PROPOSTA DE FRAMEWORK PARA ANÁLISE DAS AFFORDANCES QUANDO DO USO DE BIG DATA E ANALYTICS NAS ORGANIZAÇÕES

STRAUSS, LUISA M.; HOPPEN, NORBERTO

doi:10.1590/1678-6971/eRAMR190182

RESUMO

Objetivo: O artigo apresenta o desenvolvimento de um framework para analisar como ocorre o uso de big data e analytics nas organizações, o qual está baseado na teoria das affordances e na teoria ator-rede (TAR).

Originalidade/valor: Big data e analytics, mesmo usando ferramentas e técnicas que não são novas, têm recebido muita atenção da mídia especializada em TI e da academia, a primeira para fomentá-la e a segunda porque ainda existem dificuldades de implantação e o processo de uso de big data analytics não é bem compreendido.

Design/metodologia/abordagem: O trabalho tem uma abordagem qualitativa, na forma de um ensaio teórico. Analisaram-se trabalhos que relacionaram a teoria das affordances com TI e com big data e analytics, e, para propor o framework resultante, além de contribuições da TAR, foi conduzido um estudo de caso ilustrativo.

Resultados: A teoria das affordances aliada à translação da TAR pode ser útil para a análise do processo de uso de big data e analytics em organizações, pois contempla aspectos individuais e organizacionais, abrangendo a percepção de utilidade, as transformações sociotécnicas necessárias em processos, pessoas e estruturas, a utilização de fato e os efeitos organizacionais. Como contribuição, foi proposto um framework que inclui elementos de translação da TAR para guiar pesquisas futuras.

PALAVRAS-CHAVE
Big data; Analytics; Affordances; Teoria ator-rede; Framework

ABSTRACT

Purpose: The article presents the development of a framework to analyze the use of big data and analytics in organizations. The framework is based on affordance theory and actor-network theory (ANT).

Originality/value: Big data and analytics are a set of tools and techniques that are not new, but recently have received much attention from the media and academia. The media promotes big data and analytics while the academia addresses the fact that there are still implementation obstacles and the process of using big data analytics is not well understood.

Design/methodology/approach: We used a qualitative approach, in the form of a theoretical essay. We analyzed papers that related affordance theory with IT and, in particular, with big data and analytics. Further, in order to create the resulting framework, an illustrative case study was conducted.

Findings: Affordance theory, allied to the translation concept of ANT, can be useful when analyzing the process of using big data and analytics in organizations, because it contemplates individual and organizational aspects, covering the perception of utility, necessary sociotechnical transformations in processes, people and structures, actual use and organizational effects. As the main contribution, we proposed a framework that includes elements of translation to guide future research.

KEYWORDS
Big data; Analytics; Affordances; Actor-network theory; Framework

1. INTRODUÇÃO

Big data e analytics, embora não sejam técnicas recentes (Boyd & Crawford, 2012; Chen, Chiang, & Storey, 2012; Davenport, 2013), têm recebido da mídia especializada em tecnologia da informação (TI) e da academia cada vez mais atenção. Evidências disso são a inclusão de tópicos especializados em analytis, big data e data science nas principais conferências da área de TI promovidas pela Association of Information Systems (AIS) em nível mundial e pela Associação Nacional de Pós-Graduação e Pesquisa em Administração (Anpad) no Brasil.

Davenport (2013) considera que estamos na era do Analytics 3.0, em que as organizações usam as ferramentas de análise de dados não apenas para sua eficiência operacional, como ocorria com o Business Intelligence (BI), mas também para oferecer novos produtos e serviços. Isso significa uma ruptura na forma como os dados devem ser analisados e utilizados (Abbasi, Sarker, & Chiang, 2016; Davenport, 2013).

Fazer uso de big data analytics é posto também como uma necessidade de se manter competitivo no mercado (Davenport, 2013). Segundo pesquisa PWC (2017), executivos buscam tomar decisões em menor tempo, mas admitem que as organizações não estão prontas para isso. Já a consultoria Gartner divulgou que apenas 15% das organizações realmente implantaram seus projetos de big data em 2015 (CIO, 2016).

As promessas do big data criaram também uma espécie de mitologia sobre o assunto (Couldry, 2014). É como se algoritmos pudessem, por si sós, explicar o conhecimento de uma forma antes não imaginada com objetividade e acurácia (Boyd & Crawford, 2012). Para Boyd e Crawford (2012), no entanto, usar big data é subjetivo, requer saber coletar dados, agregar e fazer cruzamentos coerentes. Para tanto, as organizações devem se preparar (Ross, Beath, & Quaadgras, 2013), o que inclui pessoas, tecnologia e cultura (Germann, Lilien, & Rangaswamy, 2013). Isso indica que há desafios a serem superados tanto no nível dos indivíduos como nas organizações para a utilização de ferramentas de big data e analytics.

Apesar do crescente interesse em usar big data analytics, de um lado, e, de outro, da academia em estudar esse uso, a dimensão organizacional não é bem explorada (Tian, 2017), nem como ocorre o processo de uso (Dremel, Herterich, & Spottke, 2017). Para entender esse processo, a teoria das affordances (Gibson, 1977, 1986) pode ser útil, uma vez que é adequada para entender efeitos do uso da TI, de um ponto de vista não determinístico (Hansen & Flyverbom, 2015; Markus & Silver, 2008). Pessoas ou organizações, com objetivos distintos, podem ter diferentes resultados ao usarem a mesma ferramenta ou tecnologia, ou, simplesmente, ao se apropriarem de diferentes formas de suas características (Leonardi, 2013). Para Leonardi (2011), a teoria das affordances fornece uma base para analisar a imbricação entre humanos e tecnologia que resulta nas rotinas organizacionais. Ainda assim, como isso ocorre a partir do uso de big data e analytics não é bem explorado, pode ser distinto da implantação de outro tipo de ferramenta de TI de uso mandatório.

Considerando os desafios e as possibilidades proporcionados por ferramentas, métodos e técnicas de big data analytics, foi formulada a seguinte questão de pesquisa: Como ocorre a realização das affordances quando do uso de big data e analytics em organizações?

O que se busca é investigar uso de big data e analytics para tomada de decisão. Esse tipo de tarefa provavelmente é mais flexível que processos industriais ou processos de negócio, e, possivelmente, o uso de big data e analytics é opcional, fazendo com que as pessoas o adotem ou não. Segundo Leonardi (2011), isso resultaria em diferentes formas ou níveis de realização das affordances em relação às já investigadas na TI.

