INVESTIMENTOS EM TI E SUA INFLUÊNCIA NO DESEMPENHO ORGANIZACIONAL: Através da governança da informação e capacidades de gestão

da informação, moderado pelo big data

Autoria: Tamara Tebaldi Lajara, Rafael Brinkhues, Antonio Carlos Gastaud Maçada

Resumo O impacto dos investimentos de TI no desempenho organizacional permanece controverso. Com base na teoria da agência, o objetivo desse artigo é propor um modelo de pesquisa visando à análise da influência dos investimentos em TI no desempenho organizacional, através do uso de governança da informação e das capacidades de gestão da informação, sendo moderado pelo big data. Assim, esse artigo apresenta uma pesquisa em andamento, que tem como benefícios uma compreensão de elementos ainda incipientes na literatura brasileira, sendo recomendado para acadêmicos e práticos da área de sistemas de informação.

2

1. Introdução Os investimentos mundiais em tecnologias de informação (TI) têm crescido a um ritmo impressionante ao longo das últimas duas décadas (WEBER; KAUFFMAN, 2011). Apesar do crescimento, há divergências sobre o impacto dos investimentos no desempenho da firma. Ada et al. (2012), realizaram uma metanálise e concluíram que investimentos em TI impactam positivamente no desempenho, enquanto que Ramírez-Correa e Alfaro-Pérez (2011), aplicando um modelo DEA em empresas chilenas, não encontraram evidências para suportar essa relação. Essas divergências podem ser causadas pelo método e até pela teoria adotada na pesquisa, dado que algumas apenas buscam controlar as entradas (do investimento em TI) e as saídas (do desempenho organizacional) da relação, sem analisar o como esses investimentos influenciam no desempenho. Como fundamentação teórica da pesquisa, se utilizará a teoria da agência, para analisar como interesses conflitantes na relação entram em equilíbrio para gerar o resultado (JENSEN; MECKLING, 1976). Segundo Brynjolfsson e Hitt (2000) investimentos em TI têm um forte impacto em processos organizacionais, desenvolvimento de capacidades, e na própria estrutura organizacional, resultados que não são considerados em muitas pesquisas, que utilizam apenas indicadores presentes em relatórios financeiros e contábeis. As bases de dados ou técnicas de modelagem inadequadas também são citadas por Dedrick, Gurbaxani e Kraemer (2003) como prováveis origens da discrepância nos resultados de pesquisa. Devido a essa discrepância, a relação entre investimentos em TI e desempenho organizacional permanece como um importante tópico de investigação, tanto para executivos, como para acadêmicos (MITHAS et al., 2012). A atenção com os investimentos em TI aumentou com o big data. Somente em 2012 serão investidos 28 bilhões de dólares em TI no mundo, principalmente, para adequar as soluções atuais às demandas geradas pelo big data (GARTNER, 2012). Investimentos em ferramentas para big data devem ocupar aproximadamente 11% dos gastos de TI nas organizações, em 2020 (VIAJAYAN, 2012). Esses investimentos em TI devido ao big data retomam o debate sobre a relação do mesmo com o desempenho organizacional. Para Manyika et al. (2011), uma empresa varejista pode ter um aumento de 60% em sua margem operacional ao otimizar o uso das informações do big data. Beath et al. (2012) ressaltam que ao realizar investimentos para o big data, as empresas focam em armazenar, proteger e acessar essa grande quantidade de dados, enquanto que deveriam estar focadas em buscar o valor da informação, concentrando-se nas oportunidades para aumentar o valor do negócio. Muitas dessas ferramentas vendidas atualmente para lidar com o big data trazem consigo frameworks de governança da informação (GI) e capacidades de gestão da informação (CGI). No entanto, por serem temas recentes, a literatura de SI não é clara sobre a extensão e o alcance da conexão entre os construtos de investimento em TI, governança da informação, capacidades de gestão da informação, big data e desempenho organizacional. Logo, a questão para guiar essa pesquisa é: Como os investimentos em TI influenciam o desempenho organizacional, através do uso da governança da informação e das capacidades de gestão da informação, moderados pelo big data? Como primeiro passo da pesquisa, o objetivo para esse artigo é propor um modelo de pesquisa visando à análise da influência dos investimentos em TI no desempenho organizacional, através do uso de governança da informação e das capacidades de gestão da informação, sendo moderado pelo big data. Para o desenvolvimento desse artigo, na seção dois se apresenta a teoria da agência, na seção três se realiza uma revisão da literatura de investimentos em TI, governança da informação, capacidades de gestão da informação e big data. Logo após se apresentará o método proposto para a pesquisa, junto com o modelo de pesquisa. Na seção 5 se apresentará as conclusões, com os resultados preliminares.

