Logomarca Indústria 4.0

As competências e habilidades profissionais de aprendizagem para o uso do Big Data e Ciência de Dados na tomada de decisão no ambiente da Indústria 4.0

Este trabalho aborda o uso do Big Data e Ciência de Dados como uma ferramenta para a tomada de decisão na Indústria 4.0, bem como os seus impactos nas competências e habilidades profissionais para o trabalhador na era da Indústria 4.0. A corrida tecnológica vem impactando fortemente as profissões em diversos países do mundo, as tendências profissionais com base nas tecnologias de informação e comunicações transpassam setores econômicos e refletem em mudanças e necessidades de especialização profissional. As contribuições desta pesquisa ocorrem no sentido de apresentar competências e habilidades exigidas pelos novos modelos de negócios, presentes na Indústria 4.0.

Por: Antonio João G. de Azambuja e Anne Priscila Trein Litaiff      02/10/2019

1. Introdução

A evolução tecnológica tem proporcionado um crescimento exponencial do volume de dados no espaço cibernético, o que marca o advento do Big Data. Para os autores, Janssen e Wahyudi (2017), vivemos a era dos dados que tem transformado a forma como as organizações estão direcionando o seu processo de tomada de decisão.

As novas tecnologias permitem que as organizações, a partir da análise dos dados, tenham um ganho de competitividade (EREVELLES; FUKAWA; SWAYNE, 2016). É requisito para a competitividade que as empresas e governos estejam preparados para usufruírem dos benefícios gerados pelo avanço tecnológico, e ao mesmo tempo realizarem a gestão adequada das competências e habilidades profissionais para enfrentar a era do Big Data.

Tal fato incentiva debates no campo da Ciência da Informação[1] (CI) no que tange ao uso adequado dos dados, informação e conhecimento gerados no ambiente do Big Data. Sendo assim, no âmbito da CI, emerge a necessidade de um espaço interdisciplinar para desenvolver competências relacionadas à criatividade, inovação, empreendedorismo, raciocínio lógico e resolução de problemas.

O Big Data requer formas inovadoras para o processamento do grande volume de dados estruturados e não estruturados que amparam o processo de tomada de decisão. Diante da necessidade da extração de informações úteis a partir da grande disponibilidade de dados no ciberespaço, situa-se a Ciência de Dados, como uma camada de métodos, no qual softwares são utilizados para transformar dados em informações, visando o apoio à tomada de decisão.

Nesse cenário, composto pela explosão da quantidade de dados e grandes inovações tecnológicas, a construção de contextos educacionais deve contemplar ambientes que estimulem a autonomia, a criatividade, o empreendedorismo, a colaboração e a investigação em forma de pesquisa e inovação, bem como a cultura maker[2].


Continua depois da publicidade


No contexto da Indústria 4.0, encontra-se uma esteira de grandes mudanças, com a transição da experiência de aprendizagem linear para a cultura de aprender a aprender. Em função das novas demandas do mundo do trabalho é preciso formar futuros profissionais e requalificar os atuais com nova visão de aprendizado.

Este trabalho aborda o uso do Big Data e Ciência de Dados como uma ferramenta para a tomada de decisão na Indústria 4.0, bem como os seus impactos nas competências e habilidades profissionais do trabalhados do futuro. Ele foi construído em 5 (cinco) seções, sendo que, na seção 2, são apresentados os conceitos basilares relacionados à Indústria 4.0, Big Data, ciência da informação e tomada de decisão estratégica. Na seção 3, discorre sobre as competência e habilidades profissionais para o futuro do trabalho na era da Indústria 4.0. Na seção 4, consta a análise do uso dos dados para a tomada de decisão, e, na seção 5, apresenta-se a conclusão do estudo realizado.

2. Referencial teórico

O referencial teórico preliminar visa apresentar o suporte necessário para embasar esta pesquisa. Sendo assim, serão abordados a seguir os fundamentos teóricos para o entendimento deste estudo.

