BUSINESS INTELLIGENCE INTELIGÊNCIA ARTIFICIAL PARA NEGÓCIOS (1)

Prévia do material em texto

BUSINESS INTELLIGENCE: 
INTELIGÊNCIA ARTIFICIAL 
PARA NEGÓCIOS
Professor Me. Rodrigo de Grazia Bacha Estevam
2023 by Editora Edufatecie. Copyright do Texto C 2023. Os autores. Copyright C Edição 2023 Editora Edufatecie.
O conteúdo dos artigos e seus dados em sua forma, correção e confiabilidade são de responsabilidade exclusiva
dos autores e não representam necessariamente a posição oficial da Editora Edufatecie. Permitido o download da 
obra e o compartilhamento desde que sejam atribuídos créditos aos autores, mas sem a possibilidade de alterá-la 
de nenhuma forma ou utilizá-la para fins comerciais.
REITORIA Prof. Me. Gilmar de Oliveira
DIREÇÃO ADMINISTRATIVA Prof. Me. Renato Valença
DIREÇÃO DE ENSINO PRESENCIAL Prof. Me. Daniel de Lima
DIREÇÃO DE ENSINO EAD Profa. Dra. Giani Andrea Linde Colauto
DIREÇÃO FINANCEIRA PRESENCIAL Eduardo Luiz Campano Santini
DIREÇÃO FINANCEIRA EAD Guilherme Esquivel
DIREÇÃO DE INOVAÇÃO Prof. Me. Jorge Luiz Garcia Van Dal
NÚCLEO DE APOIO PSICOLÓGICO E PSICOPEDAGÓGICO Bruna Tavares Fernandes
BIBLIOTECÁRIA Tatiane Viturino Oliveira
PESQUISADOR INSTITUCIONAL Tiago Pereira da Silva
COORDENAÇÃO DE ENSINO, PESQUISA E EXTENSÃO (CONPEx) – MODALIDADE PRESENCIAL Profa. Ma. Luciana Moraes
COORDENAÇÃO DE ENSINO, PESQUISA E EXTENSÃO (CONPEx) – MODALIDADE EaD Me. Bruno Eckert Bertuol
COORDENAÇÃO DO DEPTO. DE PRODUÇÃO DE MATERIAIS DIDÁTICOS Luiz Fernando Freitas
REVISÃO ORTOGRÁFICA E NORMATIVA Beatriz Longen Rohling
Carolayne Beatriz da Silva Cavalcante
Eduardo Alves de Oliveira
Gleice Emanoela Nunes Ferreira
Isabelly Oliveira Fernandes de Souza
Jéssica Eugênio Azevedo
Louise Ribeiro
Marcelino Fernando Rodrigues Santos
Stephanie Vieira
Maria Clara da Silva Costa
Vinicius Rovedo Bratfisch
PROJETO GRÁFICO E DIAGRAMAÇÃO Bruna de Lima Ramos
Carlos Firmino de Oliveira
Lucas Patrick Rodrigues Ferreira Estevão
Vitor Amaral Poltronieri
ESTÚDIO, PRODUÇÃO E EDIÇÃO André Oliveira Vaz
DE VÍDEO Carlos Henrique Moraes dos Anjos
Felipe Souza Oliveira
Leandro Tenório
Maria Beatriz Paula da Silva
Pedro Vinícius de Lima Machado
Thassiane da Silva Jacinto
As imagens utilizadas neste material didático 
são oriundas do banco de imagens Shutterstock
33
Autor
Professor Me. Rodrigo de 
Grazia Bacha Estevam
• Mestre em Gestão do Conhecimento e da Tecnologia da Informação pela 
Universidade Católica de Brasília, atua como CEO de Startups com foco em 
soluções de Inteligência Artificial e Analytics para educação e CTO da Unifatecie.
• Graduado em Ciência da Computação, com MBA em Marketing, Criatividade e 
Inovação e Especialista em Redes de Computadores e formação para Executivos 
de TI para Educação pela Universidade de Múrcia, na Espanha. Também possuo 
Certificação PMP - Project Management Professional, pelo PMI.
4
Apresentação
No cenário empresarial contemporâneo, a competitividade 
e a inovação são impulsionadas pela capacidade de tomar 
decisões informadas e estratégicas. Nesse contexto, o 
Business Intelligence (BI) e a Inteligência Artificial (IA) 
emergem como ferramentas fundamentais para transformar 
dados brutos em insights valiosos.
Ao integrar essas tecnologias, as organizações não apenas 
compreendem o que aconteceu no passado, mas também 
preveem tendências futuras e automatizam processos 
decisórios complexos.
A explosão de dados gerada por interações digitais, redes 
sociais, dispositivos móveis e Internet das Coisas (IoT) criou 
um ambiente onde a informação é abundante, mas o valor 
reside na capacidade de analisá-la e interpretá-la de maneira 
eficiente. 
Empresas que adotam BI e IA conseguem navegar com 
agilidade em mercados dinâmicos, personalizar experiências 
do cliente e otimizar operações internas, garantindo vantagem 
competitiva e sustentabilidade nos negócios. Esta apostila 
está estruturada para fornecer um entendimento abrangente 
de BI e IA aplicados a negócios, desde os fundamentos até 
aplicações avançadas. 
Plano de Estudo:
• Tópico 1. Introdução ao Business Intelligence (BI) e 
Inteligência Artificial (IA).
• Tópico 2. Coleta e armazenamento de dados.
• Tópico 3. Análise de dados e visualização.
• Tópico 4. Inteligência Artificial em negócios.
5
Objetivos da aprendizagem:
• Compreender os conceitos fundamentais de BI e IA 
aplicados aos negócios.
• Identificar métodos e ferramentas para coletar e 
armazenar dados de forma eficiente.
• Explorar técnicas de análise e visualização de dados 
para tomada de decisão.
• Aplicar soluções de IA para otimizar processos e 
estratégias empresariais.
6
Sumário
Introdução ao Business Intelligence (BI) e 
Inteligência Artificial (IA)
Coleta e armazenamento de dados
Análise de dados e visualização
Inteligência Artificial em negócios
Tópico 1
INTRODUÇÃO AO BUSINESS 
INTELLIGENCE (BI) E 
INTELIGÊNCIA ARTIFICIAL (IA)
8TÓPICO 1 INTRODUÇÃO AO BUSINESS INTELLIGENCE (BI) E INTELIGÊNCIA 
ARTIFICIAL (IA)
O conceito de Business Intelligence (BI) remonta à década de 1960, quando Richard 
Millar Devens, em sua obra “Cyclopaedia of Commercial and Business Anecdotes”, utilizou 
pela primeira vez o termo “Inteligência de Negócios” para descrever a prática de coletar e 
analisar informações comerciais. Nas décadas seguintes, o BI evoluiu significativamente. 
Nos anos 1980, com o advento dos computadores pessoais, o BI passou a desempenhar 
um papel crucial na coleta, organização, análise, compartilhamento e monitoramento de 
dados, conforme definido por Howner Dresner, pesquisador do Gartner Group. 
Na década de 1990, o surgimento do Data Warehouse permitiu que as empresas 
armazenassem grandes volumes de dados em um único local, facilitando a análise e 
visualização dos dados coletados. Essa evolução levou ao desenvolvimento de sistemas 
de Business Intelligence mais sofisticados, capazes de lidar com dados mais complexos e 
fornecer insights mais profundos. 
Com o advento da era digital e o aumento exponencial da geração de dados, o BI 
moderno incorporou tecnologias como Big Data e computação em nuvem, permitindo o 
armazenamento acessível e a integração com IA. As plataformas de BI atuais oferecem 
análises em tempo real, incorporando capacidades de IA e ferramentas de baixo código/
sem código, facilitando a democratização do acesso aos dados e a tomada de decisões 
informadas. 
A Inteligência Artificial (IA) tem suas raízes na década de 1950, com o trabalho de Alan 
Turing, que propôs a questão “As máquinas podem pensar?” e introduziu o conceito de 
máquinas que poderiam simular a inteligência humana. Nas décadas seguintes, a IA 
passou por períodos de otimismo e desilusão, conhecidos como “primaveras” e “invernos” 
da IA, respectivamente, refletindo os altos e baixos no financiamento e nas expectativas em 
relação à tecnologia. 
Nos anos 2010, a IA experimentou um ressurgimento significativo, impulsionado por 
avanços em aprendizado de máquina e deep learning, além do aumento da capacidade 
computacional e da disponibilidade de grandes volumes de dados. Modelos como o GPT-3, 
desenvolvido pela OpenAI, exemplificam a sofisticação alcançada, sendo capazes de gerar 
texto de forma quase indistinguível do produzido por humanos. 
Em resumo, tanto o BI quanto a IA passaram por transformações significativas ao longo das 
9TÓPICO 1 INTRODUÇÃO AO BUSINESS INTELLIGENCE (BI) E INTELIGÊNCIA 
ARTIFICIAL (IA)
décadas, evoluindo de conceitos iniciais para tecnologias avançadas que desempenham 
papéis cruciais na sociedade contemporânea. A convergência dessas áreas tem o potencial 
de gerar insights mais profundos e soluções mais eficazes para os desafios atuais.
1.1 Conceitos fundamentais de BI e IA.
Business Intelligence (BI) refere-se ao conjunto de processos, tecnologias e ferramentas 
que transformam dados brutos em informações significativas e úteis para fins de análise 
de negócios. O objetivo principal do BI é auxiliar as organizações na tomada de decisões 
informadas, proporcionandoeficiência operacional. Assim, a visualização de dados torna-se 
um diferencial competitivo essencial para organizações que desejam se destacar em um 
mercado cada vez mais dinâmico e baseado em dados.
3.3 - Dashboards e relatórios gerenciais.
A gestão eficaz das organizações depende diretamente da qualidade das informações 
utilizadas para a tomada de decisão. Nesse contexto, os dashboards e relatórios gerenciais 
tornaram-se ferramentas indispensáveis para a análise de dados, permitindo que gestores 
visualizem informações estratégicas de maneira objetiva e interativa. 
Segundo Oyadomari et al. (2019), a utilização de relatórios gerenciais influencia positivamente 
a eficácia das decisões, proporcionando maior clareza sobre a situação organizacional e 
aumentando a capacidade de resposta dos gestores.
Além dos relatórios tradicionais, a evolução das tecnologias de Business Intelligence 
(BI) permitiu a criação de dashboards interativos, que oferecem insights em tempo real e 
promovem um monitoramento mais dinâmico do desempenho organizacional (Pires, 2022). 
3.3.1 - Relatórios Gerenciais e seu Impacto na Tomada de Decisão
43TÓPICO 3 ANÁLISE DE DADOS E VISUALIZAÇÃO
Os relatórios gerenciais são documentos que organizam e apresentam dados sobre o 
desempenho da empresa, auxiliando na identificação de problemas e oportunidades de 
melhoria. Eles podem abranger áreas como financeira, operacional, comercial e logística, 
fornecendo informações para embasar decisões estratégicas.
De acordo com Oyadomari et al. (2019), em um estudo realizado com gerentes de uma 
rede de supermercados, foi constatado que a frequência e a facilidade de uso dos relatórios 
influenciam diretamente a qualidade e a rapidez das decisões. 
Além disso, relatórios bem estruturados contribuem para a redução da incerteza, permitindo 
uma resposta mais assertiva às dinâmicas do mercado. Os principais tipos de relatórios 
gerenciais incluem:
• Relatórios Financeiros: apresentam a situação financeira da empresa, como 
balanços patrimoniais, demonstrativos de resultado e fluxo de caixa.
• Relatórios Operacionais: focam na eficiência dos processos internos, identificando 
gargalos e oportunidades de otimização.
• Relatórios de Vendas e Marketing: analisam o desempenho comercial, tendências 
de mercado e comportamento dos clientes.
A adoção de relatórios gerenciais bem estruturados proporciona maior transparência e 
controle sobre os processos organizacionais, reduzindo riscos e promovendo a eficiência 
operacional.
3.3.2 - Dashboards: Uma Evolução na Gestão de Informações
Os dashboards surgiram como uma evolução dos relatórios gerenciais, agregando 
elementos visuais interativos para facilitar a interpretação dos dados. Diferentemente dos 
relatórios tradicionais, que costumam ser documentos estáticos, os dashboards são paineis 
dinâmicos que permitem a exploração de informações em tempo real.
Segundo Pires (2022), a implementação de dashboards utilizando Business Intelligence 
(BI) melhora a capacidade analítica das empresas, pois possibilita:
• Integração de dados de múltiplas fontes em um único ambiente.
• Visualização intuitiva de indicadores-chave de desempenho (KPIs).
• Monitoramento em tempo real, facilitando a rápida identificação de problemas e 
oportunidades.
44TÓPICO 3 ANÁLISE DE DADOS E VISUALIZAÇÃO
• Customização de análises, permitindo que diferentes usuários acessem as 
informações de acordo com suas necessidades específicas.
Os dashboards podem ser aplicados em diversas áreas da gestão, como no controle de 
compras, análise financeira e gestão de desempenho de funcionários.
A utilização de dashboards financeiros tem sido um diferencial estratégico para micro e 
pequenas empresas, permitindo um controle mais eficaz das finanças. O estudo de Almeida 
e Behr (2021) propôs um dashboard fundamentado nas demonstrações financeiras como um 
instrumento para a tomada de decisão de gestores de empresas de comércio de materiais 
de construção civil. Os principais indicadores presentes no dashboard financeiro incluem:
• Liquidez Corrente: mede a capacidade da empresa de pagar suas obrigações de 
curto prazo.
