Tomada de decisão baseada em dados: o que as pesquisas mostram e por onde começar

Tomada de decisão baseada em dados é escolher o que fazer a partir de informação registrada, atualizada e com a mesma definição para todos. Ela substitui a impressão pessoal e o número de quem fala mais alto na reunião. Na prática, decisões de compra, preço, cobrança ou contratação partem de números que saem dos sistemas da empresa, com origem e data conhecidas.

Vale o esforço? Estudos com milhares de empresas associam a prática a produtividade maior, mas com uma condição que costuma ficar de fora. O ganho aparece junto com sistemas integrados, pessoas preparadas e processos desenhados para usar o dado. Este guia reúne essas pesquisas, mostra onde a empresa brasileira está e propõe um caminho que começa pela operação.

O que é tomada de decisão baseada em dados

Decidir com base em dados quer dizer três coisas ao mesmo tempo. O dado está registrado num sistema, e não na memória de alguém. Está atual o bastante para a decisão em jogo. E tem a mesma definição para todas as áreas: “faturamento” é a mesma conta no comercial e no financeiro.

Nas pesquisas acadêmicas, o tema aparece como data driven decision making, ou pela sigla DDD. Em português, “empresa data driven” e “empresa orientada a dados” são sinônimos: é a empresa em que as decisões recorrentes seguem esse padrão. Cultura data driven, ou cultura de dados, é o hábito que sustenta isso. As pessoas perguntam de onde veio o número antes de discutir o que fazer com ele.

O que a prática não é:

• Ter um dashboard bonito. O painel é o fim do caminho. Sem dado confiável na origem, ele só deixa o número errado mais visível.
• Ter muitos dados. Volume não resolve nada se ninguém sabe qual dado responde a qual decisão.
• Trocar o julgamento pela planilha. O dado informa a decisão, mas quem decide continua sendo uma pessoa, com contexto que o número não tem.

O que as pesquisas mostram sobre desempenho

Decidir com dados melhora o resultado? As melhores evidências vêm de grandes amostras dos Estados Unidos e da Europa, várias com dados do Census Bureau, o órgão de estatística americano.

Grandes empresas de capital aberto

No working paper “Strength in Numbers”, de 2011, Erik Brynjolfsson, Lorin Hitt e Heekyung Kim estudaram 179 grandes empresas de capital aberto dos Estados Unidos. Os dados vinham de uma pesquisa sobre práticas de negócio e investimentos em tecnologia da informação.

5% a 6%

a mais de produção e de produtividade nas empresas que adotavam a decisão baseada em dados. A comparação é com o esperado para os seus outros investimentos e o seu uso de tecnologia da informação.

A relação também apareceu no retorno sobre o patrimônio e no valor de mercado, entre outras medidas. Com variáveis instrumentais, um método estatístico, os autores concluíram que o efeito não parece ser causalidade reversa. Ou seja, não se explica só por empresas produtivas que passam a usar mais dados.

Mais de 18 mil fábricas: o desempenho melhora depois da adoção

Em dois trabalhos de 2016, Brynjolfsson e Kristina McElheran usaram dados do Census Bureau sobre fábricas americanas. No artigo publicado na American Economic Review, a adoção da decisão baseada em dados quase triplicou entre 2005 e 2010: passou de 11% para 30% das fábricas.

No working paper do Census Bureau, com uma amostra representativa de mais de 18 mil fábricas, os autores mediram o efeito no desempenho.

3%

a mais de valor adicionado médio nas fábricas que adotaram a decisão baseada em dados mais tarde, em comparação com as que não adotaram, controlando os outros insumos da produção.

Dois achados pesam mais do que o percentual. O desempenho melhora depois que a fábrica adota a prática, e não antes, o que os autores consideram compatível com uma relação causal. E o efeito, distinto do associado à tecnologia da informação e a outras práticas de gestão estruturada, se concentra nas empresas de um só estabelecimento. Elas adotaram mais tarde que as fábricas maiores e mais antigas de grupos com várias unidades.