2.1 Indústria 4.0

A Indústria 4.0 ou Indústria Avançada, é fruto da era da tecnologia da informação e comunicações (TIC), caracterizada pela integração e o controle remotos de produção, a partir de sensores e equipamentos conectados em rede, associados a sistemas ciberfísicos (CiberFis), dados e serviços inteligentes de Internet. É também conhecida como a quarta revolução industrial (Plano de CT&I para Manufatura Avançada no Brasil, 2017, ProFuturo, Ministério da Ciência, Tecnologia, Inovações e Comunicações[3]).

A incorporação da digitalização à atividade industrial, integrando componentes físicos e virtuais é uma característica da Indústria 4.0. Essa integração permite maior captação, transporte, armazenamento e análise de dados. Os produtos conectados, máquinas e equipamentos, surgem como fontes de dados e informações para subsidiar a tomada de decisão. Segundo o relatório do Boston Consulting Group (BCG)[4], as tecnologias habilitadoras da Indústria 4.0 são: i) robôs autônomos; ii) manufatura aditiva; iii) internet das coisas; iv) segurança cibernética; v) simulação; vi) Big Data; vii) computação em nuvem; viii) sistemas integrados e ix) realidade aumentada

Entre as tecnologias apresentadas, o Big Data possibilita a tomada de decisão baseada em dados. O fluxo de dados e informações trafegando por diversas redes, dentro e fora da indústria requer que esta troca de informações siga padrões de coleta, processamento, armazenamento e segurança. É fundamental conhecer o Big Data e as suas características para avaliar os seus efeitos no processo de tomada de decisão.

2.2 Big Data

O Big Data é um fenômeno que se refere à explosão em quantidade, eventualmente em qualidade, da disponibilidade e potencialidade de dados relevantes, como resultado amplo do recente e sem precedente avanço nas tecnologias de armazenamento e registro de dados. Caracteriza-se pela geração de Gigabytes[5] por dia de dados (DIEBOL, 2000).

Os projetos de Big Data utilizam um conjunto de ferramentas de tecnologia da informação (TI) que permitem a coleta, análise, processamento e armazenamento de dados em tempo real. A vantagem dessas ferramentas está em centralizar, em um único local, a coleta e análise de um grande volume de dados. A partir disso, as técnicas de estatística e processamento utilizadas permitem que os gestores consigam identificar rapidamente padrões e prever tendências com maior precisão.

O Big Data está associado ao grande volume de dados, mas essa não é sua única característica. Inicialmente, foi caracterizado pelo volume, velocidade e variedade (3V´s) dos dados. O atributo veracidade foi considerado posteriormente como relevante, uma vez que ele tem a capacidade de qualificar a validade dos dados conforme sua origem. Estas características são conhecidas como os 4V´s do Big Data: i) volume: refere-se ao tamanho dos dados que são coletados de uma grande variedade de fontes, incluindo transações comerciais, redes sociais e informações de sensores ou dados transmitidos de máquina a máquina; ii) velocidade: refere-se à velocidade de transmissão dos dados que fluem em velocidade sem precedentes e devem ser armazenados, tratados e analisados com agilidade; iii) variedade: refere-se ao formato no qual os dados são gerados, estruturados e não estruturados. Os estruturados são organizados em linhas e colunas e geralmente são armazenados em banco de dados relacionais, que facilitam a atualização e a recuperação de dados em menor granularidade. Os não estruturados não possuem organização pré-definida. Em decorrência disso, há maior dificuldade para sua recuperação e seu processamento, a exemplo de vídeos, de comentários em redes sociais, de e-mails, entre outros; e v) veracidade: relaciona-se com a confiabilidade dos dados. Durante a análise dos dados é necessário conhecer o contexto em que foram gerados, se são autênticos e de fontes confiáveis.

A complexidade do Big Data não está no volume, como disse Davenport (2014), mas na falta de estrutura que dificulta a análise para geração de conhecimento, inovação ou valor. O autor destaca a importância da definição adequada do problema e da pertinência da formulação correta da pergunta, os quais devem orientar a coleta e o posterior resumo dos dados, na busca da organização da informação.

