oportunidades e barreiras do big data para o varejo ...€¦ · no brasil: estudo do caso magazine...
TRANSCRIPT
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO
INSTITUTO COPPEAD DE ADMINISTRAÇÃO
BRUNO MUNIZ FELIX
Oportunidades e Barreiras do Big Data para o Varejo Virtual no Brasil: Estudo do Caso Magazine Luiza
RIO DE JANEIRO
2016
2
BRUNO MUNIZ FELIX
Oportunidades e Barreiras do Big Data para o Varejo Virtual
no Brasil: Estudo do Caso Magazine Luiza
Dissertação de Mestrado apresentada ao Programa de Pós-Graduação em Administração, Instituto COPPEAD de Administração da Universidade Federal do Rio de Janeiro, como parte dos requisitos necessários à obtenção do título de Mestre em Administração.
Orientadora: Elaine Tavares
RIO DE JANEIRO
2016
3
4
RESUMO
FELIX, Bruno Muniz. Oportunidades e Barreiras do Big Data para o Varejo Virtual no Brasil:
Estudo do Caso Magazine Luiza. Rio de Janeiro, 2016. Dissertação (Mestrado em
Administração) – Instituto COPPEAD de Administração, Universidade Federal do Rio de
Janeiro, Rio de Janeiro, 2016.
A presente pesquisa buscou identificar oportunidades e barreiras para implementação de Big
Data no varejo virtual no Brasil, usando o Magazine Luiza como estudo de caso. Essa
empresa é uma das mais tradicionais do setor, além de ser referência em inovação tecnológica
no mercado brasileiro. Diversas definições para o termo Big Data foram abordadas e
confrontadas entre si, escolhendo-se uma para ser utilizada como padrão para o estudo. Um
levantamento teórico sobre oportunidades e barreiras para implementação de Big Data
precedeu a pesquisa de campo. Foram então entrevistados nove funcionários do Magazine
Luiza, entre analistas, gestores e um membro da diretoria envolvidos no processo de
implementação do Big Data. Os relatos dos funcionários foram comparados com a teoria,
visando analisar as oportunidades mencionadas e as formas como as barreiras foram
superadas. A empresa passa por um momento de transformação de um modelo tradicional do
varejo físico para digitalização e otimização de dados no ambiente virtual. O uso de Big Data
veio acompanhando essa mudança cultural. Houve resistência à mudança, particularmente das
lojas físicas, que enxergaram a evolução da loja virtual como uma competição para suas
operações, e isso exigiu um grande esforço corporativo de gestão de mudança. De uma
maneira geral, o presente estudo traz onze proposições sobre oportunidades para a
implementação do Big Data e como as barreiras presentes nestas implementações podem ser
gerenciadas por uma organização. Estas proposições poderão servir de base para pesquisas
futuras.
Palavras-chave: Big Data, Magazine Luiza, Inovação, Tecnologia, Implementação,
Oportunidades, Barreiras.
5
ABSTRACT
FELIX, Bruno Muniz. Oportunidades e Barreiras do Big Data para o Varejo Virtual no Brasil:
Estudo do Caso Magazine Luiza. Rio de Janeiro, 2016. Dissertação (Mestrado em
Administração) – Instituto COPPEAD de Administração, Universidade Federal do Rio de
Janeiro, Rio de Janeiro, 2016.
The research presented in this dissertation sought to identify opportunities and barriers for the
implementation of Big Data in the online retail industry in Brazil, using Magazine Luiza as
business case. This company is one of the most traditional of the market and a reference of
technology innovation in Brazil. Many definitions of Big Data were explored and compared
with each other, having one of them chosen to be set as standard for the study. A theoretical
analysis of opportunities and barriers for the implementation of Big Data previewed the field
research. Then nine staff members of Magazine Luiza were interviewed, among analysts,
managers and a director involved in the process of the implementation of Big Data. The
interviews were compared with the Theory in order to analyze the opportunities mentioned
and the way that the barriers were surpassed. The company goes through a moment of switch
from a traditional business model with focus on the physical stores into the digitalization and
optimization of data from the virtual environment. The use of Big Data came along with this
cultural change in the company. There was resistance to this change, particularly with the
physical stores, that saw the evolution of the online store as a competitor for their operations.
This demanded a lot of change management effort from corporate. This study defined eleven
propositions about opportunities for implement Big Data and how existing barriers for this
process can be managed by an organization. These propositions can be a basis for future
research.
Keywords: Big Data, Magazine Luiza, Innovation, Technology, Implementation,
Opportunities, Barriers.
6
Sumário 1. INTRODUÇÃO...............................................................................................................................9
1.1. CONTEXTUALIZAÇÃO...........................................................................................................9
1.2. OBJETIVO DO ESTUDO....................................................................................................15
1.3. ORGANIZAÇÃO DO ESTUDO..........................................................................................15
2. REFERENCIAL TEÓRICO........................................................................................................17
2.1. DEFINIÇÃO DE BIG DATA...............................................................................................17
2.2. OPORTUNIDADES DO BIG DATA PARA OS NEGÓCIOS............................................26
2.3. BARREIRAS PARA A IMPLEMENTAÇÃO DE BIG DATA............................................33
2.3.1. Desafios para Adoção e Uso de Big Data.....................................................................33
2.3.2. Fatores Relacionados à Estratégia, Processos e Liderança......................................34
2.3.3. Fatores Relacionados aos Recursos Humanos..........................................................35
2.3.4. Fatores Relevantes Relacionados à Gestão da Implementação...............................36
2.3.5. Fatores Relacionados à Ética e Privacidade..............................................................37
2.4. O VAREJO VIRTUAL E O USO DE BIG DATA...............................................................37
3. MÉTODO.....................................................................................................................................45
3.1. QUESTÕES DE PESQUISA................................................................................................45
3.2. NATUREZA DO ESTUDO..................................................................................................45
3.3. PROCEDIMENTOS DE COLETA E ANÁLISE DE DADOS............................................47
4. DESCRIÇÃO DO CASO............................................................................................................49
5. ANÁLISE DO CASO..................................................................................................................54
6. CONCLUSÃO.............................................................................................................................84
7. REFERÊNCIAS..........................................................................................................................88
8. ANEXOS......................................................................................................................................96
ANEXO A............................................................................................................................................96
7
Lista de Figuras
Figura 1 - Evolução 2011-2015 da busca pelo termo 'Big Data' no Google (Google Trends, 2015).....10
Figura 2 - Países que mais buscam pelo termo 'big data' no Google. (Google Trends, 2015)...............11
Figura 3 - Previsão da taxa de crescimento anual do mercado global de Big Data. (Statista, 2015).....11
Figura 4 - Previsão de receita anual (em US$ bilhões) do mercado de Big Data global. (Wikibon,
2014).....................................................................................................................................................12
Figura 5 - Busca pelo termo 'big data' por cidade brasileira. (Google Trends, 2015)............................12
Figura 6 - Acesso à internet por faixa etária. (IBGE, 2013)..................................................................14
Figura 7 - Caracterização feita na IBM para os 3 V's de Big Data. (Zikopoulos, 2012).......................17
Figura 8 - Aplicações dos 3 V's de Big Data. (Davenport, 2013)..........................................................20
Figura 9 - Definição de Big Data expandida. (Loshin, 2013)................................................................26
Figura 10 - Diferenças entre uso de Big Data e Data Warehouse, em termos financeiros. (Davenport,
2013).....................................................................................................................................................28
Figura 11 - Previsão do volume de vendas no varejo online global até 2018, com o percentual de
crescimento e a participacão do varejo virtual em relação ao varejo total. (eMarketer, 2014)..............38
Figura 12 - Volume de vendas, em bilhões de reais, do varejo virtual no Brasil, com a variação do
crescimento em relação ao ano anterior. (eBit, 2015)...........................................................................39
Figura 13 - Quantidade, em milhões, de pedidos realizados no varejo virtual no Brasil, com a variação
de um ano para outro. (eBit, 2015)........................................................................................................39
Figura 14 - Gasto médio no varejo virtual pelos brasileiros, em reais, com a curva de variação em
relação ao ano anterior. (eBit, 2015).....................................................................................................40
Figura 15 - Proporção do varejo virtual em relação ao total de vendas do varejo brasileiro. (Li & Fung
Group, 2015).........................................................................................................................................40
Figura 16 – Percentual de consumidores que já fizeram alguma compra online, em relação ao total de
usuários da Internet. (eMarketer, 2015)................................................................................................41
Figura 17 - Volume de vendas em bilhões de dólares no e-commerce global. (Euromonitor, 2014)....41
Figura 18 - Nível de maturidade do uso de Big Data no varejo, em comparação com outras indústrias.
(Mercier, 2012).....................................................................................................................................42
Figura 19 - Objetivos a serem alcançados com o uso de Big Data. (Mercier, 2012).............................43
Figura 20 - Tamanho e relação de indústrias norte-americanas com a facilidade de captação de valor e
magnitude do valor capturado. (Brown, 2012)......................................................................................43
Figura 21 - Maiores varejistas da América Latina em vendas. (Deloitte, 2014)...................................51
Figura 22 - Ranking das 50 empresas mais valiosas do Brasil. (Millward Brown, 2015).....................52
8
Lista de Tabelas
Tabela 1 - Previsões para o mercado brasileiro de Big Data entre 2014 e 2018. (Frost & Sullivan,
2014).....................................................................................................................................................13
Tabela 2 - Diferenças entre Big Data e Analytics tradicional. (Davenport, 2014)................................22
Tabela 3 - Tomada de decisão hoje, em comparação com o potencial de Big Data. (Schmarzo, 2013)23
Tabela 4 - Capacidades de uma empresa em um cenário típico atual e em um cenário com uso de Big
Data. (Loshin, 2013).............................................................................................................................24
Tabela 5 - Principais Benefícios do Big Data........................................................................................27
Tabela 6 - Ranking dos dez países com maior volume de vendas no varejo virtual, em bilhões de
dólares. (eMarketer, 2014)....................................................................................................................38
Tabela 7 - Perguntas e situações relevantes para a escolha do método de pesquisa. (Yin, 1988).........46
Tabela 8 - Entrevistados do Magazine Luiza........................................................................................48
Tabela 9 - Fatores relevantes para adoção das tecnologias de BI e Big Data........................................48
9
1. INTRODUÇÃO
O presente capítulo tem como objetivo apresentar a temática da pesquisa e sua
relevância, mostrando o cenário atual e apresentando a organização do estudo.
1.1. CONTEXTUALIZAÇÃO
Nos últimos anos, a temática do Big Data tornou-se progressivamente mais explorada
na literatura e nas empresas (BRYNJOLFSSON, 2012; ZICARI, 2013; DAVENPORT,
2014). A evolução tecnológica nas últimas décadas, particularmente dos meios de
comunicação como a internet, aumentou significativamente o volume de dados disponíveis
para empresas e setores, impactando o processo de tomada de decisão (BRYNKO, 2013). Por
exemplo, a cada minuto, 48 horas de vídeo são carregados no Youtube, o que representa um
grande potencial para negócios, em termos de conhecer o que as pessoas estão buscando
como entretenimento (SIMON, 2013). Diariamente, 10 terabytes de dados são criados no
Facebook (ZINCARI, 2012). Segundo o Gartner Research Group, por ano o volume de dados
criados cresce 59% (BRYNKO, 2013). Isso representa um grande desafio para as empresas,
no sentido do que fazer com tamanho volume de dados, e como transformar isso em melhores
decisões, em resultados melhores, seja em termos financeiros, seja em serviços prestados.
O Big Data permitiu também que as instituições lidassem com alto volume de
informação com agilidade. O progresso tecnológico trouxe uma velocidade de internet cada
vez maior, fazendo com que dados e informações fluíssem de forma cada vez mais ágil e
veloz (MAÇADA, 2014). Simon (2013) traz o exemplo do varejo. Segundo o autor, para que
uma empresa soubesse o caminho que um cliente percorreu até efetuar a compra numa loja,
era preciso realizar uma pesquisa com o consumidor. Com o e-commerce, a análise dos
cliques que um consumidor faz já consegue entregar informações interessantes para a
empresa, que pode realizar promoções específicas para esse consumidor, baseado no que ele
visualiza no site da empresa. É um tipo de ação que o Big Data permite que seja efetuada de
forma mais rápida do que no varejo físico e mesmo do que no varejo virtual sem ferramentas
analíticas mais sofisticadas. Outro exemplo abordado pelo autor é da indústria automotiva,
onde com a computação presente em um carro de passeio, é o possível o fabricante do veículo
10
Figura 1 - Evolução 2011-2015 da busca pelo termo 'Big Data' no Google (Google Trends, 2015)
receber a informação de que algo não está funcionando corretamente, e providenciar uma
solução antes do cliente perceber o defeito. Assim, o fabricante pode ser mais responsivo em
relação as providências.
As inovações que o Big Data traz para o ambiente corporativo tornou esse termo muito
popular nos últimos dez anos (DAVENPORT, 2013), sendo um jargão muito usado em
consultorias. Entretanto, o real valor que o Big Data é capaz de gerar em uma empresa ainda é
um desafio para a alta administração (STEVENS-HUFFMAN, 2013). Ainda assim, muitos
estão buscando trazer o Big Data para dentro das empresas. A Gartner Research Group
entrevistou 302 executivos em junho de 2014, e mostrou que 73% deles afirmaram que suas
organizações já investiram ou planejam investir em Big Data pelos próximos dois anos. O
aumento do interesse por Big Data também pode ser evidenciado usando a ferramenta Google
Trends, do Google, que permite visualizar a evolução da busca por um determinado termo ao
longo dos anos, bem como o volume de buscas por região geográfica. O gráfico abaixo
(figura 1) mostra essa evolução.
A curva é feita a partir do valor máximo atingido, que pontua 100, e o restante é
ponderado. Esse ponto máximo foi atingido em 2015. Isso representa uma oportunidade para
as empresas explorarem melhor o Big Data, e perceberem que as pessoas estão mais
interessadas no tema, assim como os concorrentes.
Outra estatística interessante é visualizar essa mesma busca por ‘big data’ em termos de
região, no Google, como mostra a figura 2.
11
Figura 2 - Países que mais buscam pelo termo 'big data' no Google. (Google Trends, 2015)
Figura 3 - Previsão da taxa de crescimento anual do mercado global de Big Data. (Statista, 2015)
Nesse gráfico, é possível perceber que, com exceção dos Estados Unidos, os países que
mais buscam pelo termo ‘big data’ se encontram na Ásia. Dessa forma, a Ásia é um grande
mercado para empresas explorarem práticas de Big Data para alavancar suas operações.
De acordo com o portal Statista (2015), a taxa de crescimento do mercado global de Big
Data anual superou os 50% entre 2012 e 2014, havendo uma previsão de queda do
crescimento até 2017. Ainda assim, afirma o estudo, o mercado é muito promissor, à medida
que se torna um mercado mais maduro. O gráfico a seguir (Figura 3) mostra essa previsão.
Outro dado complementar a isso é o divulgado pela plataforma open source Wikibon
(2014), que mostra o crescimento da receita, em bilhões de dólares, do mercado global de Big
12
Figura 5 - Busca pelo termo 'big data' por cidade brasileira. (Google Trends, 2015)
Figura 4 - Previsão de receita anual (em US$ bilhões) do mercado de Big Data global. (Wikibon, 2014)
Data, indicando que a taxa de crescimento reduz a partir de 2014, mas que o mercado é muito
promissor ainda. O gráfico mostrando essa evolução segue abaixo:
Retomando o uso do Google Trends, para olhar o caso do Brasil, pode-se dizer que
também há oportunidades nesse mercado. É explorar esse mercado sob essa ótica do Google
Trends, aproveitando o momento em que aumenta o número de buscas por esse termo,
podendo ser uma vantagem competitiva bastante significativa para as empresas que
pretendem explorar isso, ou já exploram. Olhando mais atentamente para o mercado
brasileiro, podemos identificar as cidades que mais buscam pelo termo ‘big data’:
13
Percebe-se que a maior concentração de cidades que buscam pelo termo ‘big data’ se
encontram no Sudeste e no Sul, tendo também o Distrito Federal como localidade que mais
procura pelo termo. Esse tipo de análise é interessante para conhecer melhor o mercado
nacional, identificando regiões carentes de negócios em Big Data. De acordo com a
consultoria IDC (2014), seria alcançado o investimento de US$ 426 milhões em Big Data
pelo mercado, ainda que o país enfrente importantes desafios como a carência de mão-de-obra
e a priorização de esforços em tecnologia móvel, como m-commerce, que é o comércio
eletrônico através do celular, no lugar do Big Data em si.
De acordo com a IDC (2016), a receita obtida pelo mercado com Big Data chegou a
US$ 122 bilhões em 2015, e a expectativa é que em 2019 esse valor chegue a US$ 187
bilhões, havendo uma taxa de crescimento anual de 23,8%. No Brasil, também de acordo com
a IDC, o mercado de Big Data irá movimentar US$ 811 milhões em 2016. O estudo também
destaca a dificuldade em encontrar mão-de-obra especializada no mercado brasileiro, mas
acredita que conforme o mercado amadurece, essa dificuldade tenderá a ser mitigada. Dentre
as indústrias que mais utilizam Big Data, de acordo com o estudo, destaca-se a de varejo,
tanto físico quanto virtual. O estudo também faz algumas previsões para o mercado brasileiro
para os próximos anos (entre 2014 e 2018), em relação aos direcionadores e as restrições de
mercado, mostrando o que possui alto impacto (A), médio (M) ou baixo impacto (B). Essas
previsões estão representadas na tabela abaixo:
Dessa forma, vê-se que existe uma sólida confiança no mercado de Big Data brasileiro,
com uma grande expectativa de crescimento, onde os desafios de mudança de processos, a
expansão da telefonia móvel, das redes sociais, o aumento da fidelização de clientes e a
criação de vantagem competitiva impulsionam fortemente esse mercado pelos próximos anos.
1"#"2"anos 3"#"4"anos 5º"anoO"grande"volume"de"dados"dificulda"os"processos"empresariais A A AExpansão"da"telefonia"móvel"e"das"redes"sociais A A AFidelização"de"clientes A A A A AltoVantagem"competitiva A A M M MédioDesconhecimento"sobre"como"fazer"uso"do"Big"Data A A M B BaixoROI"incerto A A MHabilidades"técnicas"com"Big"Data A M MComplexidade"do"projeto A M MRe
strições"do"
mercado
Direcionado
res"
de"m
ercado Legenda
Tabela 1 - Previsões para o mercado brasileiro de Big Data entre 2014 e 2018. (Frost & Sullivan, 2014)
14
Somado a isso, o conhecimento das empresas sobre aplicações de Big Data, a incerteza do
retorno do investimento, a dificuldade de encontrar mão-de-obra especializada e a dificuldade
de tradução das práticas de Big Data para projetos existentes são restrições a serem
trabalhadas por esse mercado.
O Big Data tem sido usado no varejo em diferentes formas. Na Rússia, alguns varejistas
obtêm insights interessantes com Big Data, como o Ozon.ru, que chegou à conclusão de que
as pessoas compram mais livros quando o inverno chega, através da análise de previsão de
demanda. Outro exemplo é o do Stage Stores, que utiliza o Big Data em sua precificação,
conseguindo otimizar seu lucro subindo e diminuindo os preços em épocas melhores do que
no tradicional final da estação. No Brasil, o Netshoes utiliza o Big Data para conhecer melhor
o cliente e proporcionar uma experiência melhor para ele, o que gerou um crescimento nos
negócios de 60% em 2015, e também um investimento nessa área 20% maior em 2016 do que
em 2015.
Em termos de acesso à internet, cabe destacar que no Brasil é algo em crescimento em
todas as faixar etárias, de acordo com o IBGE (2013). Isso representa um grande potencial de
consumo para o varejo virtual nacional.
Figura 6 - Acesso à internet por faixa etária. (IBGE, 2013)
15
1.2. OBJETIVO DO ESTUDO
A partir da análise da relevância do tema Big Data para o mercado global e brasileiro,
vê-se que se trata de uma tecnologia relativamente nova, em um mercado em expansão.
Considerando as especificidades da tecnologia e as mudanças organizacionais que ela pode
gerar, do ponto de vista acadêmico é necessário observar como as empresas veem
implementando soluções de Big Data como forma de vantagem competitiva. Um fértil campo
de estudo é o mercado de varejo virtual brasileiro, que conforme apontado pelo IDC (2014) e
pelo E-bit (2015), trata-se de um dos maiores utilizadores de Big Data no país.
Sendo assim, o objetivo geral do estudo é identificar oportunidades e barreiras para
implementação de Big Data no varejo virtual no Brasil.
Esse objetivo geral pode ser expandido em análises específicas, compreendendo como
objetivos intermediários: a definição de Big Data, que ainda é amplamente discutida pela
literatura, sem haver um consenso; o levantamento de oportunidades e barreiras
organizacionais para a implementação do Big Data, principalmente no que diz respeito a
relação com clientes; o entendimento de como o Big Data pode aumentar a satisfação do
cliente, gerar fidelidade e aumentar a receita; e a identificação dos principais fatores que
influenciam a experiência do cliente no varejo virtual.
Foi feito um estudo de caso da implementação de Big Data no Magazine Luiza, uma
empresa que está na vanguarda do uso de ferramentas de Big Data para conhecer melhor seu
cliente, potencializando sua fidelização e gerando retorno financeiro. A empresa criou uma
área específica para fazer estas análises, o que ilustra a importância que é dada para o Big
Data, como ferramenta de diferenciação e fonte de melhores resultados para a corporação.
1.3. ORGANIZAÇÃO DO ESTUDO
O primeiro capítulo desta dissertação apresentou a introdução, descrevendo a
importância do tema e os objetivos do estudo.
O próximo capítulo traz o referencial teórico utilizado. São apresentadas algumas
definições existentes na literatura para Big Data, que são confrontadas entre si, e apresenta-se
a definição utilizada para definir o termo Big Data no estudo. A seguir, apresenta-se as
16
oportunidades e barreiras para a implementação do Big Data nas empresas. É também traçado
o cenário do varejo virtual no Brasil e no mundo, mostrando a realidade e as perspectivas de
cada um.