Para responder à questão, na seção seguinte a revisão da literatura é apresentada, explicando a teoria das affordances e sua evolução na área de TI, conceituando big data e analisando trabalhos que já utilizaram essa teoria no contexto de big data e analytics. Na seção 3, é feita a discussão sobre a relação entre big data e a teoria das affordances. A seção 4 descreve um caso no qual se verifica, preliminarmente, o framework de análise proposto. Como conclusão, o trabalho oferece encaminhamentos e um framework para orientar estudos futuros.

2. REVISÃO DA LITERATURA

A revisão da literatura ocorreu a partir da busca por trabalhos, em novembro de 2018, na base Web of Science, nas duas últimas edições da Americas Conference on Information Systems (AMCIS), International Conference on Information Systems (ICIS) e European Conference on Information Systems (ECIS), na base Scientific Periodicals Electronic Library (Spell), nas duas últimas edições do Encontro da Associação Nacional de Pós-Graduação e Pesquisa em Administração (EnAnpad) e em trabalhos seminais e revisões de literatura sobre affordances e big data analytics.

As referências para entender a teoria das affordances foram divididas em artigos seminais, uso da teoria em TI e sistemas de informação (SI), a partir de trabalhos mais citados, e uso da teoria em big data e analytics especificamente. Tais trabalhos fornecem um avanço da teoria, indo além de uma mera aplicação dela.

Para conceituar big data e analytics, selecionaram-se trabalhos como revisões, editoriais, opiniões e os mais influentes na temática, com destaque para um editorial do Journal of Association of Information Systems (Abbasi et al., 2016). Para trazer uma visão mais de negócio, foi selecionado um autor destacado na área de gestão da informação e big data (Davenport, 2013, 2014). A opinião sobre as possibilidades de uso de big data e analytics na pesquisa em TI de Müller, Junglas, Brocke e Debortoli (2016) foi escolhida por trazer questões sobre percepções e intenções de uso de resultados. Já Boyd e Crawford (2012) fazem uma leitura crítica sobre as possibilidades de big data. Na literatura nacional, foram analisados também os trabalhos de Coimbra e Chimenti (2018) e Luvizan, Meirelles e Diniz (2015) para complementar a conceituação.

A partir da próxima seção, são desenvolvidos os temas descritos anteriormente. O item 2.1 apresenta a teoria das affordances na sua concepção original. Já o seu desenvolvimento na área de TI é abordado no item 2.2. O item 2.3 discorre sobre a conceituação de big data e analytics. Finalmente, no item 2.4 é analisado o que já foi investigado sobre big data e teoria das affordances.

2.1 Teoria das affordances

A teoria das affordances tem origem na psicologia ecológica (Leonardi, 2013; Markus & Silver, 2008) e foi proposta por Gibson (1977, 1986) para entender o comportamento de animais, incluindo humanos, em seus ambientes. O substantivo affordance foi cunhado pelo próprio Gibson (1977, 1986) a partir do verbo to afford, que significa prover, proporcionar.

Affordances são possibilidades proporcionadas por um objeto a um animal dentro de um ambiente, como abrigo, alimento ou água. Dessa forma, a teoria implica a complementaridade entre esses três elementos. Além disso, outros animais também possuem affordances: cooperação, luta, comunicação e assim por diante (Gibson, 1986).

Segundo Gibson (1986), nem sempre conseguimos diferenciar as características isoladas de um objeto, e isso não é necessário, pois o que chama a nossa atenção é aquilo que conseguimos fazer com ele. Por exemplo, ao observarmos uma cadeira, o que percebemos, em termos de usabilidade, é que ela permite a possibilidade de sentar-se. No entanto, em outro contexto, a mesma cadeira permite que subamos para alcançar um objeto que esteja no alto.

As affordances de algo não mudam conforme as necessidades do observador mudam. O observador pode ou não percebê-las ou atentar-se a elas, de acordo com suas necessidades, mas as affordances, sendo invariantes, estão sempre lá para serem percebidas. O objeto oferece o que oferece porque ele é o que é (Gibson, 1986, p. 139).

Tal passagem parece contraditória e é considerada ambígua por diversos autores (Wang, Wang, & Tang, 2018). Se as affordances são invariantes, pa- recem ser características do objeto. Contudo, é necessário que haja uma percepção das affordances, pois ela é dependente do que o animal pode ou consegue fazer. É essa dinâmica que leva à percepção das affordances e, mais especificamente, à utilização do objeto.

O processo de percepção das affordances não é isento de julgamento, pois o observador julga se aquela affordance trará benefício ou prejuízo para si mesmo. Para que sejam percebidas, é necessário que as informações sobre elas estejam disponíveis, ou seja, a percepção está relacionada ao que está sendo observado e ao que o observador tem capacidade de fazer.

Dessa forma, a informação disponível sobre o objeto, a superfície ou o ambiente é fundamental para a percepção de suas affordances. Um objeto pode aparentar exatamente o que ele é capaz de prover, já outros podem ter affordances escondidas. Considerando que o ambiente e outros humanos podem nos prover informações, é possível afirmar que as affordances de um objeto podem ser verificadas a partir de processos de comunicação ou ainda a partir de comportamentos de outras pessoas.

Além disso, os artefatos podem ser projetados para que suas affordances sejam percebidas (Norman, 1999). Para Leonardi (2011, p. 153), “as affordances e restrições são construídas no espaço entre agência humana e material”. O autor vai além ao afirmar que, “à medida que as pessoas tentam conciliar seus próprios objetivos com a materialidade de uma tecnologia, eles constroem percepções sobre affordances e restrições” (Leonardi, 2011, p. 154). Dessa forma, o ator pode buscar novos usos em um determinado objeto, mesmo sem ter percebido imediatamente suas affordances. Assim, embora o termo affordance esteja sendo usado de forma simplista (Parchoma, 2014) significando possibilidades, a teoria tem valor quando utilizada para analisar como e por que as coisas acontecem, e não apenas o que (Volkoff & Strong, 2013).

Na área de TI, embora adotada de forma tardia (Wang et al., 2018), está sendo usada como uma forma de encontrar um meio-termo entre o determinismo tecnológico e o construtivismo social (Hutchby, 2001; Klecun, Hibberd, & Lichtner, 2016; Markus & Silver, 2008; Wang et al., 2018), bem como para explicar a simbiose que existe entre TI e organização (Zammuto, Griffith, Majchrzak, Dougherty, & Faraj, 2007). Nesse sentido, ela tem sido adaptada para analisar o relacionamento entre usuários, grupos e organizações como o “animal” e artefatos tecnológicos como o “objeto”. A seção seguinte faz um resgate desses estudos e como eles contribuem para a evolução da teoria.