Potencializada pelas tecnologias habilitadoras da Indústria 4.0, a explosão da quantidade de dados disponíveis para uso de empresas nunca foi tão grande. As chamadas ferramentas de Big Data e Ciência de Dados tornam a coleta, processamento e visualização de dados mais simples, padronizadas e eficazes.

2.3 Ciência de dados

A Ciência de Dados busca extrair informação útil a partir de grandes bases de dados complexas, dinâmicas, heterogêneas e distribuídas (BUGNION; MANIVAN-NAN; NICOLAS, 2017). Estuda a transformação de dados em informação, visando agregar valor aos dados armazenados na camada do Big Data.

Segundo o Gartner (2018), as organizações que desejam obter informações e conhecimento de valor a partir do Big Data devem combinar competências e habilidades multidisciplinares. Entre os requisitos básicos de conhecimento para a área de Ciência de Dados situam-se: i) a ciência da computação para o desenvolvimento de softwares, implementação de algoritmos de aprendizado de máquinas e interfaces de visualização da informação; ii) a matemática e estatística para interpretar os resultados dos algoritmos de aprendizado de máquina, estatisticamente; e iii) o entendimento do problema, formulação de hipóteses para aquisição de informações necessárias para o processo de tomada de decisão.

Para os autores, Bugnion; Manivan-Nan e Nicolas (2017), as atividades necessárias a serem realizadas para as soluções de Ciência de Dados, são as seguintes: i) obtenção dos dados: avaliação e seleção dos dados primários e os seus metadados; ii) transformação dos dados: carga dos dados primários de diferentes fontes e formatos em uma base de dados centralizada; iii) exploração dos dados: estudo para estabelecer um roteiro visando relacionar os dados primários à informação relevante; iv) definição dos parâmetros: escolha dos algoritmos de aprendizado de máquina a serem utilizados; v) implementação do modelo: estabelecimento de modelos de algoritmos com base nos dados de entrada e saída; vi) utilização do modelo: implementação do modelo para obter informações relevantes; e vii) tomada de decisão: apresentação dos dados e visualização das informações, por meio de relatórios, para embasar a tomada de decisão.

2.4 Tomada de decisão estratégica

  A tomada de decisão, segundo Oliveira (2004), é a conversão das informações analisadas em ações. Segundo Finlay (1994), a informação é a matéria-prima para o processo decisório. O tomador de decisão deve coletar, selecionar e interpretar as informações visando apoiar a tomada de decisão.

A era do Big Data tem transformado a forma como as empresas estão direcionando o seu processo de tomada de decisão (JANSSEN e WAHYUDI, 2017). As novas tecnologias permitem que as empresas, a partir da análise dos dados, tenham um ganho de competitividade (EREVELLES, FUKAWA e SWAYNE, 2016).

A criação de estratégias para definir como lidar com grandes volumes de dados e analisar as informações são ações necessárias para as empresas terem ganho de produtividade com a avanço das novas tecnologias. Segundo Choo (2006), para se tomar uma decisão racional, devem-se elencar todas as alternativas existentes, e identificar suas consequências. A tomada de decisão baseada em informações é o futuro de como vamos orientar e fazer o negócio crescer (HAMMOND, 2013).

A tomada de decisão não é puramente racional, recebe influência de fatores subjetivos, que podem ser diretos e indiretos, conscientes e inconscientes, que mudam a forma de ver, pensar, analisar e tomar a decisão (NONOHAY, 2012). Para Gomes (2007), a decisão é o processo de escolha, percebida em três dimensões: i) importância: relacionada à satisfação de valores e interesses; ii) velocidade exigida: cada tipo de decisão, dependendo do contexto exige certa velocidade; e iii) grau de individualidade: parte das decisões são individuais e outras em grupo.

