Tendências no Business Intelligence

Procuramos identificar e caracterizar duas tendências do BI, com ângulos diferentes:

1- uma com trajetória bem definida, basilar para o BI do futuro e que assenta em torno da inteligência artificial, e seus aprimoramentos sejam estes o machine learning ou o deep learning;

2- outra que designamos de emergente, o data analytics em real time, porque o BI vê alterado seu papel fundamental de um conceito amplo que inclui aplicações, tecnologias e ferramentas para o tratamento de dados e sua conversão em informação, numa visão estática para uma visão dinâmica, assente num analytics em real time, que se estrutura a partir de um mundo mais complexo.

Essa complexidade, patente no agigantar do volume de dados estruturados e primários, passando pelos não estruturados e secundários, cada vez mais produzidos a partir da web, exigem ferramentas analíticas mais poderosas como as novas técnicas de computação, que projetem informação em real time. Essa informação pode emergir em formato de relatórios, dashboards, KPIS, ou outros indicadores agregados no business performance management (BPM). O conhecimento, gerado através de técnicas de data mining, está no foco da pré-seleção das seis tendências selecionadas e que abordamos sucintamente: segurança dos dados, descobertas dos dados, ferramentas de análise preditiva e prospetiva e a temática do BI colaborativo, além das já mencionadas inteligência artificial e data analytics em real time.

Caracterização do conceito do BI

O Business Intelligence (BI) sendo um conceito aberto no âmbito da ciência da recolha e tratamento de dados para suporte à tomada de decisão, não pode deixar de se interligar com os seus suportes tecnológicos e o seu acionamento através de ferramentas especificas. É evidente que a sua evolução e dinâmica decorrem da natureza quer das tecnologias de suporte, quer da evolução dos processos de apoio à gestão que Turban et al. (2015) consideram inputs, e a realização de objetivos, considerados processos de output, que podem ser medidos nem termos de rácios, evidenciando por exemplo produtividade ou indicadores de gestão. Perspetivar as tendências de evolução futura do business intelligence passa por conhecer a trajetória efetuada até ao presente, observando para as tecnologias de suporte como as da 4ª revolução industrial, e a necessidade de utilização crescente de dados para a tomada de decisão quer empresarial, governamental, institucional, etc. Business intelligence para Watson (2009) foi definida como “amplo conceito que inclui não só aplicações, mas também tecnologias e processos. Inclui ainda dados, não só sob a forma de ferramentas como de processos de obtenção dos mesmos”.

Importa referencia o tema dos dados, que assume atualmente uma importância destacada, designada de “o ouro das organizações”, sendo a sua recolha e armazenagem um fator crítico, designado de “big data”. O volume de dados recolhido é tal, que a importância do seu tratamento é fundamental para poder gerar oportunidades de negócio. Watson (2014) refere a importância dos dados decorrente da análise e das técnicas utilizadas para o efeito, e que estão a originar uma procura enorme de pessoas especializadas. É o tempo do business intelligence analytics, onde estamos a falar de terabytes, armazenados em contexto de data warehouse. A questão da armazenagem, para o conceito de big data tem caracterizações diferentes, que o próprio Watson (2014) encontra em vários autores, como Russom onde se conjuga o elevado volume de dados, com a elevada velocidade de criação e e alta variedade, ou seja, diversidade de dados. Mills et al. (2012) acrescenta ainda a necessidade de novas tecnologias e técnicas de captura, armazenagem e análise, para o seu tratamento e descoberta.

Recordamos que a armazenagem e a identificação de novos padrões de dados no domínio da data mining, a partir da data warehouse utilizando ferramentas de computação e técnicas estatísticas para encontrar novas estruturas de informação a serem utilizados a nível de business performance management (BPM), dá origem à construção de KPI e dashboards. As técnicas de tratamento e descoberta da informação sistematizam-se em três métodos de:
1– classificação e correlação;
2– classificação e predição;
3– análise de clusters.