3

2. Teoria da agência Quando se analisa a relação entre investimentos em TI e desempenho organizacional, muitas vezes, se propõe uma análise do tipo “caixa preta”, em que apenas se observa as entradas e as saídas. É necessário ir além dessa visão sintética, essa pesquisa abrirá essa caixa preta, apresentando as relações entre investimentos em TI, governança da informação, capacidades de gestão da informação e big data no desempenho organizacional. Para isso, o marco teórico utilizado nessa pesquisa é a teoria da agência. Os principais autores da teoria da agência são Jensen e Meckling (1976), que criaram o conceito de problema de agência. Outros autores que realizaram grandes contribuições para a teoria da agência são Alchian e Demsetz (1972), por buscarem abrir a “caixa preta” da firma através de um estudo sobre o custo de monitorar uma equipe de produção. A teoria da agência busca melhorar o relacionamento de agência, que pode ser definido como um contrato em que uma (ou mais) pessoas, que no caso é chamado de principal, delega autoridade para o agente (outra pessoa) realizar determinada tarefa ou tomada de decisão (JENSEN; MECKLING, 1976). A teoria da agência , segundo Eisenhardt (1989), busca respostas para dois problemas principais: O primeiro é quando se analisa um conflito de interesses entre o principal e o agente; e o segundo é quando principal e agente tomam diferentes posições frente ao risco, mas compartilham esse risco. Assim, para controlar esses problemas de agência, o principal adota mecanismos de monitoramento do processo, como estruturas de governança, visando a mitigar o problema de agência (FREZATTI et al., 2009). Assim, a governança da informação visará mitigar o problema de agência, e ser um mecanismo de monitoramento para as capacidades de gestão da informação e para o big data. 3. Revisão da literatura 3.1 Investimentos em TI Embora pareça óbvio que somente o investimento em tecnologia não é suficiente para que a organização melhore o seu desempenho, executivos ainda acreditam ingenuamente que ao adotarem uma “solução” baseada em TI sua empresa se tornará mais competitiva (MARCHAND, 2005). Ignora-se que para isso ocorrer são necessárias mudanças comportamentais e culturais significativas na forma como a informação e a tecnologia são utilizadas pelos executivos, devendo também ser acompanhadas de investimentos e ações complementares. Grande parte das análises tradicionais tem investigado apenas o quanto as organizações estão pagando pela tecnologia e não o quanto e como elas estão utilizando-a (SMITH; MCKEEN, 1993; DEVARAJ; KOHLI, 2003). Não se espera que a TI em si mesma aumente a produtividade da empresa, mas a TI disponibiliza oportunidades para organizações. A forma e a extensão com que os benefícios serão alcançados dependerão de como as organizações alinham, gerenciam e utilizam suas tecnologias aplicadas aos negócios (WARD et al, 1996). Para Mithas et al. (2012) investimentos em TI facilitam o crescimento da receita, pois abrem novas possibilidades de agregar valor a empresa, como novas canais de marketing e vendas, além de melhorar a administração da organização. 3.2 Governança da informação (GI) Na área de administração, a governança é associada ao desempenho dos negócios, caracterizando-se pelo estabelecimento de uma série de condições para o bom andamento de qualquer tipo ou tamanho de organização. A governança foca em quem tem os direitos decisórios sobre determinado tema e como esses direitos decisórios poderão ser exercidos, enquanto que a gestão é a implantação das decisões (GRIMSTAD; MYRSETH, 2011). Entre as estruturas mais usuais de governança nas organizações são a governança corporativa e

4

governança de TI. Uma estrutura recente, que é cada vez mais crucial para as modernas corporações é a governança da informação que trata sobre como governar a informação no âmbito das organizações. A governança da informação (GI) é definida como o conjunto de normas e controles de responsabilidade que visam ao valor, à qualidade e ao compliance da informação. Sendo que, as dimensões de GI são: valor, qualidade e compliance da informação. A maximização do valor da informação é o objetivo da governança da informação (OTTO, 2011) e segundo Cooney (1991), tanto informação como valor são noções abstratas. Apesar dessa dificuldade em se conceituar, valor da informação pode ser compreendido como uma dimensão subjetiva, em que o usuário, através de seu entendimento da informação, irá valorar a informação. De acordo com Zhao et al. (2008), há uma relação próxima entre valor da informação e qualidade da informação. Essas duas dimensões têm como característica comum serem de difícil mensuração, por serem definidas de acordo com o usuário da informação (COONEY, 1991; LEE et al., 2006). Um dos benefícios de ter um framework de governança da informação instituído nas empresas é que se formaliza um programa de qualidade da informação (WENDE, 2007). Há a necessidade da governança da informação também para assegurar a conformidade da organização com leis e regulamentações pertinentes à informação, dimensão representada pelo compliance da informação (GRIMSTAD; MYRSETH, 2011). A governança da informação (GI) pode ser abordada, então, como uma garantia de que as atividades da empresa estão em conformidade com as normas legais e regulamentares além de conformidade com as melhores práticas e padrões éticos que, frequentemente, podem ir além da conformidade apenas legal (DATSKOVSKY, 2009). Compliance da informação e qualidade da informação são conceitos pertinentes também às capacidades de gestão da informação. As capacidades de gestão da informação são operacionalizadas através das habilidades: de fornecer informações com qualidade da informação adequadas e de fornecer acesso e conectividade na amplitude e grau adequados (sendo são determinados de acordo com leis e regulamentos que a empresa se submete) (MITHAS et al., 2011). Assim, pode-se relacionar governança da informação com as capacidades de gestão da informação. 3.3 Capacidades de Gestão da Informação (CGI) A propriedade de capacidades organizacionais pode constituir uma barreira à entrada, além de fornecer vantagem competitiva sustentável (TEECE, 1992). No contexto estratégico, nove capacidades essenciais de SI são observadas: liderança, visão de sistemas de negócios, construção de relacionamentos, planejamento da arquitetura, operação da tecnologia, compra informada, negociação de contratos, monitoramento de contratos, desenvolvimento de vendedores (FEENY; WILLCOCKS, 1998). Posteriormente, Willcocks et al. (2007) identificaram três mecanismos que alavancam essas nove capacidades: processo, cultura e estrutura. Bharadwaj et al. (2000), concluíram que empresas com capacidades altas de TI tendem a ter um desempenho organizacional superior. Para analisar as capacidades de gestão da informação, necessita-se abordar a própria gestão da informação que, como recurso estratégico para a organização, vem sendo evidenciada desde que McGee e Prusak (2004) declararam que é a informação, e não a tecnologia, é que fornece o maior potencial de retorno para as empresas, sendo a informação a base da competição. O aspecto de sucesso no processo de melhoria é a gestão eficaz da informação, independente da tecnologia da informação utilizada (DAVENPORT; BEER, 1995). Mesmo com essa relevância evidenciada, poucos estudos exploram as capacidades de gestão da informação, inclusive em SI. Uma das poucas exceções é o estudo de Marchand et al. (2000) que descreve as práticas de gestão da informação, sua capacidade de orientação e