A seguir, é apresentada a metodologia utilizada para este estudo. Inicia-se tratando das
questões de pesquisa. A partir disso, mostra-se o método de pesquisa utilizado, com os
procedimentos realizados de coleta e análise de dados.
Então, é descrito o caso em questão, mostrando um panorama histórico da empresa,
seguido da análise dos dados obtidos. As considerações finais descrevem as contribuições da
pesquisa, suas limitações e dão sugestões para pesquisas futuras.
17
Variedade' Velocidade'
Volume'
Big$$Data$Dados''
estruturados'
Estruturados'e'não'estruturados'
Pacote''de'dados'
Fluxo'con6nuo''de'dados'
Terabytes)Ze+abytes)
Figura 7 - Caracterização feita na IBM para os 3 V's de Big Data. (Zikopoulos, 2012)
2. REFERENCIAL TEÓRICO
Este capítulo descreve conceitos de Big Data, comparando-os e estabelecendo a
definição que servirá de base para a análise do caso. A partir da compreensão do termo,
analisa-se oportunidades para a adoção do Big Data, de forma a gerar receita, maior
fidelização de clientes, melhorar a experiência de consumo e também o processo de tomada
de decisão em uma empresa. Os desafios para implementação de Big Data são então
apresentados. Na continuação, discute-se o varejo online no Brasil e no mundo, conectado
com a literatura de Big Data, visando relacionar os conceitos.
2.1. DEFINIÇÃO DE BIG DATA
De acordo com Zikopoulos (2012), o termo Big Data se aplica a informações que não
podem ser processadas ou analisadas por métodos ou ferramentas tradicionais. Entretanto,
esse termo não significa que o conjunto de dados do passado era pequeno, ou que o único
desafio é a quantidade de dados. O autor destaca que um grande desafio é a geração de valor
através do trabalho de mineração desses dados. O autor afirma que as características mais
marcantes de Big Data são os chamados 3 V’s: Volume, Variedade e Velocidade. Ele trabalha
na IBM, e ajudou a implementar essa visão sobre Big Data internamente, de forma a facilitar
a compreensão pelos demais funcionários. Esta visão é ilustrada no gráfico abaixo:
18
Em termos de volume, passou-se a trabalhar com a ordem de zettabytes (1021
bytes), ao invés de terabytes (1012 bytes). Em relação à velocidade, o autor destaca que
passou-se a trabalhar com dados em tempo real, ao invés de pacotes de dados orientados
para a análise do passado. Em termos de variedade, o autor traduz isso como a evolução
do trabalho em cima de dados estruturados para a inclusão de dados não-estruturados no
processo, que são dados sem um padrão pré-definido, o que dificulta sua análise.
Exemplos disso são dados em formato de texto, que não entram em bancos de dados
numéricos, ou também a extração de dados de redes sociais, que contém texto, áudio,
vídeo e emojis (figuras que representam emoções). Essa multiplicidade de formatos
exige um trabalho de unificação e integração antes de entrar em uma base de dados.
É interessante perceber que há uma ampla gama de oportunidades que empresas
podem aproveitar para se comunicar melhor com um consumidor, ou atingir um
determinado segmento, como por exemplo aproveitando o fato de que há 51.000
downloads de aplicativos por minuto na Apple Store, de acordo com um relatório
divulgado pela Excelacom em 2016. Estudar o que as pessoas estão baixando pode ser
uma oportunidade interessante para antecipar tendências.
Outros autores concordam com essa abordagem, como Júnior e Maçada (2014),
que definem Big Data como sendo o contexto no qual os dados são volumosos e
desestruturados demais para serem gerenciados e analisados de maneira tradicional, o
que faz com que uma organização precise pensar em novas formas de processar e
analisar esses dados. Essa definição é corroborada por Brynko (2013), que define Big
Data como uma enorme quantidade de dados advindos de diferentes fontes, que chegam
na empresa. Outro autor que também segue essa linha é Mayer-Schönberger (2014),
afirmando que a ideia inicial de Big Data é que o volume de dados cresceu tanto que a
quantidade a ser examinada não pode ser armazenada na memória usada pelos
computadores para processá-los. Dessa forma, foi preciso criar ferramentas capazes de
fazer essa análise. O autor destaca que uma das principais ferramentas criadas foi o
Hadoop, um software open-source, criado dentro do Yahoo, capaz de analisar grandes
volumes de dados.
Diversos autores como Júnior e Maçada (2014) concordam com o uso dos 3 V’s
para definir as principais características de Big Data. Brynjolfsson e McAfee (2012)
19
destacam que a velocidade é mais importante e crítica do que a quantidade de dados em
si, pois a análise em tempo real pode tornar uma empresa mais ágil do que sua
concorrente. Eles exemplificam a questão da velocidade de análise de dados quando
foram usados os dados de localização de clientes da Macy’s através dos celulares, para
inferir quantas pessoas estavam no estacionamento das lojas na Black Friday (dia que
começa a temporada de vendas para o Natal no varejo dos Estados Unidos). Isso tornou
possível estimar a quantidade de vendas que seriam realizadas antes mesmo que a
Macy’s pudesse saber seu real desempenho de vendas. Esse tipo de visão gera uma
vantagem competitiva interessante para uma empresa, frente às práticas usuais do
mercado.
Na questão de variedade, Brynjolfsson e McAfee (2012) destacam que nem
sempre os dados chegam às empresas estruturados em um banco de dados, mas sim
manifestados em diversos formatos, como fotos, vídeos ou textos. Eles destacam que
através dos celulares, cada um de nós somos um gerador de dados ambulante, e que isso
será aproveitado cada vez mais pelas empresas, de forma a conhecer melhor seu cliente.
Ghazal (2013) compartilha do entendimento dos 3 V’s, afirmando que a
escalabilidade é necessária para compreender o contexto o qual o Big Data é inserido, e
que a extração, a transformação e o carregamento desse volume de dados (ETL –
Extraction, Transformation e Load) são essenciais para que haja uma velocidade ótima
para auxiliar a tomada de decisão, e que esses processos possam ser compatíveis com
dados estruturados e não-estruturados.
Grishikashvili (2014) destaca a definição de Big Data dada pela Tech American
Foundation (2004), que descreve grandes volumes de dados, com dados variáveis,
complexos e de alta velocidade, que requer o uso de técnicas e tecnologias avançadas,
de forma a permitir o armazenamento, a distribuição a administração e a análise desses
dados. O autor usa essa definição para mostrar os desafios que existem no marketing
digital, relacionados a Big Data, mostrando que o volume, a variedade e a velocidade
são fatores críticos para a tomada de decisão de sucesso de campanhas virtuais.
O setor de viagens, por exemplo, foi estudado por Davenport em 2013 para a
consultoria Amadeus. Se essa indústria quer incorporar o Big Data em sua rotina, ela
deve abraçar dados não-estruturados em uma gama de formatos, e que também estão em
20
Figura 8 - Aplicações dos 3 V's de Big Data. (Davenport, 2013)
um fluxo contínuo. Ela deve ser capaz de converter dados não-estruturados em um
formato que seja passível de análise contínua. Mais importante que isso, deve ser capaz
de tomar decisões em tempo real. O autor destaca que esses passos são dados pelas
empresas online dessa indústria, como buscadores de passagens, agências de viagens e
distribuidoras de informações. Outras empresas, como companhias aéreas e redes de
hotéis, estão atrasadas nesse processo, mas estão no processo de usar melhor grandes
quantidades de dados em sua estrutura interna.
Davenport (2013), assim como os autores destacados até aqui, também diz que a
definição primária de Big Data engloba a questão do grande volume de dados que não
são suportados pelos sistemas tradicionais de banco de dados, uma vez que estes foram
desenhados para receber dados em formato de linhas e colunas, o que não corresponde à
variedade de formatos que os dados podem ser apresentados atualmente. Para esse fim,
o autor também cita o Hadoop como uma solução viável para gerenciar esse tipo de
dado, e que vem sendo usado na indústria de viagens para a geração de informações
melhores sobre clientes, de forma a fazer oferta de pacotes de viagens mais
personalizados. Abaixo, o autor mostra aplicações para as três dimensões de Big Data (3
V’s), aplicadas no estudo de indústria de viagens, mas que podem ser extrapoladas para
outras indústrias.
21
Na Figura 8, o autor explica que Big Data requer uma infraestrutura dimensionada
para suportar um grande volume de dados, que serão analisados por softwares
complexos capazes de gerar resultados em cima desses dados. O hardware em si é de
certa forma comoditizado, uma vez que a oferta de equipamentos é similar entre si, com
processadores, hard drives, memórias e placas-mãe parecidas, capazes de trabalhar de
forma crescente continuamente ao longo do tempo (escalabilidade linear).
Na questão de velocidade, o autor destaca o uso de softwares inteligentes, de
forma a ter uma performance capaz de analisar dados rápido o suficiente para que a
tomada de decisão em tempo real possa ser feita, sem que a empresa perca o timing do
mercado. O autor cita o machine learning, que é o aprendizado automático de
determinados processos por uma máquina, para agilizar, por exemplo, uma determinada
análise de dados. Também cita o natural language processing, que é a capacidade de
uma máquina de compreender o que uma pessoa está tentando dizer. Por último, cita o
A/B testing para confronto entre dois formatos de exibição de dados, como por exemplo
dois sites, de forma a perceber qual deles tem melhor performance.
O autor mostra ainda a questão de grandes data lakes, que devem ser capazes de
lidar com um grande volume de dados, e também com dados variáveis (estruturados e
não-estruturados). Também devem ser capazes de lidar com um fluxo contínuo de
informações, que requerem um processo de tomada de decisão contínuo. Por último, o
autor mostra o dimensionamento da infraestrutura, que precisa ser distribuída
geograficamente e ser escalável de forma linear - qualquer acréscimo na entrada do
sistema de análise de dados, por exemplo, deve gerar uma saída proporcional.
Por fim, Chen e Chiang (2012) definem Big Data como sendo um conjunto de
técnicas analíticas em aplicações que são tão grandes e complexas que exigem
tecnologias avançadas para o armazenamento, administração, análise e visualização de
dados. Essa definição está em sintonia com o que foi apresentado até aqui, exceto pela
questão de classificar Big Data como um tipo de técnica analítica. Outros autores
buscam separar Big Data do universo de analytics tradicional. Um deles é Davenport
(2014), que elaborou, em seu livro Big Data at Work, uma tabela (Tabela 1) para
diferenciar ambos os conceitos.
22
Big Data e o Analytics tradicional
Big Data Analytics Tradicional
Tipos de dados Formato não estruturado Formatados em linhas e colunas
Volume de dados 100 terabytes até pentabytes Dezenas de terabytes ou menos
Fluxo de dados Fluxo constante de dados Pacote de dados estático
Método de análise A própria máquina faz uma análise (Machine Learning) Baseado em hipóteses (humano)
Objetivo primário Produtos baseados em dados Serviços e suporte às decisões internas
Tabela 2 - Diferenças entre Big Data e Analytics tradicional. (Davenport, 2014)
Primeiramente, o autor compara os tipos de dados utilizados no analytics
tradicional, e no Big Data, onde no primeiro, os dados eram dispostos em linhas e
colunas, enquanto no segundo não necessariamente, podendo incluir não-estruturados.
A seguir, ele compara o volume de dados de cada um, indo até algumas dezenas de
terabytes no analytics tradicional, e chegando a petabytes (105 bytes) no Big Data. Ele
também mostra que no Big Data, o fluxo de dados é contínuo, enquanto no analytics
trabalha-se com pacote de dados, ou seja, com dados estáticos. Aqui o autor retoma a
questão de machine learning para classificar Big Data. Por último, o objetivo primário
de Big Data seria a geração de produtos baseado em dados, enquanto no analytics
tradicional seria o suporte às decisões internas. Schmarzo (2013) fez um comparativo
(Tabela 2) semelhante entre a tomada de decisão hoje e a tomada de decisão resultante
do Big Data.
23
Tomada de Decisão Atual Tomada de Decisão em Big Data
Visão pelo “espelho retrovisor” Recomendações preditivas
Menos de 10% dos dados disponíveis Aproveita o máximo de dados, de diversas
fontes
Pacote fechado, incompleto, desarticulado Tempo real, correlacionada, gerida
Monitoramento dos negócios Otimização dos negócios
Tabela 3 - Tomada de decisão hoje, em comparação com o potencial de Big Data. (Schmarzo, 2013)
O autor compara o processo de tomada de decisão atual como olhar pelo espelho
retrovisor, ou seja, uma visão do que já aconteceu. Entretanto, através do Big Data, é
possível enxergar além do presente, de forma preditiva. Além disso, o processo atual
utiliza menos de 10% dos dados disponíveis, enquanto o uso de Big Data permite a
absorção de um volume maior, de diversas fontes. O Big Data faz uso de dados em
tempo real, enquanto o processo atual faz uso de dados em pacote e incompletos. O
objetivo da análise atual é monitorar o negócio, enquanto o objetivo da tomada de
decisão em Big Data é otimizar o negócio. Seguindo essa linha, Loshin (2013), em seu
livro Big Data Analytics, faz um comparativo de capacidades em um cenário atual
típico, e em um cenário com uso de Big Data (Tabela 3).
24
Capacidades Cenário típico Big Data
Desenvolvimento
de aplicativo
Aplicações que têm a vantagem da estrutura montada por desenvolvedores especializados habilidosos, em um computador de alta performance, com máxima eficiência e extensa linha de programação.
Execução de uma aplicação simplificada de um modelo, que engloba um sistema de distribuição de arquivos, com um modelo de programação, base de dados distribuída, e um cronograma de programa armazenado no Hadoop, um programa open source para computação confiável, escalável e distribuível.
Plataforma
Utiliza computadores muito caros, com alta capacidade de processamento, através de redes de alta capacidade, em dispositivos complexos.
Métodos inovadores para criar plataformas virtuais escaláveis e elásticas, tendo como vantagem o uso de clusters de componentes de hardware (como o uso de processamento na nuvem), associado a ferramentas e tecnologia open source.
Gestão de Dados
Limitada a bases de dados baseadas em arquivos ou em sistemas relacionais (RDBMS), utilizando o padrão de linhas e colunas.
Modelos alternativos para o gerenciamento de dados (como NoSQL, ou ‘Not Only SQL’, que provêm uma variedade de métodos para a gestão da informação que melhor se adapta às necessidades do negócio, como gestão de dados in-memory e grafos (usados para analytics em redes sociais).
Recursos Requer um grande investimento para a compra de hardware para ser gerido dentro da empresa.
A habilidade de utilizar sistemas como o Hadoop em plataformas virtuais permite que pequenas e médias empresas utilizem ambientes baseados na nuvem, que desde o ponto de vista de custo praticidade, são mais fáveis de serem utilizados.
Tabela 4 - Capacidades de uma empresa em um cenário típico atual e em um cenário com uso de Big Data. (Loshin, 2013)
O autor destaca quatro capacidades de uma empresa: desenvolvimento de
aplicativos, plataforma, gestão de dados e recursos. Na primeira, o autor afirma que em
um cenário típico atual, o desenvolvimento de aplicativos se dá em modelos complexos
de computação, executados por profissionais especializados. Já em um cenário de Big
Data, esse desenvolvimento pode se dar de forma mais simples, usando a plataforma
open source do Hadoop, obtendo uma computação de grande escalabilidade, confiança
e distribuição. Na segunda, o autor diz que em um cenário típico, usa-se uma plataforma
com uma computação muito cara, que necessita de uma rede de internet complexa. Já no
Big Data, aplica-se métodos inovadores de criar plataformas virtuais, utilizando
hardware comoditizado (servidores próprios ou alugados na nuvem) e softwares open
source, que são mais baratos. Na terceira, o cenário atual limita a gestão de dados a
arquivos ou sistemas de gestão de banco de dados relacionais, usando linhas e colunas.
25
Já no Big Data há outras ferramentas mais flexíveis, que podem ser adaptadas para
necessidades específicas de negócio. Na quarta e última, atualmente é necessário um
grande investimento na compra de hardwares caros, para serem instalados internamente
na empresa. Já no Big Data, o uso de sistemas como o Hadoop ou outras plataformas
virtuais permitem que empresas de pequeno e médio porte façam uso de ambientes na
nuvem capazes de representar uma considerável economia de custo, com uma interface
mais intuitiva.
O uso de plataformas open source e armazenamento de dados na nuvem,
conforme descrito na tabela de Loshin, é um importante aspecto relacionado ao Big
Data, pois se trata de algo que pode ser externo à organização (Davenport, 2014). Nesse
sentido, o uso de estruturas como servidores na nuvem e softwares personalizáveis
online ultrapassam os limites da empresa. Isso faz parte do conceito de Big Data, em
termos de velocidade do tratamento de dados, já que softwares fechados e servidores
internos muitas vezes não desempenham tão bem quanto os virtuais. Também está
relacionado com a facilidade de integração de novos dados e a visualização dos mesmos
(Davenport, 2014), já que sistemas fechados não permitem que uma customização seja
feita para permitir a entrada de diferentes tipos de dados e diferentes tipos de
visualização de dados. Ainda de acordo com o autor, esse tipo de experimentação de
dados faz parte do universo de Big Data e das possibilidades que ele traz para uma
organização, ao se trabalhar com dados não estruturados. Minneli (2013) também
aborda essa questão de supressão dos limites organizacionais com o uso de Big Data, ao
definir como parte desse contexto a interdependência de empresas, na colaboração entre
si com o uso de plataformas open source, de uso coletivo, para o desenvolvimento de
melhores soluções para clientes.
Além dos 3 V’s já discutidos, vê-se que são incluídos o V de valor, que representa
o quanto um projeto de Big Data pode gerar de receita financeira, ou redução de custos
operacionais, e o V de veracidade, que diz respeito à confiabilidade dos dados captados,
analisados e armazenados na empresa (Lajara, 2013). Nessa linha, Loshin (2013)
expande o conceito de Big Data, para tratar da questão da geração de valor através dele,
utilizando um gráfico (Figura 9) para representar isso.
26
Big$Data$
Técnias(inovadoras(
Custo(o0mizado(
Maiores(volumes(de(
dados(
Aumento(das(necessidades(
de(computação(
Aumento(da(necessidade(de(análise(de(
dados(
Menor(barreira(de(entrada(e(de(sucesso(
Figura 9 - Definição de Big Data expandida. (Loshin, 2013)
O autor define Big Data como uma ferramenta de otimização de custos, inovações
técnicas, redução das barreiras de entrada e de sucesso, de aumento da necessidade
analítica, do aumento da necessidade computacional e do volume gerado. Esse conjunto,
segundo o autor, é capaz de gerar valor para a organização, ao aplicar a inovação e a
otimização de custos para gerar melhores resultados.
Com essa gama de definições e visões sobre Big Data, optou-se por seguir o
conceito estabelecido por Davenport (2014), que traduz Big Data como uma ferramenta
a ser estudada sob o ponto de vista do valor que é capaz de gerar para as empresas, dada
a complexidade dos dados que se trabalha, a velocidade com que fluem e o volume
crescente com que eles atingem uma organização. Dessa forma, o próximo passo é
entender melhor as oportunidades e barreiras enfrentadas por uma organização nesse
contexto.
2.2. OPORTUNIDADES DO BIG DATA PARA OS NEGÓCIOS
Não é novidade que dados podem gerar informações valiosas para uma empresa.
Dados podem, por exemplo, permitir a precificação exata de um determinado bem ou
serviço, o que é um importante indicativo do quanto deverá ser produzido para que uma
empresa obtenha o lucro desejado. Ainda assim, eles ainda são vistos como algo
complementar às atividades principais de uma empresa, ou pertencentes a determinadas
27
áreas, como TI. Na era do Big Data, dados precisam ser entendidos como ativos
estratégicos para as organizações, valiosos para a corporação como um todo e não
restritos a alguns departamentos (MAYER-SCHÖNBERGER, 2013)
Os principais benefícios potenciais do Big Dara para a gestão são: (1) redução dos
custos e aumento das receitas; (2) aumento da eficiência operacional; (3) melhoria na
tomada de decisão; (4) melhoria de produtos e serviços já existentes; e (5) melhoria nos
processos de inovação e de desenvolvimento de novos produtos e mercados. Uma
síntese dos principais benefícios citados na literatura é apresentada na Tabela 4.
Benefícios
Autores
Aumento da eficiência
operacional e melhor
desempenho financeiro
Melhora na tomada de
decisão
Inovação incremental em
produtos e serviços já
existentes, e aumento da lealdade dos
clientes
Inovação disruptiva de
produtos, serviços e
modelos de negócios
Bloem et. al. (2012) x Davenport (2014) x x x x Leeflang, Verhoeff et. al. (2014) x x McAfee e Brynjolfsson (2012) x x x Minelli et. al. (2013) x x Novo e Neves (2013) x x x
Ohlhorst (2013) x Silva & Campos (2014) x x
Tankard (2012) x x x
Ularu, Puican et. al. (2012) x x Yan (2013) x
Tabela 5 - Principais Benefícios do Big Data
Davenport (2013) mostra um exemplo de economia de custo realizada através do
Big Data. A UPS, nos últimos anos, passou a rastrear os dados de seus veículos, através
de sensores instalados. Esses dados, que incluem velocidade, frenagem, performance e
direção, são observados não só pela área de logística, mas na área estratégica da
empresa, em uma iniciativa denominada ORION (On-road Integrated Optimization and
Navigation). Esse projeto levou, em 2011, a uma economia de mais de 8,4 milhões de
galões de combustível nas rotas diárias, economizando 85 milhões de milhas
diariamente, o que para cada motorista representa uma economia de 30 milhões de
28
Figura 10 - Diferenças entre uso de Big Data e Data Warehouse, em termos financeiros. (Davenport, 2013)
dólares. Sendo assim, representa uma economia significativa de gastos desnecessários,
alcançada com o uso de Big Data.