2.2 Uso e evolução da teoria das affordances em TI

O primeiro autor a sugerir a utilização da teoria das affordances na área de TI foi Hutchby (2001, p. 44), segundo o qual a “tecnologia pode ser entendida como artefatos que podem tanto ser moldados quanto moldar práticas de uso humanas com interação com elas, ao redor delas e por meio delas”. O autor argumenta ainda que a dicotomia entre o que é o técnico e o que é o social precisa ser desafiada, pois, na verdade, não estão separados. Nessa linha, Latour (2012) afirma que objetos e, por extensão, os artefatos de TI concedem, permitem, sugerem, influenciam e possibilitam ações. Por isso, a associação entre eles e os humanos, como atores humanos e não humanos, como sugere a teoria ator-rede (TAR), deve ser considerada. Da mesma forma, as affordances são relacionais, ou seja, dependem do artefato e da materialidade dele em relação ao ator humano.

Zammuto et al. (2007) ampliaram essa ideia, trazendo a teoria como uma forma de entender as modificações que as organizações sofrem a partir do uso da TI. Para eles, as affordances permitem entender a relação entre características técnicas e organizacionais que proporcionam criar novas possibilidades de ação, também afetando tanto o arranjo organizacional quanto as funções. As affordances de TI podem ser vistas ainda como um tipo de mecanismo que gera arranjos e resultados organizacionais (Volkoff & Strong, 2013).

“Possibilidades de ação não são dadas, mas dependem da intenção dos atores em performar essas possibilidades” (Zammuto et al., 2007, p. 752). Para Zammuto et al. (2007), as affordances, na dimensão organizacional, dependem tanto das funcionalidades e características do artefato tecnológico quanto das experiências, dos processos, das rotinas e dos demais aspectos sociais da organização. Não é possível falar de uma tecnologia complexa sem considerar as condições, o arranjo social no qual está inserida ou sendo usada. Por isso, o uso da teoria das affordances permite analisar o relacionamento entre as características técnicas e o ambiente social e como eles estão imbricados.

Hutchby (2001) também deixa claro que as affordances são tanto possibilidades quanto restrições que uma tecnologia impõe, na forma como podem ser interpretadas ou percebidas. Assim, pode haver diferenças nas possibilidades de significado e das possibilidades de uso, bem como diferentes affordances para o mesmo artefato (Leonardi, 2011).

Nas organizações, é necessário explorar em que níveis as entidades e propriedades emergem: “Fazemos isso percebendo que uma affordance, como uma propriedade emergente do relacionamento entre um objeto (artefato de TI) e um ator, pode surgir de objetos complexos e atores organizacionais” (Volkoff & Strong, 2013, p. 829). Os artefatos de TI são as entidades complexas, e os arranjos possíveis também geram novos relacionamentos. Além disso, no mesmo relacionamento artefato-ator, várias affordances podem emergir.

Entretanto, as affordances podem nunca ser trazidas para o real, ou seja, realizadas (affordances actualization). Affordances realizadas dizem respeito às ações reais que os atores desempenham, utilizando uma ou mais affordances de uma tecnologia, com vistas a um objetivo ou resultado imediato (Strong et al., 2014). Para Strong et al. (2014), existem affordances oferecidas pela TI somadas aos objetivos dos atores humanos, porém apenas como potenciais de ação, de acordo com a proposta de Gibson (1977, 1986), os quais estão inseridos em um contexto organizacional (Strong et al., 2014). Essas affordances, em algum ponto, são percebidas e passam a ser utilizadas (Leonardi, 2011). A utilização ou realização das affordances acontece por meio de um processo iterativo: conforme elas vão sendo realizadas, o resultado é avaliado e ajustado se necessário, e podem retroalimentar as affordances existentes.

Além disso, esse processo vai ocorrendo nos níveis individual e organizacional. A partir dos objetivos individuais, as possibilidades da ferramenta são percebidas, e o indivíduo começa a usá-la, podendo perceber também restrições. Cada indivíduo tem uma jornada distinta. Os resultados imediatos de cada uso são avaliados e ajustes podem ocorrer. Se houver consistência entre os resultados imediatos, o alcance deles e o alinhamento entre as pessoas e o processo, eles tornam-se resultados organizacionais. Podem-se concretizar, por exemplo, na forma de mudanças de atividades e processos. Finalmente, a partir desses resultados imediatos, os objetivos organizacionais são atingidos ou modificados (Strong et al., 2014). Em uma visão de processo, Pozzi, Pigni e Vitari (2014) adaptaram o framework desenvolvido originalmente por Bernhard, Recker e Burton-Jones (2013), representado na Figura 2.2.1.

Figura 2.2.1
FRAMEWORK CONCEITUAL DE PROCESSO DE AFFORDANCES PARA TI

Além de evidenciar o processo, o framework deixa claros os construtos de affordances desenvolvidos na área de TI (affordances existentes, percebidas, realizadas e efeito das affordances) e que permitem analisar como e por que esse processo ocorre (Volkoff & Strong, 2013). A existência e a percepção das affordances são características e processos já definidos na origem da teoria por Gibson (1977, 1986). No entanto, é necessário haver o reconhecimento e a percepção da affordance de um artefato de TI. Já a realização das affordances diz respeito ao processo de usar o artefato, interagir com ele e potencializar suas affordances (Strong et al., 2014). Finalmente, o efeito da affordance é o resultado organizacional a partir do uso do artefato de TI. Os artefatos de TI em análise neste trabalho são big data e analytics, cujos conceitos são abordados na seção seguinte.

2.3 Big data e analytics

Big data, segundo Davenport (2014), vem sendo tratado pela mídia tradicional a partir de “5 Vs”, que são: volume, variedade, velocidade, veracidade e valor. Ou seja, são dados disponíveis em grandes volumes, em muitos formatos, de forma contínua, e que precisam ter sua autenticidade verificada para que tenham valor. Luvizan et al. (2015) entendem que a definição de big deve ser avaliada em cada contexto. Embora o termo enfatize o tamanho (big), esse não é o principal desafio do big data (Abbasi et al., 2016; Boyd & Crawford, 2012; Davenport, 2014). Abbasi et al. (2016) destacam que não se trata apenas de adicionar escala, variedade, velocidade ou ruído (veracidade) nos dados, ou de simplesmente ter as tecnologias para tal, mas sim de uma nova forma de fazer a gestão da coleta, análise e interpretação deles.

A expressão big data analytics, por sua vez, é definida assim: “modelagem estatística para analisar um conjunto de dados grande, variado e dinâmico, gerados por conteúdo de usuários e seus traços digitais” (Müller et al., 2016, p. 1). Se extrapolado para qualquer tipo de conteúdo, o conceito fica mais alinhado com Chen et al. (2012), para os quais esse é um campo dentro do tema maior Business Intelligence & Analytics (BI&A).