5

potencial estratégico. Também, Zahai (2003) com foco no desenvolvimento de produtos, investiga o papel das capacidades de gestão da informação. Posteriormente, Zahai e Griffin (2004) investigaram as capacidades de gestão da organização, a partir da aprendizagem de cliente, num contexto estratégico. No estudo da logística, Mentzer et al. (2004) criam uma teoria da logística unificada no contexto do papel estratégico e das capacidades de logística, dentre as quais, capacidade de gestão da informação. Zahai e Handfield (2004) evidenciaram a relevância das CGI, demonstrando que nas organizações não só as capacidades técnicas de automação, mas também a capacidade de aprender e compartilhar informações torna mais provável o sucesso na automatização de seus processos na cadeia de suprimentos. No contexto do varejo na internet, Verchopoulos, Siomkos e Doukidis (2001) elaboram as capacidades de gestão da informação disponíveis pelos modelos de serviços personalizados para os principais atores. Logo, CGI pode ser operacionalizada como a habilidade para (1) fornecer dados e informações para os usuários com os níveis adequados de precisão, pontualidade, confiabilidade, segurança e confidencialidade, (2) fornecer conectividade universal e de acesso com alcance suficiente, e (3) adequar a infraestrutura às necessidades de negócios emergentes (MARCHAND et al., 2000). Analisando o impacto das capacidades de gestão da informação no desempenho organizacional, Mithas et al. (2011) concluem que as capacidades de gestão da informação ajudam a desenvolver outras capacidades para a gestão de clientes, gestão de processos e gestão de desempenho, impactando positivamente no desempenho organizacional. 3.4 Big data O big data não é apenas uma palavra que está na moda (GREENGARD, 2012; BEATH et al., 2012), big data é real e está influenciando desde eleições norte-americanas (TRISH, 2012) a campos distintos como astronomia, efeitos especiais e biologia (LOHR, 2012; SCHLIESKI; JOHNSON, 2012). Na área de sistemas de informação, o desafio do big data está exigindo mudanças no desenvolvimento de tecnologias, processos e mecanismos de governança (DEMCHENKO et al., 2012; GREENGARD, 2012). Existem ainda muitos desafios tecnológicos para gerar benefícios do big data (BEATH et al. 2012; POSPIECH; FELDENS, 2012). Sistemas obsoletos, padrões incompatíveis de dados, excesso de dados não estruturados, muitas vezes impedem a integração dos dados e análises mais sofisticadas (MANYIKA et al., 2011). Mas quando compreendido e enfrentado, esse desafio pode agregar importantes vantagens competitivas às organizações, bem como abrir novas oportunidades de negócios e melhorar a tomada de decisão dos executivos (SANTAFERRARO, 2012; MCAFEE, BRYNJOLFSSON, 2012; GREENGARD, 2012). Ainda não há um consenso sobre a definição de big data (LOPEZ, 2012). Apesar disso, muitos conceitos compartilham pontos em comum (FRANKS, 2012). Entre os pontos principais abordados por muitos autores podem-se citar as dimensões do fenômeno (volume, velocidade, variedade, valor e veracidade), bem como a relação desfavorável entre a quantidade de dados a serem analisados e as tecnologias e ferramentas disponíveis para administrá-los. Para melhor visualização dos conceitos, segue quadro com os autores e conceitos para big data (quadro um).

Quadro 1 - Principais conceitos de big data Autor(es) e ano Tema principal do artigo Conceito de big data

ARNOLD (2012)Explicações sobre o big data : como surgiu, possíveis benefícios e dificuldades além das soluções vendidas pelas principais consultorias.

"Pode ser definido como quantidades massivas de conteúdo armazenado (estruturado ou não) que pode ser facilmente analisado em tempo real (em uma quantidade de tempo razóavel para alcançar uma resposta útil)." p. 32

BEATH et al. (2012)Recomendações para as organizações encontrarem oportunidades na explosão de informações.

"Desafios de armazenar, proteger e acessar quantidades massivas de dados." p. 18

BEGOLI, HOREY (2012)

Apresentar três príncipios para arquitetura de sistemas que auxiliam a lidar com o big data .

"Refere-se a prática de coletar e processar conjuntos muitos grandes de dados e uso de sistemas associados e algoritmos para a análise desses conjuntos massivos de dados." p.215

6

BONOMETTI (2012)

Apresentar um modelo para tecnologias no mercado de mídias sociais, tecnologia móveis e aplicações nas nuvens.

"A totalidade de fontes de dados estruturados e não estruturados, incluso mídias sociais" p. 209

BUGHIN, CHUI, MANYIKA (2010)

Relatório demonstrando como executivos podem se beneficiar de 10 novidades tecnológicas.

Inundação de dados "como resultado de maior acesso de dados do consumidor através de fontes públicas, de proprietário e pagas, bem como novas informações advindas de comunidades web e de novas implantações de ativos inteligentes" p. 7

CALLEBAUT (2012)Visão de perspectivas filosóficas para o big data na biologia.

"O grande desafio do big data não é somente de simples escala e amplitude dos novos conjuntos de dados, mas também a crescente complexidade desses." p. 70

CHEN, CHIANG, STOREY (2012)

Editorial da revista MIS Quartely para uma edição especial sobre BI (Business Intelligence ).

"Descreve os conjuntos de dados e técnicas analíticas em aplicações que são tão grandes (de terabytes para exabytes) e complexas (de sensor a dados de mídias sociais) que eles requerem únicas e avançadas tecnologias de armazenamento de dados, administração, análise e visualização."

DEMIRKAN, DELEN (2012)

Apresentar um modelo conceitual de um sistema de apoio à decisão orientado a serviços (DSS) para a nuvem que possa lidar com o big data.

