Artigo

Bruno Costa Sancho; Adriano de Freitas Fernandes

DOI: 10.22167/2675-6528-202601752

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 gestão de desempenho corporativo, frequentemente caracterizada por processos manuais e dados fragmentados, impedia a agilidade e a confiabilidade na tomada de decisão estratégica. Diante desse desafio, objetivou-se estabelecer uma interface centralizada que atuasse como fonte única da verdade para a gestão de desempenho, automatizando a consolidação e visualização de indicadores corporativos em Power BI. A metodologia empregada caracterizou-se como pesquisa aplicada, de natureza descritiva e quantitativa, fundamentada na estratégia da pesquisa-ação. A pesquisa inseriu-se no contexto de Analytics Descritivo e Diagnóstico, aplicando conceitos de Data Science para integração, transformação e análise de dados corporativos. O desenvolvimento envolveu etapas de diagnóstico, coleta e tratamento de dados, modelagem dimensional e a construção de um painel interativo em Power BI, estruturado em múltiplas visões para diferentes níveis de granularidade. A lógica de cálculo de notas dos indicadores foi automatizada por meio de expressões DAX, utilizando interpolação linear para padronizar a apuração e garantir a integridade dos resultados. Os resultados demonstraram a viabilidade técnica e a eficácia gerencial da solução, que proporcionou uma redução drástica de 99,58% no tempo de processamento, passando de aproximadamente 120 horas para apenas 5 minutos, e mitigou vulnerabilidades críticas de inconsistência de dados. A ferramenta foi amplamente aceita pelas lideranças e equipes, que puderam direcionar seu foco para análises estratégicas e uma gestão por exceção, baseada em dados fidedignos e em tempo real. Concluiu-se que a integração entre ciência de dados e gestão de negócios resolveu um gargalo operacional imediato e fomentou uma cultura orientada a dados, com alta replicabilidade da metodologia para outros contextos organizacionais.

Palavras-chave: Analytics Descritivo; Automação; Business Intelligence; Data Science; Tomada de decisão.

1. Introdução

O cenário empresarial contemporâneo é marcado por um ambiente de alta competitividade e constante mudança, exigindo das organizações uma capacidade adaptativa e estratégica para manter a relevância e alcançar seus objetivos. Nesse contexto, a gestão do desempenho organizacional configura-se como um diferencial competitivo essencial para empresas de grande porte e complexas. A medição e o monitoramento contínuo de indicadores de performance são cruciais para direcionar a tomada de decisão e garantir o alinhamento aos objetivos e metas corporativas (Parmenter, 2020). A eficácia dessa gestão depende diretamente da clareza, da agilidade e da fundamentação das informações que subsidiam as lideranças.

Nesse contexto, a aplicação de conceitos e ferramentas de Business Intelligence (BI) demonstra crescente relevância, possibilitando a transformação de um grande volume de dados em informações estratégicas para decisões gerenciais (Medeiros et al., 2021). A visualização eficaz de dados é fundamental para facilitar a compreensão de informações complexas e apoiar a identificação de padrões e tendências pelos gestores (Sharda et al., 2019). Tais ferramentas permitem que as organizações monitorem seu progresso em relação aos objetivos, identifiquem áreas de melhoria e respondam proativamente às mudanças do mercado.

Apesar do reconhecimento da importância de uma gestão orientada a dados, muitas organizações enfrentam desafios operacionais em sua implementação. É comum observar a dependência de processos totalmente manuais, com a utilização de múltiplas planilhas para a apuração e cálculo de indicadores de desempenho, gerando dados extraídos de forma fragmentada, de diversas fontes diferentes, muitas vezes oficiadas ou não (Ferreira e Costa, 2023). Essa abordagem culmina na falta de integridade da informação, visto que as inconsistências entre informações reportadas por áreas distintas ou versões de arquivos são constantemente revisadas (Laudon e Laudon, 2021).

Tal cenário não só mitiga os riscos associados à inconsistência e desatualização dos dados, mas também consome um tempo significativo das equipes, que poderiam estar focadas em análises mais aprofundadas e na proposição de ações estratégicas. A ausência de uma plataforma centralizada e de fácil acesso para a consulta dos principais indicadores compromete a agilidade e a confiabilidade do processo de decisão, dificultando a identificação de quais indicadores são consequentes, quais processos são ineficientes e quais áreas necessitam de maior atenção gerencial (Laudon e Laudon, 2021). A necessidade de uma “fonte única da verdade” para a gestão de desempenho é, portanto, premente.