Gestão estruturada em 35 mil fábricas

Um estudo maior, publicado na American Economic Review em 2019, usou um questionário aplicado a cerca de 35 mil fábricas, em 2010 e 2015. Segundo a versão de trabalho do estudo, as 16 perguntas de gestão cobriam três blocos: monitoramento, metas e incentivos.

O resultado: as práticas de gestão estruturada explicam mais de 20% das diferenças de produtividade entre as fábricas. É uma fatia igual ou maior que a explicada por pesquisa e desenvolvimento, por tecnologia da informação e comunicação ou por capital humano. É uma decomposição estatística, e os autores avisam que não atribuem necessariamente interpretação causal à relação entre gestão e desempenho.

Empresas da União Europeia

Pesquisadores da OCDE encontraram um padrão parecido na Europa. Num working paper de 2019, eles cruzaram dados de produtividade de empresas de países da União Europeia com a adoção de tecnologias digitais em cada setor. A adoção digital esteve associada a ganhos de produtividade nas empresas, com efeito maior na indústria e em atividades rotineiras.

O efeito também foi mais forte nas empresas que já eram mais produtivas e mais fraco onde faltavam profissionais qualificados. O resumo não traz um percentual único, e a adoção foi medida por setor, não por empresa.

O ganho vem junto com sistemas, pessoas e processo

Um estudo de 2021, publicado na revista Business Economics por Brynjolfsson, Wang Jin e McElheran, olhou para o analytics preditivo. Esse é o uso de dados e modelos estatísticos para antecipar o que vai acontecer. A amostra teve mais de 30 mil fábricas dos Estados Unidos.

A conclusão interessa a quem vai investir: o ganho de produtividade só apareceu quando o analytics veio acompanhado de pelo menos um de três complementos.

• Capital de tecnologia da informação acumulado em volume significativo.
• Trabalhadores com mais escolaridade.
• Produção desenhada para alta eficiência de fluxo, ou seja, para o trabalho andar sem esperas.

Os estudos de 2016 apontam na mesma direção. Decisão baseada em dados e capital de tecnologia da informação se reforçam, e o mesmo vale para decisão baseada em dados e mão de obra qualificada.

Para a empresa, a tradução é direta: comprar uma ferramenta de BI não basta. A ferramenta mostra o dado, mas não cria o registro na origem, não integra os sistemas e não define quem responde por cada número. Por isso, na LinieX, começamos pela operação, não pela tecnologia. Um painel só merece confiança quando se apoia em sistemas que se conectam.

Onde a empresa brasileira está

Os estudos acima partem de empresas que já têm sistemas registrando a operação. No Brasil, esse ponto de partida não está garantido. A pesquisa TIC Empresas 2025, do Cetic.br, entrevistou 4.174 empresas com 10 ou mais pessoas ocupadas, por telefone, entre fevereiro de 2025 e janeiro de 2026.

36%

das empresas brasileiras com 10 ou mais pessoas ocupadas usaram, nos 12 meses anteriores, um ERP para integrar os dados e processos dos departamentos num sistema único. Foram 32% entre as de 10 a 49 pessoas, 58% entre as de 50 a 249 e 76% entre as de 250 ou mais.

Lido pelo avesso, o indicador G2 mostra que 68% das empresas de 10 a 49 pessoas responderam que não usaram ERP no período. O CRM, sistema de gestão do relacionamento com clientes, chegou a 31% das empresas em 2025. Eram 25% em 2024, segundo o Cetic.br.

Na indústria, o IBGE mediu outra camada. Em 2024, 27,8% das 10.167 empresas industriais com 100 ou mais pessoas ocupadas usaram análise de big data em alguma área do negócio. O dado é da PINTEC Semestral 2024, na qual a computação em nuvem chegou a 77,2% das mesmas empresas. São estatísticas experimentais, que o próprio IBGE pede para usar com cautela.

Os números sugerem que, nas empresas menores, muitas decisões ainda não têm um sistema de origem para consultar. Para elas, o primeiro degrau é registrar a operação num sistema, não montar o painel.

