Análise Comparativa entre o uso de diferentes Ferramentas de Business Intelligence e o Desenvolvimento de Inovação em Processos
Bibliographic record
Abstract
As empresas cada vez mais necessitam gerenciar os dados de forma rápida e eficaz. O problema de pesquisa visa responder o questionamento: Como as diferentes ferramentas de BI podem contribuir, por meio dos elementos de Big Data, com o desenvolvimento de inovação em processos? O objetivo deste estudo foi realizar uma análise comparativa entre diferentes ferramentas de BI, e como elas contribuem para o desenvolvimento de inovação em processos. O método usado foi o qualitativo, por meio de um estudo de caso, com aplicação de entrevistas, e análise de conteúdo com a técnica de Bardin. Realizou-se uma análise comparativa entre três das principais plataformas de Business Intelligence, em termos de qualidade, eficiência, rapidez, segurança e variedade de fontes de dados, se de fato contribuem para a inovação em processos. Como resultados, obteve-se a comprovação da relação entre os três construtos, com isso é possível que as empresas obtenham melhor tomada de decisão, alinhada com os objetivos do negócio. Como as contribuições desse estudo, destaca-se o conceito de BI para apoiar na definição de estratégias para competitividade e inovação nas empresas. Conclui-se, que existe a relação entre os construtos estudados, e pode-se aplicar o estudo em diversas áreas. Como limitações, essa pesquisa impede generalizações, pois foram considerados estudos que utilizam o Big Data, sem aprofundamentos, e faltou explorar o tema em outras áreas e empresas. Recomenda-se estudar os conceitos em outros tipos de cenários, aplicados a outras áreas de estudo, para avaliar o quanto os construtos poderiam contribuir em outras análises.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.025 | 0.092 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.008 | 0.009 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".