A transição de um modelo manual e fragmentado para um sistema automatizado e integrado de gestão de desempenho apresenta, portanto, um potencial agregador considerável à organização (Correia, 2022). Ferramentas como o Power BI oferecem recursos para automatizar a extração e tratamento de dados de sistemas e bases de dados, além de permitir uma visualização dinâmica e intuitiva através de painéis, conhecidos como dashboards (Powell, 2022). Esses painéis consolidam informações de múltiplas fontes em um formato acessível, facilitando a análise e a interpretação rápida dos dados.

A implementação de uma solução centralizada não apenas mitiga os riscos de inconsistência e desatualização dos dados, mas também libera recursos humanos para focar em análises mais aprofundadas e na proposição de ações estratégicas (Ferreira e Costa, 2023; Laudon e Laudon, 2021). A automatização dos cálculos, por exemplo, por meio de expressões DAX e lógica de interpolação linear, elimina a subjetividade dos processos manuais, garantindo a padronização e auditabilidade das informações. Isso fortalece a governança de dados e a confiabilidade das análises gerenciais, permitindo uma gestão por exceção baseada em dados fidedignos e em tempo real.

Diante dessa problemática e da oportunidade de otimização gerencial, este trabalho se justifica pela busca em aprimorar a gestão de desempenho corporativo por meio de uma abordagem tecnológica inovadora. O objetivo deste estudo é estabelecer uma interface centralizada que atue como a fonte única da verdade para a gestão de desempenho, facilitando a tomada de decisão ágil e fundamentada pelas lideranças, por meio do desenvolvimento e implementação de um painel em Power BI capaz de automatizar a consolidação e visualização de indicadores corporativos, garantindo a integridade dos dados e a eficiência dos processos gerenciais.

2. Material e Métodos

A pesquisa caracterizou-se como de natureza aplicada, buscando gerar conhecimentos direcionados à solução de problemas práticos e específicos, conforme a classificação de Gil (2017). A abordagem metodológica adotada foi a pesquisa-ação, fundamentada na estreita associação entre investigação empírica e resolução de um problema real, exigindo o envolvimento ativo e cooperativo dos participantes (Thiollent, 2025). Essa escolha justificou-se por intervir diretamente em um processo organizacional de gestão de desempenho, visando implementar solução prática para sua otimização.

O estudo inseriu-se no contexto de Analytics Descritivo e Diagnóstico, aplicando conceitos de Data Science para integração, transformação e análise de dados corporativos. Essa abordagem permitiu estruturar e interpretar grandes volumes de dados operacionais, convertendo-os em informações úteis para suporte à tomada de decisão (Laudon e Laudon, 2021). A unidade de análise consistiu no processo organizacional de gestão de desempenho de um determinado setor de uma empresa, com foco nos dados referentes ao ciclo de 2025.

Os participantes da situação investigada incluíram as equipes de tecnologia da informação e de gestão de desempenho da organização, envolvidas ativamente na identificação de requisitos e validação da solução. As fontes de dados primárias para a construção do painel foram o Sistema de Gestão de Indicadores (SGI) corporativo e planilhas paramétricas auxiliares em Excel. Essas bases continham informações sobre indicadores, características, resultados, gerências e metas por indicador, essenciais para a consolidação e visualização de dados.

Para o desenvolvimento da solução, utilizaram-se as ferramentas Microsoft Power BI para a construção do painel de desempenho, Power Query para as etapas de ingestão e transformação dos dados, e a linguagem DAX (Data Analysis Expressions) para a implementação da lógica de cálculo e interpolação linear dos indicadores. O Sistema de Gestão de Indicadores (SGI) forneceu os dados oficiais da empresa, enquanto planilhas de apoio em Excel foram empregadas para complementar informações de metas e parâmetros de comparação não disponíveis no sistema principal.

O trabalho foi estruturado em etapas sequenciais, iniciando com a fase de diagnóstico, que, segundo Thiollent (2025), visa a formulação de problemas e diretrizes. Nesta etapa, realizou-se o mapeamento e a análise crítica do fluxo de trabalho vigente na unidade organizacional, identificando pontos de vulnerabilidade no processo de apuração e apresentação de indicadores de desempenho. Em seguida, na coleta de dados, levantaram-se informações de fontes documentais, registros institucionais e por meio de consultas técnicas com especialistas (Gil, 2017), mapeando fluxos de dados e estruturando o levantamento de indicadores e fichas técnicas.