O predomínio da web como fonte de dados conduz certos autores a focarem-se o papel da data mining, dando origem ao conceito de “web mining”, que Vidya & Banumathy (2015) definem como “as técnicas de data mining para extrair conhecimento de dados web, incluindo documentos e hyperlinks utilizados entre estes e os sites”. Destaca ainda um conjunto de áreas de aplicação que considera primordiais tais como a aprendizagem e ensino, as bibliotecas digitais, o e-government, e-commerce, a segurança e investigação criminal, o e-business, e ainda, a política e democracia em torno da transparência.

Para autores como Marjamäki, P. (2017) a caracterização do business intelligence passa por um conceito “guarda-chuva” onde se englobam as componentes identificadas por Watson, e que reconfigura ao definir a BI como um processo que combina informação como produto, na sequência da recolha e tratamento sistemático de dados.

A evolução contínua do BI está a dar origem a um conceito de business intelligence adaptative, que segundo Lopes et al. (2020)” combinam um sistema preditivo para a identificação de possíveis cenários futuros, e a otimização de uma base, que pesquisa mais cenários, perante restrições de cada problema”. Para o desenvolvimento destas pesquisas preditivas o conceito de guarda-chuva do BI combina metodologias, ferramentas analíticas, bases de dados e aplicações, que pressupõem o desenvolvimento de uma arquitetura avançada com elevado poder de processamento baseada em tecnologias inteligentes, que usem software de negócios poderosos, na medida em que cada vez mais a recolha de dados e a sua utilização pressupõem uma dinâmica instantânea.

Quando um cliente adquire um produto na Amazom e lhe é sugerido a compra complementar de outro, com base em padrões de comportamento de outros clientes, percebemos a capacidade analítica para aprender do business intelligence, através de um processo cognitivo, com base em algoritmos de machine learning. Machine learning pode ser caracterizado segundo Reshi. & Khan (2014) como um conjunto de “técnicas que permitem um algoritmo modificar-se a si próprio baseado na observação da sua performance e tal performance aumenta”. Falamos de inteligência artificial, isto é, a capacidade para automatizar situações complexas, onde se enquadra o machine learning, ou nas palavras de Khan & Quadri (2012) a parte emergente da inteligência artificial, que utiliza métodos como a aprendizagem indutiva, algoritmos genéticos, o neural language programming (NLP) ou o artificial neural network ANN), inspirado no comportamento biológico dos neurónios cerebrais, modelizam as capacidades de aprendizagem de raciocínio.

O business intelligence ao tratar dados (colheita) devidamente armazenados (organização), obtendo padrões de conhecimento através da sua mineração (análise), para o desenvolvimento de ferramentas (partilha) de apoio à tomada de decisão estratégica e operacional (controlo) das organizações, na visão sintética das cinco fases referidas por Srivastava & Venkataraman (2022) está embebido nas suas tendências de evolução futura, das diversas partes que compõem este conceito guarda-chuva como sintetizado na figura abaixo.

Fonte: Srivastava et al. (2022) – conceito de business intelligence.

Enquadramento das principais tendências do BI

As principais tendências do BI, resultantes da análise das tendências próximas identificadas em Datapine (2021) assentam nos seguintes pressupostos: o agigantar do volume de dados, a segurança dos dados, a qualidade da gestão dos dados concorrendo para a modernização dos processos de data warehouse(DW); a preparação dos dados, as ferramentas analíticas preditivas, a catalogação dos dados, a inteligência artificial e o machine learning conduzem à melhoria dos processos de data mining (DM); o self- service analytics, o analytics em real-time, a qualidade dos dados para gestão, a visualização e o storytelling, bem como o alerting encontram-se na melhoria da perspetiva do business performance management (BPM). A dinâmica integrada resultará num BI mais ágil, mais colaborativo, gerador de uma nova cultura de dados e consequentemente potenciador de maior literacia acerca dos mesmos.