• Margem de Lucro: permite avaliar a rentabilidade das operações.
• Fluxo de Caixa: monitora as entradas e saídas de capital, garantindo equilíbrio 
financeiro.
• Giro de Estoques: essencial para entender a relação entre compras e vendas de 
mercadorias.
A implementação desse modelo de dashboard possibilitou que os gestores dessas empresas 
tivessem uma visão clara da saúde financeira do negócio, melhorando a eficiência na 
gestão de custos e investimentos.
3.3.3 - Benefícios da Integração entre Relatórios Gerenciais e Dashboards
A utilização combinada de relatórios gerenciais e dashboards maximiza a eficácia da gestão 
empresarial, pois une a análise detalhada dos relatórios com a interatividade e agilidade 
dos dashboards. Dentre os principais benefícios dessa integração, destacam-se:
• Maior precisão na tomada de decisão: relatórios fornecem uma visão histórica 
detalhada, enquanto dashboards oferecem insights em tempo real.
• Redução do tempo de análise: dashboards permitem a interpretação rápida dos 
dados, agilizando a resposta a desafios do mercado.
• Aprimoramento do controle gerencial: maior transparência e visibilidade dos 
indicadores estratégicos.
• Aumento da competitividade: empresas que adotam BI e dashboards ganham 
vantagem ao tomar decisões baseadas em dados sólidos.
45TÓPICO 3 ANÁLISE DE DADOS E VISUALIZAÇÃO
Os dashboards e relatórios gerenciais são ferramentas indispensáveis para a gestão 
eficiente das empresas, pois proporcionam dados confiáveis e visões estratégicas para a 
tomada de decisão. Dessa forma, organizações que adotam essas ferramentas conseguem 
não apenas otimizar seus processos internos, mas também aumentar sua capacidade de 
adaptação ao mercado, tornando-se mais competitivas e sustentáveis no longo prazo.
Tópico 4
INTELIGÊNCIA 
ARTIFICIAL EM 
NEGÓCIOS
47TÓPICO 4 INTELIGÊNCIA ARTIFICIAL EM NEGÓCIOS
A Inteligência Artificial (IA) tem emergido como uma força transformadora no mundo dos 
negócios, redefinindo paradigmas e moldando o futuro corporativo. Nos últimos anos, 
a aplicação da IA nas empresas tem sido objeto de diversas pesquisas acadêmicas, 
evidenciando seu impacto significativo na gestão empresarial. 
A IA tem sido utilizada para automatizar operações repetitivas, aumentar a eficiência 
operacional e tomar decisões informadas com base em dados. Ela permite que as empresas 
identifiquem tendências e padrões ocultos que seriam difíceis de detectar manualmente, 
impulsionando a inovação e a competitividade no mercado. 
Além disso, a IA está presente em diversos setores da economia, auxiliando gestores na 
tomada de decisões estratégicas, táticas e operacionais. Estudos recentes analisaram 
casos de uso da IA para entender como ela tem contribuído na tomada de decisões 
organizacionais, destacando sua relevância no ambiente corporativo moderno. 
Diante desse cenário, é essencial compreender as oportunidades e desafios que a IA 
apresenta para os negócios, bem como as tendências futuras dessa tecnologia na gestão 
empresarial.
4.1 Introdução ao Machine Learning e Deep Learning.
A Inteligência Artificial (IA) tem desempenhado um papel essencial na modernização e 
inovação dos negócios, permitindo a automação de processos, melhoria na tomada de 
decisões e aumento da eficiência operacional. Dentro desse campo, Machine Learning 
(ML) e Deep Learning (DL) se destacam como áreas de estudo que buscam criar modelos 
capazes de aprender padrões e realizar previsões baseadas em dados.
Segundo Yu et al. (2024), a IA está cada vez mais presente em diversas funções empresariais, 
auxiliando gestores em níveis estratégicos, táticos e operacionais. Isso se deve ao avanço 
dos algoritmos de aprendizado de máquina, que permitem analisar grandes volumes de 
dados e extrair insights valiosos parao planejamento organizacional. 
Já Silva, Azrak e Bérgamo (2024) destacam que a IA tem sido um diferencial competitivo, 
impactando a forma como as empresas operam e tomam decisões.
Machine Learning (ML) é um campo da Inteligência Artificial que permite que sistemas 
48TÓPICO 4 INTELIGÊNCIA ARTIFICIAL EM NEGÓCIOS
aprendam a partir de dados e façam previsões sem serem explicitamente programados. Em 
vez de seguir regras fixas, os algoritmos de ML são treinados para reconhecer padrões e 
fazer inferências a partir de grandes conjuntos de dados. Os algoritmos de aprendizado de 
máquina podem ser classificados em três categorias principais:
1. Aprendizado Supervisionado: neste modelo, o sistema é treinado com dados rotulados, 
onde cada entrada está associada a uma saída conhecida. O objetivo do modelo é aprender 
a mapear entradas para saídas, de forma que possa fazer previsões para novos dados. 
Exemplo:
• Análise de crédito: bancos usam aprendizado supervisionado para prever se um 
cliente está inadimplente com base no histórico de pagamentos.
• Diagnóstico médico: algoritmos analisam exames clínicos para prever a presença 
de doenças.
2. Aprendizado Não Supervisionado: neste tipo de aprendizado, os dados não são 
rotulados, ou seja, o modelo não sabe previamente quais padrões existem. O objetivo é 
descobrir estruturas ocultas nos dados. Exemplo:
• Segmentação de clientes: empresas utilizam aprendizado não supervisionado 
para agrupar clientes com base em comportamento de compra.
• Detecção de anomalias: bancos usam essa técnica para identificar transações 
fraudulentas.
3. Aprendizado por Reforço: este modelo funciona com base na interação entre um 
agente e um ambiente. O algoritmo aprende por meio de tentativa e erro, recebendo 
recompensas ou penalidades conforme suas ações. Exemplo:
• Jogos e robótica: algoritmos de aprendizado por reforço treinam robôs e sistemas 
autônomos para tomarem decisões ideais em ambientes dinâmicos.
• Trading financeiro: modelos aprendem a otimizar investimentos com base em 
flutuações de mercado.
O Deep Learning (DL) é um subcampo do Machine Learning que utiliza redes neurais 
artificiais profundas para aprender representações complexas dos dados. Diferente dos 
modelos tradicionais de aprendizado de máquina, o Deep Learning pode processar grandes 
volumes de dados e extrair padrões automaticamente. 
49TÓPICO 4 INTELIGÊNCIA ARTIFICIAL EM NEGÓCIOS
Silva, Azrak e Bérgamo (2024) destacam que a evolução do Deep Learning permitiu avanços 
em diversas áreas, como reconhecimento de imagens, processamento de linguagem natural 
(PLN) e veículos autônomos.
A adoção de ML e DL tem crescido exponencialmente nos negócios, trazendo benefícios 
como automação de processos, personalização de serviços e análise preditiva.
A. Aplicações em Gestão Empresarial
• Previsão de demanda: varejistas utilizam algoritmos para prever o consumo de 
produtos.
• Automação de atendimento ao cliente: chatbots impulsionados por IA melhoram 
a experiência do usuário.
B. Aplicações em Finanças
• Análise de crédito: bancos utilizam ML para determinar riscos de empréstimos.
• Trading algorítmico: modelos preditivos analisam tendências do mercado 
financeiro.
C. Aplicações na Saúde
• Diagnóstico de doenças: algoritmos de Deep Learning identificam câncer em 
exames médicos.
• Descoberta de medicamentos: modelos preveem a eficácia de novas drogas.
O avanço de Machine Learning e Deep Learning tem remodelado a forma como empresas 
utilizam dados para otimizar processos e melhorar a tomada de decisões estratégicas. 
Como destacado por Yu et al. (2024), a IA desempenha um papel cada vez mais relevante 
nos negócios, proporcionando maior eficiência, previsibilidade e personalização de serviços. 
Embora essas tecnologias ofereçam inúmeras vantagens, desafios como qualidade 
dos dados, viés algorítmico e necessidade de infraestrutura robusta ainda precisam ser 
superados. O futuro da Inteligência Artificial dependerá da capacidade das organizações de 
integrar essas soluções de maneira ética e eficiente.
50TÓPICO 4 INTELIGÊNCIA ARTIFICIAL EM NEGÓCIOS
4.2 - Algoritmos de classificação
Se você nunca ouviu falar sobre algoritmos de classificação, não se preocupe! Vou explicar 
de forma simples e prática para que você possa entender esse conceito sem precisar de 
conhecimentos técnicos prévios.
Imagine que você tem uma caixa cheia de frutas e precisa organizá-las, separando maçãs, 
bananas e laranjas. 
Para isso, você pode observar o formato, a cor e o tamanho de cada fruta e decidir a qual 
grupo ela pertence. Agora, imagine que queremos ensinar um computador a fazer essa 
separação automaticamente. Os algoritmos de classificação fazem exatamente isso! Eles 
analisam dados e aprendem a classificar informações em diferentes categorias.
• Os algoritmos de classificação servem para ensinar um computador a categorizar 
informações automaticamente.
• Eles analisam exemplos anteriores para aprender a tomar decisões.
Os algoritmos de classificação são usados em diversas situações do nosso cotidiano, 
muitas vezes sem que percebamos. Aqui estão alguns exemplos fáceis de entender:
• E-mails SPAM e NÃO-SPAM: o Gmail usa algoritmos de classificação para 
identificar e-mails indesejados (SPAM) e separá-los da sua caixa de entrada.
• Filmes e séries recomendados pela Netflix: a Netflix classifica seus gostos e 
recomenda novos conteúdos com base nas suas preferências.
• Diagnóstico de doenças em hospitais: algoritmos analisam exames médicos 
para classificar se uma pessoa tem ou não uma doença.
• Reconhecimento facial no celular: seu celular usa IA para reconhecer seu rosto 
e desbloquear a tela.
• Bancos aprovando ou negando crédito: as instituições financeiras usam 
algoritmos para analisar seu histórico e classificar se você pode ou não receber 
um empréstimo.
Os algoritmos de classificação aprendem com exemplos anteriores para tomar decisões 
futuras. O processo acontece em três etapas principais:
1. Treinamento
• O algoritmo recebe um conjunto de exemplos já classificados.
51TÓPICO 4 INTELIGÊNCIA ARTIFICIAL EM NEGÓCIOS
• Por exemplo, mostramos ao computador várias fotos de gatos e cachorros, 
informando quais são gatos e quais são cachorros.
2. Aprendizado
• O algoritmo analisa os dados e descobre padrões e diferenças entre as categorias.
• Ele aprende que os gatos normalmente têm orelhas pontudas e cachorros têm 
focinho mais longo.
3. Classificação de Novos Dados
• Agora que o algoritmo aprendeu, ele pode analisar novas imagens e classificá-
las sozinho.
• Se ele vê uma foto nova de um gato, pode prever corretamente que se trata de um 
gato!
Existem diferentes formas de ensinar o computador a classificar as informações. Aqui estão 
alguns dos principais métodos usados:
• Regressão Logística – “Decidindo entre duas opções”
• Exemplo: O banco pode prever se um cliente vai ou não pagar um empréstimo.
• K-Nearest Neighbors (KNN) – “O voto dos vizinhos”
• Exemplo: O algoritmo analisa as compras de clientes semelhantes e sugere 
produtos que podem interessar a você.
• Árvores de Decisão – “Tomando decisões passo a passo”
• Exemplo: Empresas usam essa técnica para aprovar ou negar cartões de 
crédito.
• Random Forest – “Decisão mais confiável”
• Exemplo: Aplicado em diagnósticos médicos, combinando várias “árvores de 
decisão” para dar uma resposta mais precisa.
• Support Vector Machines (SVM) – “Separação precisa”
• Exemplo: Usado para reconhecimento facial e segurança digital.
52TÓPICO 4 INTELIGÊNCIA ARTIFICIAL EM NEGÓCIOS
TABELA 4. COMPARAÇÃO ENTRE OS ALGORITMOS DE CLASSIFICAÇÃO
Fonte: o autor (2025).
Algoritmo Vantagens Desvantagens
Regressão Logística Simples e interpretável Funciona apenas para 
problemas lineares
KNN Fácil de entender, bom 
para dados menores
Requer grande poder 
computacional para muitos 
dados
SVM
Bom para dados 
complexos e pequenas 
amostras
Não escala bem para 
grandes volumes de dadosÁrvores de Decisão Interpretável e rápido Propenso a overfitting
Random Forest Alta precisão, resistente a 
overfitting
Modelo mais difícil de 
interpretar
Em resumo, podemos dizer que os Algoritmos de Classificação são importantes, porque:
• Tomam decisões rápidas e inteligentes com base em dados.
• São usados em muitas áreas, como saúde, segurança, finanças e entretenimento.
• Ajudam empresas a personalizar serviços e melhorar a experiência do cliente.
Apesar das grandes vantagens que os algoritmos de classificação oferecem, há desafios 
importantes que devem ser considerados, tais como:
• Qualidade dos dados: modelos de classificação dependem de dados de alta 
qualidade e bem estruturados para garantir boas previsões.