A organização e análise dos dados seguiram um pipeline estruturado, começando pela ingestão de dados do SGI e planilhas auxiliares. A etapa de transformação ocorreu no Power Query, utilizando a Linguagem M para limpeza e padronização dos registros. A modelagem dos dados foi fundamentada em um modelo dimensional em esquema estrela, integrando tabelas fato e dimensões para otimizar as consultas analíticas. O motor de cálculo foi implementado via DAX, automatizando a lógica de interpolação linear e a ponderação dos indicadores.

A construção do dashboard no Power BI priorizou um design de visualizações claro e intuitivo, orientado pelo conceito de storytelling de dados (Cairo, 2023), visando transformar dados complexos em percepções acionáveis. A validação do painel foi realizada por meio de apresentações experimentais para pontos focais e lideranças da unidade, coletando sugestões e feedbacks sobre o funcionamento técnico e a clareza das informações. Buscou-se também mensurar a eficácia da solução em termos de produtividade, comparando o tempo economizado com o processo manual anterior.

O escopo técnico da pesquisa foi delimitado ao Analytics Descritivo e Diagnóstico, implicando a utilização de projeções manuais pré-cadastradas por especialistas, em vez de modelos preditivos estatísticos. Adicionalmente, a dependência de planilhas auxiliares para suprir lacunas de informações não registradas oficialmente no Sistema de Gestão de Indicadores (SGI) representou uma condição para a replicabilidade do modelo, exigindo novos levantamentos de dados em gerências não incluídas.

3. Resultados e Discussão

O diagnóstico inicial do processo de gestão de desempenho revelou um cenário de fragmentação e ineficiência, caracterizado pela dependência de métodos manuais e planilhas isoladas. A estrutura organizacional, composta por uma Gerência Geral, oito Gerências de Linha e seis Gerências Setoriais, operava com um acompanhamento de desempenho baseado em resultados de indicadores expressos em unidades originais e uma nota equivalente em escala de um a cinco. Essa abordagem, contudo, carecia de padronização e clareza, especialmente para aqueles que não dominavam as particularidades técnicas de cada métrica, conforme apontado por Powell (2022) sobre a necessidade de visualizações dinâmicas.

As instâncias setoriais realizavam monitoramentos mensais inconsistentes, com verificações esporádicas e dependência de fontes desconexas, variando de painéis isolados a áreas específicas. A organização possuía um Sistema de Gestão de Indicadores (SGI) oficial, mas sua utilização era dificultada por problemas operacionais, como a ausência de um código de identificação para os indicadores e a dificuldade em navegar no sistema. Essa situação gerava insegurança na consulta de informações e dificultava a comparação de métricas, comprometendo a integridade dos dados e a confiabilidade das análises gerenciais.

A gestão do desempenho, independentemente do nível, era marcada por um encerramento do ciclo anual que exigia rigorosa validação dos resultados, frequentemente atrasada pela necessidade de lançamentos no sistema de recursos humanos. Esse processo demandava tempo significativo e gerava desconfiança, pois o fluxo de trabalho dependia da extração manual de informações e de consultas individuais para identificar o código do indicador no SGI. A ausência de uma fonte única e confiável de dados desviava o foco das reuniões para discussões sobre a validade dos números, em vez de análises estratégicas.

Adicionalmente, o sistema oficial não possuía regras estruturadas para a conversão de metas padronizadas em notas, o que resultava em um controle manual crucial e cálculos “independentes” realizados em planilhas Excel. O cruzamento dessas bases para elaboração de relatórios e apresentações para os gestores era um processo demorado, levando de dez a quinze dias para ser concluído. A rotatividade constante das equipes operacionais, muitas vezes terceirizadas, agravava a situação, exigindo retrabalho para atualizar os slides e gerando silêncios constrangedores nas reuniões após o lançamento oficial dos resultados.

Diante desse panorama de ineficiência e baixa confiabilidade, a solução proposta em Power BI visou estabelecer uma plataforma que garantisse a integridade dos dados por meio de conexão direta com as bases oficiais. A automação do motor de cálculo, utilizando interpolação linear, eliminou a subjetividade das notas obtidas em planilhas manuais e permitiu a criação de uma interface replicável para toda a hierarquia organizacional. Essa abordagem assegurou que a informação fosse única e auditável em todos os níveis de decisão, alinhando-se à necessidade de uma fonte única da verdade para a gestão de desempenho (Laudon e Laudon, 2021). Mapeamento das fontes e estruturação de dados

Após reuniões com especialistas do Sistema de Gestão de Indicadores (SGI) corporativo e equipes de desempenho operacional das gerências, foram levantadas as necessidades de dados para o painel. Os dados dos indicadores, provenientes do sistema oficial, e os dados das metas anuais para cada nível hierárquico foram identificados como cruciais. A Figura 1 ilustra a arquitetura da solução, que se organiza em dois grandes blocos de dados: o SGI, representando o ecossistema de bases oficiais, e as planilhas de apoio, que reúnem definições paramétricas de metas e hierarquias elaboradas especificamente para este estudo.