Outro exemplo que o autor dá é o da GE, que estima redução de 1% do consumo
de combustível de aeronaves, como resultado de uma análise feita através de Big Data,
gerando uma economia de custos de 30 bilhões de dólares pela indústria aérea pelos
próximos 15 anos.
Shmarzo (2013) analisou como Big Data pode ser usado para a geração de receita
em uma empresa de mídia digital. O autor mostra que análises dos visitantes, da
estrutura (ou propriedades) dos sites, das atividades realizadas no sites e das campanhas
realizadas em ambiente virtual permitem gerar receitas através de Big Data.
Nas áreas de saúde, serviços governamentais, varejo e manufatura, o uso de Big
Data pode aumentar a produtividade de 0,5 a 1% anualmente. Isso é capaz de
potencializar as receitas dessas indústrias consideravelmente (BROWN, 2011)
Davenport (2013) mostrou um estudo realizado pelo International Institute
Analytics que mostra o retorno sobre o investimento através do uso de Big Data e do
Data Warehouse. Ele mostra que as soluções em Big Data para MPP (Massively-
parallel hardware – estruturas físicas distribuídas, que aceleram a performance de
processamento de dados) aumentam muito o fluxo de caixa, em relação ao Data
Warehouse, pelo ganho de velocidade em processamento e análise de dados, gerando
resultados mais rapidamente e de forma mais precisa.
29
Percebe-se que o retorno do investimento é mais rápido com o uso de Big Data, ao
mesmo tempo em que a taxa de retorno interna do investimento, o valor presente líquido
e fluxo de caixa acumulado em 3 anos aumentam, mostrando o potencial financeiro do
uso do Big Data.
Stevens-Huffman (2013) destaca que as práticas de Big Data em um ambiente
fabril podem gerar reduções de custo consideráveis para uma empresa. O autor afirma
que o acompanhamento em tempo real de um produto através do uso de RFID ajudam
distribuidores a fazer com que os produtos mais antigos guardados no estoque saiam
primeiro, antes dos mais novos. Além disso, o Big Data permite identificar de forma
mais precisa possíveis envios realizados de forma incorreta. Ambas essas soluções
representam uma considerável redução de custos para a empresa, potencializando a
receita líquida final.
Além das oportunidades relacionadas a aumento de receitas e redução de custos
apresentadas, é possível também aplicar Big Data visando desenvolver a fidelização de
clientes. Brown (2011) afirma que as empresas voltadas ao cliente tradicionalmente
usam dados para segmentar seus clientes. Entretanto, pelo fato do Big Data ser capaz de
fazer análises em tempo real, ao contrário da análise por lotes do analytics tradicional, a
capacidade de personalizar o atendimento da empresa aumenta muito. A futura geração
de varejistas será capaz de acompanhar o comportamento individual de um cliente
através dos cliques que ele dá na internet, entendendo mais rapidamente suas
preferências e prevendo suas tendências de consumo em tempo real. Essa segmentação
em tempo real permite que a empresa tome decisões e faça promoções mais específicas
para cada cliente, potencializando o nível de satisfação que ele terá. Isso fará com que a
empresa expanda sua base de clientes fiéis (DICKENSON, 2013).
Davenport (2013) defende que a empresa precisa compartilhar com seus clientes
as informações que ela detém dele, e o quanto ela sabe o que ele faz online. Esse
compartilhamento permite que o cliente possa decidir o quanto ele quer que a empresa
saiba sobre ele. Essa transparência na relação entre a empresa e o cliente também faz
com que o cliente tenha mais confiança na empresa, auxiliando em sua fidelização.
Sobre essa questão de confiança, Lee (2011) afirma que a confiança é o principal
fator no ambiente online de compras. Quando o cliente confia pouco no site de compras
30
online em que ele está, ele não irá interagir muito com ele, e não irá levar em conta as
propagandas que aparecem no site. Entretanto, quando ele confia num site de varejo
virtual, por exemplo, ele tende a se envolver mais com ele, acreditando mais nos
anúncios e desenvolvendo uma fidelidade de compra com ele.
Brynko (2013), ao falar sobre programas de lealdade no varejo, destaca que a
grande vantagem da análise em tempo real que o Big Data permite é a possibilidade de
manutenção da vantagem competitiva pelas empresas. Isso porque essa análise permite
que as empresas possam realizar promoções direcionadas a seus clientes mais fiéis de
forma rápida, conforme análise do seu perfil de consumo dele e daquilo que ele está
buscando. Isso é capaz de surpreender positivamente o cliente, e fazer com que ele seja
ainda mais fiel, ou fiel por mais tempo.
Stevens-Huffman (2013) aborda essa questão da fidelização de clientes através de
uma prática crescente no varejo de utilizar a tecnologia móvel em benefício tanto da
empresa quanto do cliente. O autor afirma que algumas empresas criaram a
possibilidade de criar listas de compras no celular, e, com esses dados, criar promoções
específicas para os clientes que estão a caminho da loja para comprar, como em um
supermercado. Com isso, essa facilidade e benefício tendem a satisfazer mais o cliente,
que chega na prateleira do supermercado e automaticamente a lista dele no celular
atualiza quando ele coloca o item em seu carrinho de compras. Isso tende a ter um forte
impacto positivo na fidelização desse consumidor com esse varejista.
Simon (2013) utiliza o exemplo de uma potencial cliente, em um supermercado,
que está em busca de um biscoito. Ela olha uma marca, especificamente para suas
informações nutricionais, e decide comprar outro biscoito. Através do Big Data,
comparando perfis e decisões de comprar de vários clientes, seria possível saber que
informações desmotivaram a compra do biscoito, permitindo ajuste no produto. O
mesmo é aplicável ao ambiente virtual, onde os dados de navegação de um cliente pelo
site de uma empresa podem gerar informações que permitam a empresa satisfazer o
desejo do consumidor a ponto de fazer com que ele passe a ser mais fiel à essa empresa.
Uma outra oportunidade para o uso de Big Data está na melhoria da experiência
de compra no varejo online. Hashem (2014) mostra dois exemplos interessantes sobre
como o Big Data melhora a experiência do usuário. O primeiro é através de uma
31
ferramenta chamada GoogleQuery, capaz de analisar grandes volumes de dados, que
possibilitou à agencia de viagens RedBus minimizar o tempo para solucionar
problemas, otimizando o atendimento ao consumidor e melhorando sua satisfação.
Outro exemplo é o de um varejista virtual chamado Alacer, que através de uma solução
baseada na nuvem, conseguiu gerar em tempo real notificações de problemas de
usuários, melhorando o tempo de resposta de horas para segundos. Isso aumentou muito
a satisfação do consumidor com o site. Spiess (2014) destaca que o grande volume de
dados produzidos deve ser utilizado por uma empresa com o cuidado de filtrar o que
realmente é útil para que a experiência e usabilidade em um site seja a melhor possível,
de forma a reter esse consumidor. Para isso, ferramentas de Big Data como o Hadoop e
Cassandra funcionam como boas tecnologias para gerir esse volume e auxiliar na
gestão.
Felipe (2013) trata dos fatores determinantes para a adoção do comércio
eletrônico, que impactam diretamente na experiência de consumo a ser vivenciada com
a interação nesse meio. De acordo com o autor, há cinco fatores principais:
• Utilitarismo: A utilidade percebida ao fazer uso da internet como meio de
compras, em termos de praticidade. Envolve a busca pelo melhor preço,
pelo que é possível encontrar e a economia de tempo proporcionada pelo
meio;
• Hedonismo: a busca pelo prazer em comprar online é um fator a ser levado
em consideração. A sensação de usufruir de tal tecnologia, e o senso de
pertencimento a uma comunidade cada vez mais digital desperta a vontade
de comprar online;
• Aspectos sociais: a possibilidade de interagir com outras pessoas, com
interesses comuns, e o desejo de assumir um determinado status desperta a
vontade de comprar no ambiente virtual. Sendo assim, a facilidade pela
busca de informações de outros usuários torna essa experiência melhor
para a pessoa, que passa a ter mais confiança na hora de tomar a decisão
de efetuar a compra;
• Aspectos situacionais: situações como pressão do tempo, localização
geográfica da loja física desfavorável, ausência de meio de transporte ou a
32
busca por um produto especial encontrado apenas online favorecem a
compra em ambiente virtual.
• Confiabilidade: Envolve o nível de confiança, como acreditar que a
mercadoria de fato irá chegar, e o nível de risco assumido pelo consumidor
ao optar por comprar no ambiente virtual.
Blasco-Arcas (2013) destaca ainda que é fundamental para a experiência de
compra virtual a co-criação, entre o consumidor, outros consumidores e a empresa.
Quando há interação entre esses agentes, a experiência de consumo tende a ser melhor,
dado que uma necessidade é mais facilmente atendida quando a empresa consegue
entender precisamente o que o consumidor está buscando, através da comunicação com
ele. Quando é permitido que uma oferta seja personalizada para o consumidor, este
tende a fazer melhor proveito de sua experiência virtual, podendo influenciar seu padrão
de consumo futuro.
Insley (2013) afirma que uma boa experiência de compra no ambiente virtual,
para o consumidor, precisa ir além da precificação e da inovação nos produtos, sendo
necessário investir na entrega de algo diferente para o consumidor, como uma
experiência sensorial no site. A autora usa o exemplo da indústria da moda, que precisa
transmitir no ambiente virtual, uma experiência a mais próxima possível das sensações
que podem haver na loja física, ou seja, o site precisa ser bastante interativo e
visualmente/funcionalmente atraente para que a experiência do consumidor seja boa o
suficiente para fazer valer a pena a compra virtual. A autora cita que jogos na loja
online podem favorecer a experiência de compra a um nível onde o cliente sinta vontade
de continuar comprando posteriormente.
Su (2006) também destaca a importância dos aspectos estéticos do ambiente
virtual que favorecem a experiência do cliente. Um site de compras, destaca o autor,
precisa preencher alguns requisitos para que essa experiência seja positiva, como a
facilidade de navegação no site, a velocidade de processamento de dados, a segurança, a
exclusividade da oferta, a facilidade de realizar o pedido e o design da página.
Big data, pela análise do comportamento do cliente online, pode colaborar para a
melhoria da experiência do cliente no varejo online (HASHEN, 2014; SPIESS, 2014).
33
Uma outra oportunidade que o Big Data pode trazer para as organizações está na
melhoria do processo decisório.
Davenport (2013) destaca que o acesso aos dados é um dos primeiros passos que
devem ser dados para que uma decisão possa ser tomada. Nesse sentido, a dificuldade
em encontrar dados pode significar que o caminho que está sendo seguido pode ser
arriscado demais (Maçada, 2014).
Provost (2013) destaca o ganho de performance com o uso de Big Data na tomada
de decisão, em comparação a um método puramente intuitivo. Estatisticamente, a
tomada de decisão em cima de um grande volume de dados analisados pode gerar um
aumento da produtividade de 4 a 6%, para cada valor acima do desvio-padrão da escala
de DDD (Data-driven Decision). O autor destaca que uma decisão é mais sólida quando
tomada em cima da análise de dados comportamentais de como um consumidor reage a
cada tipo de anúncio, em comparação a uma decisão tomada unicamente em cima da
experiência do gestor. O autor afirma que no varejo, decisões de merchandising tendem
a ser automatizadas, através de um sistema de análise de dados de Big Data, e isso gera
melhores resultados para a empresa do que decisões baseadas em comportamentos
passados.
2.3. BARREIRAS PARA A IMPLEMENTAÇÃO DE BIG DATA
2.3.1. Desafios para Adoção e Uso de Big Data
Como qualquer tecnologia inserida no contexto organizacional, a implementação e
uso de Big Data passar por desafios, até hoje ainda não adequadamente explorados na
literatura acadêmica. Como se trata de um conjunto de tecnologias recente, recorreu-se à
literatura não somente dos aspectos gerenciais de Big Data, mas também de de sistemas
de informação, sobretudo de BI. Esta opção se deu, primeiro, porque tal qual os
sistemas de BI, as tecnologias associadas ao Big Data objetivam a melhora do processo
de tomada de decisões, por meio da captura de informações e análise de dados
(DAVENPORT, 2006; YEOH & KORONIUS, 2010). Segundo, porque Big Data tem
sob sua égide muitas tecnologias, métodos e conceitos de análise que não são novos,
dentre eles a maioria dos sistemas tradicionais de BI e Data Mining (CHEN, CHIANG,
& STOREY, 2012; OHLHORST, 2013). Terceiro, porque a literatura já apontou que
34
alguns fatores de sucesso para Big Data e projetos de análise de dados são similares
àqueles de implementações de sistemas de BI (DAVENPORT, 2014).
De acordo com Brynjolfsson (2012), na ausência de tecnologias capazes de
otimizar o processo decisório, a intuição humana deve prevalecer. Entretanto, deve-se
otimizar o gerenciamento de informações para que os dados possam ser capazes de
auxiliar os tomadores de decisões.
Assim, parte-se da ideia de que algumas barreiras para adoção de Big Data são
similares àqueles de implementações de sistemas de BI. Assim, apresentaremos alguns
dos fatores relevantes na adoção de BI, sem a pretensão, entretanto, de compor uma lista
exaustiva, por ser um estudo exploratório. Alguns fatores que a literatura já aponta
como relevantes para adoção de Big Data são também apresentados a seguir.
2.3.2. Fatores Relacionados à Estratégia, Processos e Liderança
A adoção de um sistema de Big Data pode evoluir em direções imprevisíveis
(YEOH & KORONIUS, 2010). É necessário que a estratégia de adoção do Big Data
esteja conectada a estratégia organizacional, o que permite decidir quais recursos
analíticos são necessários e como eles devem ser aplicados (NOVO & NEVES, 2013).
É preciso definir prioridades e problemas a serem resolvidos, além de roteiros
mensuráveis (MINELLI, CHAMBERS & DHIRAJ, 2013).
O envolvimento da alta gestão é importante na implantação devido ao apoio e a
anuência dos executivos para endossar o Big Data, a tomada de decisão baseada em
analytics e a identificação dos maiores clientes de análises de dados (NOVO & NEVES,
2013). Também torna mais fácil o acesso aos recursos operacionais necessários, tais
como financiamento e habilidades profissionais, além de ser importante na superação de
barreiras à mudança e na reformulação de paradigmas (YEOH & KORONIUS, 2010).
Um dos traços-chave de liderança para Big Data parece ser a vontade de
patrocinar atividade experimental com dados em grande escala. Os cientistas de dados
devem ter um canal aberto de comunicação com a alta direção, para eliminar as
barreiras à adoção de ideias e ofertas inovadoras (DAVENPORT, 2014).
35
O propósito primário dos sistemas de BI é a integração dos silos de dados por
meio do alinhamento entre os processos de negócios com os processos do sistema. Um
dos desafios enfrentados na adoção do Big Data é o compartilhamento de informação
(YEOH & KORONIUS, 2010; OHLHORST, 2013; NOVO & NEVES, 2013). Cada
agência ou departamento normalmente tem o seu próprio armazém de dados e reluta
muito em compartilha-lo (KIM, TRIMI & CHUNG, 2014).
Algumas mudanças culturais são também reportadas como necessárias para
facilitar a adoção: maior atratividade pelos dados e insights, maior cuidado com os
modelos de análise, que passam a ser considerados propriedade intelectual, e a
orientação para tomada de decisão com base nos dados (SCHMARZO, 2013).
Além disso, leva tempo para mudar a cultura de modo que haja maior confiança
na análise de dados, sobretudo porque o Big Data força os funcionários a lidar com
novas fontes de dados e novos processos. Logo, as organizações devem esperar alguma
resistência de seus empregados (BURTON, MASTRANGELO & SALVADOR, 2014).
2.3.3. Fatores Relacionados aos Recursos Humanos
Um desafio que Big Data pode impor às organizações é a falta de profissionais com
as habilidades e conhecimentos necessários para lidar com a análise dos dados, o que
Leeflang et al. (2014) definiram como talent gap. Várias soluções têm sido propostas
para isto, como o investimento na educação formal e a formação interior de talentos.
Reter estes talentos também é um desafio, mediante a demanda do mercado
(DAVENPORT, 2014).
Uma outra alternativa para solucionar a necessidade de talentos é montar uma
equipe cujos funcionários tenham habilidades complementares (YEOH & KORONIUS,
2010). Tão importante quanto contratar os integrantes da equipe é a necessidade de
identificar um gerente de projeto e especificar papéis e responsabilidades de cada
membro (DAVENPORT, 2014).
36
2.3.4. Fatores Relevantes Relacionados à Gestão da Implementação
A comunicação vem se mostrando sempre um fator relevante em projetos desta
natureza. Isto inclui desde o ato de promover formalmente as equipes de projeto até a
comunicação do andamento do projeto para o resto da organização. Ela facilita a
melhor compreensão do escopo do projeto (SUMNER, 1999), a melhor educação sobre
os novos processos de negócios, a cooperação entre diversos departamentos (SOMERS,
NELSON & RAGOWSKY, 2001) e a resolução de conflitos.
A possibilidade de correção de erros de versões iniciais e a resolução de conflitos
foram aspectos considerados críticos na implementação de diversos sistemas de
informação (BINGI, SHARMA & GODLA, 1999; ANSARINEJAD ET AL., 2011).
Também no caso do Big Data, esse aspecto é relevante para sua implementação.
Tecnicamente, um projeto de tecnologia da informação pode ser desenvolvido e
implementado por diversos métodos, dentre os quais se destacam o método ágil e o
método tradicional. Embora sua classificação como relevante para a adoção de
tecnologias da informação anteriores ao Big Data tenha sido questionada
(ANSARINEJAD ET AL., 2011), este não parece ser o caso quando o assunto é Big
Data. Como os requisitos de negócios podem mudar à medida que se tenha avanços,
metodologias de desenvolvimento ágeis se ajustam melhor às grandes aplicações
analíticas de dados quando comparadas às abordagens convencionais (BORKOVICH &
MORRIS, 2011). Em outras palavras, projetos de Big Data são mais adequados para um
processo de desenvolvimento ágil e interativo, pois os ciclos de tempo curtos, com
resultados rápidos e envolvimento constante do usuário, entregando gradativamente
uma solução de negócios. Um método de gestão da implementação tradicional não
permitiria um número suficiente de iterações.
37
2.3.5. Fatores Relacionados à Ética e Privacidade
Big Data levanta questões preocupantes para a ética, como, por exemplo, quais
dados podem ser utilizados em uma análise (GEORGE, HASS & PENTLAND, 2014).
Faz-se necessário discutir quando e quais dados podem ser considerados como parte da
estratégia de Big Data, tendo em vista que a dificuldade de garantir a segurança e
privacidade de dados pode inviabilizar projetos (WIGAN & CLARKE, 2013). É
essencial um questionamento ético constante não só sobre o uso, mas também sobre a
coleta, o armazenamento e controle de acesso a esses dados (SIMON, 2013).
Privacidade está entre as principais preocupações para Big Data. Refere-se a
informações pessoalmente identificáveis, isto é, informações que podem ser usadas para
identificar um indivíduo. A questão do anonimato vem suscitando muitas discussões.
Minelli, Chambers e Dhiraj (2013) acredita que os dados recolhidos para um fim
específico podem ser transformados em anônimos e depois utilizados para outros fins,
como a identificação de padrões coletivos. O desafio é que quanto mais anônimos forem
os dados, menor a utilidade.
2.4. O VAREJO VIRTUAL E O USO DE BIG DATA
Olhando para outras economias além da norte-americana, o eMarketer criou um
ranking em 2014 dos 10 maiores países em vendas no varejo online. Em primeiro lugar
ficou a China, com um impressionante crescimento em vendas, e uma previsão bastante
otimista até 2018. Em décimo lugar ficou o Brasil, com um crescimento interessante em
2013 e 2014, mas que vai diminuindo até 2018, segundo a previsão dessa empresa. A
Tabela 5 mostra o ranking por país.
Além disso, o eMarketer fez um estudo das vendas do varejo online no mundo
como um todo (Figura 11), mostrando as vendas em trilhões de dólares, o percentual de
crescimento dessas vendas em relação ao ano anterior (curva em vermelho) e também
da comparação das vendas no varejo virtual em relação ao varejo como um todo,
mostrando que há uma tendência de crescimento da participação do varejo virtual.
38
Tabela 6 - Ranking dos dez países com maior volume de vendas no varejo virtual, em bilhões de dólares. (eMarketer, 2014)
Figura 11 - Previsão do volume de vendas no varejo online global até 2018, com o percentual de crescimento e a participacão do varejo virtual em relação ao varejo total. (eMarketer, 2014)
Olhando para o Brasil, o eBit realiza um estudo anual sobre os números da
economia brasileira no varejo virtual, revelando o tamanho desse mercado e as
tendências para os próximos anos. No primeiro semestre de 2015, foi divulgado seu
39
Figura 12 - Volume de vendas, em bilhões de reais, do varejo virtual no Brasil, com a variação do crescimento em relação ao ano anterior. (eBit, 2015)
Figura 13 - Quantidade, em milhões, de pedidos realizados no varejo virtual no Brasil, com a variação de um ano para outro. (eBit, 2015)
relatório Webshoppers, que contém essas informações. Na Figura 12, mostra-se o
volume de vendas no varejo online no país, de 2011 a 2015.
Além disso, o eBit também divulgou nesse relatório a evolução da quantidade de
pedidos realizados no varejo virtual (Figura 13), mostrando que é um mercado em
expansão. Mostra também a variação de um ano para outro desse crescimento.
Por último, o relatório mostra o gasto médio realizado pelos consumidores no
varejo virtual brasileiro (Figura 14), em reais, mostrando que em 2013 houve queda de
40
2,0%
2,2%
2,4%
2,6%
2,8%
3,0%
3,2%
3,4%
3,6%
2014 2015 2016* 2017* 2018* 2019*
Perc
entua
l de
vend
as n
o e-
com
mer
ce
Figura 14 - Gasto médio no varejo virtual pelos brasileiros, em reais, com a curva de variação em relação ao ano anterior. (eBit, 2015)
Figura 15 - Proporção do varejo virtual em relação ao total de vendas do varejo brasileiro. (Li & Fung Group, 2015)
preço dos bens, mas que a partir de 2014 os consumidores passaram a gastar mais em
bens e serviços no varejo virtual.