BI&A tiveram início na década de 1990, a partir de tecnologias de BI, em especial data warehouse e demais processos relacionados, que permitiam analisar dados estruturados de diversas fontes, em formato gráfico e com possibilidades de análises estatísticas e mineração de dados. Com a evolução do uso da web, dados externos e não estruturados passaram a ser adicionados, e, a partir dos anos 2010, os dados gerados por dispositivos móveis e internet das coisas, o que Chen et al. (2012) chamam de BI&A 3.0 e Davenport (2013) de Analytics 3.0.

Para capturar todo esse espectro, neste artigo é usada a expressão big data e analytics para incluir tanto as ferramentas de BI tradicionais quanto outros campos e ferramentas de analytics, tais como textanalytics, web analytics e mobile analytics. Assim, big data e analytics é definido como um conjunto de processos, tecnologias, técnicas e metodologias utilizados para coletar, armazenar, processar, analisar e disponibilizar informações para tomada de decisão. Contém tanto elementos técnicos quanto organizacionais e culturais, podendo ser visto como um fenômeno, como sugerem Boyd e Crawford (2012).

Esse fenômeno, segundo as autoras, vem da interação entre TI, possibilidades de análise e mitologia envolvida, sendo esta última a crença de que, a partir do big data e analytics, serão geradas informações confiáveis, objetivas e acuradas que, de outra forma, não seriam possíveis. Por sua vez, Müller et al. (2016) destacam que, em função da grande variedade de algoritmos utilizados (Coimbra & Chimenti, 2018), estes podem ser incompreensíveis para os tomadores de decisão e vistos como “caixas-pretas”, e, por isso, seus resultados não são utilizados por eles.

Abbasi et al. (2016) indicam como caminhos para pesquisa em big data o papel da cultura organizacional, os efeitos na cognição e usabilidade, a adoção de tecnologias de big data e os resultados do seu uso. Esses temas estão alinhados com a teoria das affordances e com a realização delas (Dremel et al., 2017).

2.4 Relação entre affordances e big data e analytics na literatura pesquisada

Os trabalhos que usaram a teoria das affordances no contexto específico de big data e analytics foram analisados a partir das seguintes perguntas:

Que conceito de affordance foi considerado?
Que conceito de big data ou analytics foi empregado?
Que tipo de uso de big data ou analytics foi adotado?
Que etapa de utilização foi usada (adoção, uso ou resultados)?
O estudo é conceitual ou aplicado?

Thumbnail

Figura 2.4.1
RESUMO DOS TRABALHOS ANALISADOS QUE USAM TEORIA DAS AFFORDANCES COM BIG DATA

Quando se observa essa figura, percebe-se que o conceito de big data ou analytics tem algumas variações, em função do tipo de uso pretendido ou da área que se quer analisar. Enquanto alguns autores focam as características (Etzion & Aragon-Correa, 2016; Williams, Burnap, & Sloan, 2017), outros destacam as técnicas (Hansen & Flyverbom, 2015; Madsen, 2015) e os demais, os processos. Especialmente Dremel et al. (2017) consideram as quatro perspectivas sociotécnicas, ou seja, tarefas possibilitadas por tecnologias, processos, pessoas e estruturas que permitem coletar, analisar dados e melhorar a tomada de decisão, o que está alinhado com o conceito de Abbasi et al. (2016).

Em relação ao conceito de affordance, observam-se também diferenças, embora apenas dois não citem explicitamente a teoria original de Gibson (1977, 1986). Etzion e Aragon-Correa (2016), por exemplo, apesar de não citarem a fonte, têm a interpretação alinhada com a teoria. No entanto, Williams et al. (2017) tratam affordances como características, algo que Gibson (1977, 1986) explicitamente afirmou não ser o caso. Em Madsen (2015), também há um destaque às características, porém o autor parte delas para analisar como são utilizadas em diferentes contextos.

Alguns trabalhos trazem affordances não apenas como possibilidades de ação, mas também como restrições ou dificuldades que a tecnologia impõe (Hansen & Flyverbom, 2015; Koch & Peters, 2017). Nesse caso, o design ou as características podem ser interpretados como os sinais do artefato que são observados por seus usuários ou pelas organizações. Podem tornar explícitas suas affordances ou ainda manter algumas ocultas (Gibson, 1977). Isso ocorre porque os sistemas ou as tecnologias são criados com uma finalidade, mas como as pessoas vão se comportar em relação eles não pode ser inteiramente determinado, podendo até mesmo ter aplicações surpreendentes (Hansen & Flyverbom, 2015). Embora nenhum dos trabalhos pesquisados aprofunde essa questão, pode ser algo importante de investigar no contexto de big data, uma vez que, como dito na introdução, as tecnologias existem há várias décadas, mas a implementação nas organizações tem tido interesse apenas nos anos recentes.

Os demais trabalhos utilizam Gibson (1977, 1986) como base, além de Hutchby (2001) e Markus e Silver (2008), por exemplo. Fischer (2017) destaca que o foco deve ser no uso real, e não apenas no potencial. Afirma que as pessoas agem a partir de características da ferramenta que disparam essas ações. As pistas que o artefato contém ajudam os usuários a perceber seus potenciais de uso. Sua análise vai até esse ponto.

Finalmente, Dremel et al. (2017) também trabalham com o processo de transformação de affordances percebidas em affodances realizadas. Os autores estão buscando entender o processo que faz com que as organizações percebam e realmente utilizem ferramentas de big data analytics, identificando mudanças em estrutura, nas pessoas, na tecnologia e nas ações que levaram a uma nova forma de realizar as tarefas. O estudo ainda está em andamento e converge para o que este ensaio propõe, ou seja, uma análise que considere não apenas a etapa de percepção e início de uso das affordances, mas também a manutenção desse uso.

3. ANÁLISE DO TEMA À LUZ DA LITERATURA EXAMINADA

A teoria das affordances tem sido usada para entender o processo de uso de artefatos de TI (Hutchby, 2001; Markus & Silver, 2008), especialmente seus resultados, ou seja, como as affordances são realizadas (Strong et al., 2014). Dentre os textos analisados, apenas o trabalho em andamento de Dremel et al. (2017) trata do processo de uso de big data analytics a partir da teoria das affordances e avalia como isso leva as organizações a tirar proveito dele. Os autores estão analisando o setor automotivo, pois consideram que, para cada perfil de organização e ambiente, tipo de problema a ser resolvido e tecnologia de big data analytics adotada, há um processo distinto de cognição, reconhecimento, comportamento e efeito das affordances.

Neste ensaio, o framework apresentado na Figura 2.2.1 foi selecionado como ponto de partida para a análise de uso de big data analytics. Nela, os elementos disruptivos da cadeia de valor da informação (Abbasi et al., 2016) estão tanto em tecnologias quanto em organizações (pessoas, processos e estrutura). São esses os elementos que passam por um processo de percepção de suas affordances, a partir de comunicação simbólica ou de pistas sobre o design do artefato.