O quadro acima ao enumerar as tendências do business intelligence para 2022 quando comparado com as apontadas para 2020 e 2021 evidencia tendências em trajetória ou consolidação, diferenciando-as das tendências emergentes. As tendências consistentes que assinalamos são as seguintes:

• A inteligência artificial
• A segurança de dados
• A descoberta de dados
• Ferramentas de análise preditiva e prospetiva
• O Data analytics em real time
• BI colaborativa

Inteligência artificial e business intelligence A tendência de correlação mais forte entre a inteligência artificial e o BI decorrem por um lado, do cada vez maior volume de dados e da utilização crescente de dados não estruturados, o que exige processos on-line de análise (OLAP) cada vez mais complexos para as capacidades humanas seja na sua recolha, seja na sua armazenagem. A IA, isto é, capacidade de um computador pensar e programar a sua ação como um humano, significa eliminar o erro nos resultados e resolver problemas cada vez mais complexos. A inteligência artificial gera aparentes receios quanto ao futuro na medida em que poderá operar em sistema “autónomo” ao controlo humano. Aliás, a figura abaixo, segundo Zohuri & Moghaddam (2020) retrata uma visão da mesma no sentido amplo, com a incorporação quer do machine learning, quer do deep learning.

A necessidade crescente de recolher dados em tempo real, os armazenar, processar e obter informação utilizável vai aumentar para a maioria das empresas, atuem estas nos mercados financeiros ou do comercio a retalho onde a incorporação crescente de AI trará vantagens competitivas operacionais e promoverá as decisões estratégicas no processo de tomada de decisão.

Segurança de dados e business intelligence

O aumento exponencial de dados recolhidos e armazenados em data warehouse, em dados classificados tratados através das diversas técnicas de data mining, geradores de informação fundamental para ser utilizada pelos gestores dos diversos níveis organizacionais através de sistemas de BPM, importa desenvolver arquiteturas capazes de garantir a sua segurança, num contexto de aumento de cyber ataques. A vulnerabilidade dos sistemas de armazenagem, o incremento do seu acesso por níveis de decisão, fora de contexto de escritório, tem favorecido o aparecimento de ataques e roubos. Para Khan et al. (2020) a cybersegurança é muito mais do que tecnologias, é o negócio de processamento da informação para os diversos níveis de tomada de decisão.

Relevância da descoberta de dados

A evolução do BI, está associada, à importância dos dados e à sua utilização. O conceito de business intelligence analytics, que remonta a 1958 segundo Sun, Z. (2020) é a decomposição business + intelligence + analytics e corresponde à associação de business analytics + business intelligence, ou seja, a capacidade de desenvolver novos dados através de um processo de analytics, como o sugerido por algumas das técnicas de data mining como a predição e regressão.

A figura acima representa a fundamentação técnica do business intelligence analytics, a qual inclui segundo Sun & Huo (2019) citado por Sun (2020) computação, ciência de dados, modelização estatística e operações de research.

Ferramentas de análise preditiva e prospetiva

A capacidade analítica preditiva, usando técnicas estatísticas como a regressão, no contexto da data mining, permitirá extrair conhecimento principalmente incorporando dados externos no processo de BI, para análise previsional, como o que decorre de uma análise de cenários para o comportamento estratégico das empresas. Os padrões e tendências estimados a partir dos dados tratados associados à utilização de IA permitirão aos gestores de topo simular cenários de evolução para suportar tomadas de decisão mais adequadas, sejam de investimento, de internacionalização ou conquista de novos mercados, podendo incorporar informação externa estratégica recolhida de fontes web, sob a forma de textos, relatórios ou outros suportes. Deste modo, o BI segundo Wazurkar (2017) “capacita as organizações a tornarem-se mais inteligentes, a trabalhar de modo mais inteligente, e a tomarem as melhores decisões através do uso da informação”.

Fonte: Wazurkar, P. (2017) – desenvolvimento de cenários preditivos e prospetivos

A figura acima simplifica o processo de desenvolvimento preditivo e prospetivo para um processo de tomada de decisão (DSS) a partir de cenários a serem considerados pelos gestores.