O desempenho do e-commerce brasileiro vem crescendo continuamente, e o
gráfico a seguir (Figura 15) mostra o crescimento da participação do varejo virtual em
relação ao total do varejo nacional, em relação ao volume de vendas. Os anos de 2016 a
2019 são previsões.
41
694,8
839,8
994,5
1.155,7
1.328
1.506
0
200
400
600
800
1000
1200
1400
1600
2013 2014 2015* 2016* 2017* 2018*
Vend
as e
m b
ilhõe
s de
dól
ares
Figura 17 - Volume de vendas em bilhões de dólares no e-commerce global. (Euromonitor, 2014)
Esse crescimento também pode ser visto ao analisar o volume de consumidores
que comprar no ambiente virtual. A eMarketer fez um estudo com uma previsão de
compradores até 2019 (Figura 16), reforçando o potencial desse ambiente para o varejo
nacional.
Esse crescimento no mercado virtual brasileiro também pode ser observado no
mercado global. O Euromonitor fez uma previsão das vendas no e-commerce global até
2018 (Figura 17), mostrando que esse mercado continuará crescendo por pelos menos
mais dois anos.
Figura 16 – Percentual de consumidores que já fizeram alguma compra online, em relação ao total de usuários da Internet. (eMarketer, 2015)
42
Figura 18 - Nível de maturidade do uso de Big Data no varejo, em comparação com outras indústrias. (Mercier, 2012)
É nesse contexto que o Magazine Luiza está inserido, onde há oportunidades para
crescimento e expansão da marca.
Nos últimos anos, o varejo virtual viu seu crescimento ser significativamente
potencializado com o uso do Big Data (DAVENPORT, 2014). Isso porque as técnicas
de Big Data trazidas para esse ambiente permitiram que diversas ações pudessem ser
tomadas de forma a melhor atender o cliente que entra no site em busca de um produto,
além da empresa ser capaz de obter e analisar mais informações sobre o consumidor
(BRYNJOLFSSON, 2012; BRYNO, 2013; DAVENPORT, 2013).
Observando-se o uso de Big Data no varejo virtual em comparação com outras
indústrias, a IBM fez um relatório onde pesquisou o nível de maturidade dessa indústria,
em termos de práticas de Big Data, e os objetivos que as empresas queriam alcançar. A
seguir (Figura 18) mostra-se esses resultados, comparando as empresas de varejo com
as de outros setores.
Percebe-se que a indústria de varejo está um pouco atrás em relação às demais, em
termos de adoção de Big Data. Apenas 15% das empresas entrevistadas já
implementaram algum projeto de Big Data, enquanto esse percentual para as demais
empresas chega a 28%. Fazendo uma análise sobre os objetivos a serem alcançados
através do Big Data, a pesquisa chegou às seguintes conclusões (Figura 19):
43
Figura 19 - Objetivos a serem alcançados com o uso de Big Data. (Mercier, 2012)
Figura 20 - Tamanho e relação de indústrias norte-americanas com a facilidade de captação de valor e magnitude do valor capturado. (Brown, 2012)
Os autores destacam que na indústria varejista, mais da metade dos entrevistados
têm como objetivo melhorar o relacionamento com os clientes, enquanto um percentual
menor em relação às demais indústrias tem como objetivo melhorar a gestão financeira.
A McKinsey realizou um estudo comparando a facilidade de captura de valor e a
magnitude do valor capturado, comparando diversos setores da economia norte-
americana. O resultado segue na Figura 20.
O varejo encontra-se em torno da metade do eixo da magnitude do valor gerado,
mas abaixo da metade no eixo de facilidade de facilidade de captura de valor. Outras
indústrias como a financeira e a de informação possuem maior facilidade de capturar
44
um valor que é mais valioso. Esse potencial na indústria financeira é corroborado por
Davenport (2014).
45
3. MÉTODO
Este capítulo apresenta a metodologia utilizada no presente estudo, suas
características e implicações. Inicialmente, define-se as questões de pesquisa. A seguir,
discute-se o método adotado, justificando sua escolha. Na terceira parte, aborda-se os
procedimentos de coleta e análise de dados. Por último, aborda-se algumas limitações
da escolha da metodologia adotada.
3.1. QUESTÕES DE PESQUISA
De acordo com Yin (1988) a maneira como a principal pergunta de uma pesquisa
é elaborada fornece o caminho ótimo para a execução da pesquisa, uma vez que
determinadas metodologias se adequam melhor a determinados tipos de programa.
A pergunta principal do estudo foi:
Quais oportunidades e barreiras para implementação de Big Data existem no
varejo virtual no Brasil?
Com base no que foi abordado no referencial teórico, duas outras perguntas
secundárias foram elaboradas, de forma a complementar a análise da pesquisa realizada:
1) Quais benefícios o Big Data pode trazer para o varejo virtual brasileiro?
2) Quais os principais desafios para a implementação do Big Data em uma
empresa de varejo?
Dessa forma, buscou-se aliar as teorias abordadas no referencial teórico com o que
foi analisado no caso da varejista Magazine Luiza.
3.2. NATUREZA DO ESTUDO
O presente estudo visou identificar oportunidades e barreiras para implementação
de Big Data existem no varejo virtual no Brasil. O método de pesquisa utilizado é o
46
Método Forma*de*questão*de*pesquisaExige*controle*dos*
eventos*comportamentais?
Enfoca*eventos*contemporâneos?
Experimento como,-por-quê? Sim Sim
Levantamento-(survey) quem,-o-quê,-onde,-quantos,-quanto? Não Sim
Análise-de-arquivos quem,-o-quê,-onde,-quantos,-quanto? Não Sim-/-Não
Pesquisa-histórica como,-por-quê? Não Não
Estudo-de-caso como,-por-quê? Não Sim
Tabela 7 - Perguntas e situações relevantes para a escolha do método de pesquisa. (Yin, 1988)
qualitativo, com entrevistas em profundidade a diferentes níveis hierárquicos de uma
grande empresa varejista brasileira.
De acordo com Schramm (1971), a essência de um estudo de caso, a tendência
central entre todos os tipos de estudo de caso, é que ele tenta iluminar uma decisão ou
um conjunto de decisões: por que elas são tomadas, como elas são implementadas e
com que resultado.
De acordo com Yin (1994), a pesquisa de estudo de caso é preferencial quando as
principais questões de pesquisa são “como?” ou “por quê”, quando um pesquisador tem
pouco nenhum controle sobre eventos comportamentais, e quando o foco de estudo é
um fenômeno contemporâneo, em vez de fenômeno completamente histórico. O autor
elaborou um quadro (Tabela 6) para diferenciar o estudo de caso de outros métodos de
pesquisa, de forma a corroborar a escolha do método do caso.
A pergunta da presente pesquisa está associada a como uma empresa pode
implementar Big Data e se beneficiar desta nova tecnologia. Uma vez que não é preciso
controlar eventos comportamentais associados e que a pesquisa evoca eventos
contemporâneos, então o método utilizado foi o estudo de caso.
A pesquisa histórica, de acordo com Yin (1988) lida com eventos no passado,
onde não existe a possibilidade de entrevistar pessoas que testemunharam ou exerceram
um papel relevante nos eventos estudados, fazendo com que essa pesquisa se baseie em
documentos históricos. Entretanto, o estudo de caso utiliza a observação direta de
eventos, incluindo análises históricas, sendo mais ampla do que a pesquisa histórica. No
caso da Magazine Luiza, o processo de utilização do Big Data está ainda em andamento,
por se tratar de um projeto muito recente, é possível entrevistar as pessoas envolvidas
47
desde a concepção do projeto de implementação de Big Data. Portanto, o estudo de caso
mostra-se eficaz para esta pesquisa.
Yin (1988) também cita a possibilidade de realizar um estudo de caso múltiplo,
onde mais de uma empresa é analisada, para chegar a uma conclusão em comum (cross-
case) de forma a aumentar a credibilidade estatística das conclusões. Entretanto, a
proposta da pesquisa é entender o processo de adoção de Big Data por uma empresa do
varejo virtual nacional, que prioriza a experiência do consumidor. A Magazine Luiza é
pioneira na estruturação formal de uma área para fazer essa implementação, então ela
serve de modelo para o mercado brasileiro. O acesso a casos diferentes de
implementação de Big Data no varejo virtual brasileiro não se mostrou viável. Optou-se
assim por um estudo de caso único.
3.3. PROCEDIMENTOS DE COLETA E ANÁLISE DE DADOS
Para a realização das entrevistas, utilizou-se um questionário (Anexo A) formado
por perguntas abertas. Esse questionário foi elaborado com base na literatura,
considerando categorias nela identificadas.
O questionário buscou revelar como se deu a operacionalização do projeto de Big
Data, desde sua ideia até o estágio atual, de forma a perceber a importância atribuída a
essa ferramenta para gerar valor para a empresa como um todo. Também se buscou
entender as mudanças organizacionais necessárias para que esse projeto pudesse ser
bem sucedido. Analisou-se possíveis barreiras à implementação desse projeto.
As entrevistas foram gravadas com consentimento do entrevistado e foi dito a ele
que sua identidade seria mantida em sigilo. Posteriormente foram transcritas para
facilitar a análise dos dados. A quantidade de entrevistas realizadas seguiu o critério de
saturação, que designa o momento em que o acréscimo de dados e informações em uma
pesquisa não altera a compreensão do fenômeno estudado. Ela pertence à esfera da
validação objetiva - adequação de uma conjectura a uma explicação lógica
(CRESWELL, 1998; GUEST, BUNCE, & JOHNSON, 2006).
48
A relação dos cargos dos entrevistados é apresentada na Tabela 1, que agrupa os
entrevistados por tipo de função, para que os trechos de suas falas na análise de dados
não permitam suas identificações.
Entrevistados Cargos E1, E2 e E3 Gerentes de TI e CTO
E4 e E5 Analista de marketing para e-commerce e Gerente de CRM e Inteligência de Mercado
E6, E7, E8 e E9 Desenvolvedor líder, Desenvolvedor em Big Data, Desenvolvedor Júnior e Pesquisador em Big Data.
Tabela 8 - Entrevistados do Magazine Luiza.
Os dados coletados foram analisados pela técnica de análise de conteúdo. As
categorias apresentadas foram definidas a priori e a posteriori. Ou seja, foram criadas de
acordo com a revisão bibliográfica e depois complementadas de acordo com o
surgimento de novas informações que indicavam uma oportunidade ou um desafio para
o uso de Big Data no varejo virtual. A partir da revisão de literatura, foi composta uma
lista de potenciais fatores relevantes para adoção e uso das tecnologias de Big Data, sem
a pretensão de se obter uma lista exaustiva, tendo em vista o caráter exploratório do
estudo. Estes fatores relevantes descrevem os desafios a serem superados. Os benefícios
obtidos serão também observados no caso apresentado. Esta lista preliminar é
apresentada na tabela a seguir.
Categoria Fonte
Alinhamento estratégico YEOH & KORONIUS, 2010; NOVO & NEVES, 2013; MINELLI, CHAMBERS & DHIRAJ, 2013.
Envolvimento da alta gestão YEOH & KORONIUS, 2010; NOVO & NEVES, 2013; DAVENPORT, 2014.
Alinhamento com os processos organizacionais
YEOH & KORONIUS, 2010; OHLHORST, 2013; NOVO & NEVES, 2013; KIM, TRIMI & CHUNG, 2014.
Compartilhamento de informações
YEOH & KORONIUS, 2010; OHLHORST, 2013; NOVO & NEVES, 2013; KIM, TRIMI & CHUNG, 2014.
Mudança cultural SCHMARZO, 2013; BURTON, MASTRANGELO & SALVADOR, 2014.
Superação do talent gap
YEOH & KORONIUS, 2010; DAVENPORT, 2014; LEEFLANG ET AL., 2014.
Comunicação BINGI, SHARMA & GODLA, 1999; SUMNER, 1999; SOMERS, NELSON & RAGOWSKY, 2001; ANSARINEJAD ET AL., 2011.
Método ágil ANSARINEJAD, AMALNICK, GHADAMYARI, & HATAMI-SHIRKOUHI, 2011; BORKOVICH & MORRIS, 2011.
Gestão da privacidade MINELLI, CHAMBERS & DHIRAJ, 2013; SIMON, 2013; WIGAN & CLARKE, 2013; GEORGE, HASS & PENTLAND, 2014.
Tabela 9 - Fatores relevantes para adoção das tecnologias de BI e Big Data.
49
4. DESCRIÇÃO DO CASO
O Magazine Luiza é uma das maiores redes varejistas com foco em bens duráveis
e grande presença nas classes populares do Brasil. Possui uma base de 36 milhões de
clientes cadastrados, sendo 30% deles ativos. Seu objetivo é vender produtos e serviços
que gerem satisfação pessoal e felicidade, principalmente à classe C, que representa
mais de 109 milhões de brasileiros, com um mix altamente diversificado, focado em
eletrodomésticos, produtos eletrônicos, tecnologia, móveis e cozinha, utilidades
domésticas, brinquedos e outros (MAGAZINE LUIZA, 2016).
Atualmente possui 736 lojas, mais de 24 mil colaboradores, 8 Centros de
Distribuição e atua em 16 Estados brasileiros cujas economias correspondem a 75% do
PIB nacional. A empresa tem uma plataforma de vendas multicanal, integrando as
equipes de Marketing E-commerce e Marketing das lojas físicas, e oferece também, por
suas subsidiárias, serviços financeiros e de seguros. (MAGAZINE LUIZA, 2016).
A prática da inovação faz parte da rotina de trabalho do Magazine Luiza. Em
1992, por exemplo, a empresa foi pioneira no País na criação das lojas virtuais –
terminais multimídia nas lojas, onde os clientes podem comprar produtos que não estão
em exposição, com ajuda de vendedores. A experiência adquirida com as lojas virtuais
levou o Magazine Luiza a revolucionar o e-commerce brasileiro, com a criação do site
magazineluiza.com, em 1999. Hoje, o comércio eletrônico está totalmente integrado ao
Magazine Luiza e oferece uma gama de produtos de aproximadamente 44 mil itens.
Com o lançamento do Magazine Você, em 2011, com mais de 60 mil lojas em seu
primeiro ano, criou a primeira iniciativa de social commerce brasileiro. (MAGAZINE
LUIZA, 2016).
Em 2014, o Magazine Luiza criou o Luizalabs, um laboratório de Tecnologia e
Inovação, dentro do núcleo de Pesquisa e Desenvolvimento, com o objetivo de criar
produtos e serviços com foco no varejo, oferecendo aos clientes mais benefícios e uma
melhor experiência de compra. Formado por um grupo de desenvolvedores que não
lidam com o dia a dia da empresa e só se preocupam com inovação, a estrutura é
separada do Magazine Luiza, para viabilizar parcerias com universidades e
financiamentos, como o Finep. Um dos principais projetos elaborados pelo Luizalabs é
o Bob, uma aplicação de Big Data que mudou a forma de trabalhar com conteúdo
50
customizado no Magazine Luiza, alavancando as vendas e melhorando a experiência do
consumidor. Hoje o Bob é responsável por todas recomendações de produtos do
magazineluiza.com, entregando sugestões de compras também por e-mails e via redes
de display (MAGAZINE LUIZA, 2016). A implantação do Bob é o foco do presente
estudo de caso, que teve como objetivo identificar oportunidades e barreiras para
implementação de Big Data no varejo virtual no Brasil.
A história do Magazine Luiza iniciou começa em 1957, com a abertura de uma
loja na cidade de Franca, interior de São Paulo. O casal Luiza Trajano e Pelegrino José
Donato compram uma pequena loja e iniciam seu negócio. O nome da marca veio a
partir de um concurso realizado na rádio da cidade. Durante os anos 60, com os
primeiros resultados do empreendimento, houve o estabelecimento da primeira sede
administrativa, em Franca. O negócio familiar também cresceu, com a irmã da Luiza se
tornando sócia. Durante os anos 70, mais membros da família se tornam sócios, e o
Magazine Luiza se expandiu para outras cidades de São Paulo (MAGAZINE LUIZA,
2016).
Durante os anos 80, mostrando um dos principais pilares da empresa, houve a
implementação de um sistema de computação nas lojas, buscando melhorar o controle
de estoque e as finanças. Foi uma das primeiras redes de lojas a fazer isso no país. Além
disso, houve a primeira expansão para fora do Estado de São Paulo e a construção do
primeiro centro de distribuição, automatizado. Em 1992, houve a implementação das
lojas virtuais, que são terminais de autoatendimento instalado nas lojas utilizados até
hoje. Foi uma importante inovação para a época, na vanguarda do mercado brasileiro.
No ano seguinte, passou-se a fazer uma liquidação de Natal que segue até hoje, quando
são formadas filas do lado de fora das lojas. É uma ação que se tornou muito
característica da companhia. Em 1999, foi criado o site magazineluiza.com, iniciando as
operações de e-commerce da empresa (MAGAZINE LUIZA, 2016).
Em 2003, pela primeira vez no Brasil e no mundo, uma empresa de varejo ficou
em primeiro lugar na avaliação das melhores empresas para trabalhar, promovido pelo
instituto Great Places to Work. Diversos investimentos foram feitos internamente, para
ajudar a promover a cultura de transparência, agilidade e o bem-estar dos funcionários,
uma das grandes marcas da empresa.
51
Essa construção da marca a levou a ocupar a posição de segunda maior varejista
da América Latina, de acordo com um relatório feito pela Deloitte com dados de vendas
relativos ao ano de 2014, como mostra o gráfico (Figura 21) a seguir.
Na questão de valor de marca, o Magazine Luiza se encontra no Top 50 do
mercado brasileiro em 2015, de acordo com um levantamento feito pela Millward
Brown em seu relatório denominado BrandZ. Em relação ao seu principal concorrente
direto (Lojas Americanas), o Magazine Luiza se encontra em desvantagem, o que pode
estimular a empresa a buscar soluções cada vez mais inovadores para ganhar maior
destaque. O estudo traz uma comparação entre os anos de 2014 e 2015. Há o registro de
perda de valor para o Magazine Luiza, uma vez que foi um ano complicado para a
empresa, registrando um prejuízo líquido de R$ 65,5 milhões (VALOR ECONÔMICO,
2016). Houve queda da receita líquida e do Ebitda (Lucro antes de juros, impostos,
depreciação e amortização), e também nas vendas em lojas físicas. Porém, as vendas
pela internet cresceram no ano, em comparação com 2014, em 9,8% (VALOR
ECONÔMICO, 2016). Isso mostra que o resultado financeiro da empresa poderia ter
sido ainda pior se não fosse o e-commerce, o que pode servir como um alerta de que há
um potencial a ser gerado pela internet ainda maior, para contornar os problemas
enfrentados pelo lado físico da companhia.
Figura 21 - Maiores varejistas da América Latina em vendas. (Deloitte, 2014)
52
A tabela feita pela Millward Brown (Figura 22) mostra as empresas por indústria,
a variação de 2014 para 2015 e a variação no ranking entre esses anos. O Magazine
Luiza encontra-se na 35ª colocação.
Com isso, a empresa precisa confiar em seu pilar de inovação tecnológica para
seguir na vanguarda no uso de novas tecnologias, e o uso progressivo de práticas de Big
Figura 22 - Ranking das 50 empresas mais valiosas do Brasil. (Millward Brown, 2015)
53
Data pode fazer com que a marque suba nesse ranking, agregando valor com o aumento
da credibilidade do consumidor, uma vez que ele será melhor atendido no site da
empresa.
54
5. ANÁLISE DO CASO
A criação do Bob e seus benefícios
O uso de analytics no Maganize Luiza surgiu por iniciativa da equipe de TI
responsável pelo e-commerce. O projeto do Bob começou a partir do desenvolvimento
do Magazine Você:
A ideia era montar um social commerce. Iríamos nos aproveitar das conexões
das pessoas em redes sociais, como o Facebook, e a partir daí vender os produtos.
Existem estudos que comprovam que as pessoas têm uma propensão 4 vezes maior de
comprar algo que é sugerido por alguém com quem elas possuem uma conexão direta.
Esta ideia potencializou o surgimento do Magazine Você. (...) Depois que o projeto
entrou no ar e pela natureza do próprio projeto (open graph, que é um grafo onde você
tem vértices e arestas conectando pessoas a outras pessoas, interesses, etc.), a gente
começou a tentar conectar isso. (...) Daria para entendermos um pouco melhor do
comportamento dos nossos possíveis clientes, referente a produtos. (E1)
A intenção era descobrir o que as pessoas fazem no Magazine Você, para então
fazer sugestões de produtos para pessoas dentro da sua rede. A análise de
comportamento permitiu entender melhor o comportamento do consumidor.
Esta primeira ideia de implantação de Big Data surgiu no Luizalabs. Nós
pensamos: vamos fazer isso para entender melhor o comportamento deles e também
para começar a trabalhar com grafos. Surgiram alguns testes. A gente fez uma busca
específica para entender o caminho completo de porque ele estava querendo aquelas
TVs. Ele tentava primeiro a pessoa mais próxima a você que teve algum tipo de
interesse em TV e acabou comprando ou abandonou a compra, ou fez um review muito
bom para a TV. Se não conseguir no primeiro nível, vamos para o segundo. (...) E
assim por diante. Então, a gente montou isso e começou a ver que fazia sentido.
