À medida que a tecnologia da informação se torna mais avançada, as aplicações de sistemas de informações contábeis são reconhecidas por habilitarem mudanças nas tarefas da contabilidade. (MAULDIN; RUCHALA, 1999).
As tecnologias são frequentemente desenvolvidas em resposta a específicos requerimentos das tarefas, usando raciocínio prático e conhecimento experimental. (MARCH; SMITH, 1995).
A tecnologia é um disseminado e crescente componente das tarefas contábeis e tem mudado os processos de trabalho. O modelo de Mauldin e Ruchala reconhece esse fator. O artigo desenvolve um modelo para a pesquisa sobre os sistemas de informação contábeis; este começa com um foco na tarefa e sugere um processo de casamento entre os requerimentos da tarefa e as alternativas de desenho do sistema. Adicionalmente, o modelo sugere que os fatores de contingência cognitivos, organizacionais e tecnológicos impactam o resultado e o desempenho da tarefa. (MAULDIN; RUCHALA, 1999).
A Figura 7 apresenta o framework desenvolvido por Mauldin e Ruchala (1999).
Figura 7 − Framework de Mauldin e Ruchala para pesquisa de Sistemas de Informações Contábeis
Fonte: Mauldin e Ruchala (1999)
Rom e Rohde (2007) também afirmam que o uso das técnicas e os sistemas de informações deveriam suportar a solução das tarefas.
Como resultado primário do artigo há a proposição de que um modelo de pesquisa de um sistema de informação contábil deveria ser reorientado para um foco em tarefa. As tecnologias presentes no sistema de informação contábil, na forma de banco de dados, sistemas especialistas e de apoio à decisão, representam ferramentas para resolver os problemas de contabilidade. A importância da pesquisa com foco em tarefa é cada vez mais
reconhecida em contabilidade por vários pesquisadores. O foco na tarefa é necessário para desenhar e implantar sistemas em consonância com o julgamento humano, com o processo de decisão e com as estratégias organizacionais. (MAULDIN; RUCHALA, 1999).
Tecnologia da informação refere-se às ferramentas e técnicas que são desenvolvidas especificamente para adquirir e processar a informação no suporte dos propósitos humanos. (MARCH; SMITH, 1995).
A tecnologia pode melhorar o conhecimento e fornecer suporte à decisão, enquanto, por outro lado, a estratégia cognitiva e os fatores individuais podem afetar o desenho tecnológico e o modo da operação escolhida. A ligação entre fatores tecnológicos e organizacionais é uma via de mão dupla, já que a tecnologia pode permitir mudanças na estrutura organizacional e o contexto organizacional determinará a tecnologia escolhida. Fatores organizacionais incluem a estratégia organizacional, estrutura, e o ambiente de negócios externo e interno. Pesquisas organizacionais anteriores focam no desenho e na implantação do sistema de informação contábil, assim como, o relacionamento entre a escolha do sistema de informação contábil e o desempenho organizacional. (MAULDIN; RUCHALA, 1999).
O desempenho da tarefa é escolhido como a variável de resultado, pelo fato de que ambos, tanto os pesquisadores de tecnologia de informação quanto os organizacionais, definem informação em termos do valor que ela detém para a ação humana. (MARCH; SMITH, 1995).
Dessa forma, a partir do exposto constatamos que para a pesquisa em sistemas de informação e Contabilidade Gerencial se torna importante estudarmos o impacto que os primeiros estão provocando nas tarefas da Contabilidade Gerencial. E esse é o objetivo deste trabalho, identificar se os sistemas que usam as ferramentas que suportam o conceito de gestão de desempenho estão facilitando mudanças nas tarefas da Contabilidade Gerencial.
1.6. FERRAMENTAS DE BUSINESS INTELLIGENCE
O Business Intelligence (BI) pode ser definido como o processo de conversão de dados em informações e então em conhecimento. O BI surgiu no começo dos anos 90 para satisfazer a demanda dos executivos para a análise dos dados da empresa, de forma eficiente e eficaz, para um melhor entendimento da situação dos negócios e melhoria do processo de decisão. (GOLFARELLI et al., 2004).
O BI pode ser visto como um método de análise do ambiente de negócios (mercados, competidores e assuntos econômicos). Ele se refere a um processo analítico que produz insights, sugestões, e recomendações para a gestão e os tomadores de decisão, transformando dados internos e externos em informações. Por exemplo: KPIs podem ser monitorados e representados usando técnicas de BI tais como dashboards e scorecards. (AHO, 2010).
