Resumo Executivo

Renata Franco Meireles de Sousa; Miguel Ângelo Lellis Moreira

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

A gestão contemporânea nas organizações, independentemente do seu setor de atuação, encontra-se intrinsecamente ligada à capacidade de converter grandes volumes de dados em informações estratégicas que fundamentem a tomada de decisão. Nesse cenário, os recursos de Business Intelligence surgem como elementos vitais, permitindo que gestores acessem e analisem indicadores em tempo real, o que reduz a incerteza e amplia a precisão das escolhas institucionais (Abu-Alsondos, 2023). A tomada de decisão em um ambiente organizacional não é um ato isolado, mas um processo complexo que envolve a seleção de alternativas diante de um conjunto de variáveis e critérios específicos, muitas vezes sob a responsabilidade de múltiplos decisores (Chaves et al., 2022). A qualidade desse processo está diretamente vinculada à adoção de tecnologias que integrem a recolha, o armazenamento e o tratamento de dados, facilitando a visualização de padrões e a automação de fluxos informacionais (Pereira, 2022). No contexto das Instituições de Ensino Superior, essa necessidade é acentuada pela diversidade de áreas envolvidas, que abrangem desde o desempenho acadêmico e a gestão financeira até processos administrativos e de inovação (Bianchi et al., 2024).

Os sistemas de Business Intelligence comumente utilizados nas organizações podem ser classificados em quatro categorias principais: sistemas de relatórios, focados em eventos passados; sistemas de análise, que explicam as causas de determinados eventos; sistemas de monitorização, voltados para a visão em tempo real; e sistemas de projeção, que utilizam dados históricos para prever tendências de mercado (Abu-Alsondos, 2023). Para uma Instituição de Ensino Superior situada em Lisboa, a implementação de tais ferramentas torna-se um imperativo estratégico, especialmente para a Área da Qualidade e Inovação, que possui a missão de aprimorar processos e procedimentos de forma isenta e objetiva (ISCSP, 2024). A atividade decisória, portanto, configura-se como o elemento central da gestão, demandando a identificação de alternativas viáveis e a avaliação rigorosa de seu impacto e exequibilidade (Santos et al., 2023).

A Pesquisa Operacional oferece o suporte científico necessário para enfrentar esses problemas complexos, utilizando modelos matemáticos, algoritmos e técnicas estatísticas para buscar a solução ótima e aprimorar a eficiência dos sistemas (De Avila et al., 2024). Dentro desse campo, os métodos de apoio multicritério à decisão têm demonstrado um crescimento significativo, pois permitem que o processo de escolha seja neutro, transparente e estruturado, revelando a lógica subjacente às preferências dos tomadores de decisão (Gomes et al., 2020). A complexidade inerente à gestão de uma instituição de ensino exige que a Pesquisa Operacional seja uma aliada constante, permitindo que a solução identificada esteja alinhada aos objetivos estratégicos da organização (Cinelli et al., 2020). A integração dessas abordagens confere maior fundamentação ao processo decisório, garantindo resultados consistentes (Santos et al., 2023).

A seleção de uma ferramenta tecnológica deve considerar não apenas a problemática em si, mas também o contexto organizacional, o tempo disponível para implementação e o número de decisores envolvidos. O método SAPEVO-M destaca-se nesse panorama por permitir uma abordagem prática e simplificada em ambientes colaborativos, sendo ideal para decisões em grupo (Oliveira et al., 2024). Este método possibilita que as preferências ordinais de múltiplos decisores sejam captadas e transformadas em pontuações cardinais, garantindo que a subjetividade individual seja processada de forma estruturada (Gomes et al., 2020). Assim, o foco reside na análise e seleção da ferramenta de Business Intelligence mais adequada para o apoio à decisão em uma Instituição de Ensino Superior, utilizando o rigor metodológico do SAPEVO-M para fundamentar a escolha entre as principais alternativas de mercado.