Data analytics em real time

A teoria da tomada de decisão, contem várias abordagens, mas trata-se de um processo de escolha entre uma e várias alternativas, podendo ser mais ou menos complexo em função das variáveis em análise. O modelo de tomada de decisão para Simon (1974) sistematiza-se em: identificação de possíveis alternativas, determinação das consequências dessas alternativas e avaliação de todas as possíveis consequências. Existem basicamente três modelos de abordagem segundo Delen et al. (2018) os modelos descritivos, normativos e prescritivos, cujos resultados são completamente diferentes, porque fundados em pressupostos diferentes. A implementação de um processo de data analytics em real time, evidencia a importância da eliminação da intuição, refere Tank (2015) o que se torna crítico para o BI, quando utilizado por níveis intermédios ou operacionais de decisão. Trata-se de dar a informação correta às pessoas certas. A minha experiência na indústria seguradora, revela quanto significativo é para o gestor intermédio saber a valor do desconto médio atribuído à carteira de determinado agente de seguros num determinado momento, depois da emissão de um contrato, para avaliar se um próximo está enquadrado nas suas competências ou tem de subir de hierarquia. Isto evita andar a analisar semanalmente as causas de eventuais desvios ao referido desconto médio padrão. Para os gestores de topo o tema do valor do desvio é critico para a decisão de ajustar o mesmo valor à trajetória orçamental do mês/ano, mas com intervalos de tempo maiores.

BI colaborativa

O conceito de BI colaborativa é um conceito com um percurso de mais de uma década e engloba a evolução de tendências várias. Rizzi (2011) sistematiza este conceito de BI como um serviço, isto é, aplicações fornecidas através da internet; ou real time BI, quando nos referimos aos resultados com ausência de desfasamento temporal; ou BI situacional quando estamos perante um enriquecimento da data warehouse com dados externos à organização; ou BI difuso, quando a informação pode ser acedida através de diferentes ferramentas de visualização. No BI colaborativo os resultados da informação são obtidos graças à cooperação e partilha de dados de outras organizações. Teruel et al. (2019) propõem um modelo bastante detalhado e focado no desenvolvimento e aplicabilidade do BI colaborativo, tendo como pressuposto a necessidade de desenhar e melhorar as ferramentas e as funcionalidades de integração de dados, como emails e outros documentos, entre empresas, para melhorar a tomada de decisão nas mesmas. Uma aplicação prática, do BI colaborativo é estudada por Smys (2021) no caso da bancassurance, onde a partilha de dados de tomadores de seguros e segurados, entre bancos e seguradoras é crucial para o sucesso dos atributos de risco ajustados ao canal de distribuição, e ao desenvolvimento da venda, aumentando a taxa de equipamento e maximizando a rentabilidade para as entidades envolvidas.

Tendências do BI: uma abordagem focada

O BI ao transformar dados em informação e depois em conhecimento para o processo de tomada de decisão, assume relevância estratégica para as empresas, os governos, os investidores, os gestores e os acionistas, onde cada vez mais os dados não estruturados recolhidos fora do ecossistema onde vão ser incluídos, assumem um significado maior no planeamento e na estratégia organizacional. Os dados não estruturados, podem e devem ser maioritariamente recolhidos via web e assumem formatos de texto, imagens, voz e podem ser classificados segundo Zhang. et al.(2022) de “big data fusion” sendo críticos nos novos modelos de tomada de decisão e tornando incontornável o papel do BI. Porém, a questão da interpretação dos novos padrões de conhecimento, exige novos saberes e muita tecnologia de computação e estatística para que esse conhecimento seja compreensível e consistente.