Nesse sentido, é preciso entender como essa percepção acontece ou é gerada. Por mais que na área de TI tenham sido desenvolvidos diferentes construtos sobre affordances, essa questão ainda não é bem entendida. Parchoma (2014) sugere que a TAR pode contribuir para compreender como emergem os facilitadores, as restrições e as regras a partir do relacionamento temporal entre os aspectos físicos, culturais e organizacionais. Essa análise temporal está coerente com o framework da Figura 2.2.1. Além disso, a TAR é útil para analisar processos (De Camillis & Antonello, 2016).

Parchoma (2014) não indica quais elementos da TAR poderiam ser utilizados. No entanto, o processo de translação da TAR parece ser particularmente útil, uma vez que trata de momentos e atores que fazem uma rede se organizar. Os momentos da translação são problematização, participação, engajamento e mobilização (Callon, 1984; Soares & Joia, 2018), que são assim definidos:

Problematização: Como se tornar indispensável? Nessa etapa, os atores principais identificam o problema e objetivo, bem como o ponto de passagem obrigatório por meio do qual o objetivo deve ser alcançado.
Participação: Quando os atores principais buscam aliados e um conjunto de ações para atingir o objetivo.
Engajamento: Nesse momento, os papéis são distribuídos entre os atores que concordaram em participar da consecução do objetivo proposto na problematização.
Mobilização: Quando os porta-vozes são legitimados e também quando mudanças são realizadas na rede.

Na teoria das affordances, fica evidente a necessidade de haver um sinal ou gatilho para que elas sejam percebidas. Talvez esse gatilho possa ser provocado por um ator principal a partir da problematização. Callon (1984) deixa claro também que, nesse processo de translação, nem sempre os atores se engajam num primeiro momento, mas sim conforme as ações vão ocorrendo. Da mesma forma, os objetivos podem ir mudando com o tempo, e o engajamento dos atores pode ocorrer por objetivos próprios. No entanto, para estabilizar a rede ou para que as affordances realizadas tenham um efeito organizacional, um porta-voz pode ser necessário. Isso está alinhado com affordances, pois os atores podem ter objetivos próprios ao usarem uma determinada tecnologia e encontrarem outros usos para ela.

A seção seguinte apresenta um caso - ilustrativo e não completo - para verificar se o framework de processo affordances combinado com os elementos de translação da TAR tem potencial de explicar o uso de big data e analytics.

4. CASO ILUSTRATIVO

A organização selecionada iniciou em 2015 um projeto de implementação de ferramenta de BI e, desde 2018, está implantando soluções de analytics. A organização tem como negócio o crédito educativo e atua em todo o Brasil, tendo como clientes alunos e instituições de ensino parceiras, e também empresas que auxiliam na educação de seus colaboradores. É responsável pela gestão de todo o processo, desde contratação, cobrança até restituição de valores.

Uma vez contatada a organização, partiu-se para a busca de dados secundários no seu website e para a realização de uma entrevista com o responsável pelo projeto de implantação da ferramenta de BI. A entrevista teve duração de 46 minutos. Logo após, foi realizada uma visita às dependências da organização para conhecer alguns dos painéis de utilização do BI, bem como conhecer outras pessoas participantes do projeto de implantação de analytics e ferramentas preditivas, incluindo o cientista de dados responsável.

A iniciativa de implantar uma ferramenta de BI partiu do entrevistado. O objetivo era substituir os relatórios existentes, extraídos dos sistemas transacionais, por algo mais dinâmico e que demandasse menos horas de desenvolvimento da equipe de TI. A ideia foi, nas palavras do entrevistado, “comprada” pelo diretor, assim tendo apoio da liderança. Escolheu-se uma ferramenta de BI que permite apresentar os dados em navegadores web e em dispositivos móveis.

O processo de implantação ocorreu com auxílio de uma empresa especializada. A equipe foi formada tanto por profissionais de TI e analistas de negócio, os key users ou analistas de BI. Segundo o entrevistado,

Quando a gente escolheu os analistas de BI, eram pessoas que não eram tomadores de decisão, e aí a gente escolheu a dedo: pessoas que estavam motivadas, que sabe que são mais engajadas e tal, esse pessoal aderiu muito bem, desde o começo.

Foram selecionadas pessoas com conhecimento de negócio, mas, principalmente, motivadas e com tempo disponível. Aliado a isso, a ferramenta mostrou-se produtiva, o que possibilitou entregar informações em menor tempo. Conforme a ferramenta foi fornecendo novas visualizações de indicadores, os usuários passaram a ver outras possibilidades de análise e a solicitar novos painéis.

Depois de um ano e meio de projeto e utilização do BI, este tomou outra dimensão, e as pessoas começaram a “virar a chave”. Em outras palavras, ocorreu uma mudança na forma de tomar decisões e analisar problemas e indicadores. Para explicar essa virada, o entrevistado fez o seguinte comentário:

De um ano a um ano e meio para cá [...], que começou a se olhar, se interessar, os gestores começaram a participar de reuniões, começaram a montar comitês. [...] Aí o que acontece. Ah, o número de inadimplentes é tanto. Quando divulga um número [...]. Aí tem a área comercial, tem a contabilidade, tem o jurídico, aí todo mundo já dá um desconforto. Aí começou a se juntar o pessoal, a se montar comitê, começar a montar visões que eram comuns a todos. Até porque vamos divulgar um dado. Um dado é uma coisa importante, tem que estar todo mundo de acordo com aquela informação ali. Então [...] no momento que dói, começa a ganhar participação de gerente, de coordenador, começou a engajar mais o pessoal.

Com essa passagem, observa-se que a ferramenta, que inicialmente foi implantada com o objetivo específico de melhorar a produtividade da equipe de TI, começou a possibilitar outros usos (Leonardi, 2011), motivando, inclusive, a buscar novas ferramentas de análise. Porém, para isso, foi necessário um trabalho de convencimento das pessoas, de capacitação e que resultados concretos fossem apresentados, além de negociação para entender e consolidar indicadores. No momento da realização da entrevista, a organização já estava com uma nova equipe de trabalho, envolvendo pessoal próprio e uma consultoria em ciência de dados, na definição de novos indicadores e no desenvolvimento de análises preditivas. A análise do processo das affordances em conjunto com os momentos de translação está sintetizada na Figura 4.1.

Thumbnail

Figura 4.1
PROCESSO DE USO DO BIG DATA E ANALYTICS NA ORGANIZAÇÃO ESTUDADA

As plataformas de big data e analytics não faziam parte do portfólio de TI da organização analisada. No entanto, a partir de necessidades levantadas pelo ator principal (problematização), tendo obtido o interesse do diretor (participação), uma ferramenta foi adquirida. A partir desse momento, a organização entrou na fase de realização das affordances.