BI é um termo que engloba uma ampla gama de softwares analíticos e soluções para juntar, consolidar, analisar e fornecer acesso à informação, em uma maneira que permita aos usuários das organizações tomarem melhores decisões. O termo BI engloba software para a extração, transformação e leitura de dados (ETL − Extract, Transform and Load), data
warehousing, pesquisa em banco de dados (query) e reporte, análises multidimensionais e
processamento analítico on-line (OLAP), data mining e visualização. A chave, naturalmente, é consolidar dados de muitos diferentes sistemas operacionais em um data warehouse corporativo. Devido ao vasto escopo desse esforço, poucas organizações tem um verdadeiro
data warehouse corporativo. (GANGADHARAN; SWAMI, 2004).
Segundo Coveney (2003, p. 15) o Business Intelligence (BI) é um software construído sob o conceito de banco de dados multidimensional, com ênfase na agilidade de planejar, reportar e analisar processos. Os sistemas transacionais de processamento são fornecedores de dados para os softwares de BI. Esse avanço da tecnologia de informação possibilitou explorar os dados dos softwares Enterprise Resources Planning (ERP) para tomada de decisão. O BI se refere ao uso da tecnologia para coletar, e efetivamente usar, a informação para melhorar o potencial do negócio. Um sistema de BI dá aos empregados da organização, parceiros e fornecedores, um fácil acesso à informação que eles precisam, para realizar seus trabalhos, bem como uma habilidade de analisar e facilmente compartilhar essa informação com outros. O BI fornece insights críticos que ajudam as organizações a tomarem decisões mais bem informadas. O BI facilita a varredura de todos os aspectos das operações de negócios para encontrar novas receitas e ampliar adicionalmente as reduções de custos, fornecendo informação para a tomada de decisão. (GANGADHARAN; SWAMI, 2004).
Yoshikuni et al. (2006) destacam que a categoria de software de Business Intelligence − BI é construído sobre a plataforma do banco de dados multidimensional de forma fragmentada, podendo atender necessidades específicas de áreas ou módulos independentes da empresa (departamentos, funções etc.), não privilegiando a integração da totalidade da organização.
Podemos assim entender a análise dimensional: os gerentes, às vezes, precisam analisar dados de maneira que os modelos tradicionais de banco de dados não podem
apresentar. Por exemplo, uma empresa que vende quatro produtos diferentes – porcas, pinos, arruelas e parafusos – nas regiões leste, oeste e central, poderia querer saber qual o volume real de vendas por produto em cada região e também compará-las com a projeção de vendas. Essa análise requer uma visão multidimensional dos dados. Para fornecer esse tipo de informação, as organizações podem usar um banco de dados multidimensional especializado ou uma ferramenta que cria visões multidimensionais dos dados contidos em bancos de dados relacionais. A análise multidimensional habilita os usuários a ver os mesmos dados de maneiras diferentes, utilizando múltiplas dimensões. Cada aspecto da informação – produto, preço, custo, região ou período de tempo – representa uma dimensão diferente. Dessa forma, um gerente de produto pode utilizar uma ferramenta de análise multidimensional dos dados para saber quantas arruelas foram vendidas na região leste em junho, comparar esses dados com os dados do mês anterior e também de junho do ano anterior e com a previsão de vendas. Outro termo para análise multidimensional de dados é o processo analítico on-line (OLAP). (LAUDON; LAUDON, 2004).
O processamento analítico on-line geralmente fornece ao usuário do sistema, uma capacidade de mudar a visão do relatório. O OLAP é flexível o suficiente para fornecer ao usuário tantas visões quantas forem necessárias em uma simples e intuitiva maneira. O termo dimensão é usado por um sistema OLAP para descrever um particular ponto de visão. Por exemplo: a dimensão organização conteria a informação sobre os diferentes departamentos e a maneira pela qual eles estão relacionados em uma estrutura hierárquica. Outra dimensão seria as contas a serem planejadas e reportadas. Em um sistema OLAP, essas diferentes dimensões podem ser trocadas, rápida e facilmente, arrastando a apropriada dimensão ao longo da tela. As Pivot Tables no Excel fornecem capacidades similares. O que tem feito o OLAP um sucesso nos departamentos financeiros nos anos recentes tem sido a possibilidade dos sistemas serem criados e mantidos por pessoas não técnicas. (COVENEY et al., 2003).