A metodologia adotada fundamenta-se em uma pesquisa de natureza qualitativa, sustentada por uma revisão bibliográfica densa e uma pesquisa exploratória para a identificação das ferramentas líderes de mercado. Para a seleção das alternativas, utilizou-se como referência o quadrante mágico da Gartner de 2024, que avalia fornecedores de tecnologia com base na capacidade de execução e na integridade de visão. As empresas posicionadas como líderes nesse quadrante apresentam forte presença de mercado e uma visão clara sobre o futuro do segmento de plataformas de Business Intelligence (Lima, 2024). Com base nesse critério, foram selecionadas seis ferramentas para análise: Power BI da Microsoft, Looker Data Studio do Google, Tableau, Qlik, Oracle BI e Thoughtspot. Cada uma dessas alternativas possui diferenciais específicos, como a integração nativa com ecossistemas de software já estabelecidos, capacidades superiores de visualização interativa, desempenho com grandes volumes de dados ou abordagens de autoatendimento com uso mínimo de código.

O processo de avaliação contou com a participação de uma equipe da Área da Qualidade e Inovação da instituição, composta por sete elementos com diferentes focos de atuação, incluindo gestão da qualidade, desenvolvimento organizacional e sustentabilidade. Para identificar os critérios de avaliação mais relevantes para o contexto da instituição, realizaram-se duas entrevistas de grupo semiestruturadas. O roteiro dessas entrevistas buscou explorar as funcionalidades essenciais, a importância da integração com sistemas acadêmicos e administrativos, a facilidade de uso, os requisitos de segurança e conformidade com normas de proteção de dados, além da escalabilidade e do custo-benefício. Como resultado desse processo de auscultação, definiram-se oito critérios fundamentais: facilidade de utilização por parte do usuário, níveis de compartilhamento e permissões personalizadas, acessibilidade e facilidade de acesso, recursos de integração com outras plataformas, outputs visualmente apelativos, segurança e governança de dados, relação custo-benefício e escalabilidade para acompanhar o crescimento institucional.

Após a definição das alternativas e dos critérios, as ferramentas foram apresentadas à equipe e disponibilizadas para experimentação por um período de dois meses e meio. Na sequência, aplicou-se o método SAPEVO-M para ordenar as preferências de forma objetiva. O fluxo metodológico do SAPEVO-M inicia-se com a ordenação de preferências entre os critérios, gerando um vetor de pesos que reflete a importância relativa de cada um na decisão final. O grau de preferência é estabelecido por meio de comparações pareadas, onde um critério pode ser considerado tão importante quanto, mais importante ou menos importante que outro (Gomes et al., 2020). Posteriormente, realiza-se a ordenação das alternativas em relação a cada critério, utilizando uma escala ordinal de sete pontos que varia desde absolutamente pior até absolutamente melhor.

Para garantir a comparabilidade entre as avaliações, as pontuações numéricas atribuídas pelos decisores passam por um processo de normalização, ajustando os valores para uma escala entre 0 e 1. Esse procedimento é crucial para evitar que diferentes escalas de preferência distorçam os resultados finais. A normalização utiliza uma equação que considera a soma das preferências atribuídas a cada variável, subtraindo o valor mínimo e dividindo pela amplitude entre o valor máximo e o mínimo encontrados no conjunto (Gomes et al., 2020). No caso de valores nulos, aplica-se uma correção técnica de 1% do menor valor seguinte para garantir que todos os critérios sejam computados. A etapa seguinte consiste na agregação das preferências, onde uma matriz compila os totais das avaliações normalizadas, que são então ponderados pelos pesos finais de cada critério para gerar a pontuação final de cada alternativa.

A robustez do método é reforçada por uma análise de consistência, que verifica a coerência das comparações feitas pelos decisores, assegurando que os princípios de transitividade e lógica sejam respeitados. O cálculo do índice de consistência leva em conta a soma das pontuações binárias da matriz de comparação e o número de variáveis avaliadas (Matos et al., 2024). Caso uma taxa de inconsistência elevada seja detectada, a avaliação pode ser revisada ou excluída para manter a integridade do estudo. Para a execução desses cálculos, utilizou-se o software SAPEVO-M, inserindo-se o objetivo, os critérios e as alternativas em uma sessão específica, cujos dados foram acessados individualmente pelos avaliadores após uma reunião de orientação e o fornecimento de documentos de apoio detalhando a escala de importância e os critérios definidos.

