73627

Luciana Klein
Ana Paula Sano Guilhem
Henrique Adriano de Sousa
Everton Lucio Soares de Oliveira

Revista Contabilidade & Finanças

O objetivo deste artigo é analisar a configuração dos recursos tangíveis e das habilidades humanas de big data, diante das pressões institucionais, na capacidade de análise de big data em empresas brasileiras. A inovação influencia o ambiente em que as empresas estão inseridas, aumentando as incertezas, resultando em modificações comportamentais dos atores sociais. Em resposta aos esforços individuais para lidar com as incertezas e restrições de forma racional emerge a homogeneização das organizações. No entanto, as pressões institucionais que influenciam a configuração de recursos específicos ainda não são totalmente entendidas pela literatura. Considera-se a replicação do estudo de Dubey (2019b), entendendo a tecnologia big data como uma inovação que tem causado mudanças no contexto social, assim, busca-se compreender a configuração dos recursos organizacionais de big data nas empresas brasileiras para o desenvolvimento da capacidade de ABD, devido às pressões institucionais. O estudo possibilita compreender como as pressões institucionais configuram a capacidade de ABD, podendo assim subsidiar decisões de alocação de investimento em tecnologia de dados ou aprimoramento de habilidades técnicas de gerenciais da equipe de business intelligence. O estudo trouxe a conhecimento a resposta ambiental, resultante da inovação tecnológica de big data, das empresas brasileiras. Isso demonstra que as organizações que aderiram a tecnologia big data selecionam seus recursos diante de diferentes pressões, a fim de desenvolver a capacidade de análise de big data. Esta pesquisa possui caráter descritivo e quantitativo e sua operacionalização ocorreu por uma survey. A população pesquisada consiste em empresas brasileiras que usam tecnologia com grande volume de dados estruturados e/ou não estruturados, para a geração de resultados e insights, que auxiliam na tomada de decisão. Os participantes da pesquisa foram colaboradores de empresas brasileiras que apresentem funções relacionadas ao desenvolvimento da capacidade de análise de big data, localizados por meio da plataforma LinkedIn. Foram obtidas 136 respostas válidas. Para testar as hipóteses se usou a técnica de Modelagem de Equações Estruturais empregando o software Smartspls v. 3.2.3. Este estudo contribui trazendo a compreensão do comportamento organizacional diante das pressões institucionais (coercitiva, normativa e mimética) na seleção dos recursos tangíveis e habilidades humanas de big data para o desenvolvimento da capacidade de ABD, fundamentado na Teoria Baseada em Recursos. Observa-se que a configuração da capacidade de ABD é influenciada por recursos tangíveis e habilidades humanas. Os recursos tangíveis sãoselecionados devido a pressões formais, condições competitivas e por imitação de padrões existentes no mercado. Enquanto, as habilidades humanas requeridas, são impactadas, por meio da legitimação e redes profissionais dos tomadores de decisão.

pressões institucionais, análise de big data, Teoria Baseada em Recursos, recursos organizacionais de big data, indústria 4

KLEIN, L.; GUILHEM, A. P. S.; SOUSA, H. A.; OLIVEIRA, E. L. S. Pressões institucionais na configuração da capacidade de análise de big data. Revista Contabilidade & Finanças, v. 34, n. 92, p. 0-0, 2023.

Klein, L., Guilhem, A. P. S., Sousa, H. A., & Oliveira, E. L. S. (2023). Pressões institucionais na configuração da capacidade de análise de big data. Revista Contabilidade & Finanças, 34(92), 0-0.