Inteligência artificial uma tendência no BI O papel da inteligência artificial para o desenvolvimento do BI, tem crescido constantemente e continuará a marcar os próximos desenvolvimentos, conjugando a necessidade de tratar cada vez maior volume de dados sejam estes estruturados ou não estruturados provenientes de metodologias de captura orientadas ou colaborativas, em simultâneo com o desenvolvimento de tecnologias de computação cada vez mais inteligentes. Aumentar o papel da AI no BI pode ser potenciado por ferramentas como o machine learning e o deep learning até porque o tratamento de nova espécie de dados como a voz, provenientes de assistentes digitais, ou da IoT, ou dados provenientes de reconhecimento facial ou de diagnóstico médico. Aliás o efeito Covid-19 veio acelerar a necessidade de desenvolvimento do BI, sendo classificado por Asare, A.O. (2020) como um “game changer” pelo seu efeito transformacional na economia globalizada, ao requer o tratamento e integração de mais dados, provenientes de mais fontes, que está a exigir que o tratamento OLAP seja ainda mais automatizado e inteligente. O mesmo se passa ao nível de desenvolvimento de novos padrões do conhecimento através das técnicas de data mining.

Com todo este acelerar da importância de tratar dados e obter informação, tem-se vindo autonomizar o conceito de “Agile BI”, que Asare (2020) define como “a habilidade de uma empresa criar e responder a mudanças no ambiente de negócios, através de estratégias de gestão do risco, através de tecnologias de inteligência artificial…” para deste modo otimizar os processos de tomada de decisão. A aplicação da inteligência artificial produzirá sistemas cada vez mais analíticos no âmbito do BI, incorporando os designados “agentes inteligentes” já referidos, os algoritmos de machine learning, a Natural Language Processing (NLP). A integração de dados que cresceu durante a pandemia Covid-19, tem muito a ver com a emergência de novos hábitos dos consumidores face às suas restrições sanitárias e à mudança das cadeias de valor para garantir o abastecimento potenciado pelo e-commerce refere Blume Global (2020).

Data analytics em real time: tendência emergente do BI

A implementação de processos de gestão tem subjacente a performance da gestão e a performance da sua medição. Somos projetados para o topo do BI, isto é, o business performance management (BPM) que reflete a arquitetura dos sistemas de informação, para gerar outputs como KPIs, dashboards e relatórios, para a gestão estratégica e operacional. As organizações devem possuir objetivos concretos para gerir a partir da informação extraída e tratada a partir da data warehouses. A medição da eficiência organizacional por exemplo a nível operacional, pode ser traduzida em relatórios de negócio, de clientes, de compras e vendas, ou de indicadores como taxas devoluções, rácios de desconto, benchmarking de concorrentes, etc. onde os gestores intermédios tomam diariamente decisões concretas a partir da informação produzida pela incorporação dinâmica de dados na sua organização. As decisões estratégicas de deslocalização de fábricas ou de abertura de lojas em várias geografias, bem como o recrutamento das pessoas adequadas para as mesmas, são componentes da tomada de decisão de topo das organizações que carecem de KPIs de rentabilidade, de crescimento dos mercados, do grau de abertura concorrencial, do comportamento de indicadores económicos como a performance das bolsas, das taxas de juro, de taxas de impostos, etc. que carecem de informação gerada através de bases de dados estruturados e não estruturados.

O recurso a dados gerados em contexto web, em processos colaborativos são fundamentais e devem fazer parte dos outputs fornecidos pelo BPM. A ligação do BI às necessidades dos utilizadores é um fator de sucesso do investimento em business intelligence, mas para tal torna-se necessário criar um ambiente de cultura de dados, isto é, de parametrização da recolha constante, consciente e proactiva a partir das fontes primárias de interação com o negócio, que valorize o discurso da descoberta das necessidades e potencialidades dos stakeholders naquilo que Vukšić et al. (2013) classificam uma resposta “process-centric” geradores de BPM cada vez mais sofisticados, capacitados para produzir análise em real time. A implementação da data analytics em real time, embebendo o BI, elimina o risco das decisões proferidas por intuição como comentou Tank (2015) e releva a importância do “conhecimento”, hoje em dia classificado como o 5º fator de produção, nas palavras de Rajnoha (2016).