Figura 1. Diagrama da arquitetura macro da solução, ilustrando o fluxo de integração entre o Sistema de Gestão de Indicadores (SGI) e as planilhas paramétricas utilizadas como bases auxiliares

Fonte: Resultados originais da pesquisa

As estruturas das bases de dados foram detalhadas, com informações descaracterizadas para preservar a confidencialidade da empresa. A primeira frente de dados, originada do Sistema de Gestão de Indicadores corporativo, já estava disponível no ambiente Power BI da companhia. Após análise técnica, cinco bases fundamentais foram selecionadas para a composição da solução. A base ‘SGI_Indicador’ forneceu metadados macro, como siglas, significados, fórmulas e unidades de medida, sendo composta por doze colunas, das quais se destacaram as informações essenciais para a identificação e descrição dos indicadores.

A base ‘SGI_Desd_Desdobramento’ detalhou a estrutura de desdobramento dos indicadores e suas abrangências nas diferentes gerências. Essa base, originalmente com vinte e uma colunas, forneceu informações sobre o ID do desdobramento, o ID do indicador correspondente e a gerência de abrangência. A periodicidade de apuração do indicador, como mensal, bimestral ou trimestral, também foi um dado relevante obtido dessa base, permitindo uma granularidade adequada para a análise e acompanhamento do desempenho em diferentes níveis organizacionais.

As bases ‘SGI_Desd_Result’ e ‘SGI_Desd_Coment’ complementaram os dados, fornecendo, respectivamente, os resultados quantitativos alcançados para cada indicador e as análises qualitativas registradas pelas equipes gestoras. A base ‘SGI_Desd_Result’, com dezoito colunas, continha os resultados mensais e acumulados dos indicadores por desdobramento ao longo do tempo, permitindo o acompanhamento da evolução do desempenho. A base ‘SGI_Desd_Coment’, com cinco colunas, registrava os comentários técnicos das equipes, oferecendo contexto e insights sobre os resultados, como o início da integração de sistemas ou a ocorrência de instabilidades em servidores.

Complementarmente, uma segunda frente de dados foi elaborada em Excel para suprir a ausência de parâmetros de comparação no sistema oficial. O arquivo ‘BD Apoio Metas Anuais’ continha quatro visões distintas, incluindo a base ‘BD_Gerencias’, que detalhava a árvore hierárquica da unidade, e a base ‘BD_Indicadores’, que definia o escopo de métricas do ciclo atual. Para a base ‘BD_Indicadores’, colunas essenciais de identificação e relevância (pesos) foram definidas, permitindo a atribuição de notas de um a cinco para cada mês do ano, conforme as réguas de metas estabelecidas.

O diferencial analítico do modelo reside na integração de dados de diversas fontes, incluindo o Sistema de Gestão de Indicadores (SGI) e planilhas auxiliares, para criar uma visão unificada e confiável do desempenho. A Figura 2 apresenta o esquema conceitual do fluxo de dados, destacando as etapas de integração, modelagem e aplicação da lógica de automação do motor de cálculo das notas. Essa integração é fundamental para superar a fragmentação de dados e a inconsistência de informações que caracterizavam o processo anterior, conforme a necessidade de uma plataforma centralizada para a tomada de decisão (Ferreira e Costa, 2023).

Figura 2. Esquema conceitual do fluxo de dados da solução, incluindo as etapas de integração, modelagem e aplicação da lógica de automação do motor de cálculo das notas

Fonte: Resultados originais da pesquisa Arquitetura da solução e lógica de cálculo

A estrutura técnica da solução foi dividida para tratar os dados brutos, montar o modelo relacional e desenvolver o motor de cálculo via expressões DAX. O objetivo central foi garantir a integridade e a automação do fluxo, eliminando a manipulação manual e os riscos de inconsistência. A etapa de processamento foi conduzida no ambiente Power Query, utilizando a Linguagem M. Para as tabelas originais do Sistema de Gestão de Indicadores (SGI), realizou-se a exclusão de colunas irrelevantes para a análise, como metadados de sistema e campos de controle interno, visando otimizar a performance do modelo. A Figura 3 ilustra esse processo, destacando as etapas de manutenção, exclusão e tratamento de dados aplicadas às bases utilizadas na solução.