"Desafio de administrar grandes quantidades de dados." p.1

FRENCH (2012)Artigo tratando sobre inteligência artificial, mais especificamente em como os avanços tecnológicos atuais afetariam o Teste de Turing.

"A disponibilidade de vastas quantidades de dados de todos os tipos e o aumento de velocidade e poder de máquinas para analisar esses dados" p. 75

GOBBLE (2013)Demonstrar como o big data pode auxiliar pessoas inovadoras.

"Quando são tão grandes [os dados] que od sistemas tradicionais não conseguem lidar." p. 64

GORDON-MURNANE (2012)

Recomendações sobre o big data para bibliotecários."Não é apenas aumento na quantidade e tipos de dados, é também melhores ferramentas para armazenar, agregar, combinar, analisar, e extrair novas idéias." p.31

GRIFFIN (2012)Práticas e recomendações para organizações, principalmente financeiras, evitarem fraudes através de benefícios do big data .

"É importante notar que big data é muito mais do que mídias sociais. É dados estruturados e não estruturados residindo em bases de dados em múltiplas regiões geográficas. É texto em formulários Web e PDFs, e é email e todas as formas de outros documentos." p. 45

JACOBS (2009)Quais são os principais problemas enfrentados por sistemas de informação ao lidar com o big data .

"Dados cujo tamanho força-nos a olhar além de métodos comprovados que são predominantes na época." p. 44

KRASKA (2013)Discutir os sistemas de informação vendidos no mercado como soluções para o big data .

"É quando o aplicativo normal da tecnologia atual não permite aos usuários obter no tempo correto, com custo eficaz e com respostas de qualidade a perguntas orientadas por dados." p. 85

LOHR (2012)Reportagem do The New York Times sobre o investimento de 200 milhões de dólares pelo governo norte-americano para pesquisas sobre o big data .

"Refere-se à inundação crescente de dados digitais de muitas fontes, incluindo a internet, sensores biológicos e industriais, videos, email e redes sociais de comunicação." p. 1

LOPEZ (2012)Recomendações e práticas para empresas se beneficiarem do big data .

"Existem muitas definições de big data , mas a maioria dos especialistas concordam em três características fundamentais: volume, velocidade e variedade. Outro aspecto chave, frequentemente negligenciado, é custo." p. 18

MADDEN (2012)Explicar o porquê de bases de dados não resolverem o desafio do big data .

"Dados que são em grandes quantidades, muito rápidos e muito difíceis para as ferramentas atuais de processamento." p.4

MANYIKA et al. (2011)

Como alguns setores econômicos podem se beneficiar com o big data .

"Conjunto de dados cujo tamanho está além da habilidade de típicas ferramentas de software de base de dados para capturar, armazenar, administrar e analisar." p.1

MARSHALL (2012)Apresentar o que pesquisadores qualitativos precisam saber sobre o big data.

"Muito grande para ser observado de perto." p. 213

POSPIECH, FELDENS (2012)

Realizar uma revisão da literatura para estabelecer futuras questões de pesquisa.

"Um desafio de uma relação desfavorável entre dados disponíveis e tecnologias de informação ou conceitos atuais." p. 2

PREIMESBERGER (2011)

Apresentar o big data através das principais empresas que vendem soluções para o big data .

"Um crescente número de conjunto de dados empresariais de tamanhos colossais e toda a tecnologia necessária para criar, armazenar, cruzar, analisar, arquivar e recuperar esses dados empresariais." p. 34

ROGERS (2011)Como o big data está alterando a forma que as empresas utilizam seus BI e ferramentas do tipo analytics.

"Conjuntos de dados que não podem mais ser facilmente administrados ou analisados com ferramentas, métodos ou infraestruturas tradicionais ou comuns de administração de dados." p. 15

SINGH, SINGH (2012)

Apresentação do conceito, características e necessidades do big data bem como de soluções disponíveis no mercado para as empresas lidarem com o big data .

"Conjunto de dados que continuam a crescer tanto que torna difícil de administrá-los usando conceitos e ferramentas existentes de administração de base de dados." p. 1

SMITH et al. (2013)Através de uma pesquisa por redes sociais, expor problemas quanto a privacidade dos usuários no big data .

Problemas em áreas em que "conjuntos de dados que são tão grandes que não se consegue mais lidar efetivamente ou até completamente". p. 1

TABUENA (2012) Recomendações sobre o big data para auditores."Big data não é apenas sobre tamanho. Big data é realmente sobre ferramentas de dados do tipo analytics ." p. 32

TANKARD (2012)Apresentar problemas quanto a segurança da informação que o big data ocasiona.

"Refere-se à quantidade de informações cada vez maiores que as organizações estão armazenando, processando e analisando, devido ao crescente número das fontes de informações em uso." p.5

Fonte: Autores

Um dos principais pontos abordados é a discrepância entre o conjunto de dados e as tecnologias ou ferramentas para administrá-los. Uma das razões dessa discrepância é a grande quantidade de dados não estruturados que as empresas buscam analisar e o aumento de