• Escolha do algoritmo certo: nem todos os algoritmos funcionam igualmente bem 
para todos os problemas; a seleção do modelo certo depende do tipo e volume dos 
dados.
• Overfitting: modelos muito complexos podem se ajustar demais aos dados de 
treinamento, perdendo a capacidade de generalizar para novos dados.
Yu et al. (2024) e Silva, Azrak e Bérgamo (2024) reforçam que, para que esses modelos 
sejam efetivamente aplicados na gestão empresarial, é necessário que as organizações 
invistam em qualidade dos dados, treinamento de equipes e infraestrutura computacional 
adequada. Dessa forma, os algoritmos de classificação têm se consolidado como ferramentas 
53TÓPICO 4 INTELIGÊNCIA ARTIFICIAL EM NEGÓCIOS
essenciais para empresas que desejam tomar decisões estratégicas baseadas em dados e 
otimizar processos de maneira eficiente.
Você sabia que já se utiliza IA para análise de emoções em relatórios e reuniões corporativas?
Atualmente, empresas estão explorando o Emotion AI (também conhecido como Affective 
Computing) para analisar não apenas os dados numéricos, mas também as emoções e 
sentimentos dos colaboradores e clientes. Algoritmos de IA avançados podem interpretar 
expressões faciais, tom de voz e padrões de escrita para identificar o estado emocional de 
funcionários em reuniões estratégicas, prever reação de clientes a novos produtos ou até 
mesmo sugerir ajustes em apresentações corporativas para melhorar o engajamento.
Uma aplicação real foi testada por algumas empresas do setor financeiro e de consultoria, 
onde ferramentas de BI integradas à análise de sentimentos ajudaram a prever o impacto 
emocional de decisões empresariais antes mesmo de serem implementadas. Isso possibilita 
uma tomada de decisão mais empática, reduzindo riscos de insatisfação entre stakeholders e 
otimizando a comunicação interna. Embora essa tecnologia ainda esteja em fase inicial, seu 
potencial para revolucionar a forma como empresas analisam dados qualitativos é imenso. 
Afinal, decisões estratégicas não são baseadas apenas em números, mas também no 
comportamento humano—e agora, a Inteligência Artificial está começando a interpretar isso. 
Fonte: CHINTALA, Suman. (2024). Emotion AI in Business Intelligence: Understanding 
Customer Sentiments and Behaviors. International Journal Of Computer Science And 
Mathematical Theory E-ISSN. 06. 8.
“BI não é apenas uma ferramenta, é uma revolução. Quem não aprende a interpretar dados, vira 
dado para quem sabe usá-los.” (IT Forum, 2024)
“O BI não elimina a necessidade de bons gestores. Ele apenas separa os que sabem tomar 
decisões baseadas em dados dos que continuam apostando no acaso.” (Rodrigues, 2024)
“O verdadeiro poder do BI não está nos relatórios que ele gera, mas nas decisões estratégicas 
que ele impulsiona.” (Oyadomari et al., 2019).
54
Material Complementar
LIVRO
• Título: Storytelling com Dados: um Guia Sobre Visualização de Dados 
Para Profissionais de Negócios
• Autor: Cole Nussbaumer Knaflic 
• Editora: Alta Books
• Sinopse: Storytelling com Dados é admiravelmente bem escrito, uma 
amostra magistral de rara arte no mundo dos negócios. Cole Nussbaumer 
Knaflic possui uma habilidade única - um dom - em contar histórias usando 
dados. No JP Morgan Chase, ela ajudou a melhorar nossa capacidade 
de explicar análises complicadas para a gerência executiva e para os 
reguladores com quem trabalhamos. O livro de Cole reúne seus talentos 
em um guia fácil de ler, com exemplos excelentes que qualquer um pode 
aprender para estimular a tomada de decisão mais inteligente.” ―Mark 
R. Hillis, diretor-chefe do setor de riscos de hipoteca bancária do JPM 
Chase.
FILME/VÍDEO
• Título: O Homem que mudou o jogo
• Ano: 2011
• Sinopse: Baseado em fatos reais, O Homem que Mudou o Jogo é a 
história de Billy Beane (Brad Pitt), gerente do time de baseball Oakland 
Athletics. Com pouco dinheiro em caixa e a ajuda de Peter Brand (Jonah 
Hill), ele desenvolve um sofisticado programa de estatísticas para o clube, 
fazendo com que ficasse entre as principais equipes do esporte nos anos 
80.
• Link do vídeo: Prime Vídeo
55
Conclusão geral
Ao longo deste livro, exploramos a evolução e a importância do Business Intelligence (BI) e 
da Inteligência Artificial (IA) como catalisadores da transformação digital nas organizações. 
Desde a análise dos dados estruturados e não estruturados até a implementação de 
dashboards interativos, os capítulos abordam a complexidade da gestão da informação e 
seu papel fundamental na tomada de decisão estratégica.
O Business Intelligence, como evidenciado por Araújo, Pozzi e Pereira (2022) e Rodrigues 
(2024), tem passado por uma evolução significativa, tornando-se um diferencial competitivo 
para empresas de diversos setores. A adoção de ferramentas de BI como Power BI (Franco 
e Rodrigues, 2020) e outras soluções de Data Analytics permite que as empresas extraiam 
valor dos seus dados e otimizem sua eficiência operacional.
A transformação do BI nos últimos anos, conforme destacado pelo IT Forum (2024), está 
intrinsecamente ligada à crescente integração com Inteligência Artificial. A IA não apenas 
aprimora os modelos de análise, mas também automatiza processos, melhora a previsão de 
tendências e reduz falhas humanas na tomada de decisões (Soni et al., 2019). No contexto 
empresarial, Yu et al. (2024) reforçam que o impacto da IA na gestão organizacional já está 
moldando um novo paradigma, onde os sistemas inteligentes assumem um papel ativo nas 
decisões corporativas.
Além disso, a estruturação dos Data Warehouses e Data Lakes, como abordado por 
Mazumdar, Hughes e Onofre (2023), demonstra que a governança e o armazenamento de 
dados são elementos fundamentais para que as empresas possam consolidar informações 
confiáveis e transformá-las em insights estratégicos. A convergência entre BI e Data 
56
Lakehouse representa um avanço na forma como as empresas gerenciam e processam 
informações, reduzindo silos de dados e ampliando a acessibilidade para análises preditivas.
A pesquisa de Freitas (2021) evidencia como a utilização do BI na gestão de indicadores 
de desempenho auxilia na tomada de decisão no setor de compras. Da mesma forma, 
Oyadomari et al. (2019) destacam o impacto positivo dos relatórios gerenciais, permitindo 
que empresas do setor varejista melhorem sua eficiência operacional e reduzam incertezas 
em processos estratégicos.
A implementação de dashboards gerenciais, conforme analisado por Pires (2022) e Almeida 
e Behr (2021), reforça o papel das visualizações interativas na gestão de desempenho 
financeiro. Essas soluções, além de aprimorarem a transparência dos dados, facilitam a 
comunicação entre gestores e otimizam a execução de estratégias corporativas.
Por fim, a pesquisa de Ishii (2017) demonstra como o uso de softwares de BI no e-commerce 
pode contribuir para o aumento das vendas e para a personalização da experiência do 
consumidor. A digitalização do mercado exige que as empresas utilizem ferramentas 
inteligentes para análise de dados, garantindo não apenas competitividade, mas também 
um relacionamento mais eficiente com seus clientes.
Com base em todas essas análises e estudos, concluímos que a integração entre Business 
Intelligence,Inteligência Artificial e Gestão de Dados é essencial para que as organizações 
modernas se mantenham competitivas e inovadoras. O futuro da tomada de decisão 
empresarial depende de dados confiáveis, automação inteligente e ferramentas analíticas 
robustas, garantindo que as empresas possam não apenas acompanhar a evolução do 
mercado, mas também antecipar tendências e se posicionar estrategicamente em um 
ambiente de negócios dinâmico e altamente competitivo.
57
Referências
ALMEIDA, G. E.; BEHR, A. Proposta de dashboard fundamentado nas demonstrações 
financeiras como instrumento para tomada de decisão por gestores de micro e 
pequenas empresas de comércio de materiais de construção civil. 2021. Universidade 
Federal do Rio Grande do Sul, Faculdade de Ciências Econômicas, Porto Alegre, 2021. 
Disponível em: https://lume.ufrgs.br/handle/10183/274059. Acesso em: 3 abr. 2025. 
Amazon Web Services. Qual é a diferença entre dados estruturados e dados não 
estruturados? Disponível em: https://aws.amazon.com/pt/compare/the-difference-
between-structured-data-and-unstructured-data/. Acesso em: 6 mar. 2025.
ARAÚJO, L. S.; POZZI, J. F; PEREIRA, I. T. Um estudo de aplicações de business intelligence 
em empresas. Revista Interface Tecnológica. Taquaritinga–SP, v. 18, n. 2, p. 78–90, 2021. 
Disponível em: https://revista.fatectq.edu.br/interfacetecnologica/article/view/1202. Acesso 
em: 11 mar. 2025.
FRANCO, M. M. N.; RODRIGUES, R. M. Introdução ao Power BI para Ciências de Dados: 
uma pesquisa bibliográfica com conceitos e referências para Business Intelligence, Big Data 
e Analytics. Revista Acadêmica Online, v. 6, n. 35, e938, 2020. Disponível em: https://
revistaacademicaonline.com/index.php/rao/article/view/938. Acesso em: 6 mar. 2025.
FREITAS, M. T. Business intelligence para gestão de indicadores de desempenho 
e suporte à tomada de decisão no setor de compras de uma organização. 2021. 
Monografia (Graduação) – Universidade Federal de Ouro Preto, Ouro Preto.
ISHII, R. A. A utilização de software de Business Intelligence para tomada de decisão 
para gerar aumento de vendas e crescimento no mercado online: estudo de caso 
ecommerce de peças automotivas. 17 f. Artigo Científico (MBA em Inteligência de Negócios) 
– Setor de Ciências Sociais Aplicadas, Universidade Federal do Paraná: Curitiba, 2017.
https://lume.ufrgs.br/handle/10183/274059
https://lume.ufrgs.br/handle/10183/274059
https://aws.amazon.com/pt/compare/the-difference-between-structured-data-and-unstructured-data/
https://aws.amazon.com/pt/compare/the-difference-between-structured-data-and-unstructured-data/
https://aws.amazon.com/pt/compare/the-difference-between-structured-data-and-unstructured-data/
https://revista.fatectq.edu.br/interfacetecnologica/article/view/1202
https://revista.fatectq.edu.br/interfacetecnologica/article/view/1202
https://revistaacademicaonline.com/index.php/rao/article/view/938
https://revistaacademicaonline.com/index.php/rao/article/view/938
https://revistaacademicaonline.com/index.php/rao/article/view/938
58
IT FORUM. A evolução do Business Intelligence (BI) nos últimos anos. 2024.
MICROSOFT AZURE. O que é o Azure Data Lake? [s/d]. Disponível em: https://azure.
microsoft.com/pt-br/solutions/data-lake/. Acesso em: 3 abr. 2025. 
MOVTECH. A história do Business Intelligence: da informação à inovação, 2024. 
Disponível em: https://www.movtech.com.br/blog/evolucao-do-business-intelligence/. 
Acesso em: 3 abr. 2025. 
MAZUMDAR, Dipankar; HUGHES, Jason; ONOFRÉ, Jean-Baptiste. The Data Lakehouse: 
Data Warehousing and More. 2023. Disponível em: https://arxiv.org/abs/2310.08697 . 
Acesso em: 3 abr. 2025. 
OYADOMARI, J. C. et al. O impacto do uso de relatórios gerenciais na eficácia das decisões: 
um estudo com gerentes de uma rede de supermercado. Enfoque: Reflexão Contábil, v. 
38, n. 3, 2019. Universidade Estadual de Maringá.
PEREIRA, F. Business Intelligence e IA caminham juntos em 2025. Dataex, 2024. 
Disponível em: https://www.dataex.com.br/business-intelligence-e-ia-caminham-juntos-
em-2025/. Acesso em: 3 abr. 2025. 
PIRES, R. M. Sistema de controle gerencial no ambiente de simulação gerencial: 
um estudo sobre a implementação de um dashboard utilizando Business Intelligence (BI). 
TRABALHO DE CONCLUSÃO DE CURSO DE GRADUAÇÃO EM CIÊNCIAS CONTÁBEIS. 
Universidade Federal de Santa Catarina. 2022. Disponível em: https://sistemas.ccn.ufsc.br/
ccn/admin/monografias/ata/2079. Acesso em: 22 abr. 2025.
POWER BI SEM SEGREDO. Curso de Power BI Online: Aprenda rápido e sem segredo! 
2023. Disponível em: https://powerbisemsegredo.com.br/curso-de-power-bi-online/. Acesso 
em: 15 fev. 2025.
REIBEL, D. B. Computers. In: Registration Methods for the Small Museum. 4th ed. 
Lanham, MD: AltaMira Press, 2008. p. 117-118.
ROCHA, L. M. H. Qual a diferença entre data lake e data warehouse? PrograMaria, 2023. 
Disponível em: https://www.programaria.org/qual-diferenca-data-lake-data-warehouse/. 
Acesso em: 3 abr. 2025.
RODRIGUES, R. A evolução do Business Intelligence e seu impacto nas estratégias 
empresariais modernas. R2 News, 2024.