Pessoas próximas a mim que interagiram com estes produtos. Aí surgiu a primeira
ideia: daria para ter um produto específico que a pessoa ficaria recomendando coisas,
baseados nas conexões que ele tem. Depois pensamos em colocar isso dentro do site,
com um escopo maior e um volume bem grande. A ideia era conectar pessoas a
55
produtos e dar um score para isso baseado no tipo de ação que a pessoa tinha com o
produto. Se eu ver um produto, eu ganho um ponto. Se eu adicionar um produto ao
carrinho, são treze pontos. Se eu comprar um produto são vinte e um pontos. (...) A
gente conseguiu montar um esquema que permitia olhar para aquela pessoa e verificar
que aqui tinha maior peso para ela. (E1)
A gente viu que o comportamento dessas pessoas, só o comportamento, por si
só, anônimo, a gente conseguiria descobrir muita coisa e criar correlações. (E2)
O Big Data consegue incorporar mais dados nas análises e novas fontes de dados
vão também sendo consideradas, conforme já havia sido apontado por Ohlhorst (2013) e
Novo e Neves (2013). Um sistema que tem a característica de analisar um grande
volume de dados gera na organização uma cultura de incorporação e valorização dos
dados e de desenvolvimento das capacidades analíticas.
A gente tinha todos os dados dos nossos clientes aqui dentro - o que ele
comprou, quanto ele pagou, forma de pagamento... Agora acho que com o Big Data a
gente tem um volume maior de informações para a gente conseguir inferir mais coisas.
(...) Os e-mails que a gente dispara usando Bob estão 3 vezes mais responsivos que os
demais. Então com o Big Data a gente tem mais dados, mais informações e
conseguimos ser mais assertivos, trazendo mais volume de negócio para a companhia.
(E5)
A gente também já está coletando dados de outros lugares, de fontes externas
como o Facebook, por exemplo. A gente tem usado mais isso na questão de filtrar eles e
calcular recomendações para os nossos clientes. A gente tem ideias de trabalhar com
outros tipos de dados e gerar outros valores. Talvez analisar dados de SAC. (E8)
Quanto mais você explora o Big Data, mais informações ele te dá, porque o Big
Data é assim: quanto mais informações você vai colocando dentro, mais informações
você vai conseguir tirar depois de um tempo. Então o estímulo realmente do uso do Big
Data e para abrir para novas frentes é muito continuo. (E4)
56
Alinhamento estratégico
O impacto estratégico do Big Data no Magazine Luiza está relacionado a
entender melhor e mais rapidamente o mercado para poder direcionar a estratégia. A
importância do alinhamento entre o projeto de Big Data e a estratégia da organização já
havia sido apontada na literatura (YEOH & KORONIUS, 2010; NOVO & NEVES,
2013; MINELLI, CHAMBERS & DHIRAJ, 2013). A possibilidade de personalização
da experiência para incremento da satisfação do cliente e busca da sua fidelidade é o
objetivo principal do uso de Big Data no Maganize Luiza.
O nosso desafio é, como eu faço mais gente ser reconhecida para mostrar a
home page recomendada. Aqui existe o desafio grande de fidelização desses clientes
para que a gente possa entregar cada vez mais conteúdo personalizado para ele. A
gente sabe que funciona, talvez se eu trouxer mais pessoas vai cair um pouco a taxa de
conversão, mas mesmo assim ele é absurdamente maior do que o que eu mostro
genérico para todo mundo. O nosso objetivo agora é melhorar essa home e fazer com
que ela tenha muito mais coisas ainda para te mostrar. (E1)
No estabelecimento de uma cultura digital, fica claro que a tomada de decisão
orientada por dados facilita a obtenção de apoio político para os projetos.
Tem uns caras que trabalhei junto que eles falam: muitas vezes você vai tomar
uma decisão, vai pensar em algo que você quer fazer muito mais baseado no seu
coração e você vai conseguir convencer todo mundo que aquela é uma decisão correta
por algo lógico, dados. Então se você realmente consegue se embasar essa tomada de
decisão em dados que você tem e demonstra isso para as outras áreas, você vai ganhar
todo mundo. Agora, se for simplesmente "quero fazer isso porque acho que vai dar
certo", é muito mais difícil você convencer todo mundo que aquilo tem que ser feito, em
geral. (...) Quando você começa a ver isso com dados começa a ficar tudo muito mais
claro. Você começa a ter uma assertividade muito maior em suas decisões. Não vou
falar "acho que vou vender lingerie porque vai dar certo". "A gente tem que vender
lingerie porque há 3 anos o crescimento de venda no lingerie no digito é de tanto, a
gente tem um atendimento especifico da região tal que tem um consumo muito maior,
57
nós gostaríamos de crescer tantos porcento em venda, essa é uma categoria que vamos
ativar". Até para decisão de abertura de loja. Dá para você pegar um monte de dado
demográfico do local para saber que essa região especifica da cidade, que tem esses 5
bairros, o salário médio das pessoas aqui é de tanto, elas são x% da classe A e B, outra
C e D. Então faz sentido a gente colocar uma loja aqui porque não tenho todos os meus
concorrentes nessa região. Decido abrir a loja naquele local e não porque é um
shopping que tem muito movimento. (E1)
Envolvimento da alta gestão
A iniciativa do Bob surgiu na área técnica e ganhou apoio do Diretor Executivo.
A importância do envolvimento da alta gestão em projetos de TI vem sendo
amplamente discutida na literatura (YEOH & KORONIUS, 2010; NOVO & NEVES,
2013; DAVENPORT, 2014). As iniciativas de projetos foram surgindo na área de e-
commerce, que posteriormente virou o Luizalabs, mas o apoio da alta direção foi
fundamental ao projeto. O reconhecimento que iniciativas de analytics de alto
desempenho podem ser feitas internamente impulsionou o desenvolvimento da área.
Quando o site começou a performar melhor, o Diretor Executivo da empresa
gostou do nosso jeito de trabalhar. Disse que tinha um projeto, Magazine Você, que
estava tentando fazer há muito tempo, mas não saía. Eu disse que era possível fazer,
mas precisa fazer completamente diferente do que a empresa pensa em tecnologia. Ele
topou. Criamos uma espécie de War Room com quatro pessoas (eu, dois
desenvolvedores e uma pessoa de Marketing) e fizemos o Magazine Você do zero, até o
momento de ter mil pessoas testando em quatro meses. (...) Montamos uma DRF e
esperávamos 10 mil usuários em um ano. Tivemos 10 mil usuários em duas semanas.
Isso causou um impacto muito grande para a companhia. (...) Virou o Magazine Você e
foi o que abriu as portas para nós. Quando isso foi feito no Magazine Você, eu tive uma
conversa com o Diretor Executivo e ele decidiu criar uma área de Inovação. Eu disse
que seria melhor criar uma área de P&D, porque assim podemos fazer toda a parte de
pesquisa em novas tecnologias e desenvolver novos produtos com estas tecnologias.
(E1)
No caso do Bob, eu, um dia encanei que queria fazer isso. Escrevi e gostei.
Apresentei pra ele e ele falou que já queria fazer isso e vamos fazer. Só que a gente não
58
tinha ajuda de ninguém. Não é uma ideia que veio da alta diretoria - partiu de baixo.
Mas, foi dessa maneira que iniciou e a partir do momento que a gente tinha uma POC,
uma prova de conceito, a gente teve liberdade de apresentar pra alguém e ver o que
que eles achavam. Aí ele foi até o diretor executivo, mostrou. (E o diretor executivo
disse:) “vamos criar uma área para gerar mais disso”. (E2)
Tivemos um patrocinador interno na empresa, o Diretor Executivo, que
comprou a briga. Se ele não tivesse comprado essa briga, nada disso teria ido para
frente. Ele viu o valor que isso tinha, mas sempre tínhamos que provar isso para ele. O
projeto ganhou uma proporção grande mesmo quando a gente colocou o Bob,
comparando com o que já tinha na empresa. Viu-se que o Bob performava mais e
melhor do que o que existia, então ele disse: “Pera aí, acho que santo de casa faz
milagre sim”. Não é só algo que vem de fora, dos grandes, que pode trazer o tipo de
impacto que nossa solução foi capaz de gerar. (E3)
Ter uma pessoa da alta direção apoiando deu a área a autonomia necessária.
Quando ele aprovou, eu insisti que esta área precisa ter autonomia para fazer
as coisas do jeito que ela acha que precisa ser feito. Ela precisa ter autonomia para
testar. É como se o Magazine Luiza fosse um grande laboratório desta área, porque
temos volume e somos relevantes. Foi assim que se criou o grande patrocinador dentro
da diretoria executiva. Por essa relação, temos a força para testar e tudo mais.
Precisávamos testar não na forma de conceito, mas na forma de produção. (E1)
Nosso diretor executivo da empresa sempre esteve muito à frente nessa questão
de tecnologia. Hoje também ele é o diretor executivo de tecnologia. Então ele sempre
encabeçou esse desenvolvimento, essa inovação. Ele é que patrocinou essa área, que é
muito valorizada, faz parte de toda a estratégia da empresa, por ser uma empresa
digital, com diferencial humano. (E5)
Apesar deste foco estratégico e da expansão do uso de Big Data se iniciar para
outras áreas, foi importante que as iniciativas de analytics se iniciassem na área de TI,
para que as outras áreas possam progressivamente aderir a ideia e se beneficiar de
soluções de analytics, num processo de maturidade.
59
Acho que é mais de conhecimento de quem está à frente dessa parede de
tecnologia de querer assumir parte da responsabilidade em ajudar o negócio. De quem
é de tecnologia levar isso para a área de negócios. Não são todos que estão
extremamente preparados para demandar isso. Então se a gente tem tecnologia e tem
uma visão mais ampla do negócio, nós temos que levar isso para a área de negócios -
não só esperar que venha de lá. Isso pode ser uma barreira, porque mesmo no nível
cultural, se o cara não está nesse nível e você tem o tradicional que só espera a
demanda, nunca vai chegar lá. Tem muita TI sobrecarregada também. A área fica até
com medo de pedir alguma coisa e o cara vai falar não do outro lado. "Tenho um
portfólio de projetos...” e está lá há 2 anos com os mesmos projetos na fila e o cara
está tentando correr. Acho que tecnologia mudou muito, não tem mais espaço para
isso. (...) Já teve um bom exemplo e esse bom exemplo fez com que outras pessoas, os
pares, achassem muito legal e comprassem aquela ideia e isso está se expandindo.
Ainda está muito mais do lado da tecnologia do que eu gostaria. Gostaria que estivesse
muito mais avançado na parte de negócios, mas nós já temos áreas se beneficiando
disso, o que é muito legal. (...) Tem uma outra área que usa modelos super arcaicos.
Fazer algo muito mais moderno com modelos que a gente possa testar e que sejam
muito mais automáticos para eles na tomada de decisão, é como se fosse agora a gente
estar em um momento de conquista de outras áreas e isso está sendo levado mais para
dentro da empresa. (E1)
Mudança cultural
O uso de Big Data no Magazine Luiza passa pelo amadurecimento de uma
cultura digital, onde o trabalho da área de tecnologia é só uma das facetas. No médio
prazo, a estratégia da organização tem como foco ser uma empresa digital.
Pensando no Magazine Luiza, vejo como a gente está se preparando muito para
o que a gente chama de transformação digital. A criação do Luizalabs representa isto.
A gente dá foco nesse objetivo nosso de transformação digital. Então é legal você ter
um ambiente onde todo mundo está pensando nisso, não fica só aquela parte da
cobrança do resultado do dia a dia. (...) O jeito que a gente enxerga aqui dentro da
companhia é que a gente tem que se transformar numa empresa digital com pontos
físicos, que seriam as nossas lojas, centros de distribuição, tudo mais. A partir daqui
60
muita coisa vai mudar como o Magazine trabalha hoje em dia. Querendo ou não, ela
tem muito mais uma raiz tradicional do varejo. A gente está falando assim, a gente
pode ser uma empresa digital que por um acaso atua no mercado de varejo. Parece
sutil, mas é uma virada bem forte no jeito de pensar. Isso vem acontecendo. Para você
ter uma ideia, esse ano tenho um encontro no começo do ano com os principais líderes
da empresa, que é para a gente falar da estratégia da empresa no ano. A ideia era
passar para toda a liderança que a gente está indo para essa transformação digital.
Então tudo está sendo preparado. Para você ter uma ideia, a gente teve palestras, como
se fossem Teds, de 20 minutos sobre mobile, multicanalidade, Big Data, para gerente
de loja. A ideia não é só que fique com algumas pessoas, mas que envolva a empresa
como um todo, que ela entenda para onde a gente está indo e os caras ajudem a gente a
chegar lá. Não precisa ser algo empurrado, mas estamos todos conscientes e é para lá
que temos que ir. Então o Labs, em especifico, tem só uma pequena responsabilidade
nisso tudo que é usar a tecnologia para viabilizar para que isso aconteça. (E1)
O projeto passou então por uma fase de mudanças na cultura organizacional
(SCHMARZO, 2013; BURTON, MASTRANGELO & SALVADOR, 2014), que
permitiu que a empresa passasse a ser orientada por dados. Estas mudanças culturais
foram norteadas por valores fundamentais da instituição, como respeito ao cliente.
É interessante que o Magazine tem uma proposta de sempre colocar o cliente
em 1º lugar. Então isso faz com que fique mais fácil, quando a gente consegue usar
outras ferramentas para realmente satisfazer o cliente, não só pensar em empurrar o
produto para esse cliente. A gente procura ter a visão de que o cliente tem que ficar
satisfeito dentro das experiências que ele vai ter com a gente, seja em qualquer loja. Aí
sim o Big Data entra como uma forma de ajudar o cliente a ter esse atendimento. Ele
fica satisfeito com a experiência final. (E4)
Isso é resultado de um trabalho que vem sendo feito há muito tempo, de forma
bem devagar. Quando a gente chegou, as pessoas eram totalmente diferentes, o
pensamento era totalmente diferente, o funcionamento da empresa era outro. E aí, a
gente foi comendo pelas beiradas até que chegou ao ponto em que falaram: “até que
faz sentido isso que eles estão fazendo”. (E3)
61
Mediante os fatos apresentados, criou-se as seguintes proposições:
P1: O alinhamento dos projetos de Big Data com a estratégia
organizacional deve favorecer sua implementação. Mudanças na cultura
organizacional podem favorecer o estabelecimento de uma orientação para dados.
O alinhamento entre os projetos de Big Data e a estratégia organizacional é
relevante na adoção de Big Data, pois identifica quais necessidades serão atendidas e
quais capacidades devem ser desenvolvidas. Mudanças na cultura organizacional podem
ser necessárias durante a implantação de projetos desta natureza, como forma de se
alcançar objetivos estratégicos e de se criar uma cultura de orientação para dados.
P2: O envolvimento da alta gestão na implementação e uso do Big Data é
importante tanto para o suporte e patrocínio à nova tecnologia e auxílio na
superação de barreiras à mudança.
O sistema ser idealizado por alguém da alta hierarquia e/ou contar com o apoio
de altos executivos da organização faz com o apoio político necessário ao projeto seja
obtido, proporciona a autonomia necessária para a área de analytics, facilita as
mudanças organizacionais necessárias e a obtenção de recursos e ajuda a promover a
solução internamente.
Alinhamento com os processos organizacionais
Aos poucos, o sistema de recomendação começou a ser expandido para se obter
insights em outras áreas e gerar novos produtos. Esta expansão passou pela busca de
soluções pela equipe de TI para restrições que as áreas de negócio apresentavam,
mudando a forma como as coisas eram feitas. Contrariando a literatura, que aponta que
os projetos de TI devem buscar ser alinhados aos processos organizacionais como
estratégia de minimização de resistências (YEOH & KORONIUS, 2010; OHLHORST,
2013; NOVO & NEVES, 2013; KIM, TRIMI & CHUNG, 2014), a implantação de Big
Data no Magazine Luiza não se ateve a estes processos. A mudança cultura de uma
empresa tradicional de varejo para uma empresa digital demandou quebras de
paradigmas. As propostas das soluções de Big Data tiveram como objetivo a melhoria
de desempenho, com a intenção de inovar o modus operandis. A área de negócios tinha
62
crenças específicas e a equipe de TI foi mostrando outras possibilidades e aferindo bons
resultados.
O Bob começou simplesmente recomendando produtos e agora a gente está
evoluindo ele para servir para a empresa como um todo tirar ideias, insights e
informações. Ele começou sendo um slotizinho de recomendação na página só, depois
ele foi entrando em outras páginas. (E2)
Sugerimos então colocar a home inteira personalizada para os clientes. Isso é
uma quebra de paradigma para o Brasil. Eu falei isso com a nossa diretoria executiva
para aprovar os nossos testes e a gente começou a rodar. Uma home normal tinha taxa
de conversão de 0,90% e a nossa de 12%, teve slots de até 20%. (...) A partir do Bob, a
gente começou a montar a personalização de e-mail. A gente não conseguiu fazer a
integração com o parceiro que realizava os disparos de e-mail. Então, a gente
desenvolveu o disparo de e-mail internamente. O Bob tinha as regras, definia o que
achava que fazia sentido enviar para as pessoas e eu usava o nosso disparador de e-
mails para enviar para as pessoas. Foi muito legal, porque o pessoal de negócios
ficava desesperado por estarmos disparando e-mails sem usar o nosso parceiro e isso
poderia dar problema depois na nossa entrada de inbox. A gente explicou que era outro
domínio, saía do domínio do Luizalabs. A gente não usa os e-mails do Magazine Luiza
exatamente porque quando você trabalha com essa parte, se você ficar se apegando
muito a todas as dificuldades que a área de negócios tem, você acaba entrando nessas
dificuldades com eles e não consegue avançar. Então, a gente tinha um “Quê” de não
conformidade às regras para poder fazer com que as coisas acontecessem. Se não dá
para fazer com esse cara, a gente vai fazer acontecer de outra maneira. Vamos medir,
ver o que acontece e depois a gente vê o que faz. Isso fez com que a gente trocasse o
nosso parceiro de disparo de e-mails. Foi super válido para o negócio, porque a gente
comprovou que era muito bom por causa das taxas de conversão destes e-mails
personalizados. (E1)
A mudança cultural para tornar a empresa orientada por dados gerou resistências
e demandou transformações de processos.
Neste processo, algumas pessoas que resistiam a mudança preferiram se
63
desligar da empresa. O processo de transformação exigiu mudanças de bases de dados
e novos processos de negócio. A gente questionou muito os processos que existiam aqui,
e isso nos levou a ter esse espaço (Luizalabs) agora. Antes as pessoas nos enxergavam
como a galera de TI, ficavam meio distante de nós, nos evitando. Porém, nós
conseguimos mudar bastante isso. Agora, fizemos até com que pessoas que antes não
compartilhavam desse novo pensamento se afastassem da empresa. Então, houve um
período em que essas pessoas foram procurar outras oportunidades porque elas não
aderiram a essa nova filosofia. (...)Então, a gente conseguiu fazer uma entrada de
serviço, permitindo que novas coisas pudessem ser feitas, gerando várias outras
transformações. Foi possível gerar o Magazine Você, o Clube da Lulu e etc. - tudo
devido a essa iniciativa de acertar a base para poder fazer mais coisas. Da maneira
como estava, não tinha como fazer nada, pois tinha que ficar replicando técnicas de
negócio tradicionais que tornavam esses projetos inviáveis. (E3)
Mediante o exposto, criou-se a seguinte proposição:
P3: Projetos de Big Data que tenham por objetivo fomentar uma cultura
digital devem estabelecer processos inovadores, não necessariamente alinhados aos
processos originais.
O estabelecimento de uma cultura de orientação para dados demanda
transformações no modus operandis da instituição e proposições de processos de
negócio inovadores.
Compartilhamento de informações
A resistência das lojas físicas ao online ainda existe e é prejudicial, pois dificulta
a obtenção de dados úteis. Não se trata de resistência ao Big Data, mas de uma
percepção de ameaça que o canal físico tem sobre o canal virtual, numa empresa de
varejo que tradicionalmente operava pelos canais tradicionais.
Se eu te falar que todo mundo entende e está confortável é mentira. (...) As
vezes, para um gerente de loja é difícil de entender que o cliente dele está se
preparando até muito mais do que ele. Ele chega na loja depois de ter feito uma
pesquisa gigantesca na internet para compra de um produto. (...) Ainda existem dois
mundos, mas a gente está vendo que este das pessoas terem contato com mais
64
informação, por estarem mais digitais, está crescendo muito rápido. Então qual é o
grande medo na verdade de quem está no ponto físico: poxa, o meu concorrente na
internet está crescendo muito rápido e pode acabar comendo as minhas vendas no local
físico. Então por isso a gente fala que a nossa preocupação em trabalhar com eles é
primeiro que eles entendam esse mundo, o que está acontecendo. É meio que uma
evangelização do que está rolando, como outros lá fora que já estão um pouco mais à
frente estão se comportando. (E1)
A loja física encara um pouco a internet como um concorrente e acaba tendo
um pouco de resistência de tudo o que é online. Por exemplo, a gente hoje trabalha
muito com eles para preenchimento de e-mail, que é uma coisa que vai enriquecer a
nossa base. Através do e-mail, a gente consegue identificar o cliente, conhecer o
comportamento dele, mas a loja tem muita resistência em oferecer isso em função do
conflito de canais, mas não em função do Big Data. Assim, na verdade o que eles ainda
não têm consciência é que isso só vai ajudar, que na evolução da utilização das
informações, a gente quer, por exemplo, enquanto ele estiver dentro da loja, eu
informar para aquele cliente que faz as recomendações de produto para ele, posso
informar ao vendedor que aquele cliente está lá na loja e estou oferecendo esse produto
para ele. Então a gente vai ter muito beneficio para a loja física também. Só que eles
não têm muito essa visão. Então a gente aos poucos tem que ir conscientizando, ir
trabalhando a cultura do digital com a loja física. (E5)
A quebra dos silos organizacionais para que se possa haver maior
compartilhamento de informação é um dos grandes benefícios do Big Data (YEOH &
KORONIUS, 2010; OHLHORST, 2013; NOVO & NEVES, 2013; KIM, TRIMI &
CHUNG, 2014). A busca de congruência nos canais é uma alternativa estratégia para se
vencer a resistência.