7

importância dos mesmos (BEATH et al., 2012). Dados não estruturados são definidos como dados que não estão dispostos no paradigma colunas e linhas (BLAIR, MURPHY, 2011), como por exemplo, emails, documentos em PDF e dados de redes sociais como o Twitter. Dados de tais fontes são importantes, mas grande parte das empresas não está preparada para gerir sobre os mesmos. A incapacidade de gerir as informações advindas de dados não estruturados pode ter origem em falhas de governança da informação ou nas capacidades de gestão da informação. Por exemplo, em muitas organizações, de acordo com Jacobs (2009) não se questiona a capacidade dos bancos de dados, já que é relativamente fácil e barato aumentar a memória para os dados entrarem na base da organização, mas a análise dos mesmos não é realizada eficientemente, devido ao excesso de dados e à própria arquitetura das bases de dados. Alguns autores, como Kraska (2013), sugerem que a (impossibilidade da) análise do big data está intrinsecamente conectada com bancos de dados relacionais. Nesse tipo de banco de dados, os dados são dispostos como em uma tabela, o que torna difícil a extração e inserção de grandes quantidades de dados, em formatos distintos de uma tabela e a uma velocidade aceitável (JACOBS, 2009). Porém, banco de dados relacional ainda é um assunto controverso afinal, outros autores, como Collett (2011) defendem que é um mito que esse tipo de banco de dados não possa lidar com o big data. Para Madden (2012) embora algumas bases de dados possam estar relacionadas com uma análise mais eficiente do big data, elas não são a solução, dado que existem outras dimensões importantes. As dimensões mais citadas do big data são volume, velocidade e variedade. Porém, atualmente reportagens em revistas da área de sistemas de informação (PREIMESBERGER, 2011; TAURION, 2012; LUZ, 2012) agregam duas dimensões para o big data: valor e veracidade. Logo, como variáveis do big data serão consideradas as dimensões: valor, volume, velocidade, veracidade e variedade, conforme figura um.

Figura 1 - Dimensões do big data

Fonte: Adaptado de Singh e Singh (2012)

Enquanto que volume trata do tamanho que o conjunto de dados possui, ou seja, a quantidade em terabytes ou em número de tabelas e fotos do conjunto (SINGH; SINGH, 2012), a velocidade segundo McAfee e Brynjolfsson (2012), é a velocidade com que os dados são

Big Data

Variedade

•Dados não estruturados;

•Dados estruturados;

•Ambos. Veracidade

•Dados autênticos.

Volume

•Terabytes;

•Número de arquivos;

•Número de transações.

Valor

•Financeiro;

•Operacional;

•Organizacional.

Velocidade

•Tempo real;

•Por lotes (batch);

•Stream.

8

criados. A dimensão de variedade refere-se a diferentes tipos de dados que podem ser administrados por determinada tecnologia, como dados estruturados ou não estruturados (TABUENA, 2012). O valor é uma dimensão que era desconsiderada, mas que se torna evidente com o aumento de projetos voltados ao big data, já que é necessário que as empresas obtenham valor do big data para continuarem com os investimentos (MARCHAND; PEPPARD, 2013). Esse valor é alcançado, por exemplo, através do auxílio do big data para a tomada de decisões mais precisa dos executivos (PREIMESBERGER, 2011), gerando melhorias no desempenho financeiro, organizacional ou operacional da firma. Outro aspecto chave é a veracidade dos dados, ou seja, assegurar que os dados presentes no conjunto são autênticos (TAURION, 2012). Logo, a definição de big data para essa pesquisa é: Os conjuntos de dados que por terem como características um volume, velocidade, variedade, valor e ou veracidade fora do usual exigem tecnologias de informação ou ferramentas além das disponíveis no momento para administrá-los. 4. Método 4.1 Modelo de pesquisa De acordo com a revisão da literatura, apresenta-se o modelo de pesquisa na figura dois.

Figura 2 - Modelo de pesquisa

Fonte: Autores

Apresentam-se também as variáveis de cada construto da pesquisa na figura três.

9

Figura 3 - Construtos e variáveis de pesquisa

Fonte: Autores

Importante ressaltar que as variáveis de governança da informação, capacidade de gestão da informação e big data estão presentes na revisão teórica. As variáveis de desempenho organizacional são variáveis não financeiras, seguindo indicação de Khallaf (2012). Baseando-se nos autores: Melville, Kraemer, Gurbaxani (2004); Hartono et al. (2010) e Priem, Rasheed e Kotulic (1995), obtêm-se essas três variáveis de pesquisa para o construto desempenho organizacional: processo decisório, compartilhamento de informações e flexibilidade As hipóteses de pesquisa, construídas a partir da revisão teórica, são as seguintes (figura 1): H1: Os investimentos em TI impactam positivamente na governança da informação H2: Os investimentos em TI impactam positivamente nas capacidades de gestão da informação. H3: A governança da informação impacta positivamente nas capacidades de gestão da informação. H4: A governança da informação impacta positivamente no desempenho da informação. H5: As capacidades de gestão da informação impactam positivamente no desempenho da informação. H6:Quanto maior o impacto do big data, maior a influência da governança da informação no desempenho organizacional. H7:Quanto maior o impacto do big data, maior a influência das capacidades de gestão da informação no desempenho organizacional. 4.2 Desenho de pesquisa Esta pesquisa utiliza técnicas qualitativas em um procedimento exploratório e, em seguida, passa-se a abordagem quantitativa como um procedimento para confirmação de hipóteses. Os métodos de pesquisa utilizados serão o estudo de casos múltiplos (OLIVEIRA; MAÇADA; GOLDONI, 2009) e survey (LITWIN, 1995). Consequentemente, a pesquisa está dividida em três etapas (figura quatro).