A tomada de decisão tem a participação dos seguintes atores: i) tomador de decisão: responsável pela decisão; ii) agente de decisão: participa direta ou indiretamente dos cálculos e estimativas, ordena preferências e juízos de valor. Utiliza as informações no processo da análise da decisão; e iii) analista da decisão: responsável pela administração e estruturação do problema e produz recomendações ao tomador decisão.

As decisões são classificadas como programadas e não-programadas. As programadas são identificadas como repetitivas, rotineiras e estruturadas, economizam tempo, recursos e energia. Um dos objetivos do processo decisório deve ser o de focar nas decisões programadas (MAXIMIANO, 2009). As não-programadas são identificadas como não automatizadas, que dependem do responsável pela decisão. São preparadas uma a uma, visam soluções que não são atendidas pelas decisões programadas. (OLIVEIRA, 2004).

Segundo Ansoff (1977), as decisões são estratégicas, administrativas e operacionais. As estratégicas visam potencializar os produtos da empresa no mercado. As administrativas propõem estruturar os recursos da empresa, fluxos de informação, autoridade e responsabilidades. As operacionais visam distribuir e aplicar os recursos da empresa. A tomada de decisão deve ser baseada em dados e informações. Os atores envolvidos no processo da tomada de decisão, devem perceber o valor da informação, para avaliar se o suporte à tomada de decisão atende às expectativas e às necessidades no contexto do Big Data.

3. Competências e habilidades profissionais para o futuro do trabalho na era da Indústria 4.0

As revoluções industriais têm como característica o aumento da produtividade associado ao volume, redução de custos e inovações em produtos e processos. Desde a primeira até a terceira revolução o maior impacto foi no nível do chão de fábrica e dos processos produtivos.

Já na quarta revolução, ou Indústria 4.0, o impacto é mais abrangente. Transborda a produção e intensifica o aumento da produtividade, por meio das atividades criativas e novos conhecimentos para apoiar a tomada de decisão. Para Schuh et al. (2017), a colaboração em todos os níveis de atividade acelera o processo de tomada de decisão, com o uso das tecnologias de informação e comunicações.

O estudo da Accenture (2018), empresa global de consultoria de gestão, tecnologia da informação e outsourcing, indica que uma nova onda de empregos e uma nova ordem econômica, a despeito de que a automação desemprega é uma realidade. No entanto, o impacto no número de emprego é um ponto controverso e polêmico da Indústria 4.0.

Um cenário para os impactos sociais da quarta revolução industrial é o aumento dos postos de trabalho decorrente nas novas profissões e novos modelos de negócio, ou desemprego, resultante da substituição da mão de obra por robôs autônomos e outras tecnologias.

Segundo o The Future of Jobs Report (2018), publicado pelo Fórum Econômico Mundial[6], o impacto de rupturas tecnológicas, demográficas e socioeconômicas nos modelos de negócio terá reflexo no panorama do emprego e requisitos de habilidades, resultando em desafios de recrutamento, treinamento e gerenciamento de talentos.

Para o World Economic Forum  - WEF (2016), o impacto no número de empregos é o mais controverso e polêmico efeito da Indústria 4.0. Os debates têm sido polarizados por aqueles que acreditam em oportunidades ilimitadas de novos empregos e aqueles que preveem grande substituição do homem pela máquina com o desaparecimento de postos de trabalho.

A pesquisa divulgada no Report The Future of Jobs: Employment, Skills and Workforce Strategy for the Fourth Industrial Revolution - WEF, em 2016, indica que a quarta revolução industrial provocará a perda de 7,1 milhões de empregos, enquanto 2 milhões serão criados, resultando em um impacto negativo de 5,1 milhões de postos de trabalho até 2020, dos quais somente no setor de manufatura e produção mais de 1,6 milhões de empregos diretos serão substituídos por robôs e outras tecnologias habilitadoras.

As mudanças decorrentes do uso cada vez maior das tecnologias habilitadoras, demandam novos conhecimentos e habilidades dos trabalhadores. Conhecimentos de gestão baseado em dados, uso do Big Data e Ciência de Dados para tomada de decisão, serão um diferencial no cenário do trabalho futuro.

