se um modelo preditivo baseado em “Random Forest”. Este modelo foi treinado para estimar o tempo de mesclagem das “merge requests”, utilizando múltiplos atributos como o número de “commits”, a quantidade de alterações, o histórico do autor, o tamanho da descrição e a quantidade de aprovadores. A construção do código para o sistema e o modelo preditivo foi realizada pelo próprio pesquisador.
A análise dos dados foi realizada de forma descritiva e interpretativa, relacionando os procedimentos e as métricas com os conceitos de monitoramento e controle do PMBOK® Guide. A validação do modelo preditivo foi conduzida por meio da comparação entre os valores reais de tempo de mesclagem e os valores estimados pelo algoritmo. Para mensurar a acurácia do modelo, utilizaram-se métricas como o “Mean Absolute Error” (MAE) e o “Root Mean Squared Error” (RMSE).
Não foram descritos cuidados éticos específicos, como a aplicação de Termo de Consentimento Livre e Esclarecido (TCLE) ou termos de confidencialidade, no TCC original. A pesquisa focou na análise de dados operacionais da plataforma “GitLab” e no desenvolvimento de um sistema para aprimorar a gestão de projetos, sem envolver diretamente a coleta de dados pessoais sensíveis dos indivíduos.
3. Resultados e Discussão
O presente estudo teve como objetivo central desenvolver e aplicar um sistema de “dashboards” interativos integrados ao “GitLab” para o acompanhamento de métricas de desempenho em projetos de tecnologia, visando aprimorar os processos de monitoramento e controle em uma empresa de varejo com foco em mídia. Para tanto, foi concebido e implementado um sistema autoral que integra, agrupa e organiza dados operacionais do “GitLab”, transformando-os em informações gerenciais estratégicas. Essa infraestrutura de apoio demonstrou ser fundamental para o monitoramento, controle e previsibilidade de demandas em projetos de tecnologia, contribuindo para uma gestão mais eficiente e transparente.
A construção do código do sistema ocorreu de maneira incremental, permitindo a evolução contínua da ferramenta. Um trecho do código desenvolvido exemplifica a implementação do sistema, sendo responsável pela coleta, processamento e estruturação dos dados. Essa solução autoral foi construída pelo próprio pesquisador, integrando dados diretamente do “GitLab” para fins de monitoramento, análise e suporte à tomada de decisão. As rotinas de coleta de dados foram estabelecidas a partir da Interface de Programação de Aplicações (API) do “GitLab”, garantindo a extração automatizada e eficiente das informações necessárias.
Arquitetura do Sistema Desenvolvido
O sistema desenvolvido neste trabalho foi estruturado em uma arquitetura de três camadas principais, cada uma com responsabilidades bem definidas para garantir a funcionalidade e escalabilidade da solução. A primeira camada, de coleta de dados, é responsável pela integração direta com a API do “GitLab”. Essa integração permite a extração automatizada de informações cruciais, como o número de “commits”, as “merge requests”, os dados de aprovações e outras informações pertinentes ao ciclo de desenvolvimento do software. Essa automação é vital para manter os dados atualizados e precisos.
A segunda camada, de processamento, recebe os dados brutos coletados e os trata, organiza e prepara para análise. Nesta etapa, são calculadas as métricas de desempenho e é realizado o treinamento do modelo preditivo. Para isso, foram utilizadas técnicas de aprendizado de máquina implementadas na linguagem Python, que permitem transformar os dados operacionais em indicadores significativos e bases para previsões. A clareza na separação dessas responsabilidades contribui para a robustez e a manutenção do sistema.
Por fim, a terceira camada, de visualização, é responsável por apresentar os dados de forma interativa e compreensível por meio de “dashboards”. Esses painéis foram desenvolvidos utilizando o “framework Streamlit”, que facilita a criação de interfaces amigáveis para a análise em tempo real. A visualização clara e objetiva das informações permite que os gestores interpretem rapidamente os dados, facilitando a tomada de decisões. Essa arquitetura modular favorece futuras integrações e expansões do sistema, adaptando-o a novas necessidades.
Importância das Métricas no Monitoramento de Projetos
As métricas utilizadas neste estudo desempenham um papel fundamental na compreensão do desempenho das equipes de desenvolvimento e no acompanhamento do progresso dos projetos. A análise dos dados revelou, por exemplo, 20 “commits” registrados nos últimos 30 dias, indicando o volume de atividade técnica. Além disso, foram identificadas uma “merge request” aberta e 11 “merge requests” fechadas no mesmo período, o que representa o fluxo de integração de código e a entrega de funcionalidades.