A implantação e o uso das ferramentas provocam mudanças sociotécnicas na organização (Dremel et al., 2017). No caso, as affordances inicialmente presentes na ferramenta de BI estavam limitadas à capacidade de extração de dados de diversas fontes internas, disponibilização de relatórios e painéis de forma rápida e visual. Com o engajamento houve a distribuição de papéis e as primeiras entregas, que geraram autonomia de análise para analistas e gestores. Além disso, a negociação e consolidação de indicadores antes não revelados provocaram uma mudança de postura dos gestores, que teve como efeito a criação de comitês para análise conjunta de problemas, planejamento mais baseado em dados e fatos e um novo perfil de gestores. Finalmente, outras affordances foram percebidas pela organização, como possibilidade de analisar dados externos, de fontes não estruturadas e de análise preditiva, em um futuro próximo, iniciando uma nova problematização e, com isso, um novo ciclo de affordances.

5. CONSIDERAÇÕES FINAIS

As ferramentas de big data e analytics existem há mais de duas décadas. Mais recentemente, aumentou o interesse em pesquisa, bem como o interesse nas organizações em implementá-las. Dada a defasagem observada entre o desenvolvimento das ferramentas e o seu uso, buscou-se suporte na teoria das affordances para entender como o processo de implantação e uso ocorre.

Foram analisados artigos de base e trabalhos que adotaram a teoria das affordances para explicar o uso ou as possibilidades de uso de big data analytics. A visão de processo mostrou ser uma lente viável para entender a adoção e o uso tanto no nível individual como no organizacional. A teoria das affordances fornece uma base para a análise da imbricação entre tecnologia e humanos e permite evidenciar possibilidades e vantagens das ferramentas de TI e do seu meio ambiente de uso na organização - pessoas, processos e estruturas - e também impossibilidades ou desvantagens. Incluíram-se o processo de realização das affordances (Strong et al., 2014) e a translação da TAR no framework inicial (Figura 2.2.1). Um estudo de caso ilustrativo foi conduzido para verificar a utilidade dessas inclusões. Algumas das categorias da teoria das affordances e da translação puderam ser mapeadas, principalmente as ações da etapa de realização e seus resultados imediatos. Já os resultados de nível organizacional e mais duradouros, aqui denominados efeitos das affordances, também foram observados e, a partir deles, a percepção de novas affordances, indicando a recursividade do processo em diversos níveis.

O framework proposto (Figura 5.1) visa embasar melhor o estudo das estreitas relações (imbricações) entre os humanos, a TI, a organização, o processo de comunicação, a adoção e a recursividade necessária para um uso mais pleno do potencial oferecido por big data e analytics. As setas pontilhadas representam a ideia de ciclo, enquanto as de linha contínua, uma ideia temporal.

Figura 5.1
FRAMEWORK DE TRANSLAÇÃO DAS AFFORDANCES DO BIG DATA E ANALYTICS

No framework proposto, estão incluídos os elementos de translação (Callon, 1984). Embora esses elementos estejam alinhados com as etapas do processo de transformação de affordances existentes (potenciais) em percebidas e reais e em seus efeitos, não se trata da apenas inserir um novo rótulo em cada etapa, mas sim de trazer a TAR como lente teórica para entender como as affordances mudam de fase.

Apesar de as affordances existirem, é necessário que elas sejam reconhecidas e que informações sobre o artefato estejam disponíveis. Esse reconhecimento pode ser por meio de pistas que o próprio design oferece (Norman, 1999) ou por outros grupos e pessoas, informações externas à organização, expressões simbólicas (Markus & Silver, 2008). De acordo com framework proposto, é nessa fase que ocorre a problematização, e as seguintes questões devem ser analisadas:

Quem são os atores envolvidos? Em especial, quem é o ator principal?
Qual é o ponto de passagem obrigatório que fará com que as affordances sejam percebidas?

A partir de então, começa a participação, ou seja, cada ator pode fazer parte do plano inicial ou não (Callon, 1984) e, se sim, superar possíveis dificuldades inerentes às affordances tecnológicas ou sociais. Já realização das affordances diz respeito ao processo de usar o artefato, interagir com ele e potencializar suas affordances (Strong et al., 2014). As ações concretas de indivíduos ou grupo de indivíduos vão tirando proveito de uma tecnologia para atingir um objetivo, analisando o resultado imediato. Tais ações individuais, à medida que são legitimadas pelo grupo, passam a incorporar rotinas e a ser de nível organizacional. O processo de engajamento, ou seja, como os papéis são definidos e coordenados, incluindo negociações, tentativas, forças e truques (Callon, 1984), pode explicar como as affordances são realizadas.

Finalmente, o efeito da affordance é o resultado organizacional a partir do uso de big data e analytics. Tal efeito pode ser analisado por meio da mobilização quando há aceitação da rede (Soares & Joia, 2018). Nessa etapa, interessa saber quem são os porta-vozes do processo e se são representativos.

O framework final procura ser aplicável. Na sua origem, Bernhard et al. (2013) tornaram explícita a diferença entre os quatro elementos principais, vistos como etapas de um processo recursivo. Porém, os próprios autores comentam que o processo relacionado ao modo como as affordances passam a ser realizadas e, principalmente, ao esforço necessário para tal ainda não é bem entendido. A inserção da translação, das negociações e dos atores, humanos e não humanos, que contribuem para superar tais dificuldades ajuda a entender como ocorre todo o processo em suas quatro etapas.

A principal limitação deste trabalho está na análise empírica apresentada, porque o caso descrito não tinha a intenção de ser um estudo de caso completo, mas sim de servir como exemplo para verificar os elementos do framework proposto. Portanto, para consolidar esse framework, estudos mais robustos e longitudinais são necessários.

Luisa M. Strauss, Escola de Administração, Universidade do Vale do Rio dos Sinos (Unisinos); e Norberto Hoppen, Institut d’Administration des Entreprises, Université Pierre Mendès-France Grenoble.
Luisa M. Strauss é agora doutoranda da Escola de Gestão e Negócios da Universidade do Vale do Rio dos Sinos (Unisinos); Norberto Hoppen é agora professor titular da Escola de Gestão e Negócios da Universidade do Vale do Rio dos Sinos (Unisinos).