3.1 Metodologia utilizada para identificar as habilidades requeridas

Segundo o Plano de CT&I para Manufatura Avançada no Brasil, 2017, ProFuturo, Ministério da Ciência, Tecnologia, Inovações e Comunicações, torna-se necessário um novo modelo acadêmico, focado em alinhar os currículos da educação profissional e de nível superior, de modo que apoiem a formação de estudantes colaborativos, com capacidade sistêmica de executar projetos reais e capacidade analítica para decidir.

  As interações academia-indústria-governo, que formam a tríplice hélice de inovação e empreendedorismo, são fundamentais para o crescimento econômico e o desenvolvimento social baseados no conhecimento, na nova realidade, na qual as máquinas têm um papel preponderante.

Os impactos da nova realidade da indústria têm influenciado nas relações trabalhistas e nas habilidades exigidas dos profissionais. Entre as principais estão as capacitações para a transformação digital, multidisciplinaridade, criatividade e foco na inovação.

A partir da análise de conteúdo, conforme Bardin (2011) foi possível identificar as competências e habilidades requeridas para o trabalhador da Indústria 4.0. A análise de conteúdo seguiu as seguintes fases: i) pré-análise para a leitura sobre o tema, seleção do material, representatividade do material, homogeneidade e pertinência do material pesquisado; ii) exploração do material; e iii) tratamento dos resultados, inferência e,  interpretação.

O material selecionado nas fontes primárias foi exportado para o gerenciador de re­ferências Mendeley[7]. Do total de referências, analisaram-se os títulos, resumos e palavras-chave. Por fim, foi realizada a leitura dos artigos selecionados, possibilitando a elaboração dos gráficos apresentados a seguir. Os gráficos 1 e 2 apresentam as principais competências e habilidades identificadas como necessárias para os trabalhadores da Indústria 4.0, classificadas como pessoais, organizacionais e técnicas.

 

Gráfico 1 – Competências e habilidades pessoais e organizacionais
Gráfico 1 – Competências e habilidades pessoais e organizacionais
Fonte: Center of the future of work (2016) - Prifti et al. (2017) – Adaptado pelos autores

 

 

Gráfico 2 – Competências técnicas
Gráfico 2 – Competências técnicas
Fonte: Center of the future of work (2016) - Prifti et al. (2017) – Adaptado pelos autores

 

Na fase de interpretação dos resultados foi possível identificar que as competências e habilidades pessoais e organizacionais com maior impacto foram: pensamento analítico, pensamento crítico, interdisciplinaridade, afinidade com TIC, resolução de problemas e tomada de decisão.

Já as competências técnicas de maior impacto foram: Big Data - análise e interpretação de dados, conhecimentos e habilidades de TI, robótica - inteligência artificial, sistemas integrados - sensores, automação, sistemas embarcados, processamento e análise de dados e informações e segurança cibernética.

4. Principais etapas para a tomada de decisão baseada em dados

Os gestores têm a difícil tarefa de analisar a rentabilidade, acompanhar as mudanças do mercado e criar processos para facilitar a tomada de decisão. As mudanças estratégicas podem ter impactos diferentes, gerando benefícios ou prejuízos para o negócio.

O processo de análise passa por inspecionar os dados e estabelecer hipóteses para realizar testes visando entender ou melhorar um determinado cenário e seus padrões. A análise dos dados permite realizar as seguintes funções: i) tomada de decisão: baseada em cenários e no comportamento de toda a cadeia produtiva, apoiando diretamente os gestores da planta produtiva; ii) aprendizado de máquina: realiza a análise de dados para automatizar a construção de modelos analíticos. É um ramo da inteligência artificial baseado na ideia que os sistemas podem aprender com os dados, identificar padrões e tomar decisões automatizadas; e iii) análise preditiva: analisa o comportamento causal das variáveis, visando identificar padrões para prever possíveis cenários futuros e dar base para as decisões a serem tomadas.