10.1590/1808-057x20231591.en

https://www.spell.org.br/documentos/ver/73627/pressoes-institucionais-na-configuracao-da-capacidade-de-analise-de-big-data/i/pt-br

Artigo

Português

Adjei, J. K., Adams, S., & Mamattah, L. (2021). Cloud computing adoption in Ghana; Accounting for institutional factors. Technology in Society, 65, 101583. https://doi. org/10.1016/j.techsoc.2021.101583

Akter, S., Wamba, S. F., Gunasekaran, A., Dubey, R., & Childe, S. J. (2016). How to improve firm performance using big data analytics capability and business strategy alignment? International Journal of Production Economics, 182, 113-131. https://doi.org/10.1016/j. ijpe.2016.08.018

Arunachalam, D., Kumar, N., & Kawalek, J. P. (2018). Understanding big data analytics capabilities in supply chain management: Unravelling the issues, challenges and implications for practice. Transportation Research Part E: Logistics and Transportation Review, 114, 416-436. https://doi. org/10.1016/j.tre.2017.04.001

Azeem, M., Haleem, A., Bahl, S., Javaid, M., Suman, R., & Nandan, D. (2022). Big data applications to take up major challenges across manufacturing industries: A brief review. Materials Today: Proceedings, 49, 339-348. https://doi. org/10.1016/j.matpr.2021.02.147

Bag, S., Pretorius, J. H. C., Gupta, S., & Dwivedi, Y. K. (2021). Role of institutional pressures and resources in the adoption of big data analytics powered artificial intelligence, sustainable manufacturing practices and circular economy capabilities. Technological Forecasting and Social Change, 163, 120420. https://doi.org/10.1016/j. techfore.2020.120420

Barney, J. B. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99-120. https://doi. org/10.1177/014920639101700108

Barney, J. B. (2001). Is the resource-based “view” a useful perspective for strategic management research? Yes. Academy of Management Review, 26(1), 41-56. https://doi.org/10.5465/ amr.2001.4011938

Barney, J. B., Ketchen, D. J., Jr., & Wright, M. (2011). The future of resource-based theory: Revitalization or decline? Journal of Management, 37(5), 1299-1315. https://doi. org/10.1177/0149206310391805

Bergmann, M., Brück, C., Knauer, T., & Schwering, A. (2020). Digitization of the budgeting process: determinants of the use of business analytics and its effect on satisfaction with the budgeting process. Journal of Management Control, 31(1-2), 25-54.

Brinch, M., Stentoft, J., Jensen, J. K., & Rajkumar, C. (2018). Practitioners understanding of big data and its applications in supply chain management. The International Journal of Logistics Management, 29(2), 555–574. https://doi. org/10.1108/IJLM-05-2017-0115

Cabrera-Sánchez, J. P., & Villarejo-Ramos, Á. F. (2019). Fatores que afetam a adoção de análises de big data em empresas. Revista de Administração de Empresas, 59(6), 415429. https://doi.org/10.1590/S0034-759020190607

Chahal, H., Gupta, M., Bhan, N., & Cheng, T. C. E. (2020). Operations management research grounded in the resourcebased view: A meta-analysis. International Journal of Production Economics, 230, 107805. https://doi.org/10.1016/j. ijpe.2020.107805

Cohen, J. (1988). Statistical power analysis for the behavioral sciences. Routledge.

Cruz, A. M., & Haugan, G. L. (2019). Determinants of maintenance performance: A resource-based view and agency theory approach. Journal of Engineering and Technology Management, 51, 33-47. https://doi.org/10.1016/j. jengtecman.2019.03.001

DiMaggio, P. J., & Powell, W. W. (1983). The iron cage revisited: Institutional isomorphism and collective rationality in organizational fields. American Sociological Review, 147-160. https://doi.org/10.2307/2095101

Duan, Y., Cao, G., & Edwards, J. S. (2020). Understanding the impact of business analytics on innovation. European Journal of Operational Research, 281(3), 673-686. https://doi. org/10.1016/j.ejor.2018.06.021

Dubey, R., Gunasekaran, A., & Ali, S. S. (2015). Exploring the relationship between leadership, operational practices, institutional pressures and environmental performance: A framework for green supply chain. International Journal of Production Economics, 160, 120-132. https://doi.org/10.1016/j. ijpe.2014.10.001