10

Figura 4 - Desenho de pesquisa

Fonte: Autores

A aplicação e a combinação de métodos de pesquisa e de coletas de dados se fazem necessárias para atender aos objetivos da pesquisa e do processo de refinamento do modelo de pesquisa desta investigação. Na primeira etapa da pesquisa, que já está em andamento, foi realizada a revisão bibliográfica. Estão sendo utilizadas as seguintes fontes: artigos, textos, obras, teses e dissertações de autores nacionais e estrangeiros. Na etapa qualitativa do projeto, que são entrevistas com executivos envolvidos na gestão de TI de bancos, indústrias, serviços, busca-se promover um maior conhecimento, por parte dos pesquisadores, do contexto da pesquisa, além de verificar junto aos especialistas a aplicabilidade das dimensões e variáveis selecionadas para o modelo pesquisa. A realização dessa etapa contribuiu com informações para o ajuste dos protocolos dos estudos de caso, adotados na segunda etapa da pesquisa (estudo de casos múltiplos), bem como a elaboração dos instrumentos de coleta de dados (questionário) utilizados na terceira etapa da pesquisa. A segunda etapa da investigação consiste na realização de estudo de casos múltiplos. As empresas candidatas ao estudo de casos são empresas que possuem uma área de TI estruturada, além de se buscar empresas com diferentes níveis de utilização da informação. Essa seleção por máxima variação ou heterogeneidade, no caso, de setores econômicos, tem como resultado descrições detalhadas de cada caso e descoberta de padrões que atravessem as diferenças entre os casos (PATTON, 2002). Para Yin (2005), essa lógica de seleção é de replicação teórica, em que se conduzem estudos em casos esperando resultados contrastantes. Essa etapa da pesquisa permitirá o entendimento sobre como os investimentos em TI são realizados, como a governança da informação e as capacidades de gestão da informação são utilizadas nas empresas frente às peculiaridades do ambiente econômico e informacional das respectivas empresas, além de relacionar os construtos e hipóteses propostas com base na literatura. Ainda, por meio do estudo de casos múltiplos, visa-se entender como as relações entre os construtos e variáveis propostas nessa pesquisa. Assim, serão incluídas, no questionário da pesquisa survey, questões que validem os resultados obtidos pelo estudo de casos múltiplos. A realização dessa etapa contribui para a elaboração da versão preliminar do instrumento de coleta de dados (questionário) que constitui a terceira etapa da pesquisa. A pesquisa survey tem como meta validar um conjunto de variáveis que auxiliem organizações e executivos no processo de investir em TI. Esse auxílio virá do conhecimento

Revisão daliteratura

Entrevista comexecutivos

Aplicabilidade dos constructose domodelo ao contexto de pesquisa

Validação do instrumento e constructos

(Estudo-piloto)

Aplicação do instrumentona amostra (survey)

Análise dos resultados parciais

Seleção das unidades de análise

Protocolo do estudo de caso

Validação do roteiro

Realização dos estudos de caso

Análise dos resultados parciais

1ª Etapa

3ª Etapa: Survey

Revisão daliteratura

Entrevista comexecutivos

Aplicabilidade dos constructose domodelo ao contexto de pesquisa

Validação do instrumento e constructos

(Estudo-piloto)

Aplicação do instrumentona amostra (survey)

Análise dos resultados parciais

Seleção das unidades de análise

Protocolo do estudo de caso

Validação do roteiro

Realização dos estudos de caso

Análise dos resultados parciais

Seleção das unidades de análise

Protocolo do estudo de caso

Validação do roteiro

Realização dos estudos de caso

Análise dos resultados parciais

ConclusõesConclusões

1ª Etapa

2ª

3ª

Etapa: Estudo de Casos Múltiplosúltiplos

11

sobre as relações do investimento em TI com os diferentes construtos, além de permitir verificar a influência no desempenho organizacional, moderado pelo big data. Destaca-se que esta pesquisa é do tipo corte-transversal ou transeccional, pois os dados serão coletados em um dado momento no tempo (D’ANCONA, 1998), sendo levado em conta apenas o momento da pesquisa, sem a preocupação de se traçar a evolução do fenômeno pesquisado. 5. Conclusões Esse artigo apresenta um modelo de pesquisa que une aspectos chaves para o ambiente informacional das organizações, bem como apresenta conceitos novos para esses mesmos aspectos chaves. Os construtos abordados nessa pesquisa são recentes e na literatura brasileira ainda não há artigos relacionando esses construtos. Essa ligação e definição de conceitos, baseando-se na teoria da agência, é uma das contribuições acadêmicas do artigo e da pesquisa. A principal contribuição esperada para gestores com a pesquisa é apresentar benefícios que os investimentos em TI podem resultar, suas conexões e pontos que devem ser cuidados para que esse investimento melhore o desempenho organizacional. Através da revisão da literatura também se confirma a importância da governança da informação, das capacidades de gestão da informação e do big data nas organizações, e outros artigos são esperados no futuro com os resultados da pesquisa. Referências ADA, Serkan; SHARMAN, Raj; BALKUNDI, Prasad. Impact of meta-analytic decisions on the conclusion drawn on the business value of information technology. Decision Support Systems, v. 54, 2012. ALCHIAN, A.; DEMSETZ, H. Production, information costs and economic organization. The American Economic Review, v. 62, n. 5, 1972. ARNOLD, Erik. The big deal about big data. Information today, v. 29, n. 9, 2012. BEATH, Cynthia et al. Finding value in the information explosion. MIT Sloan Management Review, v. 53, n. 4, 2012. BEGOLI, Edmon; HOREY, James. Design principles for effective knowledge discovery from big data. In: JOINT WORKING IEEE/IFIP CONFERENCE ON SOFTWARE ARCHITECTURE AND EUROPEAN CONFERENCE ON SOFTWARE ARCHITECTURE, 10 and 6, Helsinki, Proceedings… Helsinki, 2012. BHARADWAJ, A. S. A resource-based perspective on information technology capability and firm performance: an empirical investigation. MIS Quarterly, v. 24, n. 1, 2000. BLAIR, Barclay; MURPHY, Barry. Defining information governance: Theory or action? Results of the 2011 information governance survey. eDiscovery Journal, Sep. 2011. BONOMETTI, Robert J. Technology considerations for competing in the “big data” – Social-mobile-cloud marketing space. Competition forum, v. 10, n. 2, 2012. BRYNJOLFSSON, Erik; HITT, Lorin M. Beyond computation: Information technology, organizational transformation and business performance. Journal of Economic Perspectives v. 14, n. 4, 2000. BUGHIN, Jacques; CHUI, Michael; MANYIKA, James. Clouds, big data, and smart assets: Ten tech-enabled business trends to watch. McKinsey Quartely, aug. 2010. CALLEBAUT, Werner. Scientific perspectivism: A philosopher of science’s response to the challenge of big data biology. Studies in history and philosophy of biological sciences, v. 43, 2012.