Diante do contexto, a tomada de decisão precisa ser baseada em dados com uma análise adequada das variáveis. As escolhas devem seguir os aspectos analíticos com as seguintes etapas: i) analisar e pensar na estratégia: definir uma estratégia para o uso de dados, identificando quais são seus principais objetivos, visando um alinhamento com os objetivos estratégicos da empresa; ii) identificar as fontes de dados: identificar as fontes de dados internas e externas que geram competitividade para a empresa; iii) coletar os dados: utilizar ferramentas de busca de dados para ajudar na missão de análise dos dados, visando ser mais assertivo no processo de tomada de decisão; iv) avaliar as informações: avaliar as informações geradas pelos dados para implementar soluções inovadoras. Os gestores devem avaliar as possibilidades de mudanças por diferentes ângulos, saindo dos padrões tracionais de resposta; e v) tomar uma decisão: implementar o plano de ação para a tomada de decisão.

O sucesso da implementação de uma ferramenta de Big Data depende das habilidades dos colaboradores para trabalharem com base em uma cultura em que as informações disponíveis têm grande importância na definição de rotinas e estratégias.

Uma cultura voltada a dados, traz mais precisão para a tomada de decisão e a possibilidade de estudar cenários futuros e possíveis consequências do escolhido pela empresa.

5. Conclusão

A análise realizada neste trabalho permite concluir que o processo de tomada de decisão baseada em dados, é o futuro de como as empresas podem orientar e incrementar os negócios com ganhos de competitividade (HAMMOND, 2013).

Os gestores têm a difícil tarefa de avaliar a rentabilidade, acompanhar as mudanças do mercado, criar processos para facilitar a tomada de decisão, identificar padrões rapidamente e prever tendências com maior precisão.

No entanto, desenvolver as habilidades técnicas dos trabalhadores relacionadas com análise e interpretação de dados, robótica, inteligência artificial, sistemas integrados, automação, sistemas embarcados, processamento e análise de dados e informação e segurança cibernética para utilizar o potencial positivo da gestão baseada em dados, com o uso das tecnologias do Big Data para a tomada de decisão, será um diferencial no cenário do trabalhador do futuro.

Para que o potencial do Big Data possa ser explorado pelas empresas, é fundamental elevar o seu nível de maturidade na gestão dos dados.

Dentre os impactos do Big Data na Indústria 4.0, esta pesquisa aborda os benefícios do avanço tecnológico presente na indústria, bem como os impactos sociais e econômicos decorrentes desse avanço que levam a uma nova forma de organização do trabalho pautada pela convergência do trabalhador, da máquina e da tecnologia.

As contribuições desta pesquisa ocorrem no sentido de apresentar não somente os impactos sociais e econômicos, como também as habilidades e competências exigidas pelos novos modelos de negócios, presentes na Indústria 4.0.

Na revisão da literatura foi verificado que não há pesquisas com foco majoritário sob a perspectiva do desenvolvimento de recursos humanos para atender as demandas do trabalho e os seus impactos sociais na Indústria 4.0, no que pese a sua importância apontada no documento de Perspectivas de Especialistas Brasileiros sobre Manufatura Avançada no Brasil (MCTIC, 2016).

A pesquisa aponta o pensamento analítico, a afinidade com TIC, a resolução de problemas e tomada de decisão como as principais competências pessoais e organizacionais requeridas pelas empresas inseridas na Indústria 4.0.

Segundo Buhr (2017), a Indústria 4.0 não trata apenas da substituição do homem pela máquina. Para ter o seu potencial reconhecido deve assegurar benefícios sociais e econômicos para a sociedade com o uso das novas tecnologias.

O Big Data é uma realidade. Os efeitos da tecnologia da informação estão no dia a dia das pessoas e das empresas, dominando as suas vidas e empresas de formas que elas não imaginam.

Neste sentido, emerge a necessidade para o desenvolvimento de competências e habilidades de aprendizagem para transformação de dados em informação para apoio à tomada de decisão considerando correlação da Ciências de Dados e Big Data.