Por que a planilha não sustenta a decisão

A planilha ocupa o espaço que os sistemas deixam vazio. É flexível e todo mundo sabe usar. Como fonte oficial para decidir, porém, ela falha de quatro formas:

• Várias versões do mesmo número: cada área guarda a sua cópia, com ajustes próprios.
• Redigitação: o dado sai de um sistema, é copiado à mão e ganha erros no caminho.
• Atraso: o número fica pronto quando alguém tem tempo de montar, não quando a decisão precisa dele.
• Origem e data desconhecidas: ninguém sabe de onde veio o valor nem a que dia ele se refere.

Nada disso é contra a planilha. Ela continua ótima para análise pontual, simulação e exploração de uma ideia. O problema é usá-la como fonte oficial de um número que orienta decisões todo mês. O guia sobre quando e como trocar a planilha por um sistema trata desse passo.

Sete decisões operacionais e os dados de que cada uma precisa

Decidir com dados fica concreto quando se parte da decisão, e não do dado que está à mão. A tabela abaixo é um modelo para sete decisões comuns. Sistemas, frequências e responsáveis são exemplos para adaptar à sua operação.

Decisão	Dado necessário	Sistema de origem	Frequência de atualização	Responsável
Compras: quanto e quando repor	Consumo por item, estoque atual, pedidos em aberto e prazo do fornecedor	ERP (estoque e compras)	Diária	Compras
Estoque: o que reduzir ou liquidar	Giro e cobertura por item, itens sem saída	ERP	Semanal	Suprimentos ou logística
Preço: reajustar ou manter	Custo atualizado, margem por produto ou serviço, descontos concedidos	ERP e CRM	Mensal	Diretoria comercial com o financeiro
Contratação: abrir ou não uma vaga	Volume de trabalho por pessoa e sua tendência	Sistema de atendimento, ERP ou apontamento de produção	Mensal	Gestor da área com o RH
Cobrança: quem cobrar hoje	Títulos vencidos por cliente, histórico de pagamento e acordos registrados	ERP financeiro	Diária	Financeiro
Priorização comercial: onde concentrar a equipe	Oportunidades por etapa, valor, tempo parado e histórico de conversão	CRM	Diária	Gestor comercial
Capacidade de atendimento: reforçar ou redistribuir a equipe	Fila, tempo até a primeira resposta, chamados por atendente e picos por horário	Plataforma de atendimento e WhatsApp integrados ao CRM	Diária	Coordenação de atendimento

Modelo ilustrativo.

Quase toda linha depende de um sistema que registra a operação quando ela acontece. Na indústria, o apontamento de produção automatizado captura o dado no chão de fábrica, sem digitação no fim do turno. No escritório contábil, o dado chega em documentos fiscais eletrônicos, tema do guia de automação para escritório de contabilidade. Como levar decisões como essas para um painel é assunto do guia de dashboard de gestão.

Da planilha ao alerta automático: uma escada de maturidade

Ninguém passa da planilha ao alerta automático de uma vez. Cada área pode estar num degrau diferente, e o objetivo não é chegar ao topo em tudo: é subir onde a decisão pesa mais.

Subir do primeiro ao terceiro degrau é trabalho de estrutura, não de ferramenta. Antes de escolher qualquer software, vêm duas etapas: Diagnóstico e Arquitetura. O diagnóstico entende pessoas, processos, gargalos, ferramentas e dados. A arquitetura desenha como informações, sistemas e pessoas devem se conectar.

Às vezes, esse trabalho mostra que falta um sistema para registrar parte da operação. Aí entra a escolha entre software sob medida ou SaaS.

Erros comuns

Quase nenhum destes erros é técnico. São erros de definição e de hábito.

• Métricas de vaidade: números que fazem boa figura, como visitas ao site ou seguidores, mas não mudam nenhuma decisão.
• Indicador sem dono: se ninguém responde pelo número, ninguém investiga quando ele sai da faixa.
• Definição diferente por área: o mesmo nome para duas contas produz duas verdades na mesma reunião.
• Painel sem data de atualização: sem saber de quando é o número, ninguém sabe se pode confiar nele.
• Excesso de indicadores: quando tudo é acompanhado, nada chama a atenção.
• Decidir sem registrar: sem anotar o que foi decidido, com qual número e o que se esperava, não dá para saber depois se o dado ajudou.