SILVA, G. H. M. da; AZRAK, K. D. de S.; BÉRGAMO, L. Inteligência Artificial na Gestão 
Empresarial: oportunidades e tendências. Revista Acadêmica Online, v. 10, n. 51, p. 1–9, 
2024.
https://azure.microsoft.com/pt-br/solutions/data-lake/
https://azure.microsoft.com/pt-br/solutions/data-lake/
https://azure.microsoft.com/pt-br/solutions/data-lake/
https://www.movtech.com.br/blog/evolucao-do-business-intelligence/
https://www.movtech.com.br/blog/evolucao-do-business-intelligence/
https://arxiv.org/abs/2310.08697
https://arxiv.org/abs/2310.08697
https://www.dataex.com.br/business-intelligence-e-ia-caminham-juntos-em-2025/
https://www.dataex.com.br/business-intelligence-e-ia-caminham-juntos-em-2025/
https://sistemas.ccn.ufsc.br/ccn/admin/monografias/ata/2079
https://sistemas.ccn.ufsc.br/ccn/admin/monografias/ata/2079
https://powerbisemsegredo.com.br/curso-de-power-bi-online/
https://powerbisemsegredo.com.br/curso-de-power-bi-online/
https://www.programaria.org/qual-diferenca-data-lake-data-warehouse/
https://www.programaria.org/qual-diferenca-data-lake-data-warehouse/
59
SONI, N.et al. Impact of Artificial Intelligence on Businesses: from Research, Innovation, 
Market, Deployment to Future Shifts in Business Models. 2019.
YU, A. S. O. et al. Tomada de decisão nas organizações: o que muda com a Inteligência 
Artificial? Estudos Avançados, v. 38, n. 111, p. 327-348, 2024.
60TÓPICO 1 INTRODUÇÃO AO BUSINESS INTELLIGENCE (BI) E INTELIGÊNCIA 
ARTIFICIAL (IA)
Endereço:
Telefone:
Megapolo Sede: Praça Brasil, 250 - Centro
CEP 87702-320 - Paranavaí - PR - Brasil
(44) 3045-9898
	Tópico 1
	Tópico 2
	Tópico 3
	Tópico 4
	Botão 1: 
	Botão 2: 
	Botão 3: 
	Botão 4:uma compreensão aprofundada das operações internas e do 
ambiente externo. Isso é alcançado por meio da coleta, integração, análise e apresentação 
de dados empresariais.
O BI é composto por várias ferramentas e processos, entre os quais se destacam:
• Data Warehouse (Armazém de Dados): um repositório centralizado onde os 
dados de diversas fontes são armazenados de forma organizada e estruturada 
para facilitar análises.
• ETL (Extração, Transformação e Carga): processos que extraem dados de fontes 
variadas, transformam-nos para padronização e qualidade, e os carregam na data 
warehouse.
• OLAP (Processamento Analítico Online): ferramenta que permite a análise 
multidimensional dos dados, possibilitando a visualização de informações sob 
diferentes perspectivas.
• Data Mining (Mineração de Dados): técnicas que identificam padrões e relações 
ocultas nos dados, contribuindo para a descoberta de insights valiosos.
• Dashboards e Relatórios: interfaces visuais que sintetizam as informações mais 
relevantes por meio de gráficos, tabelas e indicadores-chave (KPIs), facilitando a 
interpretação e a tomada de decisões.
O fluxo de Business Intelligence (BI) envolve uma série de etapas integradas, começando 
pela coleta e extração de dados de fontes variadas, passando pela sua transformação 
e armazenamento em um data warehouse, até a análise e visualização por meio de 
ferramentas como dashboards e relatórios.
Cada etapa é crucial para garantir que os dados brutos sejam convertidos em informações 
claras e relevantes, permitindo uma compreensão aprofundada do negócio e facilitando 
a identificação de tendências e padrões que seriam difíceis de perceber sem esse 
10TÓPICO 1 INTRODUÇÃO AO BUSINESS INTELLIGENCE (BI) E INTELIGÊNCIA 
ARTIFICIAL (IA)
processamento sistemático. A importância desse fluxo reside na capacidade de fornecer 
insights estratégicos que embasam a tomada de decisões. 
Ao integrar e analisar dados de diferentes áreas, o BI não só contribui para a eficiência 
operacional, mas também promove a inovação e a vantagem competitiva, permitindo que 
organizações antecipem desafios e ajustem suas estratégias de maneira proativa. O fluxo 
do BI geralmente envolve as seguintes etapas:
1. Coleta de Dados: dados são capturados de fontes internas (sistemas ERP, 
CRM, etc.) e externas (redes sociais, dados de mercado).
2. Integração e Armazenamento: utilizando processos de ETL, os dados são 
integrados e armazenados em um data warehouse ou data lake.
3. Análise e Processamento: ferramentas de OLAP e data mining processam os 
dados para identificar tendências e gerar insights.
4. Visualização e Relatórios: através de dashboards e ferramentas de 
visualização, os insights são apresentados de forma clara e objetiva.
5. Tomada de Decisão: os gestores utilizam as informações geradas para 
embasar suas decisões estratégicas, operacionais e táticas.
FIGURA 1. FLUXO DE PROCESSOS DE BI 
Fonte: Power BI sem segredo (2023).
11TÓPICO 1 INTRODUÇÃO AO BUSINESS INTELLIGENCE (BI) E INTELIGÊNCIA 
ARTIFICIAL (IA)
Historicamente, o BI evoluiu significativamente, passando de simples relatórios descritivos 
para análises preditivas e prescritivas. Essa evolução permitiu às empresas não apenas 
compreender o que aconteceu no passado, mas também antecipar tendências futuras e 
sugerir ações estratégicas. A integração de tecnologias emergentes, como a Inteligência 
Artificial (IA), tem potencializado ainda mais as capacidades do BI, tornando-o uma 
ferramenta indispensável para a competitividade empresarial. 
De acordo com Araújo, Pozzi e Pereira (2022, p. 30), “o BI possibilita que as empresas 
transformem dados brutos em informações significativas, facilitando a identificação de 
oportunidades e a melhoria de processos”. Essa capacidade de converter dados em insights 
acionáveis é crucial em um ambiente de negócios cada vez mais orientado por dados. 
A Inteligência Artificial (IA) é um campo da ciência da computação que se dedica à criação 
de sistemas capazes de realizar tarefas que, normalmente, requerem inteligência humana. 
Isso inclui habilidades como aprendizado, raciocínio, percepção e processamento de 
linguagem natural. A IA abrange diversas subáreas, como aprendizado de máquina (Machine 
Learning), aprendizado profundo (Deep Learning) e redes neurais artificiais.
No mundo corporativo, os desdobramentos da inteligência artificial transformam a maneira 
de operar das empresas, proporcionando soluções inovadoras que vão desde a automação 
de processos até a personalização de serviços. Organizações de diversos setores aplicam 
a IA para analisar grandes volumes de dados em tempo real, identificar tendências de 
mercado, detectar fraudes e otimizar a experiência do cliente por meio de sistemas de 
recomendação e chatbots. 
Essa integração não apenas aumenta a eficiência operacional e reduz custos, mas 
também fomenta a inovação, permitindo a criação de modelos de negócio mais ágeis e 
orientados por dados. Para os alunos do terceiro período de graduação, compreender 
esses conceitos fundamentais e suas aplicações no ambiente corporativo é essencial para 
desenvolver competências que os preparem para os desafios da transformação digital e da 
competitividade global.
1.2 Evolução e importância no contexto de negócios.
No cenário empresarial contemporâneo, a capacidade de coletar, analisar e interpretar 
grandes volumes de dados tornou-se essencial para a tomada de decisões estratégicas. 
12TÓPICO 1 INTRODUÇÃO AO BUSINESS INTELLIGENCE (BI) E INTELIGÊNCIA 
ARTIFICIAL (IA)
Nesse contexto, o Business Intelligence (BI) evoluiu significativamente, especialmente com 
a incorporação da Inteligência Artificial (IA), proporcionando às organizações ferramentas 
mais robustas para enfrentar os desafios do mercado. 
O conceito de BI surgiu na década de 1960, inicialmente focado em sistemas de suporte 
à decisão que auxiliavam na geração de relatórios e análises descritivas. Com o avanço 
tecnológico, especialmente nas últimas décadas, o BI evoluiu significativamente, 
incorporando tecnologias avançadas como a Inteligência Artificial (IA) e o Machine Learning. 
Essa evolução permitiu que as empresas não apenas analisassem dados históricos, mas 
também previssem tendências futuras e comportamentos do mercado.
Rodrigues (2024) destaca que o BI moderno capacita as organizações a visualizarem seu 
desempenho passado e presente, além de preverem tendências futuras, tornando-se uma 
ferramenta indispensável para a tomada de decisões informadas. A implementação do BI 
nos negócios traz inúmeros benefícios, entre os quais se destacam:
• Tomada de decisões informadas: ao fornecer uma visão abrangente das 
operações, o BI capacita os gestores a tomarem decisões baseadas em dados 
concretos, reduzindo a incerteza e os riscos associados.
• Identificação de oportunidades e riscos: através da análise contínua dos 
dados, as empresas podem detectar tendências de mercado, comportamentos 
dos consumidores e possíveis ameaças, permitindo uma resposta proativa e 
estratégica.
Figura 2 – Evolução do Business Intelligence
Fonte: Power BI sem segredo (2023).
13TÓPICO 1 INTRODUÇÃO AO BUSINESS INTELLIGENCE (BI) E INTELIGÊNCIA 
ARTIFICIAL (IA)
• Otimização de processos: o BI possibilita a identificação de gargalos e ineficiências 
operacionais, promovendo a melhoria contínua e a maximização da produtividade.
• Vantagem competitiva: empresas que adotam soluções de BI estão mais aptas 
a se adaptarem rapidamente às mudanças do mercado, oferecendo produtos e 
serviços alinhados às necessidades dos clientes e, consequentemente, destacando-
se perante a concorrência.
No estudo de caso conduzido por Ishii (2017), a aplicação de software de BI em um 
e-commerce de peças automotivas resultou em um aumento significativo nas vendas e 
no crescimento do mercado online. A análise detalhada dos dados de vendas permitiu 
identificar padrões de consumo e ajustar as estratégias de marketinge estoque de forma 
mais precisa, evidenciando a importância do BI na otimização das operações e na obtenção 
de vantagem competitiva. 
Em paralelo ao BI, a IA também foi marcada por avanços significativos que transformaram 
a maneira como as máquinas interagem com o mundo e auxiliam os seres humanos 
em diversas atividades. Desde seus primórdios, na década de 1950, com os primeiros 
experimentos de Alan Turing e John McCarthy, até os dias atuais, a IA passou por diferentes 
fases, evoluindo de simples sistemas baseados em regras para redes neurais profundas 
capazes de aprender com grandes volumes de dados. 
Com os avanços de desenvolvimento e complexidade, IA tornou-se um componente 
essencial em setores privados e públicos, proporcionando automação inteligente, otimização 
de processos e tomadas de decisões mais assertivas aos seus usuários. 
Segundo Soni et al. (2019), a crescente capacidade de processamento computacional e o 
acesso massivo a dados foram fatores determinantes para impulsionar o desenvolvimento 
da IA e expandir suas aplicações no ambiente corporativo. A trajetória da IA no mundo dos 
negócios pode ser dividida em quatro fases distintas:
FASE 1 - Início e Pesquisa Fundamental (1950-1980): nesse período, a IA era 
predominantemente um campo acadêmico, focado em teorias e experimentos básicos. 
As aplicações práticas eram limitadas, e a tecnologia ainda não havia encontrado espaço 
significativo no ambiente empresarial.
FASE 2 - Primeiras Aplicações Comerciais (1980-2000): com o avanço dos computadores 
e o desenvolvimento de algoritmos mais sofisticados, as empresas começaram a explorar 
14TÓPICO 1 INTRODUÇÃO AO BUSINESS INTELLIGENCE (BI) E INTELIGÊNCIA 
ARTIFICIAL (IA)
a IA para tarefas específicas, como sistemas especialistas e automação de processos 
industriais.
FASE 3 - Expansão e Integração (2000-2010): a popularização da internet e o aumento 
exponencial da capacidade de processamento permitiram que a IA fosse integrada em 
áreas como marketing digital, análise de dados e gestão de relacionamento com clientes.
FASE 4 - IA Avançada e Onipresente (2010-presente): atualmente, a IA está profundamente 
enraizada nas operações empresariais, desde chatbots para atendimento ao cliente até 
sistemas de recomendação personalizados e análise preditiva de mercado. A combinação 
de big data, aprendizado de máquina e computação em nuvem ampliou significativamente 
o alcance e a eficácia das soluções de IA. A adoção da IA nas organizações varia em 
termos de profundidade e impacto, podendo ser categorizada em diferentes níveis:
1. Automação de tarefas operacionais:
• Descrição: uso da IA para automatizar tarefas repetitivas e baseadas em regras, 
como processamento de dados, controle de estoque e atendimento ao cliente.
• Benefícios: aumento da eficiência operacional, redução de erros e liberação de 
recursos humanos para atividades mais estratégicas.
• Exemplo: implementação de chatbots que fornecem atendimento ao cliente 24/7, 
melhorando a satisfação e reduzindo custos operacionais. 
