Suporte às micro e pequenas empresas a partir da gestão baseada em evidências: construção de ferramenta computacional baseada em inteligência artificial

• Main Author: Santos, Andrey Schmidt dos
• Other Authors: http://lattes.cnpq.br/6330279254229431
• Language: Portuguese
• Published: Universidade do Vale do Rio dos Sinos 2018
• Subjects: ACCNPQ::Engenharias::Engenharia de Produção; Gestão baseada em evidências; Micro e pequenas empresas; MEI; Mineração de dados; Mineração de texto; Classificação; Evidence-based management; Small and medium enterprises; Data mining; Text mining; Classification
• Online Access: http://www.repositorio.jesuita.org.br/handle/UNISINOS/7029

Submitted by JOSIANE SANTOS DE OLIVEIRA (josianeso) on 2018-04-26T13:33:37Z No. of bitstreams: 1 Andrey Schmidt dos Santos_.pdf: 3821784 bytes, checksum: 3ec0002a0c8656aa8110f2ae6166b117 (MD5) === Made available in DSpace on 2018-04-26T13:33:37Z (GMT). No. of bitstreams: 1 Andrey Schmidt dos Santos_.pdf: 3821784 bytes, checksum: 3ec0002a0c8656aa8110f2ae6166b117 (MD5) Previous issue date: 2018-02-26 === CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior === As micro e pequenas empresas (MPEs) constituem 99% das empresas no Brasil, sendo responsáveis por 70% dos empregos formais e 27% do produto interno bruto. Apesar dessa representatividade, o grau de instrução nas MPEs ainda é baixo. Esse baixo nível de instrução dificulta a tomada de decisão. Uma alternativa para melhorar a tomada de decisão é utilizar a gestão baseada em evidências (EBM). A EBM é uma abordagem que ajuda a encontrar evidências e a avaliá-las criticamente. Uma organização que ajuda as MPEs na busca de evidências e na tomada de decisão é o Serviço Brasileiro de Apoio às Micro e Pequenas Empresas (SEBRAE). O SEBRAE possui uma central de atendimentos com capacidade limitada de suporte a MPEs. Essa capacidade pode ser aumentada utilizando tecnologias da inteligência artificial (IA). Uma revisão de literatura demonstrou a ausência de referências na utilização da IA para aplicação da EBM em MPEs. Diante desse contexto, a pesquisa responde como seria uma ferramenta computacional para suportar as demandas técnicas no contexto de MPEs. Para responder ao problema de pesquisa, construiu-se uma ferramenta computacional que suporta as demandas técnicas de MPEs a partir da EBM. Para tanto, desenvolveu-se um método de trabalho baseado na Design Science Research (DSR). Com base na DSR, construiu-se um artefato com um módulo de pergunta e resposta e um módulo de aprendizado. Após quatro rodadas de aprendizado, o artefato apresentou uma acurácia de 90,70%. Realizou-se, ainda, um experimento para comparar o desempenho do artefato com a performance da central de atendimento do SEBRAE. Na dimensão qualidade, o artefato apresentou um desempenho, correspondente a 53,59% do atendimento da central do SEBRAE. Na dimensão tempo, o artefato apresentou resultados superiores aos da central de atendimentos. O trabalho contribui para a literatura ao desenvolver um artefato que aplique a EBM. O SEBRAE beneficia-se com uma alternativa que possibilita aumentar a capacidade de atendimento. O artefato pode ser utilizado para complementar e agilizar o atendimento a MPEs. === Small and Medium Enterprises (SMEs) compose 99% of companies in Brazil, 70% of formal jobs and 27% of gross domestic product. Despite this representativeness, the level of education in SMEs is low. This education level difficult decision-making. One alternative to improve SMEs decision making is evidence-based management (EBM). EBM is an approach that helps to acquire and appraise evidence. One organization that helps SMEs find evidence and make decisions is the Brazilian Small and Medium Enterprises Support Service (SEBRAE). SEBRAE has a SMEs call center with limited service capacity. This capacity can be increased with artificial intelligence technologies (AI). A literature review has demonstrated the lack of literature in the use of IA for the application of EBM in SMEs. In this context, what would be a computational tool to support the technical demands in the context of SMEs? To answer this problem, the research goal was create a computational tool that supports the SMEs technical demands from EBM. To create this tool, a working method based on design science research (DSR) was developed. Using the DSR, an artifact with ask-answer module and learning module was created. After four learning rounds, the artifact presented an accuracy of 90,70%. An experiment was carried out to compare the artifact with the SEBRAE call center. In the quality dimension, the artifact presented a performance similar to 53,59% of the call center. In the time dimension, the artifact presented better results than call center. The work contributes to the literature by developing an artifact that applies EBM. SEBRAE benefited from an alternative to increase its service capacity. The artifact can be used to complement and expedite the SMEs call center service.