A estrutura hierárquica da análise posicionou o objetivo de seleção no topo, seguido pelos oito critérios de avaliação e, na base, as seis ferramentas de Business Intelligence. Findo o prazo de avaliação, os dados foram extraídos do software para a análise dos pesos normalizados e das utilidades de cada alternativa. Uma reunião final com a equipe permitiu recolher contributos qualitativos sobre a experiência de uso tanto das ferramentas de Business Intelligence quanto da própria plataforma SAPEVO-M, enriquecendo a discussão dos resultados. O levantamento inicial das alternativas baseou-se na maturidade tecnológica e no suporte técnico oferecido pelas empresas líderes, o que garante segurança ao investimento institucional e acesso a inovações constantes que estabelecem padrões de mercado.

A definição dos critérios de avaliação foi um passo crítico, exigindo reuniões deliberativas para garantir que os requisitos respondessem adequadamente ao escopo do trabalho. A experimentação gratuita das ferramentas permitiu uma avaliação prática sem compromisso financeiro imediato, embora tenham sido identificados riscos como a barreira linguística, visto que algumas plataformas estavam disponíveis apenas em inglês, e a limitação de tempo dos avaliadores em meio às suas atividades laborais rotineiras. Dos sete avaliadores inicialmente previstos, seis concluíram o processo de avaliação dentro do prazo estipulado, fornecendo uma base de dados sólida para a aplicação do método multicritério.

Os resultados obtidos através da agregação das preferências dos seis avaliadores revelaram uma hierarquia clara de importância entre os critérios estabelecidos. O critério de segurança e governança de dados emergiu como o mais valorizado, detendo um peso de 19,5% na composição da decisão final. Esse dado reflete uma preocupação institucional profunda com a proteção de informações sensíveis, especialmente em um contexto de conformidade com regulamentos de proteção de dados e a necessidade de salvaguardar registros acadêmicos e financeiros contra acessos não autorizados ou fraudes. Logo em seguida, a facilidade de utilização por parte do usuário apresentou um peso de 17,2%, evidenciando que, para a equipe da Área da Qualidade e Inovação, a intuitividade da plataforma é um fator determinante para a adoção bem-sucedida da tecnologia, minimizando a curva de aprendizado e a necessidade de suporte técnico constante.

O critério relativo aos níveis de compartilhamento e permissões personalizadas obteve 14,7% de peso, destacando a importância da colaboração segura e da capacidade de definir perfis de acesso distintos para diferentes usuários dentro da instituição. Outros critérios, como recursos de integração e acessibilidade, apresentaram pesos de 12,5% e 10,7%, respectivamente, enquanto os outputs apelativos alcançaram 10,3%. Curiosamente, os critérios de custo-benefício (8,5%) e escalabilidade (6,6%) receberam as menores ponderações. A menor relevância atribuída ao custo-benefício pode ser explicada pelo fato de a decisão ser tomada em um nível técnico-operacional, onde a funcionalidade e a segurança sobrepõem-se às restrições orçamentárias imediatas, que muitas vezes são tratadas em instâncias superiores de gestão. Já a baixa priorização da escalabilidade sugere que os avaliadores focaram mais nas necessidades prementes de curto e médio prazo do que na expansão futura do sistema para volumes massivos de dados.

A análise da taxa de inconsistência média foi de 10,8%, um valor considerado favorável dentro dos parâmetros do método SAPEVO-M, indicando que as avaliações foram realizadas de forma coerente e lógica pelos participantes. Ao analisar o desempenho das ferramentas em relação aos critérios, o Power BI da Microsoft destacou-se como a alternativa mais robusta e equilibrada, alcançando uma avaliação agregada de 43,81%. Esta ferramenta obteve pontuações elevadas em praticamente todos os critérios, sendo percebida como uma opção acessível, intuitiva e com excelente capacidade de integração, especialmente considerando o ecossistema de produtividade já amplamente utilizado nas instituições de ensino. A preferência pelo Power BI foi consistente entre a maioria dos avaliadores, com um destaque particular para sua facilidade de uso e a qualidade de suas visualizações.