2. Apoio à tomada de decisão:
• Descrição: aplicação de sistemas de IA para analisar grandes volumes de dados 
e fornecer insights que auxiliam na tomada de decisões gerenciais.
• Benefícios: decisões mais informadas e baseadas em dados, identificação de 
tendências de mercado e antecipação de demandas.
• Exemplo: uso de ferramentas de análise preditiva para prever o comportamento 
do consumidor e ajustar estratégias de marketing de acordo.
3. Inovação e desenvolvimento de novos produtos/serviços:
• Descrição: emprego da IA para criar novos produtos, serviços ou modelos de 
negócios que atendam às necessidades emergentes dos clientes.
• Benefícios: diferenciação no mercado, criação de novas fontes de receita e 
fortalecimento da posição competitiva.
• Exemplo: desenvolvimento de assistentes virtuais personalizados que melhoram 
a experiência do usuário e aumentam o engajamento com a marca. 
15TÓPICO 1 INTRODUÇÃO AO BUSINESS INTELLIGENCE (BI) E INTELIGÊNCIA 
ARTIFICIAL (IA)
4. Transformação organizacional estratégica:
• Descrição: integração abrangente da IA em todos os aspectos da organização, 
levando a uma transformação completa da cultura corporativa e dos processos de 
negócios.
• Benefícios: maior agilidade, capacidade de adaptação rápida às mudanças do 
mercado e posicionamento como líder inovador no setor.
• Exemplo: empresas que reestruturam seus modelos de negócios para se tornarem 
“AI-first”, na qual a IA orienta todas as decisões estratégicas e operacionais. 
A evolução da Inteligência Artificial nos negócios reflete uma jornada de inovação contínua 
e adaptação às demandas de um mercado em constante transformação. À medida que as 
organizações reconhecem os diferentes níveis de importância da IA, desde a automação 
básica até a transformação estratégica, elas estão mais bem posicionadas para aproveitar 
os benefícios dessa tecnologia. No entanto, é crucial que a implementação da IA seja 
acompanhada de uma compreensão clara de seus impactos, investimento em capacitação 
e uma abordagem ética que considere as implicações sociais e econômicas.
A união do Business Intelligence com a Inteligência Artificial representa um marco na 
capacidade das empresas de extrair valor dos dados. A IA potencializa o BI ao automatizar 
processos analíticos, identificar padrões complexos e fornecer insights acionáveis de 
maneira mais ágil e precisa. Por exemplo, algoritmos de aprendizado de máquina podem 
analisar comportamentos de clientes e prever tendências de consumo, enquanto técnicas de 
processamento de linguagem natural permitem a interpretação de dados não estruturados, 
como comentários em redes sociais. 
Nesse contexto, essa convergência não apenas aprimora a qualidade das análises, mas 
também democratiza o acesso às informações, permitindo que profissionais de diversas 
áreas tomem decisões baseadas em dados com maior assertividade.
A integração de BI e IA tem revolucionado diversos setores da economia. No setor financeiro, 
por exemplo, instituições bancárias utilizam sistemas avançados para prever flutuações 
de mercado e ajustar suas estratégias de investimento em tempo real. De acordo com 
um relatório da McKinsey & Company de 2024, empresas que adotaram essa integração 
registraram um aumento de 25% na eficiência operacional (Pereira, 2024). 
16TÓPICO 1 INTRODUÇÃO AO BUSINESS INTELLIGENCE (BI) E INTELIGÊNCIA 
ARTIFICIAL (IA)
Além disso, a automação de processos e a personalização de serviços resultaram em 
melhorias significativas na experiência do cliente e na redução de custos operacionais. A 
capacidade de analisar grandes volumes de dados e extrair insights relevantes posiciona 
as empresas de maneira competitiva, permitindo-lhes responder rapidamente às dinâmicas 
do mercado e às necessidades dos consumidores.
O futuro do BI aponta para uma integração crescente com tecnologias avançadas, como 
a Inteligência Artificial e a análise preditiva. Essa combinação tornará as ferramentas de 
BI mais intuitivas e acessíveis, democratizando o acesso aos dados e permitindo que 
profissionais de diversas áreas possam utilizá-las de forma eficaz. 
Rodrigues (2024) enfatiza que o BI está moldando o futuro das decisões corporativas, 
capacitando as empresas a se adaptarem rapidamente às mudanças do mercado e a se 
destacarem em um ambiente altamente competitivo.
1.3 Diferenças entre BI tradicional e IA aplicada.
No cenário empresarial moderno, o uso de dados para a tomada de decisões estratégicas 
tornou-se essencial. O Business Intelligence (BI) tradicional e a Inteligência Artificial (IA) 
aplicada representam duas abordagens tecnológicas que ajudam as organizações a 
extraírem valor dos dados. Embora ambos os conceitos estejam interligados, eles possuem 
diferenças significativas em termos de metodologia, capacidades analíticas e impacto nas 
empresas. Enquanto o BI tradicional se concentra na análisede dados históricos e geração 
de relatórios, a IA aplicada amplia essas capacidades ao automatizar processos, prever 
tendências e gerar insights em tempo real.
O Business Intelligence (BI) tradicional surgiu como uma resposta à necessidade das 
empresas de estruturarem e analisar grandes volumes de dados. Seu objetivo principal 
é transformar dados brutos em informações úteis, auxiliando na tomada de decisão. O BI 
tradicional utiliza ferramentas como ETL (Extração, Transformação e Carga de Dados), 
data warehouses e relatórios gerenciais para organizar e visualizar dados históricos.
As principais características do BI Tradicional são:
• Análise Descritiva: o BI tradicional permite que gestores visualizem dados 
passados e presentes para entender tendências e padrões.
17TÓPICO 1 INTRODUÇÃO AO BUSINESS INTELLIGENCE (BI) E INTELIGÊNCIA 
ARTIFICIAL (IA)
• Relatórios e Dashboards: utiliza tabelas, gráficos e painéis de controle para 
facilitar a interpretação dos dados.
• Dependência de Regras e Modelos Fixos: a análise de dados é baseada em filtros 
predefinidos e requer intervenção humana para ajustes e novas interpretações.
• Limitação na Análise Preditiva: embora alguns sistemas de BI possuam 
ferramentas estatísticas, eles não têm a capacidade de aprendizado contínuo.
De acordo com Araújo, Pozzi e Pereira (2022), o BI tradicional foi um dos principais 
responsáveis pela modernização da gestão empresarial, permitindo que líderes tomassem 
decisões baseadas em fatos e não apenas em intuição. No entanto, com o aumento 
exponencial da complexidade dos negócios e do volume de dados gerados, o BI tradicional 
começou a mostrar limitações, abrindo espaço para soluções mais avançadas, como a 
Inteligência Artificial aplicada.
A Inteligência Artificial aplicada ao BI representa uma evolução significativa na forma como 
os dados são analisados e utilizados. Diferentemente do BI tradicional, que depende de 
configurações manuais e modelos predefinidos, a IA introduz a capacidade de aprendizado 
contínuo por meio de Machine Learning (aprendizado de máquina) e deep learning 
(aprendizado profundo).
As principais características da IA aplicada ao BI:
• Análises Preditivas e Prescritivas: a IA não apenas analisa dados passados, 
mas também prevê padrões futuros e sugere ações estratégicas.
• Automação de Processos: reduz a necessidade de intervenção humana ao 
analisar dados de forma autônoma.
• Personalização e Adaptabilidade: a IA pode ajustar análises em tempo real, 
adaptando-se a mudanças no comportamento do mercado e nas operações da 
empresa.
• Processamento de Linguagem Natural (NLP): permite a interpretação de textos 
e interações por meio de chatbots e assistentes virtuais.
• Detecção de Anomalias: identifica fraudes, padrões incomuns e oportunidades 
escondidas nos dados.
Segundo Ishii (2017), “a aplicação de IA em sistemas de BI potencializa a competitividade 
das empresas ao permitir análises em tempo real e maior precisão na tomada de decisões 
estratégicas”. A IA aplicada ao BI proporciona às empresas um nível superior de inteligência 
organizacional, permitindo decisões mais rápidas e eficientes.
18TÓPICO 1 INTRODUÇÃO AO BUSINESS INTELLIGENCE (BI) E INTELIGÊNCIA 
ARTIFICIAL (IA)
TABELA 1 – DIFERENÇAS ENTRE BI TRADICIONAL E IA APLICADA
Fonte: o autor (2025).
Característica BI Tradicional IA Aplicada ao BI
Tipo de Análise Descritiva (dados passados 
e presentes).
Preditiva e prescritiva 
(futuro e recomendações).
Intervenção Humana
Alta – Necessidade 
de definir métricas e 
relatórios.
Baixa – Algoritmos 
aprendem e ajustam 
modelos automaticamente.
Automação Limitada, depende de 
comandos humanos.
Alta, com processos 
que funcionam de forma 
independente.
Capacidade de 
Processamento
Baseada em regras e filtros 
predefinidos.
Aprendizado contínuo e 
adaptação em tempo real.
Tempo de Resposta Requer tempo para a 
preparação de relatórios.
Respostas instantâneas 
com análise em tempo real.
A principal vantagem do BI tradicional é a confiabilidade e a transparência dos dados 
apresentados, uma vez que as análises seguem regras bem definidas e replicáveis. Já 
a IA aplicada ao BI destaca-se por sua capacidade de prever tendências e automatizar 
processos, reduzindo significativamente o tempo necessário para análise e interpretação 
dos dados.
A integração da IA ao BI tradicional está transformando o campo da inteligência de negócios. 
Ferramentas de IA podem automatizar tarefas repetitivas de análise de dados, liberar 
analistas para atividades mais estratégicas, realizar análises preditivas para antecipar 
tendências e identificar padrões ocultos em grandes volumes de dados, que seriam difíceis 
de serem detectados por humanos. 
A tabela abaixo apresenta as principais diferenças entre as duas abordagens:
Tópico 2 
COLETA E 
ARMAZENAMENTO DE 
DADOS
20TÓPICO 2 COLETA E ARMAZENAMENTO DE DADOS
A coleta e o armazenamento de dados são pilares fundamentais na gestão da informação, 
desempenhando um papel crucial na eficiência operacional e na tomada de decisões 
estratégicas das organizações. Com o avanço tecnológico e a crescente digitalização, 
a capacidade de coletar, armazenar e processar grandes volumes de dados tornou-se 
essencial para empresas que buscam se manter competitivas no mercado atual.
A coleta de dados envolve a obtenção de informações relevantes de diversas fontes, sejam 
elas internas, como sistemas operacionais e transacionais, ou externas, como redes sociais 
e fontes públicas. A eficácia desse processo depende da implementação de sistemas 
robustos que garantam a precisão, integridade e atualidade dos dados coletados. 
Conforme destacado por Reibel (2008), a utilização de sistemas informatizados de gestão 
de coleções facilita a inserção, edição e exclusão de dados, além de permitir consultas e a 
geração de relatórios, otimizando o gerenciamento das informações.
O armazenamento de dados, por sua vez, refere-se à maneira como as informações são 
organizadas e mantidas para uso futuro. A adoção de bancos de dados relacionais e 
armazéns de dados (data warehouses) tem sido uma prática comum nas organizações. 
Essas tecnologias permitem a consolidação de dados provenientes de diferentes fontes, 
facilitando a análise e a geração de insights estratégicos. 
Conforme descrito na literatura, os armazéns de dados são utilizados para armazenar 
informações relativas às atividades de uma organização de forma consolidada, favorecendo 
relatórios e a análise de grandes volumes de dados, o que auxilia na tomada de decisões. 
A preservação digital é outro aspecto essencial a ser considerado no contexto do 
armazenamento de dados. Ela envolve estratégias e práticas destinadas a garantir que 
as informações digitais permaneçam acessíveis e utilizáveis ao longo do tempo, mesmo 
diante da obsolescência tecnológica. A implementação de metadados de preservação, 
que incluem informações técnicas sobre os objetos digitais e seu ambiente de criação, é 
fundamental para manter a integridade e autenticidade dos dados armazenados. 
2.1 Tipos de dados (estruturados, não estruturados e semiestruturados).
A compreensão dos diferentes tipos de dados é essencial para o desenvolvimento de 
estratégias eficazes de coleta, armazenamento e análise de informações nas organizações. 
21TÓPICO 2 COLETA E ARMAZENAMENTO DE DADOS
Os dados podem ser classificados em três categorias principais: dados estruturados, 
dados semiestruturados e dados não estruturados. Cada categoria possui características 
específicas que influenciam a forma como são gerenciados e utilizados.
Dados estruturados são informações organizadas em um formato rígido e predefinido, 
facilitando sua inserção, consulta e análise em sistemas computacionais. Geralmente, 
esses dados são armazenados em tabelas de bancos de dados relacionais, onde cada 
registro segue um esquema fixo com campos específicos. Exemplos comuns incluem:
• Bancos de dadosrelacionais: tabelas contendo registros de clientes, produtos 
ou transações financeiras.
• Planilhas eletrônicas: listas de inventário, cronogramas ou relatórios financeiros 
organizados em linhas e colunas.
A principal vantagem dos dados estruturados é a facilidade de acesso e manipulação, 
permitindo operações eficientes de busca e análise. No entanto, sua rigidez estrutural pode 
limitar a flexibilidade na captura de informações mais complexas ou variáveis. De acordo 
com a AWS, os dados estruturados obedecem a um formato rígido, conhecido como modelo 
ou esquema de dados predefinido.