Referências bibliográficas

Abbasi, A., Sarker, S., & Chiang, R. H. L. (2016). Big data research in information systems: Toward an inclusive research agenda. Journal of the Association of Information Systems, 17(2), 1-32.
Aversa, P., Cabantous, L., & Haefliger, S. (2018). When decision support systems fail: Insights for strategic information systems from Formula 1. Journal of Strategic Information Systems, 27(3), 221-236. doi:10.1016/j.jsis.2018.03.002
» https://doi.org/10.1016/j.jsis.2018.03.002
Bernhard, E., Recker, J., & Burton-Jones, A. (2013). Understanding the actualization of affordances: A study in the process modeling context. Proceedings of the International Conference on Information Systems, Milan, Italy, 34.
Boyd, D., & Crawford, K. (2012). Critical questions for big data. Information, Communication & Society, 15(5), 662-679. doi:10.1080/1369118X.2012.678878
» https://doi.org/10.1080/1369118X.2012.678878
Callon, M. (1984). Some elements of a sociology of translation: Domestication of the scallops and the fishermen of St Brieuc Bay. The Sociological Review, 32(suppl. 1), 196-233.
Chen, H., Chiang, R. H. L., & Storey, V. C. (2012). Business intelligence and analytics: From big data to big impact. MIS Quarterly, 36(4), 1165-1188. doi:10.2307/41703503
» https://doi.org/10.2307/41703503
CIO (2016). Menos empresas estão investindo mais em big data, afirma Gartner. Recuperado de http://cio.com.br/tecnologia/2016/12/01/menos- empresas-estao-investindo-mais-em-big-data-afirma-gartner
» http://cio.com.br/tecnologia/2016/12/01/menos- empresas-estao-investindo-mais-em-big-data-afirma-gartner
Coimbra, M. R., & Chimenti, P. C. P. de S. (2018). Big data e algoritmos: Aplicações e temas em debates resumo. Proceedings of Encontro da Anpad, Curitiba, PR, Brasil, 42.
Couldry, N. (2014). A necessary disenchantment: Myth, agency and injustice in a digital world. The Sociological Review, 62(4), 880-897. doi:10.1111/1467-954X.12158
» https://doi.org/10.1111/1467-954X.12158
Davenport, T. H. (2013). Analytics 3.0. Harvard Business Review, Dec., 64-72.
Davenport, T. H. (2014). Big data no trabalho: Derrubando mitos e descobrindo oportunidades Rio de Janeiro: Elsevier.
De Camillis, P. K., & Antonello, C. S. (2016). Da translação para o enactar: contribuições da teoria ator-rede para a abordagem processual das organizações. Cadernos Ebape.BR, 14(1), 61-82.
Dremel, C., Herterich, M. M., & Spottke, B. (2017). Actualizing affordances: A socio-technical perspective on big data analytics in the automotive sector. Proceedings of International Conference on Information Systems, Seoul, South Korea, 38.
Etzion, D., & Aragon-Correa, J. A. (2016). Big data, management, and sustainability. Organization & Environment, 29(2), 147-155. doi:10.1177/1086026616650437
» https://doi.org/10.1177/1086026616650437
Fischer, T. C. (2017). Gamification and affordances: How do new affordances lead to gamification in a business intelligence system? In J. Stolfa, S. Stolfa, R. V. O’Connor, & R. Messnarz. Systems, software and services process improvement London: Springer. doi:10.1007/978-3-319-64218-5
» https://doi.org/10.1007/978-3-319-64218-5
Germann, F., Lilien, G. L., & Rangaswamy, A. (2013). Performance implications of deploying marketing analytics. International Journal of Research in Marketing, 30(2), 114-128. doi:10.1016/j.ijresmar.2012.10.001
» https://doi.org/10.1016/j.ijresmar.2012.10.001
Gibson, J. J. (1977). The theory of affordances. In R. Shaw & J. Bransford (Orgs.). Perceiving, acting and knowing (pp. 67-82). New Jersey: John Wiley & Sons.
Gibson, J. J. (1986). The ecological approach to visual perception New Jersey: Taylor & Francis Group.
Hansen, H. K., & Flyverbom, M. (2015). The politics of transparency and the calibration of knowledge in the digital age. Organization, 22(6), 872-889. doi:10.1177/1350508414522315
» https://doi.org/10.1177/1350508414522315
Hutchby, I. (2001). Technologies, texts and affordances. Sociology, 35(2), 441-456. doi:10.1017/S0038038501000219
» https://doi.org/10.1017/S0038038501000219
Klecun, E., Hibberd, R., & Lichtner, V. (2016). Affordance theory perspectives on IT and healthcare organization. Proceedings of International Conference on Information Systems, Dublin, Ireland, 37.
Koch, H., & Peters, U. (2017). Shadow analytics. Proceedings of Americas Conferences on Information Systems, Boston, United States, 23.
Latour, B. (2012). Reagregando o social: Uma introdução à teoria do ator-rede Salvador: Edufba; Bauru: Edusc.
Lehrer, C., Wieneke, A., Brocke, J. vom, Jung, R., & Seidel, S. (2018). How big data analytics enables service innovation: Materiality, affordance, and the individualization of service. Journal of Management Information Systems, 35(2), 424-460. doi: 10.1080/07421222.2018.1451953
» https://doi.org/10.1080/07421222.2018.1451953
Leonardi, P. M. (2011). When flexible routines meet flexible technologies: Affordance, constraint, and the imbrication of human and material agencies. MIS Quarterly, 35(1), 147-167. doi:10.2307/23043493
» https://doi.org/10.2307/23043493
Leonardi, P. M. (2013). When does technology use enable network change in organizations? A comparative study of feature use and shared affordances. MIS Quarterly, 37(3), 749-775.
Luvizan, S. S., Meirelles, F. S., & Diniz, E. H. (2015). Big data: Evolução das publicações e oportunidades de pesquisa. Revista Eletrônica de Sistemas de Informação, 14(3). doi:10.21529/RESI.2015.1403003
» https://doi.org/10.21529/RESI.2015.1403003
Madsen, A. K. (2015). Between technical features and analytic capabilities: Charting a relational affordance space for digital social analytics. Big Data & Society, 2(1), 1-15. doi:10.1177/2053951714568727
» https://doi.org/10.1177/2053951714568727
Markus, M. L., & Silver, M. S. (2008). A foundation for the study of IT effects: A new look at DeSanctis and Poole’s concepts of structural features and spirit. Journal of the Association for Information Systems, 9(10), 609-632.
McCosker, A. (2017). Social media work: Reshaping organisational communications, extracting digital value. Media International Australia, 163(1), 122-136. doi:10.1177/1329878X17693702
» https://doi.org/10.1177/1329878X17693702
Müller, O., Junglas, I., Brocke, J. vom, & Debortoli, S. (2016). Utilizing big data analytics for information systems research: Challenges, promises and guidelines. European Journal of Information Systems, 25(4), 289-302. doi:10.1057/ejis.2016.2
» https://doi.org/10.1057/ejis.2016.2
Norman, D. (1999). Affordances, conventions and design. Interactions, 6(3), 38-42.
Parchoma, G. (2014). The contested ontology of affordances: Implications for researching technological affordances for collaborative knowledge production. Computers in Human Behavior, 37, 360-368. doi:10.1016/j.chb.2012.05.028
» https://doi.org/10.1016/j.chb.2012.05.028
Pozzi, G., Pigni, F., & Vitari, C. (2014). Affordance theory in the IS discipline: A review and synthesis of the literature. Americas Conference on Information Systems, Savannah, USA, 20.
PWC. (2017). The human factor: Working with machines to make big decisions. Recuperado de from http://www.pwc.com/bigdecisions
» http://www.pwc.com/bigdecisions
Ross, J. W., Beath, C. M., & Quaadgras, A. (2013). You may not need big data after all. Harvard Business Review, Dec., 90-98.
Soares, C. D. M., & Joia, L. A. (2018). As redes sociais e a manifestação “20 Centavos” no Brasil sob a ótica da teoria ator-rede. Anais do Encontro da ANPAD, Curitiba/Paraná, 42.
Strong, D. M., Johnson, S. A., Trudel, J., Pelletier, L. R., Bar-on, I., & Garber, L. (2014). A theory of organization-EHR affordance actualization. Journal of the Association for Information Systems, 15(2), 53-85.
Tian, X. (2017). Big data and knowledge management: A case of déjà vu or back to the future? Journal of Knowledge Management, 21(1), 113-131. doi:10.1108/JKM-07-2015-0277
» https://doi.org/10.1108/JKM-07-2015-0277
Volkoff, O., & Strong, D. (2013). Critical realism and affordances: Theorizing IT-associated organizational change processes. MIS Quarterly, 37(3), 819-834.
Wang, H., Wang, J., & Tang, Q. (2018). A review of application of affordance theory in information systems. Journal of Service Science and Management, 11(01), 56-70. doi:10.4236/jssm.2018.111006
» https://doi.org/10.4236/jssm.2018.111006
Werkhoven, J. A. (2017). Exploring functional affordances and sensemaking in human resource analytics full paper. Americas Conference on Information Systems, Boston, USA, 23.
Williams, M. L., Burnap, P., & Sloan, L. (2017). Crime sensing with big data: The affordances and limitations of using open-source communications to estimate crime patterns. British Journal of Criminology, 57(2), 320-340. doi:10.1093/bjc/azw031
» https://doi.org/10.1093/bjc/azw031
Zammuto, R. F., Griffith, T. L., Majchrzak, A., Dougherty, D. J., & Faraj, S. (2007). Information technology and the changing fabric of organization. Organization Science, 18(5), 749-762. doi:10.1287/orsc.1070.0307
» https://doi.org/10.1287/orsc.1070.0307
Zelenkauskaite, A. (2017). Remediation, convergence, and big data. Convergence, 23(5), 512-527. doi:10.1177/1354856516631519
» https://doi.org/10.1177/1354856516631519