O sistema também apresentou um ranking dos aprovadores, com a “Pessoa – ID 1848” e a “Pessoa – ID 1835” liderando com três aprovações cada, seguidas por outros membros com duas aprovações. Essa informação é crucial para a gestão do fluxo de revisão, permitindo identificar possíveis sobrecargas e promover uma distribuição mais equilibrada das responsabilidades entre os membros da equipe. O processo de aprovação está diretamente relacionado à qualidade do código e à governança do desenvolvimento, assegurando que as alterações atendam aos padrões estabelecidos.
A análise integrada dessas métricas permite identificar padrões de comportamento, gargalos operacionais e oportunidades de melhoria no ciclo de desenvolvimento. Por exemplo, a distribuição do tempo de mesclagem das “merge requests” mostrou que a maioria das mesclagens ocorre em um período de até 100 horas, com uma frequência de sete ocorrências, enquanto um número menor de mesclagens se estende para mais de 500 horas, com uma frequência de uma ocorrência. Essa visualização detalhada do fluxo de trabalho e dos gargalos potenciais no ciclo de desenvolvimento é essencial para a otimização do processo.
A utilização de indicadores técnicos como base para a tomada de decisão gerencial reforça a abordagem de gestão de projetos orientada por dados, alinhando-se às boas práticas descritas no PMBOK® Guide (PMI, 2021). A consolidação de métricas técnicas em “dashboards” interativos reduz a assimetria de informação entre níveis operacionais e gerenciais, favorecendo a tomada de decisão mais ágil e fundamentada. Essa transparência e clareza na apresentação das informações contribuem para o alinhamento entre “stakeholders” e para a melhoria do desempenho das equipes, conforme Patrashkova-Volzdoska et al. (2003).
Validação do Sistema e do Modelo Preditivo
A solução proposta foi aprimorada com a inclusão de um modelo preditivo baseado em “Random Forest”, que representa um avanço em relação às abordagens tradicionais de monitoramento. Este modelo utiliza múltiplos atributos de cada “merge request”, como o número de “commits”, a quantidade de alterações, o histórico do autor, o tamanho da descrição e a quantidade de aprovadores, para estimar o tempo provável de mesclagem do código. A importância das variáveis no modelo preditivo foi analisada, revelando que a média histórica de tempo de mesclagem do autor e a quantidade de alterações são os fatores mais relevantes para a previsão.
Para avaliar a efetividade da solução, foram realizadas análises com base nos dados coletados e nas previsões geradas pelo modelo de aprendizado de máquina. A validação do modelo preditivo foi conduzida por meio da comparação entre os valores reais de tempo de mesclagem das “merge requests” e os valores estimados pelo algoritmo. Foram utilizadas métricas amplamente reconhecidas na literatura, como o “Mean Absolute Error” (MAE) de 10.61 horas e o “Root Mean Squared Error” (RMSE) de 13.71 horas, que permitem mensurar a diferença entre os valores previstos e os observados.
Os resultados obtidos indicam que o modelo apresenta desempenho consistente para o conjunto de dados analisado, sendo capaz de capturar tendências gerais do processo de desenvolvimento. A análise gráfica comparativa entre valores reais e previstos demonstrou uma aderência relevante, ainda que com variações em alguns pontos, o que é esperado em modelos preditivos aplicados a cenários complexos e dinâmicos, como o desenvolvimento de software. Essa capacidade de estimar o tempo de mesclagem das “merge requests” contribui para o planejamento das entregas e a gestão de riscos, permitindo uma atuação mais proativa frente aos riscos do projeto.
Um painel de previsibilidade e risco do projeto foi desenvolvido, exibindo as estimativas de tempo de mesclagem geradas pelo modelo preditivo para as “merge requests” em andamento ou na fila de desenvolvimento. Essa visualização é complementada por uma tabela que detalha as métricas de acurácia do modelo, permitindo que os gestores avaliem a confiabilidade das previsões. O objetivo é fornecer uma ferramenta de gestão de riscos, onde a previsibilidade de entrega pode ser monitorada ativamente, contribuindo para aprimorar o planejamento e a gestão de riscos do projeto.