Dubey, R., Gunasekaran, A., Childe, S. J., Blome, C., & Papadopoulos, T. (2019b). Big data and predictive analytics and manufacturing performance: Integrating institutional theory, resource-based view and big data culture. British Journal of Management, 30(2), 341-361. http://dx.doi. org/10.1111/1467-8551.12355

Dubey, R., Gunasekaran, A., Childe, S. J., Wamba, S. F., & Papadopoulos, T. (2016). The impact of big data on worldclass sustainable manufacturing. The International Journal of Advanced Manufacturing Technology, 84(1-4), 631-645. https://doi.org/10.1007/s00170-015-7674-1

Falsarella, O. M., & Jannuzzi, C. S. C. (2020). Inteligência organizacional e competitiva e big data: Uma visão sistêmica para a gestão sustentável das organizações. Perspectivas em Ciência da Informação, 25, 179-204. http://dx.doi. org/10.1590/1981-5344/3497

Faul, F., Erdfelder, E., Buchner, A., & Lang, A. G. (2009). Statistical power analyses using G* Power 3.1: Tests for correlation and regression analyses. Behavior Research Methods, 41(4), 11491160. http://doi:10.3758/brm.41.4.1149

Félix, B. M., Tavares, E., & Cavalcante, N. W. F. (2018). Critical success factors for big data adoption in the virtual retail: Magazine Luiza case study. Revista Brasileira de Gestão de Negócios, 20(1), 112-126. https://doi.org/10.7819/rbgn. v20i1.3627

Fogaça, D., Grijalvo, M., & Sacomano, M., Neto (2022). An institutional perspective in the industry 4.0 scenario: A systematic literature review. Journal of Industrial Engineering and Management, 15(2), 309-322. http://dx.doi.org/10.3926/ jiem.3724

Fonseca, V. D. (2003). A abordagem institucional nos estudos organizacionais: Bases conceituais e desenvolvimentos contemporâneos. In M. M. F. Vieira, & C. A. Carvalho (Eds.), Organizações, instituições e poder no Brasil (pp. 47-66). Ed. FGV.

Francisco, E. D. R., Kugler, J. L., Kang, S. M., Silva, R., & Whigham, P. A. (2020). Além da tecnologia: Desafios gerenciais na era do Big Data. Revista de Administração de Empresas, 59, 375-378. https://doi.org/10.1590/S0034759020190603

Galas, E. S., & Ponte, V. M. R. (2006). O Balanced Scorecard e o alinhamento estratégico da tecnologia da informação: Um estudo de casos múltiplos. Revista Contabilidade & Finanças, 17(40), 37-51. https://doi.org/10.1590/S151970772006000100004

Gerrikagoitia, J. K., Unamuno, G., Urkia, E., & Serna, A. (2019). Digital manufacturing platforms in the industry 4.0 from private and public perspectives. Applied Sciences, 9(14), 29-34. https://doi.org/10.3390/app9142934

Grant, R. M. (1991). The resource-based theory of competitive advantage: Implications for strategy formulation. California Management Review, 33(3), 114-135. https://doi. org/10.2307/41166664

Guarido, E. R., Filho, & Costa, M. C. (2012). Contabilidade e institucionalismo organizacional: Fundamentos e implicações. Revista Contabilidade e Controladoria, 4(1), 20-41. http:// dx.doi.org/10.5380/rcc.v4i1.26685

Gunasekaran, A., Papadopoulos, T., Dubey, R., Wamba, S. F., Childe, S. J., Hazen, B., & Akter, S. (2017). Big data and predictive analytics for supply chain and organizational performance. Journal of Business Research, 70, 308-317. https://doi.org/10.1016/j.jbusres.2016.08.004

Gupta, M., & George, J. F. (2016). Toward the development of a big data analytics capability. Information & Management, 53(8), 1049-1064. https://doi.org/10.1016/j. im.2016.07.004

Hair, J. F., Jr., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., & Ray, S. (2021). Partial least squares structural equation modeling (PLS-SEM) using R: A workbook. Springer Nature. Hannan, M. T., & Freeman, J. (1977). The population ecology of organizations. American Journal Of Sociology, 82(5), 929-964. http://www.jstor.org/stable/2777807