Os dados semiestruturados possuem uma estrutura organizacional, mas não seguem um 
modelo rígido como os dados estruturados. Eles contêm tags ou marcadores que delimitam 
elementos e impõem hierarquias, permitindo alguma organização sem a necessidade de 
um esquema fixo. Exemplos incluem:
• XML e JSON: formatos utilizados para representar dados com uma estrutura 
flexível, frequentemente empregados em APIs e transferência de informações 
entre sistemas.
• E-mails: mensagens que possuem campos padronizados (remetente, destinatário, 
assunto), mas cujo conteúdo pode variar significativamente.
A flexibilidade dos dados semiestruturados facilita a adaptação a diferentes tipos de 
informações e a integração entre sistemas diversos. Contudo, essa flexibilidade pode 
aumentar a complexidade na análise e processamento, exigindo ferramentas específicas 
para interpretar e extrair valor desses dados. 
Conforme destacado pela AWS, os dados semiestruturados estão entre os dados 
22TÓPICO 2 COLETA E ARMAZENAMENTO DE DADOS
estruturados e os não estruturados, como no caso de um armazenamento de vídeos que 
possui tags de dados estruturados associadas a cada arquivo.
E os dados não estruturados são informações que não seguem uma estrutura predefinida 
ou modelo de dados específico. Eles podem ter uma estrutura interna, mas não estão 
organizados de maneira que facilite seu processamento por sistemas tradicionais. Exemplos 
típicos incluem:
• Arquivos de texto livre: documentos do Word, PDFs ou artigos que não seguem 
um formato estruturado.
• Conteúdos multimídia: imagens, vídeos e áudios que não possuem uma estrutura 
textual ou tabular.
• Postagens em redes sociais: comentários, tweets e atualizações de status com 
formatos e conteúdos variados.
Embora os dados não estruturados representem uma parcela significativa das informações 
disponíveis, sua análise é desafiadora devido à ausência de uma estrutura definida. 
Tecnologias avançadas, como processamento de linguagem natural e aprendizado de 
máquina, são frequentemente utilizadas para extrair insights desses dados. De acordo com 
a AWS, os dados não estruturados não se encaixam em um esquema e podem incluir 
exemplos como uma coleção de arquivos de vídeo. 
A classificação dos dados em estruturados, semiestruturados e não estruturados é essencial 
para determinar as abordagens adequadas de armazenamento, processamento e análise. 
Compreender essas diferenças permite às organizações selecionarem as ferramentas e 
estratégias mais eficazes para extrair valor das informações, aprimorando a tomada de 
decisões e a eficiência operacional. De maneira resumida, podemos definir:
TABELA 2 – TIPOS DE DADOS
Dados estruturados
Natureza organizada e altamente acessível, são ideais 
para aplicações que exigem consultas rápidas e precisas, 
como relatórios financeiros, sistemas de gestão empresarial 
(Enterprise Resource Planning – ERP) e bancos de dados 
relacionais. No entanto, sua limitação em relação à flexibilidade 
pode restringir sua aplicabilidade em cenários mais dinâmicos, 
onde há necessidade de processar informações menos 
padronizadas.
23TÓPICO 2 COLETA E ARMAZENAMENTO DE DADOS
Dados 
semiestruturados
Representam um meio-termo entre organização e flexibilidade. 
Seu uso é amplamente observado em aplicações que 
precisam de algum nível de estrutura, mas não podem ser 
completamente definidas de forma rígida, como no caso de 
arquivos JSON e XML utilizados para intercâmbio de dados 
na web, armazenamento de logs de sistemas e até mesmo 
bancos de dados NoSQL. O desafio aqui está na interpretação 
desses dados, que pode exigir ferramentas especializadas 
para extração e análise eficazes.
Dados não 
estruturados
Cada vez mais predominantes no ambiente digital atual. 
Estima-se que mais de 80% dos dados gerados atualmente 
sejam desse tipo, abrangendo desde documentos de texto, 
imagens, vídeos, até postagens em redes sociais e registros 
de voz (Amazon Web Services, s.d.). Sua análise, no entanto, 
requer tecnologias avançadas, como processamento de 
linguagem natural (NLP), visão computacional e inteligência 
artificial, para extrair insights valiosos. Empresas que lidam 
com grandes volumes de dados não estruturados, como 
plataformas de streaming de vídeo, redes sociais e serviços 
de atendimento ao cliente baseados em chatbots, precisam 
investir fortemente em ferramentas de big data e machine 
learning para transformar essas informações em valor 
estratégico.
Fonte: o autor (2025).
Compreender essas diferenças não apenas capacita a escolha das melhores soluções para 
desafios empresariais e tecnológicos, mas também leva à reflexão sobre o impacto do 
crescimento exponencial de dados no mundo moderno. 
Dessa forma, além de aprender sobre os aspectos técnicos do gerenciamento de dados, os 
futuros profissionais da área de tecnologia e gestão precisam desenvolver uma visão crítica 
sobre a maneira como os dados são coletados, armazenados e utilizados nas organizações 
e na sociedade como um todo. 
Essa reflexão permitirá que se tornem profissionais capacitados para tomar decisões 
baseadas em dados, contribuindo para o desenvolvimento de soluções inovadoras e 
sustentáveis no cenário digital.
2.2 Data Warehousing e Data Lakes
24TÓPICO 2 COLETA E ARMAZENAMENTO DE DADOS
No cenário atual da tecnologia da informação, a gestão eficiente de grandes volumes de 
dados é essencial para as organizações. Duas abordagens destacam-se nesse contexto: 
Data Warehousing e Data Lakes. 
2.2.1 Data Warehousing
Data Warehousing refere-se ao processo de coletar, armazenar e gerenciar dados de 
diversas fontes para facilitar a análise e a geração de relatórios. Um Data Warehouse é um 
repositório centralizado que armazena dados estruturados, permitindo consultas complexas 
e análises avançadas. 
Esses sistemas são projetados para otimizar o processamento analítico online (OLAP), 
oferecendo suporte à tomada de decisões estratégicas nas organizações. De acordo com 
Mazumdar, Hughes e Onofré (2023), os sistemas de gerenciamento de banco de dados 
relacional voltados para processamento analítico têm sido fundamentais para democratizar 
dados e viabilizar casos de uso analítico, como inteligência de negócios e relatórios, por 
muitos anos. 
As principais características de um Data Warehouse incluem:
a) Estruturação Rígida: os dados são organizados em esquemas e tabelas predefinidas, 
garantindo consistência e integridade.
b) Qualidade dos Dados: antes de serem carregados no Data Warehouse, os dados passam 
por processos de limpeza e transformação para assegurar sua precisão e relevância.
c) Desempenho Otimizado: projetados para consultas rápidas e eficientes, mesmo com 
grandes volumes de dados.
No entanto, os Data Warehouses apresentam limitações ao lidar com dados não estruturados 
ou semiestruturados, como logs de servidores, mídias sociais e arquivos multimídia. Além 
disso, a rigidez na estruturação pode dificultar a adaptação a novas necessidades de 
negócios ou fontes de dados emergentes.
2.2.2 Data Lakes
Em contraste, um Data Lake é um repositório centralizado que permite armazenar todos os 
25TÓPICO 2 COLETA E ARMAZENAMENTO DE DADOS
dados, estruturados ou não, em sua forma bruta e em qualquer escala. Essa abordagem 
oferece flexibilidade para armazenar dados em seus formatos originais, permitindodiferentes tipos de análises, desde dashboards e visualizações até processamento de big 
data, análises em tempo real e aprendizado de máquina. As principais características de 
um Data Lake são:
a) Flexibilidade de Armazenamento: capacidade de armazenar dados estruturados, 
semiestruturados e não estruturados sem a necessidade de pré-processamento.
b) Escalabilidade: projetados para lidar com grandes volumes de dados, podendo escalar 
horizontalmente conforme a demanda.
c) Acessibilidade: permitem que diferentes usuários acessem e analisem os dados 
conforme suas necessidades específicas, utilizando diversas ferramentas e linguagens de 
programação.
Entretanto, a falta de estruturação pode levar a desafios relacionados à governança e 
à qualidade dos dados, resultando no que é conhecido como “pântano de dados” (data 
swamp), onde os dados se tornam incontroláveis e difíceis de usar. 
A principal diferença entre Data Warehouses e Data Lakes reside na forma como os 
dados são armazenados e gerenciados. Enquanto os Data Warehouses exigem que os 
dados sejam estruturados e processados antes do armazenamento (schema-on-write), os 
Data Lakes permitem que os dados sejam armazenados em seu formato bruto e sejam 
processados quando necessário (schema-on-read). 
Essa diferença implica em distintas aplicações:
• Data Warehouses: ideais para análises de dados estruturados, relatórios 
empresariais e suporte à decisão, onde a consistência e a qualidade dos dados 
são cruciais.
• Data Lakes: mais adequados para armazenar grandes volumes de dados diversos, 
suportando análises exploratórias, aprendizado de máquina e processamento de 
dados em tempo real.
26TÓPICO 2 COLETA E ARMAZENAMENTO DE DADOS
FIGURA 3 – DIFERENÇA ENTRE DATA WAREHOUSE E DATA LAKE
 Fonte: Rocha (2023). 
É importante notar que essas tecnologias não são mutuamente exclusivas. Muitas 
organizações adotam uma abordagem híbrida, utilizando Data Lakes para armazenar dados 
brutos e Data Warehouses para dados processados e estruturados, otimizando assim suas 
estratégias de gerenciamento de dados. 
2.3 Ferramentas e tecnologias para coleta de dados
A coleta de dados é um processo fundamental no mundo da tecnologia. Ele permite que 
empresas e organizações armazenem, analisem e utilizem informações para melhorar suas 
operações e tomar decisões mais inteligentes. Atualmente, existem diversas ferramentas 
e tecnologias que ajudam nesse processo, desde bancos de dados até inteligência 
artificial. 
Abaixo, serão exploradas algumas dessas ferramentas, explicando como elas funcionam de 
forma simples e clara, para que seja possível compreender como os dados são coletados, 
armazenados e utilizados.
Os dados são informações que usamos no dia a dia, como números, textos, imagens e 
vídeos. Empresas utilizam esses dados para entender melhor seus clientes, melhorar 
27TÓPICO 2 COLETA E ARMAZENAMENTO DE DADOS
produtos e serviços e tomar decisões estratégicas. A coleta de dados pode acontecer de 
diferentes maneiras:
1. Manual – Quando uma pessoa registra informações, como em formulários de cadastro.
2. Automática – Quando um sistema coleta os dados sozinho, como sensores de 
temperatura ou sites que registram cliques de usuários.
A escolha da ferramenta certa para coletar dados depende do tipo de informação que está 
sendo buscada e do objetivo da coleta.
2.3.1. Ferramentas para coletar dados estruturados (dados organizados)
Os dados estruturados são aqueles organizados de maneira fixa, como tabelas em 
planilhas ou bancos de dados. Eles são fáceis de buscar e analisar, pois seguem um formato 
bem definido.
a) Bancos de Dados Relacionais
Os bancos de dados relacionais são uma das ferramentas mais comuns para armazenar 
dados estruturados. Eles organizam as informações em tabelas (como uma planilha 
do Excel), onde cada linha representa um registro e cada coluna representa um tipo de 
informação. Algumas ferramentas populares incluem:
• MySQL e PostgreSQL – Muito usados em sites e aplicativos para armazenar 
cadastros de usuários e transações.
• Microsoft SQL Server – Comum em grandes empresas que precisam armazenar 
muitos dados com segurança.
• Oracle Database – Usado em setores como bancos e hospitais para armazenar 
informações críticas.
Esses bancos de dados ajudam empresas a coletar informações como compras feitas em 
lojas online, pedidos de comida em aplicativos e até históricos de pacientes em hospitais. 
Segundo Mazumdar, Hughes e Onofré (2023), os bancos de dados relacionais são essenciais 
para empresas que precisam de dados organizados e confiáveis para análise e relatórios.
2.3.2. Ferramentas para coletar dados não estruturados (dados sem formato fixo)
28TÓPICO 2 COLETA E ARMAZENAMENTO DE DADOS
Muitas informações que usamos no dia a dia não seguem um formato fixo. Vídeos no 
YouTube, imagens no Instagram e comentários em redes sociais são exemplos de dados não 
estruturados, pois não podem ser organizados em tabelas simples. Para armazenar esse 
tipo de informação, usamos Data Lakes. Eles funcionam como grandes depósitos onde os 
dados são armazenados de forma bruta, sem precisarem ser organizados imediatamente. 
Algumas ferramentas populares para armazenar e coletar dados não estruturados incluem:
• Amazon S3 – Utilizado por empresas para armazenar vídeos, fotos e outros 
arquivos grandes.
• Google Cloud Storage – Um serviço de armazenamento na nuvem usado para 
salvar grandes quantidades de dados.
• Microsoft Azure Data Lake – Permite armazenar dados de diversas fontes e 
analisá-los de diferentes formas.
Netflix, por exemplo, usa Data Lakes para armazenar informações sobre os filmes que 
os usuários assistem, ajudando a recomendar novas opções com base no que foi visto 
anteriormente. Segundo a empresa Microsoft Azure (s.d.), os Data Lakes são essenciais 
para empresas que precisam armazenar dados diversos e analisá-los com ferramentas de 
inteligência artificial.