Adicionalmente, o sistema foi capaz de organizar e exibir o ranqueamento de aprovadores, identificando quantas revisões cada membro da equipe realizou no período analisado. Essa informação auxiliou a gestão do fluxo de revisão, permitindo identificar possíveis sobrecargas e oferece suporte à distribuição mais equilibrada das responsabilidades. Um simulador de novas “merge requests” foi desenvolvido, permitindo que os usuários insiram dados como número de “commits” (exemplo: 2), alterações em linhas (exemplo: 100), número de aprovadores (exemplo: 1) e média histórica do autor (exemplo: 24,00 horas), e obtenham um tempo estimado para mesclagem (exemplo: 466.36 horas). Essa funcionalidade auxilia na otimização da alocação de recursos e na distribuição equitativa das tarefas.
Limitações do Estudo
Apesar dos resultados promissores, algumas limitações devem ser consideradas na interpretação dos achados. Primeiramente, o modelo preditivo foi desenvolvido com base em um volume restrito de dados históricos, o que pode impactar sua capacidade de generalização e precisão em diferentes cenários. A acurácia do modelo ainda apresenta variações, evidenciando a necessidade de ampliação da base de dados e refinamento das variáveis utilizadas, um comportamento esperado em ambientes complexos como o desenvolvimento de software, onde múltiplos fatores influenciam o desempenho.
Além disso, a análise foi realizada considerando um único contexto organizacional, especificamente uma empresa de varejo com foco em mídia e operações de “e-commerce”. Essa especificidade limita a extrapolação direta dos resultados para outros setores ou estruturas de equipe, sugerindo que a aplicação em diferentes contextos pode demandar adaptações. Outro fator relevante refere-se à dependência da plataforma “GitLab” como principal fonte de dados. Embora seja uma ferramenta amplamente utilizada, a solução proposta pode demandar adaptações para integração com outras plataformas de desenvolvimento ou gestão de projetos, caso a organização utilize um ecossistema diferente.
Adicionalmente, as variáveis utilizadas no modelo preditivo, embora relevantes, não esgotam todos os fatores que influenciam o tempo de mesclagem de “merge requests”. Aspectos como a complexidade lógica do código, dependências externas e fatores organizacionais, que podem impactar significativamente o desempenho, não foram totalmente incorporados. A literatura de gestão de projetos alerta para o risco de se reduzir fenômenos complexos a indicadores isolados, o que pode gerar distorções na avaliação do trabalho (Bryde e Brown, 2004; Vezzoni et al., 2013). Nesse sentido, os “dashboards” desenvolvidos devem ser compreendidos como instrumentos complementares à análise gerencial, e não como substitutos da interpretação qualitativa e contextual das atividades.
Aplicação Prática no Contexto de Varejo de Mídia
No contexto de empresas de varejo com foco em mídia e operações voltadas ao “e-commerce”, a solução desenvolvida apresenta relevância prática significativa. A capacidade de monitorar o fluxo de desenvolvimento e prever o tempo de entrega de demandas tecnológicas contribui diretamente para o planejamento de campanhas digitais, lançamentos de produtos e otimização da experiência do usuário. A previsibilidade proporcionada pelo sistema permite maior alinhamento entre as áreas técnicas e de negócio, reduzindo incertezas no planejamento e aumentando a eficiência na execução de iniciativas estratégicas.
A visualização consolidada das métricas favorece a comunicação entre “stakeholders”, promovendo transparência e suporte à tomada de decisão. Essa abordagem está alinhada com o que é proposto por Patrashkova-Volzdoska et al. (2003), que destacam a comunicação estruturada e visual como fator crítico para o sucesso do projeto. O uso de “dashboards” interativos integrados a dados operacionais contribui para reduzir o tempo de resposta às demandas do mercado, melhorar a alocação de recursos e aumentar a competitividade da organização em ambientes digitais altamente dinâmicos.
De forma geral, os resultados obtidos demonstram que a integração entre dados operacionais, “dashboards” interativos e modelos preditivos configura uma abordagem consistente para a gestão de projetos orientada por dados. Essa integração permite não apenas o acompanhamento do desempenho passado, mas também a antecipação de cenários futuros, ampliando a capacidade das organizações em atuar de forma proativa. Assim, os achados deste estudo reforçam a importância da utilização de ferramentas analíticas como suporte à gestão de projetos em ambientes dinâmicos e competitivos.
Nesse contexto, observa-se uma mudança relevante em relação à abordagem proposta por Bryde e Brown (2004), que enfatiza a percepção subjetiva dos “stakeholders” como fator determinante para o sucesso dos projetos. Os resultados deste estudo sugerem que a utilização de métricas automatizadas e dados estruturados pode reduzir a dependência dessa subjetividade, promovendo maior objetividade na avaliação do desempenho e contribuindo para decisões mais consistentes e fundamentadas. A incorporação de inteligência analítica amplia a capacidade de previsão, reduz incertezas e contribui para uma gestão mais proativa e orientada por dados, configurando-se como uma abordagem promissora para organizações inseridas em ambientes dinâmicos e competitivos.