Perguntas frequentes

Por onde começar

Não comece pelo painel. Escolha três decisões que se repetem todo mês na sua empresa: a compra de um item crítico, a cobrança de clientes em atraso ou a escala do atendimento, por exemplo. Para cada uma, escreva de qual dado ela precisa, de qual sistema ele vem, com que frequência deve ser atualizado e quem responde por ele.

Se o dado não tem sistema de origem, esse é o primeiro projeto. Se tem, mas está espalhado, integre a fonte antes de desenhar a tela. O painel vem por último e fica simples quando o dado já chega pronto. É o que as pesquisas sugerem: o ganho vem do dado registrado na operação, com definição única, nas mãos de quem sabe o que fazer com ele.

Fontes

1. Erik Brynjolfsson, Lorin M. Hitt e Heekyung Hellen Kim. SSRN, working paper. Strength in Numbers: How Does Data-Driven Decisionmaking Affect Firm Performance?. 2011. Acesso em 19/09/2026. Resumo conferido pelo registro do DOI 10.2139/ssrn.1819486. Grandes empresas de capital aberto dos Estados Unidos.
2. Erik Brynjolfsson e Kristina McElheran. American Economic Review, v. 106, n. 5, p. 133-139. The Rapid Adoption of Data-Driven Decision-Making. 2016. Acesso em 19/09/2026. Papers and Proceedings. Fábricas dos Estados Unidos, 2005 e 2010.
3. Erik Brynjolfsson e Kristina McElheran. U.S. Census Bureau, Center for Economic Studies, CES-WP-16-06. Data in Action: Data-Driven Decision Making in U.S. Manufacturing. 2016. Acesso em 19/09/2026. Working paper com mais de 18 mil fábricas dos Estados Unidos.
4. Nicholas Bloom, Erik Brynjolfsson, Lucia Foster, Ron Jarmin, Megha Patnaik, Itay Saporta-Eksten e John Van Reenen. American Economic Review, v. 109, n. 5, p. 1648-1683. What Drives Differences in Management Practices?. 2019. Acesso em 19/09/2026.
5. Nicholas Bloom e outros. National Bureau of Economic Research, Working Paper 23300. What Drives Differences in Management?. 2017. Acesso em 19/09/2026. Versão de trabalho do estudo publicado em 2019; descreve os blocos do questionário e a ressalva sobre causalidade.
6. Peter Gal, Giuseppe Nicoletti, Théodore Renault, Stéphane Sorbe e Christina Timiliotis. OECD Economics Department Working Papers, n. 1533, via RePEc. Digitalisation and productivity: In search of the holy grail – Firm-level empirical evidence from EU countries. 2019. Acesso em 19/09/2026. Adoção digital medida por setor, não por empresa.
7. Erik Brynjolfsson, Wang Jin e Kristina McElheran. Business Economics, v. 56, n. 4, p. 217-239, via MIT DSpace. The power of prediction: predictive analytics, workplace complements, and business performance. 2021. Acesso em 19/09/2026. Mais de 30 mil fábricas dos Estados Unidos.
8. Cetic.br / NIC.br. Uso de Inteligência Artificial por empresas brasileiras avança e atinge 17%, aponta pesquisa do Cetic.br. 2026. Acesso em 19/09/2026. Usada para o método da TIC Empresas 2025 e para a comparação do uso de CRM entre 2024 e 2025.
9. Cetic.br / NIC.br. TIC Empresas 2025, indicador G2: empresas que utilizaram pacotes de software ERP. 2026. Acesso em 19/09/2026. Empresas com 10 ou mais pessoas ocupadas.
10. Cetic.br / NIC.br. TIC Empresas 2025, indicador G3: empresas que utilizaram algum aplicativo de CRM. 2026. Acesso em 19/09/2026. Empresas com 10 ou mais pessoas ocupadas.
11. IBGE, Pesquisa de Inovação Semestral. PINTEC Semestral 2024. Indicadores temáticos: tecnologias digitais avançadas, teletrabalho e cibersegurança (PDF). 2025. Acesso em 19/09/2026. Estatística experimental; empresas industriais com 100 ou mais pessoas ocupadas.