Figura 3. Diagrama de fluxo do processamento de colunas no Power Query, destacando as etapas de manutenção, exclusão e tratamento de dados aplicadas às bases utilizadas na solução

Fonte: Resultados originais da pesquisa

Além da alteração dos tipos de dados para garantir a precisão numérica, foram aplicados filtros para reduzir o volume de dados históricos irrelevantes e otimizar o modelo. Alguns dados foram substituídos para facilitar a análise, como a substituição de valores numéricos “0”, “1” e “2” na coluna “Indi_Sentido” pelos seus valores correspondentes “Maior Melhor”, “Menor Melhor” ou “Faixa Ideal”. Essa padronização é crucial para a interpretação consistente dos indicadores, conforme ilustrado na Figura 4, que detalha as etapas de substituição de valores e tratamento de colunas categóricas no Power Query, por meio da linguagem M, alinhando-se à necessidade de clareza na visualização de dados (Sharda et al., 2019).

Figura 4. Detalhamento das etapas de substituição de valores e tratamento de colunas categóricas no Power Query, por meio da linguagem M, incluindo a padronização de variáveis como periodicidade e sentido dos indicadores

Fonte: Resultados originais da pesquisa

Com os dados tratados, o modelo foi estruturado sob a lógica da modelagem dimensional, resultando em um esquema estrela (star schema). Essa arquitetura permite uma comunicação eficiente entre as tabelas fato, que armazenam os atributos quantitativos (como ‘SGI_Desd_Result’), e as tabelas dimensões, que contêm os atributos descritivos (como ‘SGI_Indicador’). A Figura 5 representa essa modelagem dimensional, evidenciando a organização entre tabelas fato e dimensões na solução proposta, o que facilita a análise e a recuperação de informações de forma otimizada, conforme os princípios de modelagem dimensional (Kimball e Ross, 2013).

Figura 5. Representação da modelagem dimensional em esquema estrela (star schema), evidenciando a organização entre tabelas fato e dimensões na solução proposta

Fonte: Resultados originais da pesquisa

A configuração das chaves primárias e estrangeiras, evidenciando a hierarquia de filtros onde as dimensões propagam o contexto para as tabelas de fatos sem a ocorrência de ambiguidade nos cálculos, foi um passo crucial. Essa etapa garante a integridade referencial e a correta aplicação dos filtros nas análises, assegurando que os dados sejam interpretados de forma precisa e consistente. A Figura 6 detalha as chaves de relacionamento e a cardinalidade entre tabelas fato e dimensões, evidenciando a propagação de filtros no modelo de dados, o que é essencial para a robustez e a confiabilidade do dashboard.

Figura 6. Detalhamento das chaves de relacionamento e da cardinalidade entre tabelas fato e dimensões, evidenciando a propagação de filtros no modelo de dados

Fonte: Resultados originais da pesquisa

Com todos os dados tratados e carregados, foi iniciada a elaboração da lógica de cálculo das notas dos indicadores e gerências, através da relação das bases de dados. A inteligência analítica da solução reside na sistematização da lógica de cálculo através de expressões DAX (Data Analysis Expressions). O cerne do dashboard proposto fundamenta-se na automatização da regra, já estabelecida no padrão da empresa, de interpolação linear. Essa técnica, segundo Larson e Edwards (2016), permite estimar valores intermediários dentro de um intervalo discreto de dados conhecidos, eliminando a subjetividade dos cálculos manuais.

Matematicamente, o cálculo da nota f(x) para um resultado real x é obtido pela Equação (1): f(x) = y0 + (x – x0) * (y1 – y0) / (x1 – x0). Nessa equação, x0 e x1 representam os marcos da régua de metas, enquanto y0 e y1 correspondem às notas adjacentes (1, 2, 3, 4 ou 5). Essa lógica foi transposta para o ambiente Power BI através da medida demonstrada na Figura 7, que implementa a lógica de interpolação linear por meio da linguagem DAX, utilizada para o cálculo automatizado das notas dos indicadores.