4. Conclusão
O presente estudo buscou desenvolver e aplicar dashboards interativos integrados ao GitLab para o acompanhamento de métricas de desempenho em projetos de tecnologia, visando aprimorar os processos de monitoramento e controle em uma empresa de varejo com foco em mídia. Verificou-se a implementação de um sistema autoral que integrou, agrupou e organizou dados operacionais do GitLab, transformando-os em informações gerenciais estratégicas. Essa infraestrutura, composta por camadas de coleta, processamento e visualização, possibilitou a apresentação de métricas como volume de commits, fluxo de merge requests e ranking de aprovadores em painéis interativos. Observou-se que a consolidação dessas métricas técnicas em dashboards reduziu a assimetria de informação entre os níveis operacionais e gerenciais, favorecendo uma tomada de decisão mais ágil e fundamentada. Adicionalmente, desenvolveu-se um modelo preditivo baseado em Random Forest para estimar o tempo de mesclagem das demandas, o qual demonstrou desempenho consistente, com um Mean Absolute Error de 10.61 horas e um Root Mean Squared Error de 13.71 horas, contribuindo para a previsibilidade das entregas e a gestão de riscos. A solução ampliou a visibilidade das atividades, facilitou a interpretação dos indicadores e fortaleceu o monitoramento e controle dos projetos, configurando uma abordagem consistente para a gestão orientada por dados.
Apesar dos resultados promissores, algumas limitações devem ser consideradas. O modelo preditivo foi desenvolvido com base em um volume restrito de dados históricos, o que pode impactar sua capacidade de generalização e precisão em diferentes cenários, e sua acurácia ainda apresenta variações. A análise foi realizada em um único contexto organizacional, limitando a extrapolação direta dos achados para outros setores ou estruturas de equipe. Além disso, a dependência da plataforma GitLab como fonte principal de dados e a não incorporação de todos os fatores que influenciam o tempo de mesclagem, como complexidade lógica do código e dependências externas, representam aspectos que demandam atenção. Para estudos futuros, sugere-se o aprimoramento do modelo preditivo com a inclusão de novas variáveis e a ampliação da base de dados para treinamento. Recomenda-se também a integração do sistema com outras ferramentas de gerenciamento de projetos e a incorporação de alertas automatizados para identificação de riscos. A validação da solução em diferentes contextos organizacionais permitirá avaliar sua adaptabilidade e customização, consolidando a integração entre dashboards e modelos preditivos como uma abordagem promissora para a gestão de projetos em ambientes dinâmicos e competitivos.
Referências Bibliográficas
Bryde, D.; Brown, D. 2004. The influence of a project performance measurement system on the success of a contract for maintaining motorways and trunk roads. Project Management Journal, v. 35, n. 4.
Gil, A. C. 2008. Como elaborar projetos de pesquisa. 5. ed. São Paulo: Atlas.
Negash, S.; Gray, P. 2008. Business intelligence. In: Burstein, F.; Holsapple, C. (Ed.). Handbook on decision support systems 2: variations. Berlin: Springer, p. 175–193
Patrashkova-Volzdoska, R.; McComb, S.; Green, S.; Compton, W. 2003. Examining a curvilinear relationship between communication frequency and team performance in cross-functional project teams. IEEE Transactions on Engineering Management, v. 50, n. 3, p. 262-269.
Project Management Institute (PMI). 2021. A guide to the project management body of knowledge (PMBOK® Guide). 7. ed. Newtown Square: Project Management Institute.
Reolon, R. 2025. O futuro do varejo: como a integração de dados e tecnologia está revolucionando a competitividade no setor. BP Money. Disponível em: https://bpmoney.com.br/bpm-escuta/opinioes/rafael-reolon/o-futuro-do-varejo-como-a-integracao-de-dados-e-tecnologia-esta-revolucionando-a-competitividade-no-setor/ Acesso em: 20 out. 2025.
Vezzoni, G.; Pereira, A. C.; Bachega, S. J.; Silva, S. L. 2013. Identificação e análise de fatores críticos de sucesso em projetos. Revista de Gestão e Projetos (GeP), v. 4, n. 1, p. 116-137.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Gestão de Projetos do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