Aí vem acontecendo umas discussões tipo, o que a gente vai fazer com o preço
da internet e o preço da loja? Por exemplo, como a gente vai tratar a comissão de um
vendedor dentro da loja, se a gente está falando que a gente é uma empresa multicanal
e ele vai poder vender os produtos da internet? Porque o cliente simplesmente tirou o
pedido num local físico e vai receber na casa dele aquele produto. Já que a gente tem
50 mil produtos na internet e só 4 mil destinados à lojas, por que não deixo essas
65
pessoas venderem todos os produtos da internet e ganharem a comissão? Então acho
que é esse o nosso trabalho. Eles entenderem não como um concorrente. Na verdade, é
um complemento que você tem. Essa é a ideia geral. Agora você pode vender tudo o
que está aí no estoque da sua loja e também o que existe na internet. (E1)
Um outro benefício potencial do Big Data é a quebra dos silos de dados e a
maior integração informacional da organização. Os silos de dados foram sendo vencidos
quando as pessoas passaram a ver retorno em compartilhar. A integração de
informações viabilizada pelo Big Data é uma forma de integrar os canais de
distribuição, o que está alinhado aos objetivos estratégicos da empresa.
Teve gente que não quis fornecer informação. Hoje é mais tranquilo porque eles
vêem o retorno. Mas antigamente, quando a gente queria acessar determinado tipo de
dado, o cara não confiava na gente, tendo que passar por muita burocracia para
conseguir o dado. Como hoje as pessoas conseguem ver o retorno, fica mais fácil delas
liberarem o dado. (E3)
Trazer um pouco do que acontece na loja física para o online e do que acontece
no online para a loja física. E a área de Big Data para isso é muito importante. A gente
tem métricas, uma porcentagem de quem vai na loja física no Magazine, antes de ela ir
na loja, ela entra no celular e vê os produtos. O que a gente tá fazendo: quando você
chegar na loja, o vendedor vai tentar te identificar - pelo CPF, pelo e-mail, por alguma
coisa- e a partir do momento que ele te identifica, vai aparecer pra ele o que você
estava vendo no site, o que provavelmente você vai comprar, quais as marcas que você
se interessa mais. E no Bob a gente tem muito fácil isso. E a gente consegue trazer isso
para a loja física porque o Magazine é um pedaço único. Se você é cliente do site,
teoricamente você é cliente do Magazine. (E2)
A importância de formação do data lake é clara nas entrevistas, mesmo tendo
consciência de que as formas de extração de informação ainda estão sendo apreendidas.
Eu acho que hoje nem a área de negócio tem claro o que ela quer, ou o quanto
determinado dado é relevante para ela. Então por enquanto estamos juntando tudo.
Acho que quanto mais juntarmos dados melhor, para guardar tudo isso. Mas acho que
66
o volume não será um problema, porque acho que não temos tanto volume assim,
comparado com que você vê em outros lugares. A forma como tudo aqui foi estruturado
comporta muito mais do que temos hoje. Então, não vejo a questão do volume como
negativo, mas sim como positivo. Acho que o problema maior que podemos ter é como
extrair coisas relevantes disso, não agora, mas num futuro próximo. A galera ainda
está entendendo como funciona tudo isso, e só depois, com a maturidade, será possível
extrair de forma efetiva informações desse meio. Na parte de e-mail temos muitas
coisas interessantes, como também a parte de abandono de carrinho. São informações
extraídas e que nasceram aqui. O pessoal daqui tem uma cabeça de usar informações
para gerar novas soluções. (E3)
A gente estrutura o mínimo possível nossos dados. Estruturado que se diz são
aquelas tabelas, etc. A gente não tem isso. A gente pega nossos dados e tenta jogar eles
dentro do nosso gráfico de maneira que a gente consiga pegar eles depois de alguma
maneira. Então é isso que a gente faz, todos os dados que a gente coleta a gente joga
dentro desse gráfico para a gente de alguma maneira conseguir processar eles depois.
(E8)
A gente organiza eles (dados não estruturados) como um grafo, então já não é
muito estruturado por isso. Basicamente a gente tem um monte de objetos, de vértices.
Imagina que a gente foi detectando um monte de objetos. Então, uma pessoa é um
objeto, uma categoria é um objeto, um produto, um like que ela deu no Facebook... e a
gente começa a conectar essas coisas. E aí, rodando algoritmos da teoria de grafos,
que podem ser aplicados, a gente consegue gerar recomendação. (E2)
A transposição de dados de outros sistemas para o data lake é desafiadora. Não
se consegue consolidar um número grande de bases num data lake.
A gente tem um ERP, dois na verdade na empresa. Então tem bases do ERP
comercial, financeiro que eu quero ter informação a dados que tem lá, de outros
sistemas até super pequenininhos e eu tenho que pegar tudo isso e levar para o data
lake. Então eu levo isso para lá e transformo isso de uma maneira que eu consiga, por
outros caminhos, ter acesso a aquele dado e transformar ele em uma informação que
sirva para alguma coisa. Então um dos desafios é como eu levo tudo isso para um lugar
67
só, para ficar muito mais fácil. E o outro é, mesmo eu levando para um lugar só, esses
dados precisam de transformação especifica para cada uma das áreas que vai utilizar.
Acho que esses dois lados que a gente tem. Temos 180 bases, se não me engano, um
bando de dados diferentes. Não vou ter tudo isso num só. Na verdade, se eu tivesse em
um só seria uma loucura. Esse cara nunca iria agüentar o volume de dados que ele tem,
então é errado. A gente tem que fragmentar mesmo. A gente tem que fragmentar e de
alguma maneira unir tudo isso num lugar só e a partir dali a gente fala um pouco do
Bob e do conceito de Big Data. O bob junta todas essas outras bases que a gente tem e
transforma no nosso Big Data, em geral. Então é assim que a gente enxerga o Big
Data. A gente vai ter sim vários conceitos menores de algo especifico, mas na hora em
que eu juntar tudo isso eu tenho uma visão do todo. É isso que a gente está montando.
(E1)
Assim, criou-se a seguinte proposição:
P4: A adoção de Big Data precisa superar desafios de compartilhamento de
informação entre silos organizacionais.
A implantação de Big Data, para o obter os benefícios da integração de dados,
precisa superar o desafio do compartilhamento de informação entre silos
organizacionais, por meio da conquista de confiança de quem irá disponibilizar dados.
A minimização dos conflitos de canais de distribuição pode auxiliar o compartilhamento
de informação. A criação de um data lake favorece o estabelecimento de uma cultura de
compartilhamento de dados, apesar de que trazer os dados de outros sistemas para o
data lake pode ser um desafio. Por vezes, reunir todos os dados num data lake não é
viável.
Comunicação
As resistências foram sendo superadas como o ganho de confiança das áreas de
negócio. A comunicação, que é tida como fundamental para o sucesso de projetos desta
natureza (BINGI, SHARMA & GODLA, 1999; SUMNER, 1999; SOMERS, NELSON &
RAGOWSKY, 2001; ANSARINEJAD ET AL., 2011), permitiu que a área de TI
mostrasse resultados e viabilizou o alinhamento dos projetos técnicos de Big Data com
as necessidades do negócio.
68
Nesta mudança, eu acho que quem ficou mais assustado foi a área de negócios.
A gente já vinha sofrendo muito por causa dos processos deles, que era focado muito
em preço, e que era muito demorado. Mas a área de negócio achava que o negócio ia
ficar pior do que estava. Então esse foi o gap maior que tivemos que pular para
conseguir fazer isso funcionar. Quem estava aqui, na parte técnica, via o potencial
dessa funcionalidade. Via o quanto ficava mais interativo a forma como um consumidor
mexia no site. A comunicação foi ficando muito melhor conforme os nossos resultados
eram gerados. (E3)
As barreiras foram facilmente superadas com os resultados que a gente
entregava. Isso foi ganhando corpo ao ponto da diretoria pedir diversas
funcionalidades ou tecnologias para diferentes áreas de negócio (ex. sistema de loja).
(E1)
Com o ganho de confiança, as áreas de TI e de negócio passaram a trabalhar de
forma mais integrada.
Na parte do site, o Bob a gente sempre fez muito em parceria, as
recomendações do site acabaram sempre como começou, foi sempre em conjunto.
Então foi se desenvolvendo a ideia do Big Data e tinha sempre uma pessoa do site para
falar assim "beleza, isso faz sentido a gente disponibilizar para o consumidor como
uma regra de algoritmo mesmo para ele entender as recomendações ou não. Isso é só
uma base de histórico que a gente vai guardar para poder analisar depois o
comportamento de navegação". (...) O que eu acho legal é que a gente conseguiu
desenvolver uma estrutura e a gente conversa muito. Não é uma coisa isolada que fica
uma parte fazendo e depois fala "agora tem isso e a gente não tem noção do futuro".
Então a conversa é bilateral. Ao mesmo tempo que a gente fala "acho que seria legal
ter isso", eles falam "também concordo, mas será que isso não é mais importante?".
Então é sempre uma troca. Isso acaba facilitando para os dois lados, a gente conseguiu
um desenvolvimento do que a gente espera. (E4)
Diante do exposto, propõe-se a seguinte proposição:
69
P5: Projetos de Big Data liderados por áreas de tecnologia devem contar
com uma comunicação eficiente para promoção do sistema, para seu
aprimoramento e para resolução de conflitos. A comunicação permite que as áreas
de TI e de negócio trabalhem integradas.
A comunicação permite divulgar os resultados das técnicas analíticas avançadas,
favorecendo a aceitação dos projetos e a adoção das tecnologias, buscando seu
aprimoramento, com base na compreensão da necessidade dos usuários, e auxiliando a
resolução de conflitos.
Gestão de expectativas e cultura de experimentação
É também necessário gerenciar as expectativas das áreas de negócio, pois as
demandas por soluções cresceram quando as áreas de negócio perceberam a utilidade do
Big Data. É necessário gerenciar as demandas e mostrar aos usuários o que é factível.
Ficou claro nas entrevistas que á área de TI propõe e seleciona muitos dos projetos que
quer desenvolver, por acreditar nos resultados. Mas isto sempre se dá alinhado ao
objetivo das áreas de negócio.
No começo eles tinham uma certa insegurança, mas agora eles querem toda a
informação possível, o mais rápido possível. Eles têm essa noção de ficar cobrando.
Surge um canal novo eles rapidamente querem que a gente entre, colocando novas
tecnologias e soluções. (E3)
Eu brigo um pouco com o pessoal de lá para mostrar o que é possível ser feito e
o que não é. A galera lá tem uma expectativa muito grande para ir atropelando nossas
práticas. Então temos reuniões semanais onde mostramos o que nós queremos, e eles
expõe a visão deles. A gente tenta sugerir soluções. Às vezes nós conseguimos, às vezes
não. Isso tanto para mobile quanto para novos negócios. Eles sempre querem tudo para
ontem, então a gente vai e fala para eles: “Olha, isso aqui é muito legal, mas vamos
construir isso dessa maneira. Temos sempre que ficar interagindo com eles. Na parte
de tomada de decisão fica mais com eles, mas existe uma boa interação entre nós. (E3)
A gente sempre quer mais informações, mais dados e às vezes a gente não tem a
estrutura que a gente gostaria de ter. Então às vezes a gente quer alguma coisa que
70
ainda não conseguiu, mas é uma questão de prioridade. Então a gente prioriza o que é
mais importante, o que vai dar mais resultado e a gente negocia prazo. Não temos
muito problema em relação a isso. (E5)
O pessoal de negócios, eles não conseguem compreender que não é igual a uma
outra área onde eles podem pedir coisas que vão chegar rápido. A gente tá trabalhando
com uma coisa que a gente não sabe direito o que é. E a gente tem nossos princípios,
nossas ideias também... Muitas vezes eles pedem algum relatório: “vou enviar uma
mala direta, queria saber todo mundo que deve comprar uma geladeira e tem uma
renda tal..”. Hoje a gente não consegue fazer isso rápido. Deveria? Deveria sim! É
uma falha nossa, mas são as limitações que estamos tendo de estar em crescimento..
Não tem nenhuma ferramenta aqui pronta. A gente desenvolve tudo do zero e a gente
está em evolução ainda. Qual que a nossa meta com as expectativas?. Conseguir
fornecer ferramentas para o pessoal de negócios para eles pilotarem da maneira que
eles acharem melhor e a gente ficar mais focado em algoritmos, em processamentos. E
não tanto em oferecer resultados manuais para eles. Por exemplo, ter paneis que eles
consigam gerar: “quero bases para trabalhar com CRM, bases também para CRM
para rede física de lojas, apresentar para os gerentes de loja física qual é o público que
vai na loja dele, quem compra mais, quem compra menos”. (E2)
Este último depoimento deixa claro que a questão da experimentação coexiste
nas áreas técnicas e de negócios.
Não estou falando que todas as decisões devem ser tomadas apenas pelo que a
gente está vendo de dados. Tem coisas que você vai querer testar para ver o que vai
acontecer. Você tem que saber equalizar isso. Mas hoje, no país, no geral é muito o que
a gente quer fazer e vamos ver o que vai acontecer em cima disso. Ou muita cópia de
coisas que deram certo em outros lugares. (E1)
Isto posto, propõe-se:
P6: É necessário gerenciar as expectativas dos usuários em projetos de Big
Data, para priorizar demandas e mostrar aos usuários as possibilidades.
71
Na medida que os resultados aparecem e a confiança na área técnica aumenta, a
demanda por projetos e as expectativas aumentam e precisam ser gerenciadas.
P7: O estabelecimento de uma cultura digital, orientada para dados,
coexiste com uma cultura de experimentação.
Não só a área técnica que irá experimentar soluções, mas as áreas de negócio
tomarão algumas decisões sem estar baseada nos dados, como forma de experimentar
ideias novas.
Estrutura organizacional
Uma outra condição que favoreceu o desenvolvimento do Big Data foi a revisão
da estrutura organizacional, principalmente na área de TI, para se adequar e ampliar
capacidade.
A medida em que os resultados foram aparecendo, foi criado uma nova área,
chamada de Luizalabs, que reuniu as atividades de analytics. Esta nova área, ao ter sua
importância reconhecida, trabalha de forma integrada com as áreas de negócio. (...) A
gente criou um conceito que eu não sei se vocês já escutaram falar. É o “Tether”. Em
empresas muito grandes não tem como você ter um TI, extremamente ágil e flexível, que
precise lidar com toda a operação que existe dentro da companhia. Por exemplo,
cuidar de ERP, sistemas tributário e fiscal, e pedir para que estes caras fiquem a todo
momento mudando ou inovando na parte de front-end é impossível. Então, a gente
dividiu TI entre Front-Office (Luizlabs) e Back-Office (TI Corporativo). A gente criou
uma ponte ligando as duas. Estes sistemas se comunicam somente por APIs. Para que
ele possa exporta as regras de negócio desses sistemas legados e eu possa utilizar da
forma mais simples possível. Por isso que a gente consegue trazer uma certa agilidade,
mesmo sendo uma empresa de varejo tão grande. Queremos ser ainda mais ágeis daqui
para a frente para poder criar novos produtos, ter uma integração mais simples com a
parte de Back-Office, e por aí vai. (E1)
Fomos crescendo até o ponto em que iríamos virar uma empresa separada só de
Pesquisa e Desenvolvimento. Algumas coisas aconteceram pelo caminho e toda equipe
72
de e-commerce juntou com a área de Pesquisa e Desenvolvimento e se tornou a área de
TI online. A partir disso, tínhamos alugado um prédio onde toda a área de Pesquisa e
Desenvolvimento estaria lá. Aí entraram mais umas 40 pessoas na equipe, não iria mais
caber na sala. Começaram a estudar outra maneira de suportar todo mundo em um
ambiente em que a gente conseguisse ficar um pouco mais tranquilo. (...) Pelos
resultados que tínhamos apresentado com o Magazine Você, com o BOB, com o site
mobile, já tinham esta ideia de mudar a gente. Aqui era um anexo e não era nada disso
que vocês estão vendo. Era utilizado como treinamento. Todo o treinamento era feito
aqui dentro. Então teve esta reforma enorme e ficávamos na expectativa. Ficou
maravilhoso. (E8)
A necessidade da área de TI ter um isolamento para ter foco em projetos
estratégicos, ao invés de se concentrar nos problemas cotidianos, é expressa pelo
entrevistado E2.
Talvez se eu estivesse aqui, eu não teria tido isso, a ideia do Bob, porque a
partir do momento que a gente entra num ambiente corporativo, (...) não vê nada fora.
O ambiente aqui, o Luizalabs, é para estimular isso. (E2)
Também ficou evidente que os desenvolvedores não têm contato direto com os
usuários, numa estratégia de blindagem dos problemas cotidianos e das pressões por
prioridade.
A comunicação é feita através do gestor de TI. Essa é uma abordagem
interessante. Vem muito da metodologia Scrum, apesar de não seguirmos exatamente
esta metodologia. Ele blinda a gente dos problemas externos. Ele é um grande
facilitador para nós. Assim, ninguém de fora nos pressiona para fazermos tal coisa. Vai
tudo nele. (...) Acho interessante todo mundo ter interação. Porém, você precisa
conseguir focar. Um grande problema que vemos, principalmente em outras áreas, é
um milhão de pedidos de um milhão de pessoas diferentes e todos são prioridade
máxima. Quem você vai atender? Com o Renato filtrando, nós sabemos exatamente o
que temos que fazer. (E9)
Nosso gerente tem o trabalho de filtrar o que todos estão pedindo e o que a
73
gente precisa efetivamente fazer e na ordem que a gente tem que fazer. Isso facilita
bastante a nossa vida. Porque a gente sempre tem muita coisa para fazer e sempre
várias coisas ao mesmo tempo. (E6)
A gente tenta evitar um contato muito direto.. por que a partir do momento que
o pessoal de lá conhece o pessoal daqui, eles começam a vir direto na equipe e isso
acaba com o foco, com a concentração deles.. Então fica mais nos líderes das áreas, e
a gente repassa o que a gente considera que tem de repassar. (...) Hoje esse contato é
direto comigo e eu não deixo passar para o desenvolvimento. Pois isso impactaria
muito. (E2)
Sobre a estrutura organizacional descrita pelos entrevistados, propõe-se:
P8: Revisões na estrutura organizacional podem ser favoráveis para a
criação de uma cultura digital.
Revisões na estrutura organizacionais podem favorecer a criação de uma cultura
digital ao adequar e ampliar capacidade de analytics. Empresas digitais tendem a ter o
analytics disseminado pelas áreas de negócio e não concentrado exclusivamente na TI.
Esta disseminação se dá num processo de maturidade em analytics na organização.
Método ágil
Os projetos são desenvolvidos preponderantemente com método ágil e a equipe
de desenvolvimento também possui bastante autonomia na área de TI.
A gente trabalha com o Scrum, mas da nossa maneira. O Scrum é super
completo, mas a nossa equipe é pequena e não tem necessidade de ter tudo. A gente tem
sprints, a gente faz o planning poker. A gente tem o planning bem preciso, para depois
que montou o Sprint não coloca mais nada. Se coloca, a gente documenta: teve essa
alteração. Então a gente planejou mal e vamos melhorar para o próximo. E todo
mundo é muito aberto a ter novas ideias e fazer coisas novas. Não é aquela coisa que se
monta um projeto e agora vamos seguir esse projeto. A gente tem metas para o ano
super subjetivas, sabe? Assim: “trabalhar com dados sociais” ou “melhorar a
recomendação em si” e não faça isso e isso e isso.. só tem um direcionamento só. (E2)
74
Mais do que a metodologia ágil, porque a gente não é muito “Xiita” nesta
questão, acho que é a cultura que foi criada como diferente. A cultura de não falar que
eu tenho um time de especialistas que programam, em que o negócio precisa mandar
coisas prontas para eles só programarem e entregarem de volta. Aqui temos um time de
engenheiros, que constroem coisas, pessoas que querem entender qual é o desafio do
negócio, para exatamente poder pensar em como lidar com isso e construir. A filosofia
que é bem diferente. O que sempre pregamos aqui a todo momento é que a tecnologia
só viabiliza. A vantagem de quem está aqui é de pegar grandes desafios e construir
algo que vai solucionar um determinado problema. (E1)
O que a gente faz mais em relação a isso é dividir o pessoal em equipes
pequenas. Não somos xiitas a ponto de obrigar essas equipes de adotar um
determinado tipo de metodologia, mas um mínimo a gente orienta eles. A ferramenta
que eles irão adotar fica por conta deles. Se eles querem usar uma ferramenta mais
simples, ou uma mais complexa, fica por conta deles, mas são não pode ser um “bumba
meu boi”, onde cada um faz o que quer. Um mínimo a gente orienta eles. Até nesse
primeiro momento em que a gente fala com a área de negócios, a gente alinha com eles
o que eles querem fazer e a gente tenta adequar essas pequenas equipes a essas
necessidades. Conforme as equipes vão atuando, a gente consegue ver o quanto eles
conseguem trabalhar, o quando conseguem render de trabalho e estabelecendo padrões
que são cumpridos. Antes dependia muito de uma pessoa que sabia realizar tal coisa,
mas agora, com a experiência, o conhecimento fica melhor difundido pelas equipes.
(E3)
A equipe que trabalha com o desenvolvimento de analytics valoriza esta
autonomia e considera que o sucesso dos projetos é uma grande recompensa pelo seu
trabalho.
A maior recompensa que a gente tem é a gente ver o que a gente cria trazendo
dinheiro para a empresa de uma forma que a gente considera legal. A gente não está
forçando nada, a gente não faz nada que a gente considere antiético. Não sei se vocês
já trabalharam em empresas grandes assim, mas normalmente a pessoa está fazendo o
que mandaram ela fazer. Ela precisa ganhar o salário e pronto. A pessoa que está aqui
pode trabalhar em qualquer outra empresa, não está aqui por causa do salário. Então
75
eles veem uma coisa que eles produzem trazendo resultado para a empresa e não estão
pensando “nossa, vendeu tanto...”. Mas “Nossa, a gente fez um negócio que não existe
em outro lugar.” A empresa traz bonificação em dinheiro? Traz alguma coisa, mas não
é o principal. Acho que uma coisa que é muito gratificante é a gente dá uma palestra e
no fim lotar de gente para conversar com a gente. A gente deu uma palestra na Amazon
sobre recomendação. A Amazon é o pai de sistemas de recomendação e a gente deu
uma palestra num evento deles. E quando acabou tinha muita gente para falar com a
gente. Isso é uma recompensa. (E2)
O uso de tecnologia open source marca os projetos de Big Data.