12

CHEN, Hsinchun; CHIANG, Roger H. L.; STOREY, Veda C. Business intelligence and analytics: From big data to big impact. MIS Quartely, v. 36, n. 4, 2012. COLLETT, Stacy. Why big data is a big deal. Computerworld, 7 nov. 2011. COONEY, James P. Qual o real valor da informação? Revista Escola de Biblioteconomia UFMG, v. 20, n. 2, 1991. D’ANCONA, A. C. Metodología Cuantitativa: Estrategias y técnicas de investigación social. Editorial Síntesis, Madrid, 1998. DATSKOVSKY, Galina. Information governance. In: LAMM, Jacob. Under control: Governance across the enterprise. New York: Apress, 2009. DAVENPORT, T.H, BEER, M.C. Managing information about processes, Journal of Management Information Systems, 1995. DEDRICK, Jason; GURBAXANI, Vijay; KRAEMER, Kenneth L. Information technology and economic performance: A critical review of the empirical evidence, ACM Computing Surveys, v. 35, n. 1, 2003. DEMCHENKO, Yuri et al. Addressing big data challenges for scientific data infrastructure. In: INTERNATIONAL CONFERENCE ON CLOUD COMPUTING TECHNOLOGY AND SCIENCE IEEE, 4, Taipei, Proceedings…, Taipei: 2012. DEMIRKAN, Haluk; DELEN, Dursun. Leveraging the capabilities of service-oriented decision support systems: Putting analytics and big data in cloud. Decision Support Systems, 2012, in press. DEVARAJ, S.; KOHLI, R. Performance impacts of information technology: Is actual usage the missing link? Management Sciences, v. 49, n. 3, 2003. EISENHARDT, Kathleen. Agency theory: An assessment and review. Academy of management review, v. 14, n. 1, 1989. FEENY, D.; WILLCOCKS, L. Core IS capabilities for exploiting IT. Management Review, v. 39, n. 3, 1998, 9-21. FRANKS, Bill. Taming the big data tidal wave: Finding opportunities in huge data streams with advanced analytics. John Wiley & Sons, New Jersey: 2012. FRENCH, Robert M. Moving beyond the Turing test. Communication of the ACM, v. 55, n. 12, 2012. FREZATTI, Fábio et al. Controle gerencial: Uma abordagem da contabilidade gerencial no contexto econômico, comportamental e sociológico. São Paulo: Atlas, 2009. GARTNER. Gartner says big data will drive $ 28 billion of IT spending in 2012. Gartner Press Release, 17 oct. 2012. GOBBLE, Mary Anne M. Big data: The next big thing in innovation. Research – technology management, jan/feb 2013. GORDON-MURNANE, Laura. Big data: A big opportunity for librarians. Online, sep/oct . 2012. GREENGARD, Samuel. Big data unlocks business value. Baseline, jan. 2012. GRIFFIN, Robert. Using big data to combat enterprise fraud. Financial executive, dec 2012. GRIMSTAD, Terje; MYRSETH, Per. Information governance as a basis for cross-sector e-Services in public administration. In: E-CHALLENGES E-2010 CONFERENCE, 2010, Warsaw. Proceedings… Warsaw, 2010. GROSSMAN, Robert L. What is analytic infrastructure and why should you care? ACM SIGKDD Explorations, v. 11, n. 1, 2009. HARTONO, E. et al. The role of the quality of shared information in interorganizational systems use. International Journal of Information Management , v. 30, 2010. JACOBS, Adam. The pathologies of big data. Communications of the ACM, v. 52, n. 8, 2009.

13

JENSEN, M. C.; MECKLING, William H. Theory of the firm: Managerial behavior, agency costs and ownership structure. Journal of Financial Economics, v. 3, n. 4, 1976. KHALLAF, Ashraf. Information technology investments and nonfinancial measures: A research framework. Accounting forum, v. 36, 2012. KRASKA, Tim. Finding the needle in the big data systems haystack. IEEE Internet computing, jan/feb 2013. LEE, Yang W. et al. Journey to data quality. Cambridge: MIT Press, 2006. LITWIN, M. S. How to measure survey reliability and validity. Thousand Oaks: Sage, The Survey Kit, v. 7, 1995. LOHR, Steve. New U.S. research will aim at flood of digital data. The New York Times, 29 mar. 2012. Disponível em: http://www.nytimes.com/2012/03/29/technology/new-us-research-will-aim-at-flood-of-digital-data.html?_r=0 Acesso em: 12 fev. 2013. LUZ, Charlley. Big data: você já não vive sem. Webinsider, 24 out. 2012. Disponível em: http://webinsider.uol.com.br/2012/10/24/big-data-voce-ja-nao-vive-sem/. Acesso em: 12 fev. 2013. MADDEN, Sam. From databases to big data. IEEE Internet computing, may/jun 2012. Management, v. 30, 2010. MANYIKA, James et al. Big data: The next frontier for innovation, competition, and productivity. McKinsey & Company, may 2011. MARCHAND, D. A. et al. Information Orientation: People, Technology and the Bottom Line. Sloan Management Review, v. 4, 2000. MARCHAND, D. A. Reaping the business value of IT. Business & Economic Review, v. 51, n. 4, 2005. MARCHAND, Donald; PEPPARD, Joe. Why IT fumbles analytics. Harvard Business Review, jan/feb 2013. MARSHALL, Cathy. Big data, the crowd and me. Information services & use, v. 32, 2012. MCAFEE, Andrew; BRYNJOLFSSON, Erik. Big data: The management revolution. Harvard Business Review, out. 2012. McGEE, J.; PRUSAK, L. Gerenciamento estratégico da informação: aumente a competitividade e a eficiência de sua empresa utilizando a informação como uma ferramenta estratégica. 12. ed. Rio de Janeiro: Campos, 2004. MELVILLE, Nigel; KRAEMER, Kenneth; GURBAXANI, Vijay. Review: Information technology and organizational performance: An integrative model of IT business value. MIS Quartely, v. 28, n. 2, jun 2004. MENTZER, J.T. et al. Global market segmentation for logistics services. Industrial Marketing Management, v. 33, 2004. MITHAS, Sunil et al. Information technology and firm profitability: Mechanisms and empirical evidence, MIS Quartely, v. 36, n. 1, 2012. MITHAS, Sunil; RAMASUBBU, Narayan; SAMBAMURTHY, V. How information management capability influences firm performance, MIS Quartely v. 35, n. 1, 2011. OLIVEIRA, Mírian; MAÇADA, Antonio Carlos Gastaud; GOLDONI, Vanessa. Forças e fraquezas na aplicação do estudo de caso na área de sistemas de informação. Revista de Gestão, v. 16, n. 1, 2009. OTTO, Boris. Data governance. Business & Information Systems Engineering, v. 4, 2011 PATTON, Michael Quinn. Qualitative research & evaluation methods. Thousand Oaks: Sage Publications, 2002. POSPIECH, Marco; FELDEN, Carsten. Big Data – A state-of-the-art. In: AMERICAS CONFERENCE ON INFORMATION SYSTEMS (AMCIS), 18, Seattle. Proceedings… Seattle: 2012. PREIMESBERGER, Chris. Big ideas about big data. eWeek, 15 aug. 2011.