Figura 7. Implementação da lógica de interpolação linear por meio da linguagem DAX, utilizada para o cálculo automatizado das notas dos indicadores

Fonte: Resultados originais da pesquisa

A medida foi programada para identificar o sentido de apuração do indicador – “Maior Melhor”, “Menor Melhor” ou “Faixa Ideal” – e cruzar o resultado obtido das bases de dados do SGI com as faixas de metas (1 a 5) estabelecidas nas planilhas de apoio. Esse motor atribui automaticamente a nota com precisão decimal, conforme ilustrado na Figura 8. Essa automatização elimina a necessidade de cálculos manuais e garante a padronização das avaliações de desempenho, contribuindo para a confiabilidade e a integridade dos dados apresentados no dashboard, um aspecto fundamental para a governança de dados (Laudon e Laudon, 2021).

Figura 8. Demonstração da lógica de cálculo da nota via motor de interpolação linear, a partir do cruzamento entre os resultados do SGI e as réguas de metas definidas nas planilhas de apoio

Fonte: Resultados originais da pesquisa

Adicionalmente, o motor de cálculo processa a ponderação dos indicadores utilizando a coluna “Peso” da tabela “BD_Indicadores”, o que permite a consolidação das notas da gerência. A mesma lógica se aplica desde o nível setorial até a gerência geral de forma sistemática e auditável. Essa abordagem garante que a avaliação do desempenho reflita a importância relativa de cada indicador, fornecendo uma visão mais precisa e estratégica para a tomada de decisões. A capacidade de integrar e ponderar diferentes métricas em um único sistema é um avanço significativo em relação aos processos manuais anteriores. Arquitetura e funcionalidades do “dashboard”

A interface foi estruturada em quatro visões principais, desenhadas para permitir a navegação entre diferentes níveis de granularidade da informação. Essa arquitetura segue o conceito de storytelling, partindo de uma perspectiva consolidada até o detalhe técnico de cada métrica. A visão “Resumo Gerências”, representada na Figura 9, apresenta o organograma da unidade e oferece uma percepção imediata do desempenho global e do cumprimento das metas até a data da consulta. O objetivo é permitir que qualquer membro da unidade visualize rapidamente a saúde operacional da gerência geral dos oito gerências de linha e vinte e seis gerências setoriais em um único ambiente.

Figura 9. Dashboard na visão “Resumo Gerências”, apresentando o desempenho consolidado da unidade e de suas gerências em diferentes níveis hierárquicos

Fonte: Resultados originais da pesquisa

A visão “Detalhamento Gerência” atua como uma camada tática, focada no resultado de cada gerência individualmente, facilitando a identificação de pontos de atenção em indicadores que demandam intervenção gerencial. Ao apresentar os resultados mensais e acumulados lado a lado com as notas, o painel permite priorizar as discussões sobre os desvios de desempenho que impactam os resultados estratégicos, conforme demonstrado na Figura 10. Essa funcionalidade é crucial para uma gestão proativa, permitindo que os gestores ajam rapidamente sobre os desvios e otimizem a alocação de recursos.

Figura 10. Dashboard na visão “Detalhamento Gerência”, apresentando resultados mensais e acumulados dos indicadores, bem como suas respectivas notas de desempenho

Fonte: Resultados originais da pesquisa

Para garantir a transparência e a auditabilidade do modelo, a visão “Detalhamento do Indicador”, representada na Figura 11, apresenta a ficha técnica completa de cada indicador. Nela constam o significado da métrica, as características de medição, as fórmulas, as regras de apuração e a “régua” de cálculo da nota do indicador no ano vigente. Essa funcionalidade elimina a insegurança técnica descrita no diagnóstico, servindo como a “fonte única da verdade” para consultas conceituais e operacionais, um pilar para a governança de dados (Laudon e Laudon, 2021).

Figura 11. Dashboard na visão “Detalhamento do Indicador”, contendo ficha técnica, regras de apuração e parâmetros de cálculo das notas para cada indicador

Fonte: Resultados originais da pesquisa

Desenvolvida especificamente para fóruns executivos, a interface “Relatório Executivo”, apresentada na Figura 12, viabiliza para a alta gestão uma análise transversal de indicadores críticos compartilhados entre as diferentes gerências. Essa funcionalidade permite a visualização imediata da nota acumulada no ciclo anual, consolidando o desempenho de forma rápida e fidedigna. O painel destaca os indicadores que impactam positiva ou negativamente o resultado global, facilitando a identificação dos principais desvios e a tomada de decisão exclusivamente nos casos que fogem significativamente do planejado. A solução assegura que o tempo das reuniões executivas seja focado na proposição de ações estratégicas e preventivas, eliminando discussões sobre a validade dos dados e fortalecendo a cultura orientada a dados na organização.