Aqui a gente trabalha muito com tecnologias open source. Aliás, somente. E não
é nem por que é uma definição da empresa que quer economizar... é porque a gente
acredita que é melhor mesmo. E não temos nada preso a nenhuma linguagem. Aqui a
gente trabalha com partner java... por que a gente gosta também... não é uma
definição, a gente pode usar outras coisas. No projeto de Big Data, a gente usa
algumas linguagens especificas. Tem um que chama gramener, que é para navegar em
grafos. (...) Como que foi tomada essa decisão? Estudando! A gente costuma fazer
alguns benchmarkings. Se realmente há dúvida entre duas tecnologias, a gente faz um
teste e vê qual que performa melhor. E leva em consideração também a
mantenabilidade dela. A gente meio que chega num consenso da equipe inteira, bem
rapidamente. Não é nada top down. Inclusive a diretoria é totalmente aberta em
relação à tecnologia. (E2)
Sobre os métodos de desenvolvimento de projetos, propõe-se:
P9: Métodos ágeis de desenvolvimento de projetos são mais adequados ao
Big Data.
Os métodos ágeis de desenvolvimento de projetos, por terem uma maior
flexibilidade na definição de escopo e requerem envolvimento do usuário, parecem ser
mais adequados a projetos de Big Data que sejam orientados para o desenvolvimento de
uma cultura de experimentação. Resultados progressivos e mais rapidamente
demonstráveis, ao ajudar a conquistar a confiança dos usuários, devem facilitar as
76
mudanças necessárias na cultura organizacional. Estes métodos também conferem a
autonomia para as equipes de desenvolvimento.
Superação do talent gap
Os entrevistados apontaram que a tecnologia já evolui bastante. O grande
desafio está em encontrar pessoal qualificado para lidar com a tecnologia disponível, o
que a literatura chama de talent gap (YEOH & KORONIUS, 2010; DAVENPORT,
2014; LEEFLANG ET AL., 2014). O caso mostra que os desafio não se restringe à
questões técnicas. Encontrar pessoas com o perfil desejado é uma barreira para a
expansão da área, pois este perfil não passa só por necessidades técnicas, mas também
comportamentais.
No começo existia um desafio tecnológico para você trabalhar com tudo isso e
hoje é praticamente comoditie. (...) Então antigamente era muito difícil e hoje você tem
soluções em cloud, onde você tem como armazenar muito dado, muita informação, tem
um depositório específico. Tudo isso começou a ficar muito mais fácil de se trabalhar.
Então hoje você tem a maior necessidade mais de cérebro que só a parte tecnológica.
Se gastava muito tempo e dinheiro com isso, também era caro. Hoje não é mais. Tanto
por terceiros que tem soluções, como se você decide fazer alguma coisa dentro de casa.
(...) A gente só procura pessoas que tenham esse perfil. Não contratamos alguém que
queira só programar. Nós queremos alguém com um perfil empreendedor. Aquela
pessoa que entenda de tecnologia, saiba programar, mas tenha uma veia
empreendedora, que goste de desafios e de criar coisas. (...) Nós estamos em expansão.
Minha maior preocupação é exatamente manter o perfil da área. Tem muita empresa
que trata TI como número apenas. Colocam pessoas e esperar o negócio acontecer.
Acredito que a parte de TI é muito mais do que isso. É muito mais atrelado a esse
perfil, à qualidade de quem está trabalhando e o que as pessoas prezam por qualidade
no que estão fazendo. Isso é o principal. A minha preocupação é ter pessoas aqui
dentro que compartilham da mesma visão e que tenham a mesma filosofia de trabalho,
para continuar mantendo isso. Uma das coisas que a gente precisa ver, pelo tamanho e
abrangência da companhia, é que algumas coisas temos que demorar mais para fazer
bem feito para não dar problema no futuro. O desafio é crescer rápido, atender o
negócio e manter o nível de qualidade. (E1)
77
Achar o pessoal acho que é um desafio um pouco complicado ainda. E também
é um desafio em outras áreas, não só o data science. O programador, por exemplo, é
uma coisa também que é um pouco complicado de achar, um bom programador. Acho
que o profissional é o maior desafio ainda. (E8)
O que a gente faz aqui é buscar muito um perfil da parte técnica. O que a gente
busca mais numa pessoa é se ela tem vontade de aprender, se ela está disposta a
compartilhar conhecimento, se irá se adequar à cultura daqui, ao ambiente corporativo
que temos, se ela tem senso de equipe, não só em equipes grandes, mas em pequenas
também, onde todos se ajudam. (E3)
Para o ano que vem a gente vai dobrar, inclusive isto já está até aprovado. Só
que um dos maiores problemas de crescer é achar as pessoas certas. Então nesse
processo que a gente uniu todo mundo e dadas as equipes de TI antigas, ao longo das
semanas, as pessoas foram saindo. As pessoas perceberam que aquilo não era muito o
que queriam.. a gente tem várias práticas que assustam pessoas que não gostam muito
do que fazem. Pro exemplo, review de código.. nada aqui vai para produção sem pelo
menos uma outra pessoa ver. E é feita uma análise super dedicada.. não é um “ah, ta
ok”.. é linha a linha.. qualquer coisa que for entrar aqui tem que passar por isso..
Então, aquela pessoa que está aqui só para ganhar o salário.. meio que, “ah, vou
entregar isso aqui e fiquei livre..”, ela não tem mais vontade de trabalhar aqui. (...)
Mas a gente tá nesse processo de contratação constante, desde janeiro e tem um monte
de vaga aberta aí.. (...) Se o diretor falasse “oh, eu tenho 25 RPs assinadas aqui, 25
vagas aprovadas para você contratar”, eu não sei se eu contrataria nem 10. Porque,
dependendo de quem você colocar aqui, não vai trazer o que a gente precisa. (E2)
Mediante a dificuldade de contratação de pessoal com o perfil desejado, o ganho
de conhecimento nas equipes tem sido muito relevante.
Hoje chamam a gente de especialista em Big Data, mas a gente chegou aqui
sem saber nada. Eu entrei aqui, não tinha nenhum conhecimento. Vim para fazer a
plataforma de sistema de recomendação e aí por ser uma coisa que eu gosto também,
mexi mais um pouco nessa área de data science também, que é uma coisa que eu venho
me especializando. Então esse interesse surgiu e foi crescendo. (E8)
78
É até engraçado, a gente não contratou ninguém aqui que sabia fazer isso, a
gente teve de aprender. Eu consegui aprender bastante em comunidades. Ao longo do
tempo eu acabei saindo da área de código mesmo e foram entrando outras pessoas que
também não conheciam e gente foi passando o conhecimento adquirido. Hoje a gente é
super estável, mas por um bom tempo rodou no site com um aviso para o pessoal de
negócios: pode dar pau a qualquer momento, pode sair a qualquer momento. E eles
preferiam assumir o risco do que ficar com a ferramenta pronta (comprada do
mercado). (E2)
A aquisição de competências externas também é uma alternativa.
A gente desenvolveu um algoritmo novo de similaridade de produtos, que a
gente tem uma parceria com uma empresa americana. Eles têm algumas ferramentas
lá, uns frameworks para a gente usar de recomendação, então a gente pegou, começou
a utilizar eles e vamos ver que resultado isso pode trazer. (...) Hoje a gente tem alguns
outros algoritmos lançados agora, a gente ainda não está em uso com eles ainda. São
algoritmos mais da área acadêmica, de técnicas mais bem desenvolvidas durante esse
tempo na academia, que outras empresas como Netflix e Linkedin já usam bastante.
(E8)
Uma das coisas que investimos foi numa consultoria com uma empresa
chamada Aurelius. Tem outra coisa que é engraçada: quando a gente começou a
trabalhar com grafos, não existiam muitos bancos de dados de grafos. Então estávamos
trabalhando com um chamado Neo4J, que era um banco de dados que não cresceria
muito. (...) depois a gente veio a descobrir que o pessoal que desenvolveu esse banco de
dados é um grupo de doutores em grafos, super estudiosos, que não simplesmente
desenvolveram o banco de dados, eles sabem muito da teoria do que se fazer com essa
estrutura de dados. Acho que a gente foi o primeiro no mundo a usar isso em produção
e é uma empresa americana que produz código aberto. E, como eles ganham dinheiro?
Dando consultoria.. A gente tem um relacionamento muito próximo deles por ter sido o
primeiro ou um dos primeiros a usar e a gente acabou fechando uma consultoria com
eles. Então a gente tem algumas horas por mês. (E2)
79
Em relação a formação de equipe, propõe-se:
P10: A capacitação interna das equipes de trabalho e a aquisição de
competências externas são alternativas para se minimizar o Talent gap.
Mediante a dificuldade de encontrar pessoas com perfil técnico e
comportamental desejado, a capacitação interna dos membros de equipe e a aquisição
de competências externas, como consultorias, são alternativas para superar a dificuldade
de contratação.
Gestão da privacidade
A integração dos dados disponíveis passa por desafios éticos e legais e também
por procedimentos internos.
Acho que sim. A gente tem que avaliar que tipo de informação a gente pode
usar. Por exemplo, hoje a gente tem uma financeira dentro da empresa e é uma joint
venture com a Magazine Luiza. Então a gente é metade dono dessa empresa. Só que é
uma instituição financeira que passa por várias compliances de informação e tem
dados que estão lá a disposição, mas eu não posso usar em função de compliance com
o banco. A gente tem que avaliar um pouco. Mas fora o que a gente não pode informar,
foi muito tranquilo, a gente conseguir consolidar os dados. (E5)
A gente também tem vazamento de dados internos. Por exemplo, o pessoal do
CRM quer todos os dados de determinado cliente. Então a gente tem que entender o
que ele vai fazer com aquele dado. Mesmo que seja dentro do Magazine, para poder
liberar ou não. (...) A área de Big Data é um grande problema. Eu preciso ter acesso ao
histórico de pedidos de um cliente. Aqui eu só consigo ver os pedidos do site, aqui eu só
consigo ver do televendas, e na loja física não dá. Porque tem uma rede que é fechada e
o pessoal de segurança não libera. Então tem que falar com a segurança. A segurança:
“ah, para liberar isso preciso da assinatura de um diretor”... aí entra no processo
corporativo... mas no fim a gente consegue. (E2)
Dentre as questões éticos, a gestão da privacidade do consumidor é um desafio
para o varejo virtual (MINELLI, CHAMBERS & DHIRAJ, 2013; SIMON, 2013;
80
WIGAN & CLARKE, 2013; GEORGE, HASS & PENTLAND, 2014).
O risco tem escorado muito na questão do sigilo dos dados, das informações.
Nos EUA tem sido muito mais discutido, no Brasil está começando a se discutir agora.
Mas eu acho que é uma questão muito de bom senso que a gente tem que ter na
utilização dos dados, acho que a gente tem que obviamente respeitar o consumidor.
Então a gente sempre procura fazer tudo para a gente não ser invasivo na comunicação
principalmente. Mas a gente tem que acompanhar para ver como isso vai evoluir no
Brasil, no sigilo dos dados. (E5)
Uma coisa importante que a Karina falou, principalmente a transparência com
o cliente em todos os processos. (...) A gente é transparente o suficiente para falar
assim: você quer que a gente use essas informações? Se não quiserem, você pode sair.
(...) É uma questão de transparência mesmo. (E4)
O que aconteceu é que teve o marco civil.. e aí um dia eu inventei de ler aquilo e
falei “acho que a gente precisa de dar uma olhada”... e a gente criou algumas
ferramentinhas para permitir à pessoa que não quiser ser trackeada de ir lá no painel
de cadastro dela e falar “não quero ser trackeada”. E ela para de ser trackeada em
todos os canais. Seguindo as normas que falaram lá no marco civil, eu, pessoalmente,
eu não sei a parte legal - se aquilo é válido ou não é válido. Mas aquilo foi posto em
discursão. As pessoas falaram que era importante. E eu concordo também. Então, a
gente tem ferramentas de opt-out.. “não quero não só receber seus e-mails, mas não
quero que você registre meu comportamento”. Ela consegue sair. (E2)
A gente compartilha dados com terceiros. Por exemplo, a empresa de e-mail -
ela que faz o disparo em si. Por que ela é homologada pelo Hotmail. Tem um negócio
chamado return package e ela garante que você seja respeitado pelos e-mails. Para
isso tem que seguir um monte de regras. Por eles, a gente garante que chega no inbox.
Nesse caso, a gente tem que passar o email da pessoa, o nome dela, os produtos em que
ela deve estar interessada. E como que a gente faz isso?. A gente segue padrões de
segurança até internos, nossos, e de mercado. No caso de email, a empresa só existe
por que ela respeita tudo... por que se ela não respeitasse, ela seria bloqueada também
pelos providers. A gente não vê muito problema de vazamento de dados porque esse é o
81
core dela. (E2)
Sobre a privacidade dos dados, propõe-se:
P11: A privacidade dos dados pessoais é um fator a ser gerenciado na
adoção de Big Data.
A existência de dados sensíveis em sistemas determina a necessidade de gestão
da privacidade. As empresas mantenedoras dos dados têm responsabilidade ética e legal
sobre a preservação da privacidade.
Desafios técnicos do caso analisado
Um desafio técnico encontrado diz respeito a como armazenar dados de grande
volume, sem perdê-los. Outra questão diz respeito a não perder dados durante os
processos, em sistemas que são independentes.
A gente arrumou uma maneira super legal de armazenar ele, que é em formato
de grafo. Voltando num exemplo fácil... eu consigo saber muito, muito, muito rápido
quem são seus amigos, o que eles compraram, o que foi recomendado para eles, no que
eles clicaram, quantos e-mails eu disparei.. Mas essa abstração, ela é custosa no
sentido de como armazenar os dados. É um overhead muito grande e a gente já teve
problemas de perder todos os dados várias vezes. Deu um pau, a gente não sabia o que
fazer. Passou muito do limite do que essa estrutura aguentava e a gente não viu a
tempo. Na época que estava começando. E é um desafio constante. Hoje a gente não
tem problemas assim de perder dados, mas, a gente tem alertas: “precisamos tirar
alguma coisa do grafo e jogar para outro tipo de storage”. (E2)
Para ter esse tanto de canal, a gente tem um monte de base de dados
intermediárias. E esses dados vão se perdendo ao longo do caminho. Vamos supor que
no canal que eu fechei a venda, eu sei tudo. (...) No mobile a gente tem até latitude e
longitude, daquele momento que ele fez a compra. Quando chega no ERP você não
sabe nada. (E2)
82
Outro desafio é como recuperar insight e informações no tempo adequado. Um
ponto onde o Big Data possui um grande potencial é na análise de dados em tempo real.
A intenção do Magazine Luiza é que o analytics gere recomendações instantâneas. Mas
a velocidade ainda é um problema. O tempo de resposta as consultas ainda é mais lento
do que se deseja em alguns casos. Em outros, conseguiu ser superado com a redução
dos dados a serem analisados.
Um problema que existe hoje é o tempo de resposta. Você coloca dinheiro numa
coisa, mas você não consegue ver ali na hora o que está performando melhor. Existe
um gap. Conforme o uso de Big Data vai ficando mais rápido, eles irão conseguir criar
um dashboard e ver na hora o que está indo bem, e o retorno imediato de um
determinado investimento. Também vai ficar mais fácil acompanhar em tempo real o
comportamento do consumidor, e entender o porquê dele consumir um determinado
tipo de produto em um momento. (E3)
A medida que isso ia crescendo, essa quantidade de dados ia aumentando,
aumentando, a gente começou a levar dias para conseguir processar ele inteiro e ele
fazer tudo o que a gente precisava porque, por exemplo, a gente pra calcular um
algoritmo pegava dois pedaços, calculava um pedaço desse algoritmo, ele ficava um
pedaço maior. A gente ia, calculava outra coisa em cima desse pedaço e ele ficava um
pedaço maior. Sempre qualquer tarefa que a gente fazia era em cima desse pedaço
grande. Então a gente começou a desenvolver estratégias para a gente quebrar esses
dados que a gente tinha. Agora a gente pega, por exemplo, um filtro, um tempo pequeno
desse dado, a gente já tem um ano que ele já está (em pé), a gente pensou: será que
esse 1 ano é realmente valoroso para o que a gente está fazendo? E se a gente pegasse
um pouco menos de tempo? A gente começou a fazer testes pegando espaços menores
de tempo para ir gerando essa recomendação. Então aí as 48 horas que a gente estava
levando para conseguir processar um dia de recomendação para ter recomendações
novas, a gente já conseguiu diminuir isso para um tempo bem menor, em torno de 7
horas hoje a gente está levando. Então é um pouco difícil. (...) Diminuiu o espaço de
tempo que a gente usou e ainda acabou sendo positivo, não só no tempo que a gente
levava para calcular as coisas, mas também no resultado que a gente obtinha. Isso foi
uma dificuldade bem grande que a gente teve e a gente não tem recursos infinitos
também para colocar 70 máquinas lá fazendo. A gente tinha um recurso limitado e a
83
gente queria que nessa limitação a gente conseguisse fazer o que a gente precisava.
Então hoje a gente já está conseguindo fazer isso muito bem e já está funcionando bem
legal. Essa foi uma dificuldade bem grande que a gente teve. (E8)
84
6. CONCLUSÃO
Esta pesquisa teve como objetivo identificar oportunidades e barreiras para
implementação de Big Data no varejo virtual no Brasil, por meio do estudo do caso do
Magazine Luiza, uma empresa que está na vanguarda do uso de ferramentas de Big
Data para gestão do relacionamento com o cliente. O uso de Big Data, no caso em
análise, teve como foco o aprimoramento de seu sistema de recomendações, para
melhor compreensão do comportamento do consumidor e direcionamento da sua
estratégia. A inserção do Big Data faz parte de um processo de transformação
estratégica de um varejista tradicional que busca ser uma empresa orientada por dados.
O projeto nasceu na área de TI, como diversas outras implementações desta
natureza, mas contou com o envolvimento da alta gestão, que posteriormente criou um
laboratório de Tecnologia e Inovação, com o objetivo de criar produtos e serviços com
foco no varejo - Luizalabs. Isto se deu na medida em que os resultados dos projetos de
Big Data começaram a aparecer. Os desenvolvedores deste laboratório se dedicam a
inovação e, portanto, não lidam com o dia a dia da empresa. A revisão da estrutura
organizacional, principalmente na área de TI, para se adequar e ampliar capacidade, foi
uma condição que favoreceu o desenvolvimento do Big Data.
Inicialmente, o time teve que recorrer à alta gerência para buscar apoio para a
implementação das ideias relacionadas a Big Data, posto que alguns testes preliminares
que o time havia colocado em prática na plataforma existente da empresa apontava já
alguns resultados promissores no campo de quantidade de retorno ao site pelos
consumidores e também no volume de compras direcionadas pelo e-mail marketing, que
também crescia. Com esses dados, foi mais fácil convencer a diretoria a criar uma nova
área especifica para pesquisar novas tecnologias que gerassem esses resultados.
Foi importante também mostrar para outras áreas, como a de negócios, o potencial
que Big Data tinha para melhorar os resultados financeiros. Por mais que atualmente
existam algumas diferenças, particularmente na demanda que a área de negócios tem
frente ao que o sistema é capaz de entregar, com a comprovação do potencial que o Big
Data era capaz de atingir, o convencimento para a criação de uma área destinada a sua
exploração foi mais fácil.
85
Contrariando a literatura, que aponta que os projetos de TI devem buscar ser
alinhados aos processos organizacionais (YEOH e KORONIUS, 2010; OHLHORST,
2013; NOVO e NEVES, 2013; KIM, TRIMI e CHUNG, 2014), a implantação de Big
Data no Magazine Luiza não se ateve a estes processos. A mudança cultura de uma
empresa tradicional de varejo para uma empresa digital demandou quebras de
paradigmas. As propostas das soluções de Big Data tiveram como objetivo a melhoria
de desempenho, com a intenção de inovar o modus operandis. Naturalmente esta
transformação gerou resistências, que foram sendo vencidas com base nos resultados e
na integração entre equipes de TI e de negócio.
O compartilhamento de informações, um dos benefícios potenciais do Big Data
(YEOH; KORONIUS, 2010; OHLHORST, 2013; NOVO; NEVES, 2013; KIM;
TRIMI; CHUNG, 2014), enfrentou desafios. As lojas físicas muitas vezes não fornecem
dados ao canal virtual, por percebê-lo como concorrente. Busca-se, assim, a redução dos
conflitos entre os canais. De qualquer forma, os silos de dados foram sendo vencidos,
no nível corporativo, quando as pessoas passaram a ver retorno em compartilhar. As
resistências foram sendo superadas como o ganho de confiança das áreas de negócio,
que permitiu que as áreas de TI e de negócio passassem a trabalhar de forma mais
integrada.
É constantemente necessário gerenciar as expectativas das áreas de negócio, pois
as demandas por soluções crescem quando as áreas de negócio percebem a utilidade do
Big Data. É necessário gerenciar as demandas e mostrar aos usuários o que é factível. A
área de TI propõe e seleciona muitos dos projetos que quer desenvolver, por acreditar
nos resultados. Mas isto sempre se dá alinhado ao objetivo das áreas de negócio. As
áreas de TI e de negócio têm também uma cultura de experimentação na organização,
onde diferentes ideais são testadas, não necessariamente orientadas sempre por dados.
Conforme apontado na literatura (ANSARINEJAD, AMALNICK,
GHADAMYARI, & HATAMI-SHIRKOUHI, 2011; BORKOVICH & MORRIS,
2011), o uso do método ágil de gestão projetos também facilitou a implementação dos
projetos de Big Data no Magazine Luiza, por permitir um escopo mais flexível e dar
autonomia as equipes.