A segunda ferramenta melhor posicionada foi o Looker Data Studio, com 17,27% de preferência, seguida pelo Tableau com 11,98%. O Looker foi valorizado por sua integração com serviços em nuvem e facilidade de acesso, enquanto o Tableau, apesar de reconhecido por suas visualizações esteticamente superiores, pode ter sido penalizado por uma percepção de maior complexidade ou custo. As ferramentas Oracle BI (10,48%), Qlik (9,58%) e Thoughtspot (6,89%) apresentaram desempenhos mais limitados no contexto específico desta avaliação. O Thoughtspot, em particular, embora inovador em sua proposta de autoatendimento baseada em busca, obteve a menor pontuação agregada, o que pode indicar que sua abordagem ainda não é vista como a mais adequada para as necessidades atuais da equipe avaliadora.

A discussão dos resultados evidencia que a escolha de uma ferramenta de Business Intelligence não deve ser baseada apenas em funcionalidades técnicas isoladas, mas na harmonia entre a tecnologia e a cultura organizacional. A forte inclinação para a segurança de dados corrobora a literatura que aponta a governança da informação como um pilar essencial para a transformação digital em instituições públicas e de ensino (Georg et al., 2024). A preocupação com a exposição de dados pessoais e a possibilidade de interrupção de atividades acadêmicas por falhas de segurança justifica a alta prioridade dada a esse critério. Da mesma forma, a valorização da facilidade de uso coaduna-se com a realidade de equipes que possuem diferentes níveis de domínio técnico, onde ferramentas autoexplicativas reduzem a resistência à mudança e promovem o engajamento dos colaboradores.

A aplicação do método SAPEVO-M permitiu captar a subjetividade inerente às preferências individuais e transformá-la em um indicador quantitativo confiável para a tomada de decisão. As variações observadas entre as avaliações individuais sublinham a importância de processos decisórios participativos, onde diferentes perspectivas são integradas para formar uma visão coletiva. Enquanto alguns avaliadores priorizaram a estética dos relatórios, outros focaram na capacidade de integração com sistemas de gestão acadêmica, e o método foi capaz de equilibrar essas demandas distintas por meio da ponderação de pesos. A análise visual através de gráficos de radar permitiu identificar que o Power BI é a ferramenta que melhor preenche a área de requisitos estabelecida pela instituição, apresentando um desempenho equilibrado entre funcionalidade, acessibilidade e custo.

Apesar do sucesso na aplicação do modelo, algumas limitações foram identificadas durante o estudo. A falta de disponibilidade temporal dos participantes e o desconhecimento prévio de algumas ferramentas dificultaram uma experimentação mais profunda de todas as funcionalidades disponíveis. Além disso, o fato de os próprios avaliadores terem selecionado os critérios pode ter introduzido um viés de percepção, refletindo mais as necessidades imediatas do que uma visão estratégica de longo prazo. O formato de resposta no software SAPEVO-M também foi apontado como um ponto de melhoria, sendo por vezes considerado cansativo devido à natureza repetitiva das comparações pareadas. A rigidez do sistema em relação à edição de dados inseridos incorretamente também foi notada como um fator que pode comprometer a eficiência operacional do processo de avaliação.

Para futuras implementações, é fundamental que a instituição invista em formação específica e capacitação técnica para as equipes envolvidas, promovendo um processo de inclusão digital que vá além da simples instalação de softwares. A construção de modelos mentais adequados e o engajamento dos colaboradores são essenciais para que as ferramentas de Business Intelligence sejam efetivamente utilizadas na melhoria contínua dos processos. A inclusão de profissionais especializados em Tecnologia da Informação nas equipes de avaliação também poderia agregar valor, permitindo uma análise mais técnica sobre a arquitetura de dados e a segurança cibernética das plataformas. Estudos futuros poderiam expandir esta análise para outras áreas da instituição, comparando as necessidades de diferentes departamentos e verificando se a ferramenta selecionada mantém sua superioridade em contextos distintos.