 

REFERÊNCIAS

ANSOFF, H. I. — Estratégia Empresarial Trad. Antônio Z. Sanvicente. São Paulo: McGraw-Hill, 1977.

BARDIN, L. Análise de conteúdo. São Paulo: Edições 70, 2011.

BAILEY, S. Information architecture: a brief introduction. 2003.

Boston Consulting Group. Industry 4.0: The Future of Productivity and Growth in Manufacturing Industries. Disponível em: <AQUI>. Acesso em: 20 de abril de 2019.

BUHR, Daniel. Social innovation policy for Industry 4.0. Friedrich-Ebert-Stiftung, Division for Social and Economic Policies, 2015. Disponível em: < AQUI > Acesso em 13 maio 2019.

BUGNION, PASCAL; MANIVANNAN, ARUN; NICOLAS, PATRICK R. (2017). Scala: Guide for Data Science Professionals. Birmingham: Packt Publishing, 2017.

Center of the future of work 2016. Disponível em: <AQUI>. Acesso em: 15 de maio de 2019.

CHOO, C. W. A organização do conhecimento: como as organizações usam a informação para criar significado, construir conhecimento e tomar decisões. 2 ed. São Paulo: SENAC São Paulo, 2006.

DAVENPORT, THOMAS. Big Data at work, uncovering the opportunities, 2014.

___________, THOMAS. Dados demais! como desenvolver habilidades analíticas para resolver problemas complexos, reduzir riscos e decidir melhor. 1ª Ed. Rio de Janeiro: Elsevier, 2014.

DIEBOLD, F. “Big Data Dynamic Factor Models for Macroeconomic Measurement and Forecasting", Discussion Read to the Eighth World Congress of the Econometric Society, Seattle, August. 2000.

EREVELLES, S.; FUKAWA, N.; SWAYNE, L. Big data consumer analytics and the transformation of marketing. Journal of Business Research, 69(2), 897–904, 2016.

FINLAY, P. N. (1994). Introducing decision support systems. Oxford, UK Cambridge, Mass., NCC Blackwell; Blackwell Publishers.

GARTNER (2018a). What is Big Data? – Gartner IT Glossary – Big Data (2018a). Disponível: <AQUI >. Acesso em: 15 de julho de 2019.

GOMES, L. F. A. M. Teoria da Decisão. São Paulo: Thompson Learning, 2007.

HAMMOND, Kristian. The Value of Big Data Isn't the Data. Blog da Harvard Business Review, May 2013. Disponível em: <AQUI >
Acesso em: 2 de junho de 2019.

JANSSEN, M.; VAN DER VOORT, H.; WAHYUDI, A. Factors influencing big data decision-making quality. Journal of Business Research, 70(1), 338–345, 2017.

MAXIMIANO, Antonio Cesar Amaru. Introdução à Administração. Ed. Compacta. São Paulo: Atlas, 2009. 294p.

NONOHAY, R. Tomada de decisão e os sistemas cerebrais: primeiros diálogos entre administração, psicologia e neurofisiologia. Porto Alegre, 2012.

OLIVEIRA, D de P. R. de. Sistemas de informações gerenciais: estratégicas, táticas e operacionais. 9 ed São Paulo: Atlas, 2004.

Perspectivas de Especialistas Brasileiros sobre Manufatura Avançada no Brasil, 2016, Ministério da Ciência, Tecnologia, Inovações e Comunicações. Disponível: < AQUI >. Acesso: 25 de maio de 2019.

Plano de CT&I para Manufatura Avançada no Brasil, 2017, ProFuturo, Ministério da Ciência, Tecnologia, Inovações e Comunicações. Disponível: < AQUI >. Acesso: 25 de maio de 2019.

Prifti, L., Knigge, M., Kienegger, H., & Krcmar, H. (2017). A Competency Model for “Industrie 4.0” Employees. In 13th International Conference on Wirtschaftsinformatik (pp. 46–60).