14

PRIEM, Richard L.; RASHEED, Abdul M. A.; KOTULIC, Andrew G. Rationality in strategic decision processes, environmental dynamism and firm performance. Journal of Management, v. 21, n. 5, 1995. RAMÍRREZ-CORREA, Patricio; ALFARO-PÉREZ, Jorge. El nível de la inversión em tecnologia de información no afecta el rendimiento empresarial: Evidencia empírica de las industrias manufactureras Chilenas, Journal of Technology Management & Innovation, v. 6, n. 4, 2011. ROGERS, Shawn. Big data is scaling BI and analytics. Information management, sep/oct 2011. SANTAFERRARO, John. Offloading analytics. Business intelligence journal, v. 17, n. 4, 2012. SCHLIESKI, Tawny; JOHNSON, Brian David. Entertainment in the age of big data. Proceedings of the IEEE, v. 100, may 2012. SINGH, Sachchidanand; SINGH, Nirmala. Big data analytics. In: INTERNATIONAL CONFERENCE ON COMMUNICATION, INFORMATION & COMPUTING TECHNOLOGY (ICCICT), Mumbai, Proceedings…, Mumbai: 2012. SMITH, H.; MCKEEN, J. How does Information Technology affect Business value? A reassessment and research propositions, Canadian Journal of Administrative Sciences, v. 10, n. 3, 1993. SMITH, Matthew et al. Big data privacy issues in public social media. In: INTERNATIONAL CONFERENCE ON DIGITAL ECOSYSTEMS TECHNOLOGIES IEEE (DEST), 6, Campione. Proceedings… Campione: 2012. TABUENA, José. What internal auditors should know about big data. Compliance week, dec 2012. TANKARD, Colin. Big data security. Network security, jul. 2012. TAURION, Cezar. Você realmente sabe o que é o big data? Blog da IBM, 30 abr. 2012. Disponível em: https://www.ibm.com/developerworks/mydeveloperworks/blogs/ctaurion/entry/voce_realmente_sabe_o_que_e_big_data?lang=em. Acesso em: 12 fev. 2013. TEECE, D. Competition, cooperation and innovation: organizational arrangements for regimes of rapid technological progress. Journal of Economic Behavior and Organization , n. 18, 1992. TRISH, Barbara. The year of big data. Campaigns & Elections, nov/dec 2012. VERCHOPOULOS, A.; SIOMKOS, G.; DOUKIDIS, G. Internet Shopping Adoption by Greek Consumers. European Journal of Innovation Management, v. 4, n. 3, 2001. VIAJAYAN, Jaikumar. Investors are pouring funds into big data. Computerworld, 4 may 2012. Disponível em: http://www.computerworld.com/s/article/9226840/Investors_are_pouring_funds_into_big_data. Acesso em: 14 fev. 2013. Vijayan, J. (2012) “VC firms pour money into big-data vendors” Computerworld, May 21. WARD, J.; TAYLOR, P.; BOND, P. Evaluation and realization of IS/IT Benefits: an empirical study of current practices, European Journal of Information Systems, v. 4, 1996. WEBER, M. D.; KAUFFMAN, R. J. What drives global ICT adoption? Analysis and research directions. Electronic Commerce Research and Applications, 2011. WENDE, Kristin. A model for data governance: Organising accountabilities for data quality management. In: AUSTRALASIAN CONFERENCE ON INFORMATION SYSTEMS, 18, 2007, Toowoomba. Proceedings… Toowoomba: 2007. WILLCOCKS, L. P. et al. Evolving IS capabilities to leverage the external IT services market. MIS Quarterly Executive, v. 6, 2007. YIN, Robert K. Estudo de caso: Planejamento e métodos. Porto Alegre: Bookman, 2005.

15

ZAHAI, D. Information antecedents of personalization and customization in business-to-business service markets. Journal of Database Marketing, v. 10, n. 3, 2003. ZAHAI, D. L.; HANDFIELD, R. B. The role of learning and technical capabilities in predicting adoption of B2B technologies. Industrial Marketing Management, v. 33, 2004. ZAHAI, D.; GRIFFIN, A.; FREDRICKS, D. Sources, uses, and forms of data in the new product development process. Industrial Marketing Management, v. 33, n.7, 2004. ZHAO, Yuyang; et al. High value information in engineering organisations. International journal of information management, v. 28, 2008.