No passado, os gerentes confiavam em planilhas baseadas em modelagem financeira, na extração manual e limpeza de dados baseados em grandes mainframes, numa tentativa de ganhar insights sobre os assuntos envolvidos. Tecnologias recentes tais como o data
warehousing e o OLAP trouxeram algumas maneiras para endereçar as necessidades dos
gerentes, permitindo que eles ganhem um melhor entendimento do problema e que eles tenham inferências originadas das análises dos dados. (FAHY, 2000).
Segundo Yoshikuni et al. (2006) o BI entrou como uma nova categoria de software para o desenvolvimento dos Sistemas de Apoio à Tomada de Decisão (SAD) e Sistemas de Informações Estratégicas ou Executivas (SIE).
Arnott e Pervan (2008) destacam que o BI é um subcampo da disciplina de sistemas de suporte à decisão.
Os sistemas de apoio aos executivos de hoje tentam evitar o problema do excesso de dados, tão comum em relatórios em papel, pois os dados podem ser filtrados ou vistos sob a forma de gráficos e diagramas (se o usuário preferir). Esses sistemas possuem uma capacidade denominada Drill Down, que permite passar do nível de dados resumidos para níveis cada vez mais detalhados. O recurso Drill Down é para todos os funcionários que necessitam analisar os dados. As ferramentas OLAP fornecem essa capacidade. (LAUDON; LAUDON, 2004).
Os dados necessários para o cálculo dos KPIs vêm de uma solução de BI de retaguarda, chamada de Data Warehouse (DW). O DW é um banco de dados relacional, no qual os dados são agregados vindos de diferentes fontes de sistemas operacionais e de fontes externas. O DW habilita um efetivo processo de reporte e análise, sem afetar o desempenho e a funcionalidade dos sistemas operacionais. Os dados dessas diversas aplicações são copiados para o DW do banco de dados com a frequência desejada. O DW integra dados operacionais- chave de toda a empresa, de uma forma consistente, confiável e torna-os facilmente disponíveis para os relatórios. Empresas podem montar um DW de âmbito empresarial, como um armazém central que atende à organização inteira, ou podem criar armazéns menores, descentralizados, denominados Data Marts. O Data Mart é um subconjunto de um data
warehouse, no qual uma porção resumida ou altamente focalizada dos dados da organização é
colocada em um banco separado, destinado a uma população específica de usuários. Um sistema de DW provê uma gama de ferramentas de consultas ad hoc e padronizadas, ferramentas analíticas e recursos gráficos para produção de relatórios, dentre elas OLAP e
Data Mining. (LAUDON; LAUDON, 2004; AHO, 2010).
A alimentação dos dados é feita pelo processo de Extract, Transform and Load (ETL), que consiste em extrair dados de diversas fontes, transformá-los de acordo com as regras de modelagem do destino, garantindo integridade de conceitos e valores, para em seguida carregá-los, geralmente em um DW. (DINIZ et al., 2009).
Outra forma de acessar as informações do DW é por meio do processo conhecido como Data Mining, definido como o processo de extração de conhecimento implícito nos dados (BASTOS et al., 2001). Entre as ferramentas de data mining podemos citar: regressão linear e não linear, análise multivariada, lógica fuzzy, redes neurais, identificação de tendências e predição, identificação de padrões, correlações e associações, entre outros. (DINIZ et al., 2009).
O Data Mining utiliza várias técnicas para descobrir modelos e relações ocultas em grandes repositórios de dados. A partir disso podem-se inferir regras para prever o comportamento futuro e orientar uma melhor tomada de decisões. (LAUDON; LAUDON, 2004).
Os SAD analisam grandes repositórios de dados encontrados em grandes sistemas organizacionais. Eles apoiam a tomada de decisões, pela permissão aos usuários de extrair e analisar informações úteis anteriormente ocultas em grandes bancos de dados. Frequentemente, dados provenientes de sistemas de processamento de transações são colocados em armazéns de dados (Data Warehouse) com essa finalidade. O OLAP; data
mining; modelos matemáticos e analíticos, também podem ser usados para análise dos dados.
Os modelos podem ser de previsão, de análise de sensibilidade (perguntas do tipo se então -
What If). (LAUDON; LAUDON, 2004).