Figura 12. Dashboard na visão “Relatório Executivo”, apresentando a consolidação dos indicadores críticos e suas notas, com destaque visual para desvios relevantes de desempenho

Fonte: Resultados originais da pesquisa Análise de eficácia e ganhos operacionais

A avaliação final da solução mediu o impacto direto da implementação do painel na rotina da unidade organizacional. Por intermédio de apresentações experimentais e coletas de feedback junto às lideranças e pontos focais, verificou-se uma elevada aceitação da solução. O principal fator de satisfação relatado foi a segurança técnica proporcionada pela conexão direta com as bases oficiais, o que mitigou o risco de inconsistência de dados reportados por diferentes áreas. Essa eficácia da ferramenta culminou em sua aprovação pela alta gestão, passando a ser utilizada de forma oficial nas reuniões gerenciais de fechamento do ciclo de 2025.

Os ganhos mais expressivos em termos de eficiência operacional e produtividade foram observados na redução drástica do lead time operacional. Conforme identificado no diagnóstico do processo vigente, a coleta manual e a elaboração de apresentações de slides demandavam um esforço de dez a quinze dias e excessivo retrabalho das equipes de desempenho. Com a nova solução em Power BI, a atualização dos dados e o processamento do motor de cálculo ocorreram de forma automatizada, reduzindo esse tempo para aproximadamente trinta minutos (99,58% de redução). Essa economia de homem-hora permite que as equipes migrem de um perfil estritamente executor para um perfil analítico, focando na proposição de ações estratégicas.

O comparativo detalhado entre o cenário manual e a solução automatizada em Power BI evidencia a transformação significativa no processo de gestão de desempenho. No cenário manual, as fontes de dados eram fragmentadas em diversas origens, oficiais ou informais, enquanto a solução proposta centraliza os dados em conexão direta às bases do SGI. A extração de dados, antes uma coleta estritamente manual e individual por indicador, passou a ser automatizada via processos de ETL no Power Query, garantindo maior integridade e eficiência no fluxo de informações.

Os cálculos de notas, que eram independentes e realizados em planilhas Excel no cenário manual, foram substituídos por um motor de cálculo padronizado via expressões DAX na solução automatizada, eliminando a subjetividade e os erros. A apresentação dos resultados, que antes se dava por relatórios estáticos em formato de slides, evoluiu para painéis dinâmicos com navegação entre níveis de detalhe, proporcionando uma visualização mais interativa e personalizável. O tempo de preparação, que variava de dez a quinze dias por ciclo mensal, foi drasticamente reduzido para aproximadamente trinta minutos, representando um ganho de eficiência de 99,58%.

A confiabilidade dos dados, que era baixa e sujeita a divergências e questionamentos no cenário manual, foi elevada e consolidada como uma “fonte única da verdade” na solução automatizada. Essa melhoria na qualidade dos dados ao longo do processo foi fundamental, pois a inconsistência de dados reportados por diferentes fontes exigia retrabalho frequente para validação das informações. Com a implementação da solução centralizada, essa inconsistência foi significativamente reduzida, uma vez que os dados passaram a ser extraídos diretamente das bases oficiais, garantindo maior confiabilidade e integridade das informações, o que fortalece a governança de dados e a confiança nas análises gerenciais.

A robustez e a replicabilidade da interface foram estabelecidas no início do projeto, com o interesse de gerências pertencentes a outras estruturas da Gerência Geral em replicar o modelo em suas respectivas áreas. A continuidade da solução está assegurada pela sua atual fase de adaptação para o ciclo de 2026, consolidando o painel como a “fonte única da verdade”, eliminando a subjetividade dos cálculos manuais e assegurando que as discussões em fóruns de decisão foquem no desempenho real e na formulação de planos de ação estratégicos. Essa escalabilidade demonstra o potencial da solução para impactar positivamente outras áreas da organização, promovendo uma cultura de dados mais abrangente.

Em síntese, os resultados demonstram que a implementação do dashboard em Power BI transformou a gestão de desempenho corporativo, superando as vulnerabilidades de um processo fragmentado e manual. A automatização do motor de cálculo via DAX e a centralização dos dados em uma “fonte única da verdade” reduziram o tempo de processamento em 99,58%, liberando as equipes para análises estratégicas e gestão por exceção. A solução foi validada pela alta aceitação e pela sua adoção oficial, confirmando a viabilidade técnica e a eficácia gerencial em responder ao objetivo de otimizar a gestão de desempenho corporativo.