Hair, J. F., Jr., Sarstedt, M., Hopkins, L., & Kuppelwieser, V. G. (2014). Partial least squares structural equation modeling (PLS-SEM): An emerging tool in business research. European Business Review, 6(2), 106-121. https://doi.org/10.1108/EBR10-2013-0128

Helfat, C. E., & Peteraf, M. A. (2003). The dynamic resourcebased view: Capability lifecycles. Strategic Management Journal, 24(10), 997-1010. https://doi.org/10.1002/smj.332 Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43, 115-135.

Irwin, A., Vedel, J. B., & Vikkelsø, S. (2021). Isomorphic difference: Familiarity and distinctiveness in national research and innovation policies. Research Policy, 50(4), 104220. https://doi.org/10.1016/j.respol.2021.104220

Liang, H., Saraf, N., Hu, Q., & Xue, Y. (2007). Assimilation of enterprise systems: The effect of institutional pressures and the mediating role of top management. MIS Quarterly, 31(1), 59-87. https://doi.org/10.2307/25148781 Loshin, D. (2013). Big data analytics: from strategic planning to enterprise integration with tools, techniques, NoSQL, and graph. Elsevier.

Madeira Pontes, M. D., Duarte Pontes, T. L., & Dutra de Andrade, R. (2021). A adoção de sistemas de Business Intelligence & Analytics na contabilidade de gestão por entidades da Administração Pública: Uma revisão da literatura. Revista Facultad de Ciencias Económicas: Investigación y Reflexión, 29(1), 95-114. https://doi.org/10.18359/rfce.5273

Makadok, R. (2001). Toward a synthesis of the resource-based and dynamic-capability views of rent creation. Strategic Management Journal, 22(5), 387-401. http://dx.doi. org/10.1002/smj.158

Medeiros, M. M., Maçada, A. C., & Hoppen, N. (2021). O papel da administração e análise de big data como habilitadoras da gestão do desempenho corporativo. Revista de Administração Mackenzie, 22(6), eRAMD210063. https://doi. org/10.1590/1678-6971/eramd210063

Meyer, J. W., & Rowan, B. (1977). Institutionalized organizations: Formal structure as myth and ceremony. American Journal of Sociology, 83(2), 340-363. https://doi.org/10.1086/226550

Mikalef, P., Boura, M., Lekakos, G., & Krogstie, J. (2019). Big data analytics and firm performance: Findings from a mixedmethod approach. Journal of Business Research, 98, 261-276. https://doi.org/10.1016/j.jbusres.2019.01.044

Mikalef, P., Pappas, I. O., Krogstie, J., & Giannakos, M. (2018). Big data analytics capabilities: A systematic literature review and research agenda. Information Systems and e-Business Management, 16(3), 547-578. https://doi.org/10.1007/s10257017-0362-y

Möller, K., Schäffer, U., & Verbeeten, F. (2020). Digitalization in management accounting and control: an editorial. Journal of Management Control: Zeitschrift für Planung und Unternehmenssteuerung, 31(1), 1-8. https://doi.org/10.1007/ s00187-020-00300-5

Oliver, C. (1991). Strategic responses to institutional processes. Academy of Management Review, 16(1), 145-179. https://doi.org/10.2307/258610

Oliver, C. (1997). Sustainable competitive advantage: Combining institutional and resource-based views. Strategic Management Journal, 18(9), 697-713. https://www.jstor.org/stable/3088134

Pauleen, D. J., & Wang, W. Y. (2017). Does big data mean big knowledge? KM perspectives on big data and http://dx.doi.org/10.1108/JKM-08-2016-0339

Pedroso, R. S., Oliveira, M. D. S., Araujo, R. B., & Moraes, J. F. D. (2004). Tradução, equivalência semântica e adaptação cultural do Marijuana Expectancy Questionnaire (MEQ). Psico-usf, 9, 129-136.