2.3.3. Coleta de dados em tempo real
Em alguns casos, os dados precisam ser coletados no momento em que acontecem, sem 
esperar que sejam armazenados primeiro. Isso é importante em áreas como:
• Bancos – Para detectar fraudes em tempo real.
• E-commerce – Para sugerir produtos com base na navegação do usuário.
• Jogos online – Para registrar estatísticas dos jogadores enquanto eles jogam.
Uma ferramenta muito utilizada para isso é o Apache Kafka, que permite que informações 
sejam capturadas e analisadas instantaneamente. Segundo Soni et al. (2019), tecnologias 
como Apache Kafka ajudam empresas a processar grandes quantidades de dados em 
tempo real, melhorando a tomada de decisões.
2.3.4. Coleta de dados da internet (Web Scraping)
A internet contém uma grande quantidade de informações que podem ser úteis para 
29TÓPICO 2 COLETA E ARMAZENAMENTO DE DADOS
empresas, pesquisadores e governos. Web scraping é a técnica usada para coletar dados 
automaticamente de sites.
• BeautifulSoup e Scrapy (Python) – Muito usadas para extrair informações de 
sites de notícias, redes sociais e lojas virtuais.
• Google DataScraper – Serviço de inteligência artificial que coleta informações 
sobre tendências da internet.
Empresas de turismo, por exemplo, usam web scraping para monitorar preços de passagens 
aéreas e ajustar tarifas automaticamente conforme a concorrência.
2.3.5. Segurança na coleta de dados
Independentemente da tecnologia utilizada, é importante garantir que a coleta de dados 
seja feita de forma segura e dentro da lei. Algumas regras fundamentais incluem:
• Criptografia – Para proteger os dados contra-ataques.
• Controle de acesso – Para garantir que apenas pessoas autorizadas tenham 
acesso às informações.
• Conformidade com a LGPD e GDPR – Regulamentações que garantem que os 
dados dos usuários sejam protegidos e usados corretamente.
A coleta de dados é um processo essencial para empresas que querem tomar decisões 
mais inteligentes e melhorar seus serviços. Ferramentascomo bancos de dados relacionais, 
Data Lakes, coleta em tempo real e web scraping são amplamente utilizadas para capturar 
e armazenar informações de diversas fontes. Cada tecnologia tem seu uso específico, e a 
escolha da ferramenta certa depende do tipo de dados e do objetivo da coleta. Além disso, 
a segurança dos dados deve sempre ser uma prioridade, garantindo que as informações 
sejam protegidas e utilizadas corretamente.
Tópico 3
ANÁLISE DE DADOS E 
VISUALIZAÇÃO
31TÓPICO 3 ANÁLISE DE DADOS E VISUALIZAÇÃO
A análise de dados e a visualização de dados são fundamentais na ciência de dados, 
permitindo transformar informações brutas em insights compreensíveis e acionáveis. A 
análise de dados envolve a inspeção, limpeza e modelagem de dados com o objetivo de 
descobrir informações úteis, chegando a conclusões e apoiando a tomada de decisões. Já 
a visualização de dados refere-se à representação gráfica dessas informações, facilitando 
a interpretação e comunicação dos resultados.
Nos últimos anos, a importância destes assuntos tem sido amplamente reconhecida em 
diversas áreas do conhecimento. Por exemplo, na bioestatística, técnicas de análise 
e visualização de dados são utilizadas para interpretar variáveis biológicas e médicas, 
auxiliando na compreensão de fenômenos complexos e na tomada de decisões clínicas. 
Ferramentas como diagramas de caixa (boxplots) são empregadas para resumir 
visualmente a distribuição de um conjunto de dados, evidenciando medidas de tendência 
central e dispersão, além de identificar possíveis outliers. Outro exemplo é o biplot, uma 
técnica gráfica que permite a visualização simultânea de amostras e variáveis em análises 
multivariadas, facilitando a interpretação de relações complexas entre múltiplas dimensões.
Com o avanço das tecnologias e o aumento exponencial da geração de dados, a análise e a 
visualização tornaram-se ainda mais cruciais. A capacidade de processar grandes volumes 
de dados e apresentá-los de maneira intuitiva é essencial para profissionais de diversas 
áreas, desde cientistas de dados até gestores e tomadores de decisão. 
3.1 Ferramentas de análise de dados (Power BI, Tableau, Google Data Studio).
No cenário atual, a análise de dados tornou-se essencial para organizações que buscam 
tomar decisões informadas e estratégicas. Ferramentas de Business Intelligence (BI) 
desempenham um papel crucial nesse processo, permitindo a coleta, processamento e 
visualização de dados de maneira eficiente. Abaixo serão explicadas as ferramentas Power 
BI, Tableau e Looker Studio (anteriormente conhecido como Google Data Studio) e suas 
diferenças.
3.1.1 Power BI
Desenvolvido pela Microsoft, o Power BI é uma ferramenta de análise de negócios que 
oferece visualizações interativas e recursos de BI com uma interface simples para criação 
32TÓPICO 3 ANÁLISE DE DADOS E VISUALIZAÇÃO
de relatórios e dashboards personalizados. Lançado em 2015, o Power BI rapidamente se 
destacou por sua capacidade de integração com diversos serviços da Microsoft e outras 
fontes de dados. Ele utiliza a linguagem de fórmulas DAX (Data Analysis Expressions) para 
realizar cálculos e agregações de dados, proporcionando análises detalhadas e insights 
profundos. A integração com ferramentas como Excel e Azure facilita a adoção do Power BI 
em ambientes corporativos que já utilizam soluções Microsoft. 
Principais funcionalidades do Power BI:
• Conexão com múltiplas fontes de dados: o Power BI permite importar e conectar 
dados de diversas origens, como planilhas do Excel, bancos de dados, serviços 
em nuvem e até mesmo plataformas online. 
• Criação de relatórios interativos: com uma interface intuitiva, é possível 
desenvolver relatórios que permitem explorar os dados de maneira dinâmica, 
facilitando a identificação de tendências e padrões. 
• Dashboards personalizados: os dashboards do Power BI oferecem uma visão 
consolidada das métricas mais relevantes, permitindo monitorar indicadores-chave 
de desempenho em tempo real. 
• Atualizações automáticas: a ferramenta possibilita agendar atualizações 
automáticas dos dados, garantindo que as informações apresentadas estejam 
sempre atualizadas. 
• Compartilhamento e colaboração: usuários podem compartilhar dashboards e 
relatórios com colegas ou equipes, promovendo uma cultura de colaboração e 
alinhamento estratégico. 
FIGURA 4 - POWER BI
Fonte: Freepik (2025). Disponível em: https://br.freepik.com/vetores-gratis/painel-do-usuario-do-painel-infografi-
co_6209783.htm# Acesso em: 15 fev. 2025.
33TÓPICO 3 ANÁLISE DE DADOS E VISUALIZAÇÃO
O Power BI tem se destacado como uma ferramenta essencial no contexto do Business 
Intelligence (BI), permitindo a análise de dados de maneira interativa e visualmente intuitiva. 
Segundo Franco e Rodrigues (2020), o Power BI se diferencia por sua capacidade de 
integrar múltiplas fontes de dados, oferecer painéis dinâmicos e permitir análises preditivas, 
facilitando a tomada de decisões baseadas em dados concretos. 
Além disso, os autores destacam que a ferramenta desempenha um papel fundamental 
na ciência de dados, pois possibilita a exploração de grandes volumes de informações de 
maneira acessível, mesmo para usuários que não possuem conhecimentos avançados em 
programação. Essa característica torna o Power BI uma opção atrativa tanto para pequenas 
empresas quanto para grandes corporações que buscam otimizar suas operações e 
melhorar sua competitividade no mercado.
3.1.2 Tableau
O Tableau é uma ferramenta líder em Business Intelligence (BI) e visualização de dados, 
projetada para tornar a análise de dados acessível e intuitiva para usuários de diversos 
níveis de habilidade. Ela capacita indivíduos e organizações a transformarem dados brutos 
em painéis interativos e compartilháveis, fornecendo insights que impulsionam a tomada de 
decisões informadas. 
Fundada em 2003, a Tableau surgiu de um projeto de ciência da computação na Universidade 
Stanford, que tinha como objetivo melhorar o fluxo de análise e tornar os dados mais 
acessíveis por meio da visualização. Em 2019, a Tableau foi adquirida pela Salesforce, 
uma das maiores empresas de software de gestão de relacionamento com o cliente (CRM) 
do mundo, por 15,7 bilhões de dólares. 
Essa aquisição permitiu a integração das capacidades analíticas avançadas do Tableau com 
as soluções de CRM da Salesforce, ampliando o alcance e a aplicabilidade da ferramenta 
no mercado corporativo. 
O Tableau é amplamente utilizado por profissionais de diversas áreas para transformar 
dados complexos em visualizações compreensíveis e interativas. Sua interface intuitiva 
permite que usuários criem dashboards personalizados, facilitando a identificação de 
tendências, padrões e insights acionáveis. Além disso, a ferramenta suporta a conexão 
com múltiplas fontes de dados, como planilhas, bancos de dados e serviços em nuvem, 
34TÓPICO 3 ANÁLISE DE DADOS E VISUALIZAÇÃO
permitindo uma análise integrada e abrangente. 
No cotidiano empresarial, o Tableau auxilia na elaboração de relatórios gerenciais, 
monitoramento de indicadores de desempenho e identificação de oportunidades de melhoria. 
Por exemplo, equipes de marketing podem analisar o comportamento do consumidor, 
enquanto departamentos financeiros monitoram métricas de desempenho econômico. 
A capacidade de criar histórias com dados também permite que os usuários apresentem 
suas descobertas de maneira narrativa, facilitando a comunicação e a tomada de decisões 
estratégicas. Em suma, o Tableau evoluiu de um projeto acadêmico para uma ferramenta 
essencial no mundo dos negócios, capacitando usuários a ver e entender seus dados de 
maneira eficiente e eficaz. Sua usabilidade no dia a dia reflete seu compromisso com a 
democratização da análise de dados e a promoção de uma cultura orientada por insights.
3.1.3 Looker Studio
O Looker Studio, anteriormente conhecido como Google Data Studio, é uma ferramentaonline gratuita desenvolvida pelo Google que permite transformar dados brutos em relatórios 
e dashboards interativos e personalizáveis. Lançada em 15 de março de 2016 como parte 
do pacote empresarial Google Analytics 360, a ferramenta foi disponibilizada gratuitamente 
para indivíduos e pequenas equipes em maio do mesmo ano. 
As principais funcionalidades são:
• Conexão com múltiplas fontes de dados: o Looker Studio suporta a integração 
com diversas fontes de dados, incluindo Google Analytics, Google Ads, Google 
Sheets, BigQuery, entre outras. Além disso, oferece suporte a mais de 800 fontes 
de dados, permitindo que os usuários conectem dados de diferentes origens para 
uma análise abrangente. 
• Criação de relatórios personalizados: a ferramenta oferece uma variedade de 
opções de personalização, permitindo que os usuários ajustem layouts, cores, 
fontes e tamanhos de tela dos dashboards para melhor representar seus dados e 
alinhar-se à identidade visual da empresa. 
• Interatividade e colaboração: os relatórios criados no Looker Studio são interativos, 
permitindo que os visualizadores ajustem filtros, seletores de data e outras opções 
dinâmicas sem a necessidade de modificar a configuração original do relatório. 
Além disso, a plataforma suporta colaboração em tempo real, permitindo que 
múltiplos usuários trabalhem simultaneamente na criação e edição de relatórios. 
35TÓPICO 3 ANÁLISE DE DADOS E VISUALIZAÇÃO
Evolução e Rebranding:
Em junho de 2019, o Google adquiriu a empresa de análise de dados Looker por US$ 2,6 
bilhões, com o objetivo de aprimorar suas ofertas de BI e análise de dados. Inicialmente, 
o Google Data Studio e o Looker operavam como produtos separados. No entanto, em 
outubro de 2022, o Google anunciou a rebranding do Google Data Studio para Looker Studio, 
unificando suas ferramentas de BI sob a marca Looker. Essa mudança foi acompanhada 
pelo lançamento do Looker Studio Pro, uma versão paga que oferece recursos adicionais 
para colaboração e gerenciamento em equipes empresariais. 
Usabilidade no dia a dia:
O Looker Studio é amplamente utilizado por profissionais de marketing, analistas de dados 
e equipes de vendas para monitorar métricas de desempenho, analisar tendências e 
compartilhar insights com stakeholders. Sua interface intuitiva e a capacidade de integrar 
múltiplas fontes de dados tornam a ferramenta acessível tanto para usuários iniciantes 
quanto para profissionais experientes em análise de dados. O Looker Studio evoluiu para 
se tornar uma plataforma robusta de visualização e análise de dados, capacitando usuários 
a transformar dados complexos em insights acionáveis por meio de relatórios e dashboards 
interativos.
3.1.4 Comparação entre as Ferramentas
Embora todas as três ferramentas tenham como objetivo principal a análise e visualização de 
dados, cada uma possui características que podem torná-las mais adequadas a diferentes 
contextos: 
I. Usabilidade e Interface
A facilidade de uso é um critério fundamental ao escolher uma ferramenta de BI, pois impacta 
diretamente na adoção da solução por usuários de diferentes níveis de experiência.