A abordagem do BI do ponto de vista do Analytics, em contexto de crescimento exponencial de dados suscetíveis de se converterem em informação, mormente no âmbito da 4ª revolução industrial, misturam o físico e cyber, ampliando a complexidade proporcionada pelo big data, conduzem o BPM a desempenhar um papel cada vez mais crucial, não se focando no passado, mas na previsibilidade dos próximos passos dos gestores, ou seja como sugerem Bordeleau et al. (2020) impulsionando a tomada de decisão dos gestores em real time, a partir do caminho potenciado pelo business intelligence and analytics (BIA). Esta é uma tendência que se acentua e valorizará o âmbito do BI no contexto dos processos de suporte à informação, e que as tecnologias da computação assentes em AI, e machine learning ajudarão a disseminar e a tornar cruciais.

Conclusão

Das seis tendências escolhidas para perspetivar a evolução do BI, observamos que a maioria são prevalecentes numa extração dinâmica das mesmas para 2020, 2021 e 2022, emergindo do efeito pandémico da Covid-19. A tendência baseada no crescente uso da inteligência artificial, tem como pressuposto o avolumar exponencial de dados, as limitações das capacidades humanas, a melhoria constante e rápida evolução no âmbito das ciências da computação da inteligência artificial, do machine learning e deep learning com técnicas como as das redes neuronais, ou do NLP para capturar e analisar dados, cada vez mais secundários à atividade central das organizações, mas com esta interligados. A tendência do data analytics em real time, que reconhecidamente se interliga com a da IA, segue a linha cada vez mais clara de olhar para o BI como BI&A por um lado, onde as técnicas de data mining com foco na análise preditiva, se assemelham a uma gestão da informação em modelo just in time, que torna possível incorporar tecnologias para tratamento de dados, geradores de informação em real time, valorizando a tomada de decisão operacional on-line com metodologias cientificas, e não meramente intuitivas.

A abordagem ao BI deste o suporte à tomada de decisão, aos sistemas de informação para suporte à mesma, passando pelas metodologias subjacente à recolha em data warehouse, tratamento e análise de dados geradores de padrões de conhecimento em data mining, aos processos de partilha e monitorização da informação subjacente ao BPM, foram a linha unificadora da seleção das tendências do BI tratadas.

Referências bibliográficas

Asare, A.O., Addo, P.C., Sarpong, E.O. and Kotei, D., 2020. COVID-19: optimizing business performance through agile business intelligence and data analytics. Open Journal of Business and Management, 8(05), p.2071.

BI-survey (2022). Top business intelligence trends 2022: what 2 396 BI professionals really think. https://bi-survey.com/top-business-intelligence-trends.( visualizado em 27/02/2022).

Blume Global (2020). In site “how artificial intelligence improves the supply chain”. https://www.blumeglobal.com/learning/artificial-intelligence/( visualizado em 28/02/2020).

Bordeleau, F.E., Mosconi, E. and de Santa-Eulalia, L.A., 2020. Business intelligence and analytics value creation in Industry 4.0: a multiple case study in manufacturing medium enterprises. Production Planning & Control, 31(2-3), pp.173-185.

Datapine Blog (2021). Top 10 analytics and business intelligence trends for 2022. https://www.datapine.com/blog/business-intelligence-trends/.(visualizado em 26/2/2022).

Delen, D., Moscato, G. and Toma, I.L., 2018, January. The impact of real-time business intelligence and advanced analytics on the behaviour of business decision makers. In 2018 International Conference on Information Management and Processing (ICIMP) (pp. 49-53). IEEE.

Khan, R.A. and Quadri, S.M.K., 2012. Business intelligence: an integrated approach. Business Intelligence Journal, 5(1), pp.64-70.

Khan, S., Qader, M.R., Thirunavukkarasu, K. and Abimannan, S., 2020, October. Analysis of business intelligence impact on organizational performance. In 2020 International Conference on Data Analytics for Business and Industry: Way Towards a Sustainable Economy (ICDABI) (pp. 1-4). IEEE.

Lopes, J., Guimarães, T. and Santos, M.F., 2020. Adaptive business intelligence: A new architectural approach. Procedia Computer Science, 177, pp.540-545.