Conclui-se que o objetivo foi atingido, uma vez que a aplicação do método SAPEVO-M permitiu identificar o Power BI como a ferramenta de Business Intelligence mais adequada para a Instituição de Ensino Superior em estudo, apresentando uma preferência agregada de 43,81%. O processo demonstrou que a segurança e a facilidade de uso são os critérios primordiais para os decisores no contexto acadêmico analisado. A abordagem estruturada e multicritério conferiu objetividade e transparência à escolha, garantindo que a decisão fosse baseada em dados e refletisse as necessidades reais da equipe da Área da Qualidade e Inovação. A metodologia empregada provou ser eficaz para resolver problemas complexos de seleção tecnológica em ambientes colaborativos, fornecendo uma base sólida para a futura implementação da ferramenta e para o fortalecimento de uma cultura de gestão baseada em evidências dentro da instituição.

Referências Bibliográficas:

Abu-Alsondos, I. 2023. The Impact of Business intelligence system (BIS) on quality of strategic decision-making. International Journal of Data and Network Science 7(1): 1901-1912.

Bianchi, I.; Vendrúscolo, J. 2024. Business intelligence na educação superior: Oportunidades e Desafios. PRISMA.COM, Vol. 50: 83–110.

Chaves, L.; Ferreira, R.; Soares, J.; Nascimento, A.; Albuquerque, A.; 2022. A importância da tecnologia da informação nas tomadas de decisões em empresas. Tecnologia da Informação e Comunicação: pesquisas em inovações tecnológicas – ISBN 978-65-5360-157-4 – Editora Científica Digital Vol. 3: 21-40.

Cinelli, M.; Kadziński, M.; Gonzalez, M.; Słowiński, R. 2020. How to support the application of multiple criteria decision analysis? Let us start with a comprehensive taxonomy. Omega

De Avila, G.G.F. ; Flores, J..F.; Longaray, A.A.; Barlem, E.L.D. 2024. Os paradigmas da pesquisa operacional: racionalismo ou construtivismo. Contribuciones a Las Ciencias Sociales 17(1): 344-359.

Gartner Magic Quadrant. 2024. Disponível em: <https://cloud.google.com/blog/products/data analytics/2024-gartner-magic-quadrant-analytics-and-business-intelligence>. Acesso em: 10 maio 2025.

Georg, M.; Moreira, F.; Deus, F.; Nunes, R.; 2024. Classificando Soluções de TIC no Sector Público Brasileiro usando um Método Multicritério de Apoio à Decisão. Revista Gestão e Tecnologia 24(5): 277-303.

Gomes, C.; Santos, M.; Teixeira,, L.; Sanseverino, A.; Barcelos, M. 2020. SAPEVO-M: A GROUP MULTICRITERIA ORDINAL RANKING METHOD. Pesquisa Operacional 40: 1-20.

Instituto Superior de Ciências Sociais e Políticas [ISCSP]. 2024. Regulamento Orgânico dos Serviços Técnicos e Administrativos do ISCSP – ULisboa. Secção III. Art.º 11.

Lima, L. 2024. Medição da Qualidade e da Rapidez da Tomada de Decisão Baseada em Business Intelligence: Uma Análise de Concordência Para Atributos no Âmbito da Indústria 4.0. Trabalho Conclusão de Curso em Engenharia de Produção. Universidade Federal da Paraíba, João Pessoa, Paraíba, Brasil.

Matos, C.; Moreira, M.; Pereira M.; Gomes C., Santos M.; Silva F. 2024. Systematic Analysis of Packaging in the Electric Motors Industry: A Multi-Criteria Approach Through the SAPEVO M Method. Mathematics Journal.

Oliveira, P.; Moreira, M.; Baptista, I.; CostaI.; Santos, M. Gomes, C. 2024. Strategic Packing Supplier Analysis Through the SAPEVO-M Systematic. 487-500.

Pereira, F. 2022. Business Analytics, Big Data e Inteligência Artificial. Série Académica. PECEGE Editora, Piracicaba, SP, Brasil.

Santos, M.; Gomes, C.F.S.; Moreira, M.A.L.; Costa, I.P.A. 2023. Ferramentas Computacionais de apoio à tomada de decisão. 1ª edição. Ed. Dos autores. Rio de Janeiro, RJ, Brasil.

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq

_{Saiba mais sobre o curso; clique aqui:}