Podsakoff, P. M., MacKenzie, S. B., Lee, J. Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: a critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879.

Queiroz, M. M., & Pereira, S. C. F. (2019). Intention to adopt big data in supply chain management: A Brazilian perspective. Revista de Administração de Empresas, 59, 389401. https://doi.org/10.1590/S0034-759020190605

Reginato, L., & Nascimento, A. M. (2007). Um estudo de caso envolvendo Business Intelligence como instrumento de apoio à controladoria. Revista Contabilidade & Finanças, 18(Spec), 69-83. https://doi.org/10.1590/S151970772007000300007

Ringle, C. M., Silva, D., & Bido, D. S. (2014). Modelagem de equações estruturais com utilização do SmartPLS. Revista Brasileira de Marketing, 13(2), 56-73. https://doi.org/10.5585/ remark.v13i2.2717

Sakurai, R., & Zuchi, J. D. (2018). As revoluções industriais até a Indústria 4.0. Revista Interface Tecnológica, 15(2), 480-491. https://doi.org/10.31510/infa.v15i2.386

Schäfer, U., & Brueckner, L. (2019). Rollenspezifsche Kompetenzprofle für das Controlling der Zukunft. Controlling & Management Review, 63(7), 14–30. https://doi.org/10.1007/ s12176-019-0046-1

Schäfer, U., & Weber, J. (2018, 26 März). Der Controller verliert die Kontrolle. Frankfurter Allgemeine Zeitung.

Schoenherr, T., & Speier-Pero, C. (2015). Data science, predictive analytics, and big data in supply chain management: Current state and future potential. Journal of Business Logistics, 36(1), 120-132. https://doi.org/10.1111/ jbl.12082

Scott, W. R. (1994). Institutions and organizations: Toward a theorical synthesis. In W. R. Scott, & J. W. Meyer (Orgs.), Institutional environments and organizations: structural complexity and individualism (pp. 55-78). SAGE.

Scott, W. R. (2008). Institutions and organizations: Ideas and interests. SAGE.

Silva, E. (2019). Análise de políticas públicas brasileiras em ciência, tecnologia e inovação com foco na cultura de inovação e atuação integrada de agentes do sistema de inovação. RDBCI: Revista Digital de Biblioteconomia e Ciência da Informação, 17, e019019. https://doi.org/10.20396/rdbci.v17i0.8654693

Srinivasan, R., & Swink, M. (2018). An investigation of visibility and flexibility as complements to supply chain analytics: An organizational information processing theory perspective. Production and Operations Management, 27(10), 1849-1867. https://doi.org/10.1111/poms.12746

T., Luo, Z., Wamba, S. F., & Roubaud, D. (2019a). Can big data and predictive analytics improve social and environmental sustainability? Technological Forecasting and Social Change, 144, 534-545. https://doi.org/10.1016/j. techfore.2017.06.020

Vidgen, R., Shaw, S., & Grant, D. B. (2017). Management challenges in creating value from business analytics. European Journal of Operational Research, 261(2), 626-639. https://doi. org/10.1016/j.ejor.2017.02.023

Vitale, G., Cupertino, S., & Riccaboni, A. (2020). Big data and management control systems change: The case of an agricultural SME. Journal of Management Control, 31, 123-152.

Williams, C., & Spielmann, N. (2019). Institutional pressures and international market orientation in SMEs: Insights from the French wine industry. International Business Review, 28(5). https://doi.org/10.1016/j.ibusrev.2019.05.002

Yu, W., Chavez, R., Jacobs, M. A., & Feng, M. (2018). Data-driven supply chain capabilities and performance: A resourcebased view. Transportation Research Part E: Logistics and Transportation Review, 114, 371-385. https://doi. org/10.1016/j.tre.2017.04.002

Zhang, Y., Ren, S., Liu, Y., & Si, S. (2017). A big data analytics architecture for cleaner manufacturing and maintenance processes of complex products. Journal of Cleaner Production, 142, 626-641. https://doi.org/10.1016/j. jclepro.2016.07.123