86
Um outro desafio constante é o talent gap, mas ele não se refere só ao perfil
técnico, mas também a parte comportamental, principalmente no que tange ao perfil
empreendedor, a curiosidade e a vontade de aprender. Para lidar com esta realidade, as
equipes se qualificam internamente e contam também com aquisição de competências
externas, como consultorias. Mediante a dificuldade de contratação de pessoal com o
perfil desejado, o ganho de conhecimento nas equipes tem sido muito relevante.
Por fim, a gestão da privacidade do consumidor é um desafio para o varejo virtual,
que pode ser minimizado com a anonimização dos dados e com uma política adequada
de gestão de informação. Esse é um ponto sensível para as operações de uma empresa
que depende tanto de dados dos consumidores. Conforme foi apontado por alguns dos
entrevistados, no Brasil os consumidores ainda não entendem a proporção de seus dados
que são utilizados pelas empresas. Entretanto, é preciso estar preparado para um
aumento da conscientização sobre essa questão, e tratar os dados dos consumidores com
maior cuidado, tomando atitudes como a não divulgação dos dados brutos, mas sim
apenas os resultados das análises feitas. Essa prática tornou-se mais aceita pelo mercado
(PENTLAND, 2014). É fundamental que o Magazine Luiza seja o mais transparente
possível com seus consumidores, e mostrar a finalidade dos dados que estão sendo
monitorados e utilizados para melhorar o sistema de recomendação da empresa e ofertar
produtos cada vez mais adequados para o que eles estiverem procurando.
Mediante os resultados apresentados, traçamos algumas proposições relacionadas
as oportunidades e barreiras para a implementação de Big Data no varejo virtual no
Brasil. Algumas destas proposições se alinham ao que a literatura, principalmente de BI,
já vinha discutindo. De qualquer forma, elas ainda precisam ser discutidas no contexto
do Big Data. Elas são relacionadas ao alinhamento dos projetos de Big Data com a
estratégia organizacional, ao envolvimento da alta gestão, aos desafios de
compartilhamento de informação entre silos organizacionais, a importância da
comunicação, ao uso de métodos ágeis para desenvolvimento de projetos, a superação
do talent gap e a gestão da privacidade (P1, P2, P4, P5, P9, P10 e P11).
A maior contribuição deste estudo, entretanto está nas oportunidades e barreiras
levantadas que parecem ser específicas do contexto do Big Data e que ainda não foram
adequadamente tratadas na literatura. Elas são relacionadas ao estabelecimento de
87
processos inovadores, a gestão das expectativas dos usuários, a cultura da
experimentação e as revisões de estrutura organizacional (P3, P6, P7 e P8).
A presente pesquisa teve como motivação o crescimento dessa área nos meios de
comunicação ao redor do mundo, e algumas de suas práticas que tanto fascinam, como
os sistemas de recomendação da Amazon e do Netflix. O fascínio pela área tecnológica
abriu os olhos para essa temática, e explorar mais ao fundo sua aplicabilidade em um
contexto ainda pouco explorado no Brasil. É interessante olhar mais para outras
indústrias em especial no cenário nacional, pois há muita coisa interessante sendo criada
em especial na área financeira, as chamadas fintech. O Brasil ganhou destaque
internacional através de uma empresa nessa área chamada Nubank, que aplica muito de
Big Data em suas operações. De fato, é uma área que está na mídia há alguns anos, mas
merece um estudo acadêmico mais aprofundado, para que seja melhor estabelecido
como o seu processo de implementação ocorro dentro de uma ótica organizacional.
As limitações deste estudo referem-se ao fato dele ser uma pesquisa exploratória,
baseada num estudo de caso único, de um setor específico – o varejo virtual. Seus
resultados naturalmente não podem ser generalizados, mas servem se base para outras
investigações futuras, que poderão se basear nas proposições apresentadas, para estudar
a implantação de Big Data em outras organizações e setores.
88
7. REFERÊNCIAS
ANSARINEJAD, A. et al. Evaluating the Critical Success Factors in ERP
Implementation using Fuzzy AHP Approach. International Journal of Academic
Research, v. 3, n. 1, p. 65-80, Jan. 2011.
ASAY, M. Gartner on Big Data: Everyone’s Doing It, No One Knows Why.
Readwrite, September 2013. Disponível em: < http://readwrite.com/2013/09/18/gartner
-on-big-data-everyones-doing-it-no-one-knows-why >
BLASCO-ARCAS, L., et al. The Online Purchase as a Context for Co-creating
Experiences. Drivers of and Consequences for Customer Behavior. Internet Research,
vol. 24, nº 3, pp. 393-412, 2014.
BINGI, P.; SHARMA, M. K.; GODLA, J. K. Critical Issues affecting an ERP
Implementation. Information Systems Management, v. 16, n. 3, p. 7-14, 1999.
BURTON, R. M.; MASTRANGELO, D.; SALVADOR, F. Introduction. Journal of
Organizational Design, v. 3, n. 1, p. 1, 2014.
BRINKHUES, R.; MAÇADA, Antônio. Information Management Capabilities:
Antecedents and Consequences. Twentieth Americas Conference of Information
Systems, Savannah, 2014
BROWN, B.; MANYIKA, J. Are You Ready for The Era of ‘Big Data’?. McKinsley
Quarterly, pp. 1-12, October 2011.
BRYNJOLFSSON, E.; McAFEE, A. Big Data: The Management Revolution. Harvard
Business Review, pp. 1-9, October 2012
BRYNKO, B. Make Room for Big Data. Convenience Store Decisions, May 2013
CHEN, H.; CHIANG, R. H. L.; STOREY, V. C. Business Intelligence and Analytics:
From Big data to Big impact. Mis Quarterly, v. 36, n. 4, p. 1-22, Dec. 2012.
CIO. ‘Big Data será um mercado bilionário no Brasil em 2018, prevê a Frost &
Sullivan’. Revista CIO, 2014. Disponível em: <
89
http://cio.com.br/tecnologia/2014/02/17/big-data-sera-um-mercado-bilionaria-no-brasil-
em-2018-preve-a-frost-sullivan/ >
CONVERGÊNCIA DIGITAL. Big data e analytics vão movimentar R$ 3,2 bilhões no
Brasil. Convergência Digital, 2016. Disponível em:
http://m.convergenciadigital.com.br/cgi/cgilua.exe/sys/start.htm?UserActiveTemplate=s
ite&infoid=41587&sid=97
CRESWELL, J. Qualitative inquiry and research design: Choosing among five
traditions, Thousand Oaks, CA, 1998.
DAVENPORT, T. At the Big Data Crossroads: Turning Towards a Smarter Travel
Experience. Amadeus IT Group Publication, 2013.
DAVENPORT, T. Big Data in Big Companies. International Institute for Analytics.
May 2013.
DAVENPORT, T. Big Data at Work. 1ª Edição, Ed. Harvard Business Review Press,
2014.
DE GEUS, A. The Living Company, 2ª Edição, Ed. Harvard Business Review Press,
2002.
DEMCHENKO, Y.; NGO, C. Architecture Framework and Components for the Big
Data Ecosystem. System and Network Engineering, September 2012. Disponível
também em: < http://www.uazone.org/demch/worksinprogress/sne-2013-02-techreport-
bdaf-draft02.pdf >
DICKENSON, S. The Future of Retail. Home Accents Today, pp 28-33, March 2013.
E-BIT, Relatório Webshoppers, 31º edição, 2015. Disponível também em: <
http://www.ebit.com.br/webshoppers >
FELIPE, I. Um Estudo dos Determinantes da Decisão dos E-consumidores de
Comprarem no Comércio Eletrônico. Revista Gestão & Tecnologia, vol. 15, nº 1, pp.
174-199, Jan/Abr 2015.
90
GALLETTI, A.; PAPADIMITRIOU, D. How Big Data Analytics are Perceived as a
Driver for Competitive Advantage. Dissertação de Mestrado – Uppsala University, p.
5, 2013
GHAZAL, A.; RABL, Tilmann; HU, Minqing. Big Bench: Towards an Industry
Standard Benchmark for Big Data Analytics. In Proceedings of the ACM SIGMOD
Conference, June22-27, 2013
GRISHIKASHVILI, K. Investigation into Big Data Impact on Digital Marketing.
Online Journal of Communication and Media Technologies, pp. 26-37, October
2014
GUEST, ; BUNCE, ; JOHNSON,. How Many Interviews Are Enough? An Experiment
with Data Saturation and Variability. Field Methods, 18, 2006. 59-82.
HASHEM, I.; KHAN, S. The Rise of “Big Data” on Cloud Comuting: Review and
Open Research Issues. Information Systems, vol. 47, pags 98-115, 2015.
IBM Executive Report, Analytics: The Real-world Use of Big Data in Retail, 2013.
Disponível em: < http://www-935.ibm.com/services/multimedia/Analytics_real-
world_use_of_big_data_in_retail_Executive_Report.pdf >
IBGE, Pesquisa Nacional por Amostra de Domicílios: Acesso à Internet e Posse de
Telefone Móvel Celular para Uso Pessoal, p. 35, 2011. Disponível também em: <
http://www.ibge.gov.br/home/estatistica/populacao/acessoainternet2011/default.shtm >
IDC. Predictions Brazil 2014 Top Trends presentation, 2014. Disponível em: <
http://www.brasscom.org.br/brasscom/Portugues/download.php?cod=567 >
IDG News Services. IDC estima que os projetos envolvendo essas tecnologias
movimentaram US$ 122 bilhões em 2015. Computerworld, 2016. Disponível em: <
http://computerworld.com.br/mercado-de-big-data-e-analytics-movimentara-us-187-
bilhoes-em-2019 >
INSLEY, V. NUNAN, D. Gamification and the Online Retail Experience.
International Journal of Retail & Distribution Management, vol. 42, nº 5, pp. 340-
351, 2014.
91
JUNIOR, J.; MAÇADA, A. Processo Decisório no Contexto de Big Data: Estudo de
Caso em uma Empresa de Varejo. XVII Seminários em Administração, Outubro de
2014
KIM, G.-H.; TRIMI, S.; CHUNG, J.-H. Big Data Applications in the Govenrment
Sector. Communications of the ACM, v. 57, n. 3, p. 78-85, Mar. 2014.
LAJARA, T.; MAÇADA, BRINKHUES, R.; MAÇADA, A. Investimentos em TI e
Influência no Desempenho Organizacional: Através da governança da informação e
capacidades de gestão da informação, moderado pelo Big Data. IV Encontro de
Administração da Informação, 19 a 21 de maio de 2013
LEBOEUF, K. 2016 Update: What Happens In One Internet Minute? Excelacom, 2016.
Disponível em: < http://www.excelacom.com/resources/blog/2016-update-what-
happens-in-one-internet-minute >
LEE, J.; PARK, D. The Different Effects of Online Consumer Reviews on Consumers’
Purchase Intentions Depending on Trust in Online Shopping Malls. Internet Research,
vol. 21, nº 2, pp. 187-206. 2011.
LEEFLANG, P. S. H. et al. Challenges and Solutions for Marketing in a Digital Era.
European Management Journal , v. 32, n. 1, p. 1-12, Feb. 2014.
LI, M.; DONG, Z. Factors Influencing Consumption Experience of Mobile Commerce.
Internet Research, vol. 22, nº 2, pp. 120-141, 2012.
MAÇADA, A.; CANARY, Vivian. A Tomada de Decisão no Contexto do Big Data:
Estudo de caso único. XXXVIII Encontro da ANPAD, Rio de Janeiro, 13 a 17 de
setembro de 2014
MACHADO, L. Analytics e mobile são prioridades para a Netshoes em 2016. Decision
Report, 2016. Disponível em: < http://www.decisionreport.com.br/publique/cgi/
cgilua.exe/sys/start.htm?infoid=21807&sid=5&tpl=printerview >
MAGALHÃES, V. Netshoes tem incremento de 60% nas vendas com uso de ‘big data’.
Veja, 2016. Disponível em: < http://veja.abril.com.br/blog/radar-on-line/sem-
categoria/netshoes-tem-incremento-de-60-nas-vendas-com-uso-de-big-data/ >
92
MAGAZINE LUIZA. Quem somos. Disponível em:
http://www.magazineluiza.com.br/quem-somos/multicanais/. Acessado em: 15 de
março de 2016.
MAYER-SCHÖNBERGER, V.; CUKIER, K. Big Data: A Revolution That Will
Transform How We Live, Work and Think. 1ª Edição, Ed. Mariner Books, 2013.
MARR, B. Big Data: A Game Changer In The Retail Sector. Forbes, 2015. Disponível
em: < http://www.predictiveanalyticsworld.com/patimes/changing-the-retail-sector-
with-big-data/6960/ >
MCAFEE, A.; BRYNJOLFSSON, E. Big Data: The Management Revolution. Harvard
Business Review, v. 90, n. 10, p. 60-68, 2012.
MINELLI, M.; CHAMBERS, M.; DHIRAJ, A. Big Data Big Analytics: Emerging
Business Intelligence and Analytic trends for today's businesses. Hoboken: John Wiley
& Sons, 2013.
NOVO, R.; NEVES, J. M. S. D. Inovação na inteligência analítica por meio do Big
data: característica de diferenciação da abordagem tradicional. In: VIII WORKSHOP
DE PÓS-GRADUAÇÃO E PESQUISA DO CENTRO PAULA SOUZA, 8., 2013, São
Paulo. Anais... São Paulo: [s.n.], 2013. p. 32-44.
OHLHORST, F. Big Data Analytics: Turning Big data into Big money. Hoboken: John
Wiley & Sons, 2013.
PENTLAND, A. With Big Data Comes Big Responsibility. Harvard Business Reveiw,
November 2013. Disponível em: < https://hbr.org/2014/11/with-big-data-comes-big-
responsibility >
PROVOST, F.; FAWCETT, T. Data Science and its Relationship to Big Data and Data-
driven Decision Making. Big Data, vol. 1, nº 1, pp. 51-59, March 2013.
SARWAR, B.; KARYPIS, G. Recommender Systems for Large-scale E-commerce:
Scalable Neighborhood Formation Using Clustering. 5th International Conference on
Computer and Information Technology, 2002
93
SCHMARZO, B. Big data: understanding how data powers Big Business. Indianapolis:
John Wiley & Sons, 2013.
SCHOEMAKER, P.; DAY, G. Wharton on Managing Emerging Technologies, 1ª
edição. Ed. John Wiley & Sons, 2000.
SHAPIRO, C.; VARIAN, H. Information Rules. p. 53, 1ª Edição, Ed. Harvard
Business Review Press, 1999.
SILVA, I. M. D.; CAMPOS, F. C. D. New Perspectives using Big data: a study of
bibliometric 2000-2012. In: INTERNATIONAL CONFERENCE ON INFORMATION
SYSTEMS AND TECHNOLOGY MANAGEMENT – CONTECSI, 11., 2014, São
Paulo. Proceedings… São Paulo: [s.n.]. 2014. p. 4150-4172.
SIMON, P. Too Big too Ignore. Hoboken: John Wiley & Sons, 2013.
SOMERS, T. M.; NELSON, K. ; RAGOWSKY, A. Enterprise resource planning (ERP)
for the next milenium: development of an integrative framework and implications for
research. In: PROCEEDINGS OF THE AMERICAS CONFERENCE ON
INFORMATION SYSTEMS (AMCIS), 2001. Proceedings… New York: ACM, 1999.
p. 998-1004.
SPIESS, J. et al. Using Big Data to Improve Customer Experience and Business
Performance. Bell Labs Technical Journal, vol. 18, pags 3-17, 2014.
STATISTA. Global Big Data Market Year-on-year Growth Forecast from 2012 to
2017 (in billions of dollars). Disponível em: < http://www.statista.com/statistics/
255968/global-big-data-market-growth-forecast/ >
STATISTA.E-commerce share of total retail sales in Brazil from 2014 to 2019.
Disponível em: < http://www.statista.com/statistics/379140/e-commerce-share-of-retail-
sales-in-brazil/ >
STATISTA. Number of digital buyers in Brazil from 2014 to 2019 (in millions).
Disponível em: < http://www.statista.com/statistics/251659/number-of-digital-buyers-
in-brazil/ >
94
STATISTA. Global retail e-commerce sales volume from 2013 to 2018 (in billion
U.S. dollars). Disponível em: < http://www.statista.com/statistics/222128/global-e-
commerce-sales-volume-forecast/ >
STEVENS-HUFFMANN, L. Profit from Big Data. Smart Business Columbus, pp. 16-
19. November 2013.
SU, Q.; LI, Z, et al. Conceptualizing Consumers’ Perceptions of E-commerce Quality.
International Journal of Retail & Distribution Management, vol. 36, nº 5, pp. 360-
374, 2007.
TATA CONSULTING SERVICES. Big Data: Relevance for Retailers, 2014.
Disponível em: < http://www.tcs.com/SiteCollectionDocuments/White%20Papers/Big-
data-relevance-retailers-0714-1.pdf >
TAHER, M. Resource-Based View Theory Information Systems Theory: Explaining
and Predicting our Digital Society, vol. 1, cap. 8, pp. 151-161. Springer Science +
Business Media, 2012.
TANG, M; WU, Z. Research on the Mechanisms of Big Data on Consumer Behavior
Using the Models of C2C E-commerce and Countermeasures. African Journal of
Business Management, vol. 9, pp. 18-34, January 2014
WATSON, H. Addressing the Privacy Issues of Big Data. Business Intelligence
Journal, v. 19, nº 2, 2014.
WIGAN, M. R; CLARKE, R. Big Data’s Big Unintended Consequences. Computer, v.
46, n. 6, p. 46-53, 2013.
WIKIBON. Big Data Vendor Renevue and Market Forecast 2013-2017. Disponível
em: < http://wikibon.org/wiki/v/Big_Data_Vendor_Revenue_and_Market_Forecast_
2013-2017 >
YANG, R; LANG, C. Of Effects of Cloud Computing on Big Data Processing for E-
commerce Development. 3rd International Conference on Science and Social
Research (ICSSR), pp. 1135-1138, 2014.
95
YEOH, W.; KORONIUS, A. Critical success factors for business intelligence systems.
Journal of Computer Information Systems, v. 50, n. 3, p. 23-32, 2010.
YIN, R. Estudo de Caso: Planejamento e Métodos, 5ª Edição, Ed. Bookman, 2014.
ZALUD, B. Video Analytics: Big Retail Deal with Big Data. Security Magazine,
September 2012.
ZALUD, B. Video Analytics: Big Retail Deal with Big Data. Security Magazine, pp.
80-86, Setembro 2014.
ZHANG, J.; ZHU, J. Research Intelligent Precision Marketing of E-commerce Based on
the Big Data. Journal of Management and Strategy, vol. 5, nº 1, 2014.
ZICARI, R. Big Data: Challenges and Opportunities. Big Data Computing, Chapman
and Hall/CRC, pp. 103-128, 2013.
ZIKOPOULOS, P. Understanding Big data: Analytics for Enterprise Class Hadoop and
Streaming Data. Editora McGraw-Hill, 1ª edição, 2011.
96
8. ANEXOS
ANEXO A
ROTEIRO DE PESQUISA
Início do projeto Você pode nos contar um pouco sobre como foi a implantação de Big Data na Magazine Luiza?
Objetivo inicial Alinhamento com a estratégia Equipe e funções Grau de dedicação da equipe ao projeto Envolvimento da alta gestão da MAGAZINE LUIZA O que a MAGAZINE LUIZA já tinha de experiência em Big Data? Alguém qualificado? Identificação de novas oportunidades - como isto foi tratado?
Evoluções do projeto Como está o Big Data hoje na MAGAZINE LUIZA?
Desdobramentos do projeto inicial Mudanças de escopo durante os projetos Que departamentos fazem uso do Big Data? Como? Seleção dos projetos que serão executados Gestão das expectativas sobre as potencialidades do Big Data Líderes ou campeões de projeto Como está a equipe hoje? Novas contratações na MAGAZINE LUIZA? Importância de realizar o projeto em fases?
Mudança organizacional Como foi feita a gestão da mudança organizacional para a implementação?
Influência do Big Data nos processos organizacionais da MAGAZINE LUIZA Alterações nas relações interdepartamentais / estrutura organizacional Conflitos e soluções Silos de informação Conscientização e treinamento dos funcionários Demanda por novas competências Superusuário Recompensas financeiras e não financeiras Transferência de conhecimento da consultoria para a organização
97
Impactos do Big Data Qual o impacto que o Big Data teve na MAGAZINE LUIZA?
Processo de tomada de decisões (passado, presente e futuro) Os insights gerados pelo Big Data são validados de alguma forma? Dificuldades do projeto (técnicas e gerenciais) Como avaliar custos, benefícios e riscos de um projeto de Big Data
Ética e privacidade
Quais preocupações de natureza ética existem num projeto como este?
Anonimato dos indivíduos Que dados podem ser usados ou não Quem avalia a ética no uso dos dados Compartilhamento de dados com terceiros Armazenamento da proveniência dos dados
Questões técnicas
Alinhamento entre as ações técnicas e o alcance dos objetivos de negócios Estilo de planejamento de projetos utilizado - Em cascata, progressiva, ágil Critério de escolha da arquitetura tecnológica - o critério é adequado? Quem foi consultado na escolha da arquitetura tecnológica? Voto ou de veto? O uso de tecnologias open source influenciou na escolha? Quão flexível é a arquitetura para atender a necessidades atuais ou ainda não previstas de Big Data? Quem paga pelos custos da infraestrutura? TI, a área-fim ou outra? Tiveram algum problema com o tempo de processamento dos modelos? Tiveram algum problema com confiabilidade da infraestrutura? Integração aos sistemas legados Preocupação em melhorar a qualidade (ex.: informação não tão confiável) Precisa de análise em tempo real ou quase real (p.ex. detecção de fraudes)? Usa pré-processamento para acelerar a análise? Como os dados passam dos sistemas operacionais da empresa para a infraestrutura de Big Data? Problemas com o volume de dados Problema com dados desestruturados Requisitos na visualização de dados