Schuh, G., Anderl, R., Gausemeier, J., ten Hompel, M., & Wahlster, W. (2017). Industrie 4.0 Maturity Index. Managing the Digital Transformation of Companies (Acatech STUDY). Munich: Herbert Utl Verlag.

The Future of Jobs Report 2018, World Economic Forum. Disponível: < AQUI >. Acesso: 25 de maio de 2019.

The Future of Jobs Report 2016, World Economic Forum. Disponível: < AQUI >. Acesso: 25 de maio de 2019.

---

 

[1] Ciência da informação: promove uma reflexão afeita à informação. Com o advento das tecnologias, estuda a mediação entre a informação e a criação do conhecimento para o indivíduo (BARRETO, 2002)

[2] Cultura Maker: apresenta a ideia de que o indivíduo é adepto a “pôr a mão” na massa e encontrar soluções criativas para seus problemas. O ex-presidente norte-americano, Barack Obama, afirmou que “apoiar o movimento maker é essencial para uma nova revolução industrial” (REVISTA GALILEU, 2014)

[3] Plano de Ciência Tecnologia e Inovação para Manufatura Avançada - ProFuturo: propiciar condições de acesso e inserção das empresas brasileiras no ecossistema da Indústria 4.0

[4] Boston Consulting Group (BCG): empresa global de consultoria de gestão e líder em estratégia de negócios. Fundado em 1963, o BCG é uma empresa privada com 90 escritórios em 50 países

[5] Gigabytes: é uma unidade de medida de informação, segundo o Sistema Internacional de Unidades - S.I., que equivale a um bilhão de bytes

[6] Fórum Econômico Mundial: fundação internacional de cooperação pública-privada, realiza reuniões anuais com os principais líderes empresariais e políticos para debater questões de interesse global

[7] Mendeley: software gratuito que tem a finalidade de gerenciar arquivos eletrônicos em trabalhos acadêmicos, possibilitando a normalização de citações referências geradas automaticamente

*O conteúdo e a opinião expressa neste artigo não representam a opinião do Grupo CIMM e são de responsabilidade do autor.

Gostou? Então compartilhe:

Antonio João G. de Azambuja e Anne Priscila Trein Litaiff

Antonio João G. de Azambuja e Anne Priscila Trein Litaiff

Antonio João G. de Azambuja: Mestrado em Gestão do Conhecimento e Tecnologia da Informação, na Universidade Católica de Brasília, com ênfase em Segurança Cibernética. Doutorando do Programa de Pós-Graduação em Educação em Ciências da UFRGS. Aluno de Disciplina Isolada do Doutorado do Instituto Tecnológico de Aeronáutica: Inovação e Empreendedorismo em Processos de Engenharia de Produtos de Base Tecnológica, Sustentabilidade dos Processo de Fabricação, Desenvolvimento Integrado de Produto, Manufatura Avançada e Desenvolvimento Enxuto de Produtos. Servidor público do Conselho Nacional de Desenvolvimento Científico e Tecnológico – CNPq, requisitado pela Advocacia-Geral da União, exercendo o cargo de Chefe do Serviço de Segurança da Informação e Comunicações da instituição. Graduação em Tecnologias de Segurança da Informação pela Universidade Católica de Brasília.

Anne Priscila Trein Litaiff: Mestrado em Engenharia Aeronáutica e Mecânica pelo Instituto Tecnológico de Aeronáutica. Atua como Especialista em Inovação da FIESC, onde coordenou a implantação do ISI LASER, coordenou o Centro de Desenvolvimento Integrado do Produtos e Programa SENAI 4.0 e é autora do modelo de maturidade em indústria 4.0 do SENAI. Coordenou a área de Manufatura Digital do CCM-ITA, onde atuou em projetos de pesquisa aplicada relacionados à projetos de fábricas, planejamento de processos, simulação de layout e implantação de Manufatura Digital. Atuou como assistente de pesquisa aplicada no Fraunhofer IPT (Aachen – Alemanha) em projetos de usinagem de ultra precisão. Graduação em Engenharia Mecânica pela Universidade Federal de Santa Catarina.