• Power BI: possui uma interface intuitiva, especialmente para usuários que já estão 
familiarizados com o ecossistema Microsoft. Sua abordagem de arrastar e soltar 
facilita a criação de relatórios e dashboards, mas a curva de aprendizado pode ser 
mais acentuada quando se deseja explorar DAX (Data Analysis Expressions) 
para cálculos avançados.
• Tableau: reconhecido por sua interface altamente interativa e amigável, o Tableau 
36TÓPICO 3 ANÁLISE DE DADOS E VISUALIZAÇÃO
permite a construção de visualizações sofisticadas de forma simples. Seu diferencial 
está no alto nível de personalização dos gráficos e dashboards, tornando-o uma 
das ferramentas preferidas por analistas de dados e cientistas de dados.
• Looker Studio: tem a interface mais simples e intuitiva das três ferramentas, sendo 
uma excelente opção para iniciantes. Como é uma ferramenta baseada na web, 
sua estrutura é leve e de fácil navegação, permitindo a criação rápida de relatórios 
e dashboards interativos sem a necessidade de conhecimento técnico avançado.
Resumo:
• Looker Studio - Melhor para iniciantes.
• Power BI - Ideal para usuários do ecossistema Microsoft.
• Tableau - Melhor para quem busca alto nível de personalização.
II. Integrações e Conectividade com Dados
A capacidade de conectar-se a múltiplas fontes de dados é essencial para qualquer 
ferramenta de BI.
• Power BI: integra-se de forma nativa com Excel, SQL Server, Azure, Dynamics 
365 e outras ferramentas Microsoft. Além disso, permite conexão com APIs e 
bancos de dados externos.
• Tableau: conecta-se a uma ampla variedade de fontes de dados, incluindo 
Google BigQuery, Amazon Redshift, Snowflake e SQL Server. Sua capacidade 
de manipular grandes conjuntos de dados de forma eficiente o torna ideal para 
projetos mais complexos.
• Looker Studio: a maior vantagem está na integração direta com Google Analytics, 
Google Ads, Google Sheets e BigQuery, tornando-o a melhor opção para quem 
já utiliza ferramentas do Google. No entanto, seu suporte a outras fontes de dados 
pode ser mais limitado em comparação com Power BI e Tableau.
Resumo:
• Looker Studio - Melhor para usuários do Google.
• Power BI - Melhor para usuários Microsoft.
• Tableau - Melhor para quem precisa de conectividade diversificada.
III. Funcionalidades Avançadas
As três ferramentas oferecem recursos poderosos, mas variam em termos de capacidade 
37TÓPICO 3 ANÁLISE DE DADOS E VISUALIZAÇÃO
analítica e inteligência de dados.
• Power BI: possui recursos avançados de Machine Learning e inteligência 
artificial (IA) dentro do Microsoft Azure. Permite a criação de modelos preditivos e 
análise detalhada com DAX.
• Tableau: destaca-se pela visualização avançada de dados, proporcionando 
gráficos altamente personalizáveis. Seu recurso Tableau Prep facilita a limpeza e 
a transformação de dados antes da análise.
• Looker Studio: Mais simples em termos de funcionalidades avançadas. Sua 
principal vantagem é a colaboração em tempo real, permitindo que múltiplos 
usuários editem e compartilhem relatórios de forma integrada com outras 
ferramentas do Google.
Resumo:
• Power BI - Melhor para análise avançada com machine learning.
• Tableau - Melhor para visualizações sofisticadas.
• Looker Studio - Melhor para colaboração e relatórios rápidos.
IV. Custo e Modelos de Licenciamento
O fator custo pode ser decisivo na escolha de uma ferramenta de análise de dados.
• Power BI: Possui uma versão gratuita, mas com limitações. O Power BI Pro custa 
cerca de US$ 10 por usuário/mês, e o Power BI Premium pode chegar a US$ 
20 por usuário/mês, oferecendo mais capacidade de armazenamento e recursos 
avançados.
• Tableau: O Tableau Public é gratuito, mas os planos empresariais são caros. O 
Tableau Creator custa cerca de US$ 70 por usuário/mês, sendo uma das opções 
mais robustas para empresas.
• Looker Studio: Gratuito para a maioria dos usuários. O Looker Studio Pro, lançado 
recentemente, oferece recursos empresariais pagos, mas seu custo ainda não é 
amplamente divulgado.
Resumo:
• Looker Studio - Melhor custo-benefício para usuários individuais e pequenas 
equipes.
• Power BI - Melhor custo para empresas que já utilizam a Microsoft.
• Tableau - Melhor para empresas que precisam de recursos avançados e estão 
dispostas a pagar mais.
38TÓPICO 3 ANÁLISE DE DADOS E VISUALIZAÇÃO
V. Público-Alvo e Melhor Aplicação
Cada ferramenta atende a diferentes perfis de usuários e cenários de aplicação.
• Power BI: melhor para empresas que já usam Microsoft e precisam de análises 
mais detalhadas.
• Tableau: melhor para cientistas de dados, analistas de negócios e profissionais 
que necessitam de visualizações avançadas.
• Looker Studio: melhor para pequenas equipes, profissionais de marketing e 
usuários que trabalham com o ecossistema Google.
A escolha entre PowerBI, Tableau e Looker Studio depende das necessidades específicas 
de cada usuário ou empresa.
• Se a busca é por facilidade de uso, colaboração e custo zero, o Looker Studio é 
a melhor opção.
• Se o foco é de análises avançadas e integração com Microsoft, escolha o Power 
BI.
• Se a utilização for para visualização de dados de alta qualidade e análises mais 
sofisticadas, o Tableau é a ferramenta ideal.
Independentemente da ferramenta escolhida, todas oferecem soluções robustas para a 
TABELA 3 – COMPARATIVO ENTRE POWER BI, TABLEAU E LOOKER STUDIO
Fonte: o autor (2025).
Critério Power BI Tableau Looker Studio
Facilidade de Uso Média Alta Alta
Integrações Melhor para 
Microsoft
Melhor para 
diversas fontes
Melhor para 
Google
Funcionalidades IA e Machine 
Learning
Visualização 
avançada
Relatórios e 
colaboração
Custo $$ $$$ Grátis
Público-Alvo Empresas 
Microsoft
Cientistas de 
dados
Profissionais de 
marketing
39TÓPICO 3 ANÁLISE DE DADOS E VISUALIZAÇÃO
análise e visualização de dados, ajudando profissionais e empresas a tomar decisões mais 
informadas e estratégicas.
3.2 - Técnicas de visualização para tomada de decisões estratégicas.
A visualização de dados desempenha um papel fundamental na tomada de decisões 
estratégicas dentro das organizações, pois permite a análise eficiente de grandes volumes de 
informações, facilitando a identificação de padrões e tendências que impactam diretamente 
a gestão empresarial. 
Segundo Freitas (2021, p. 23), a adoção de ferramentas de Business Intelligence (BI) permite 
que empresas utilizem indicadores de desempenho de maneira estruturada, transformando 
dados brutos em relatórios visuais que auxiliam a gestão de compras, controle de custos e 
seleção de fornecedores.
Abaixo, seguem algumas técnicas utilizadas nas organizações atualmente, que visam mais 
assertividade na tomada de direcionamentos.
3.2.1 - Dashboards Interativos para Monitoramento de Indicadores
Os dashboards interativos são uma das técnicas mais eficazes para consolidar e apresentar 
informações de maneira clara e objetiva. Essas ferramentas permitem que gestores 
acompanhem indicadores-chave de desempenho (KPIs) em tempo real, possibilitando uma 
resposta ágil às variações e problemas emergentes.
Segundo Freitas (2021, p. 28), “a implementação de dashboards no setor de compras 
de uma organização permite o acompanhamento de métricas como prazos de entrega, 
custos de aquisição e desempenho de fornecedores, otimizando processos e reduzindo 
desperdícios.” 
Dessa forma, os dashboards atuam como painéis de controle, auxiliando os tomadores de 
decisão na identificação rápida de tendências e anomalias. 
Empresas de varejo utilizam dashboards para monitorar o desempenho de fornecedores 
e prever demandas sazonais.
Indústrias podem acompanhar o custo de matéria-prima e tempos de entrega para evitar 
rupturas na cadeia de suprimentos.
40TÓPICO 3 ANÁLISE DE DADOS E VISUALIZAÇÃO
3.2.2 Análise de Tendências com Gráficos Temporais
Os gráficos de tendência são ferramentas essenciais para visualizar variações de 
desempenho ao longo do tempo. Eles permitem identificar padrões sazonais e prever 
cenários futuros com base em dados históricos.
Freitas (2021, p. 30) destaca que “o uso de gráficos de séries temporais no setor de 
compras permite identificar sazonalidades nos preços de insumos, facilitando negociações 
estratégicas com fornecedores.” Ao utilizar esses gráficos, as empresas conseguem 
antecipar oscilações de preços e otimizar o planejamento de compras.
• Análise do comportamento de preços: empresas podem utilizar gráficos 
de tendência para prever o melhor momento de aquisição de matéria-prima, 
minimizando custos.
• Monitoramento da demanda: permite avaliar flutuações no consumo e ajustar 
estoques de maneira eficiente.
3.2.3 - Mapas de Calor para Priorização de Ações
Os mapas de calor são representações gráficas que utilizam cores para indicar a intensidade 
de valores em uma matriz de dados. No contexto empresarial, essa técnica é amplamente 
utilizada para destacar áreas problemáticas e oportunidades de melhoria. 
Conforme Freitas (2021, p. 32), “o uso de mapas de calor no setor de compras auxilia 
na identificação dos fornecedores com maior número de atrasos ou falhas na qualidade, 
permitindo ações corretivas direcionadas.” 
Dessa maneira, os gestores podem priorizar negociações e auditorias nos fornecedores 
com maior impacto negativo nas operações.
• Monitoramento de qualidade de fornecedores: empresas podem visualizar em 
quais regiões geográficas há mais ocorrências de não conformidade.
• Gestão de custos: identifica quais produtos ou serviços representam os maiores 
gastos dentro de um período específico.
3.2.4 - Aplicação da Regra de Pareto (80/20) com Gráficos de Pareto
A Análise de Pareto, baseada no princípio 80/20, é uma técnica que auxilia a priorização 
de esforços e recursos. O gráfico de Pareto é uma ferramenta visual que classifica os 
41TÓPICO 3 ANÁLISE DE DADOS E VISUALIZAÇÃO
problemas em ordem de impacto, permitindo que as empresas concentrem suas estratégias 
nos fatores que causam os maiores efeitos negativos. 
De acordo com Freitas (2021, p. 35), “o uso de gráficos de Pareto permite às organizações 
identificarem quais fornecedores, produtos ou processos representam a maior parcela 
de custos ou falhas operacionais, facilitando a tomada de decisão baseada em dados 
concretos.”
• Redução de custos operacionais: identifica quais categorias de despesas 
representam a maior parte dos gastos e buscar alternativas mais econômicas.
• Gestão de fornecedores: Concentra esforços na melhoria dos 20% dos 
fornecedores que causam 80% dos problemas de entrega e qualidade.
3.2.5 - Diagramas de Dispersão para Identificação de Correlações
Os diagramas de dispersão são ferramentas poderosas para analisar a relação entre 
duas variáveis. No setor de compras, essa técnica pode ser aplicada para entender como 
variáveis como tempo de entrega e qualidade dos produtos se relacionam. 
Freitas (2021, p. 37) aponta que “a análise de correlações por meio de diagramas de 
dispersão pode revelar padrões que auxiliam a empresa a tomar decisões estratégicas 
sobre fornecedores e estoques.” 
Se houver uma forte correlação entre prazos de entrega curtos e aumento nos índices de 
defeitos, a organização pode repensar suas estratégias de logística e qualidade.
• Otimização de estoques: verificar se há correlação entre volume de compras e 
preços negociados com fornecedores.
• Melhoria na seleção de fornecedores: avaliar se fornecedores que entregam 
mais rápido possuem maior índice de não conformidade.
3.2.6 - Simulação Empresarial e Previsão de Cenários
A simulação empresarial permite que gestores testem diferentes cenários antes de tomar 
uma decisão, reduzindo riscos e aumentando a precisão das escolhas estratégicas. A 
modelagem de cenários pode incluir fatores como variação cambial, inflação e impactos 
logísticos. 
42TÓPICO 3 ANÁLISE DE DADOS E VISUALIZAÇÃO
Freitas (2021, p. 40), “ferramentas de simulação possibilitam a análise de diferentes 
estratégias de compra, avaliando impactos financeiros e operacionais antes da execução 
de um plano.” 
Assim, empresas podem comparar diferentes fornecedores, avaliar a viabilidade de novos 
contratos e reduzir custos sem comprometer a qualidade e a eficiência.
• Simulação de impactos financeiros: testa como variações no câmbio podem 
influenciar o custo da importação de insumos.
• Gestão de riscos: avalia os impactos da falta de determinados fornecedores na 
cadeia produtiva.
A implementação de técnicas de visualização de dados é fundamental para a tomada de 
decisões estratégicas, pois permite que organizações analisem informações de forma 
intuitiva e baseada em evidências. Ao aplicar essas técnicas, as empresas garantem maior 
assertividade nas decisões, resultando em redução de custos, melhoria no relacionamento 
com fornecedores e maior