Marjamäki, P., 2017. Evolution and trends of business intelligence systems: a systematic mapping study. Oulu, Finland: University of Oulu.

Mills, S., Lucas, S., Irakliotis, L., Rappa, M., Carlson, T. and Perlowitz, B., 2012. Demystifying big data: a practical guide to transforming the business of government. TechAmerica Foundation, Washington.

Rajnoha, R., Štefko, R., Merková, M. and Dobrovič, J., 2016. Business intelligence as a key information and knowledge tool for strategic business performance management. E+ M Ekonomie a management.

Reshi, Y.S. and Khan, R.A., 2014. Creating business intelligence through machine learning: An Effective business decision making tool. In Information and Knowledge Management (Vol. 4, No. 1, pp. 65-75).

Rizzi, S., 2011, July. Collaborative business intelligence. In European Business Intelligence Summer School (pp. 186-205). Springer, Berlin, Heidelberg.

Simon, H. (1979). Rational decision making in business organizations. The American Economic Review, 69 (4), 493-513.

Smys, S., Balas, V. E., Kamel, K. A., Lafata, P., 2021.Inventive Computation and information technologies. Proceedings of ICICIT 2020. Springer.

Srivastava, G. and Venkataraman, R., 2022. A review of the state of the art in business intelligence software. Enterprise Information Systems, 16(1), pp.1-28.

Sun, Z., 2020. Business Analytics Intelligence: An Emerging Frontier for Innovation and Productivity. Retrieved February 3, p.2021. Tank, D.M., 2015. Enable Better and Timelier Decision-Making Using Real-Time Business Intelligence System. International Journal of Information Engineering & Electronic Business, 7(1).

Teruel, M.A., Maté, A., Navarro, E., González, P. and Trujillo, J.C., 2019. The New Era of Business Intelligence Applications: Building from a Collaborative Point of View. Business & Information Systems Engineering, 61(5), pp.615-634.

Turban, E., Delen, D., Sharda, R., 2015. Business intelligence and analytics: systems for decision support.10ª ed. Pearson, Boston.

Vidya, S. and Banumathy, K., 2015. Web mining-concepts and application. International Journal of Computer Science and Information Technologies, 6(4), pp.3266-3268.

Vukšić, V.B., Bach, M.P. and Popovič, A., 2013. Supporting performance management with business process management and business intelligence: A case analysis of integration and orchestration. International journal of information management, 33(4), pp.613-619.

Watson, H.J., 2009. Tutorial: business intelligence–past, present, and future. Communications of the Association for Information systems, 25(1), p.39.

Watson, H.J., 2014. Tutorial: Big data analytics: Concepts, technologies, and applications. Communications of the Association for Information Systems, 34(1), p.65.

Wazurkar, P., Bhadoria, R.S. and Bajpai, D., 2017, November. Predictive analytics in data science for business intelligence solutions. In 2017 7th International Conference on Communication Systems and Network Technologies (CSNT) (pp. 367-370). IEEE.

Zhang, L., Qi, Z. and Meng, F., 2022. A Review on the Construction of Business Intelligence System Based on Unstructured Image Data. Procedia Computer Science, 199, pp.392-398.

Zohuri, B. and Moghaddam, M., 2020. From Business Intelligence to Artificial Intelligence. Journal of Material Sciences & Manufacturing Research. SRC/JMSMR/102 Page, 3.

DISCLAIMER:

A responsabilidade técnica e operacional do artigo recai totalmente sobre o seu autor, exprimindo o seu ponto de vista. A utilização do mesmo por terceiros, carece da autorização prévia do autor regulando-se pelas regras do direito de autor para Portugal e restantes países da União Europeia, nomeadamente a aplicação da regulamentação do copyright, decorrentes dos artigos 75 e 76 do DCADC. A utilização para efeitos académicos, enquadra-se nas regras da contrafação (plágio) reguladas nos artigos 196,197 e 200 do CDADC.