4. Conclusão

O presente estudo objetivou estabelecer uma interface centralizada que atuasse como a fonte única da verdade para a gestão de desempenho, facilitando a tomada de decisão ágil e fundamentada pelas lideranças, por meio do desenvolvimento e implementação de um painel em Power BI capaz de automatizar a consolidação e visualização de indicadores corporativos. Verificou-se que o processo anterior era caracterizado por métodos manuais, dados fragmentados e inconsistências, demandando um tempo de processamento excessivo. A solução desenvolvida integrou dados de fontes oficiais e planilhas auxiliares, automatizando o motor de cálculo por meio de expressões DAX e interpolação linear, o que eliminou a subjetividade inerente aos cálculos manuais e garantiu a padronização e auditabilidade das notas de desempenho. Identificou-se uma redução drástica de 99,58% no tempo de processamento, que passou de aproximadamente 120 horas para apenas 5 minutos, e a mitigação de vulnerabilidades críticas de inconsistência de dados. A alta aceitação da ferramenta pelas lideranças e equipes demonstrou sua eficácia gerencial, permitindo que o foco se deslocasse para análises estratégicas e uma gestão por exceção, consolidando uma cultura orientada a dados na organização.

Apesar dos resultados positivos alcançados, o estudo apresentou limitações que devem ser consideradas. Verificou-se a dependência de planilhas auxiliares para suprir lacunas de informações não registradas oficialmente nos sistemas da empresa, o que condiciona a replicabilidade do modelo à realização de novos levantamentos de dados em gerências que não compuseram a amostra inicial. A volatilidade do ciclo de vida dos indicadores na organização, com a descontinuidade frequente de métricas e alterações em fórmulas, restringiu a consistência de análises longitudinais de longo prazo, limitando o projeto às informações do ano vigente. Além disso, o escopo técnico restringiu-se ao Analytics Descritivo e Diagnóstico, utilizando projeções manuais pré-cadastradas por especialistas, em detrimento de modelos preditivos estatísticos. Como perspectiva para trabalhos futuros, sugere-se a evolução do fluxo de dados para Analytics Preditivo, com a implementação de modelos de Machine Learning capazes de prever resultados com base no histórico. Recomenda-se, ainda, o desenvolvimento de análises prescritivas para a recomendação automatizada de metas e réguas de desempenho para ciclos subsequentes, otimizando o planejamento estratégico organizacional.

Referências Bibliográficas

Cairo, A. (2023). The art of insight: how great visualization designers think. 1. ed. New York: Wiley.

Correia, M. S. (2022). Rumo a um modelo de maturidade para organizações orientadas a dados. Dissertação de Mestrado. Universidade Católica de Brasília, Brasília, DF, Brasil.

Ferreira, B. S.; Costa, S. A. (2023). Business intelligence (BI) e sua influência na rotina de controllers bean counters e business partners. *Práticas em Contabilidade e Gestão*, v. 11, n. 3, p. 1-21.

Gil, A. C. (2017). Como elaborar projetos de pesquisa. 6. ed. São Paulo: Atlas.

Kimball, R.; Ross, M. (2013). The data warehouse toolkit: the definitive guide to dimensional modeling. 3. ed. Indianapolis: John Wiley & Sons.

Larson, R.; Edwards, B. H. (2016). Cálculo: Volume 1. 11. ed. Boston: Cengage Learning.

Laudon, K. C.; Laudon, J. P. (2021). Sistemas de informação gerenciais. 14. ed. São Paulo: Pearson.

Medeiros, M. M.; Maçada, A. C. G.; Hoppen, N. (2021). O papel da administração e análise de big data como habilitadoras da gestão do desempenho corporativo. *Revista de Administração Mackenzie*, v. 22, n. 6, p. 1-30.

Parmenter, D. (2020). Key Performance Indicators: Developing, Implementing, and Using Winning KPIs. 4. ed. New Jersey: John Wiley & Sons.

Powell, B. (2022). Mastering Microsoft Power BI: expert techniques for effective data analytics and business intelligence. 2. ed. Birmingham: Packt Publishing.

Sharda, R.; Delen, D.; Turban, E. (2019). Business intelligence e análise de dados para gestão do negócio. 4. ed. Porto Alegre: Bookman.

Thiollent, M. (2025). Metodologia da pesquisa-ação. 19. ed. São Paulo: Cortez.

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