Datas de Publicação

Publicação nesta coleção
01 Ago 2019
Data do Fascículo
2019

Histórico

Recebido
29 Nov 2018
Aceito
20 Fev 2019

This is an Open Access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited

[1] Abbasi, A., Sarker, S., & Chiang, R. H. L. (2016). Big data research in information systems: Toward an inclusive research agenda. Journal of the Association of Information Systems, 17(2), 1-32.

[2] Aversa, P., Cabantous, L., & Haefliger, S. (2018). When decision support systems fail: Insights for strategic information systems from Formula 1. Journal of Strategic Information Systems, 27(3), 221-236. doi:10.1016/j.jsis.2018.03.002
» https://doi.org/10.1016/j.jsis.2018.03.002

[3] Bernhard, E., Recker, J., & Burton-Jones, A. (2013). Understanding the actualization of affordances: A study in the process modeling context. Proceedings of the International Conference on Information Systems, Milan, Italy, 34.

[4] Boyd, D., & Crawford, K. (2012). Critical questions for big data. Information, Communication & Society, 15(5), 662-679. doi:10.1080/1369118X.2012.678878
» https://doi.org/10.1080/1369118X.2012.678878

[5] Callon, M. (1984). Some elements of a sociology of translation: Domestication of the scallops and the fishermen of St Brieuc Bay. The Sociological Review, 32(suppl. 1), 196-233.

[6] Chen, H., Chiang, R. H. L., & Storey, V. C. (2012). Business intelligence and analytics: From big data to big impact. MIS Quarterly, 36(4), 1165-1188. doi:10.2307/41703503
» https://doi.org/10.2307/41703503

[7] CIO (2016). Menos empresas estão investindo mais em big data, afirma Gartner. Recuperado de http://cio.com.br/tecnologia/2016/12/01/menos- empresas-estao-investindo-mais-em-big-data-afirma-gartner
» http://cio.com.br/tecnologia/2016/12/01/menos- empresas-estao-investindo-mais-em-big-data-afirma-gartner

[8] Coimbra, M. R., & Chimenti, P. C. P. de S. (2018). Big data e algoritmos: Aplicações e temas em debates resumo. Proceedings of Encontro da Anpad, Curitiba, PR, Brasil, 42.

[9] Couldry, N. (2014). A necessary disenchantment: Myth, agency and injustice in a digital world. The Sociological Review, 62(4), 880-897. doi:10.1111/1467-954X.12158
» https://doi.org/10.1111/1467-954X.12158

[10] Davenport, T. H. (2013). Analytics 3.0. Harvard Business Review, Dec., 64-72.

[11] Davenport, T. H. (2014). Big data no trabalho: Derrubando mitos e descobrindo oportunidades Rio de Janeiro: Elsevier.

[12] De Camillis, P. K., & Antonello, C. S. (2016). Da translação para o enactar: contribuições da teoria ator-rede para a abordagem processual das organizações. Cadernos Ebape.BR, 14(1), 61-82.

[13] Dremel, C., Herterich, M. M., & Spottke, B. (2017). Actualizing affordances: A socio-technical perspective on big data analytics in the automotive sector. Proceedings of International Conference on Information Systems, Seoul, South Korea, 38.

[14] Etzion, D., & Aragon-Correa, J. A. (2016). Big data, management, and sustainability. Organization & Environment, 29(2), 147-155. doi:10.1177/1086026616650437
» https://doi.org/10.1177/1086026616650437

[15] Fischer, T. C. (2017). Gamification and affordances: How do new affordances lead to gamification in a business intelligence system? In J. Stolfa, S. Stolfa, R. V. O’Connor, & R. Messnarz. Systems, software and services process improvement London: Springer. doi:10.1007/978-3-319-64218-5
» https://doi.org/10.1007/978-3-319-64218-5

[16] Germann, F., Lilien, G. L., & Rangaswamy, A. (2013). Performance implications of deploying marketing analytics. International Journal of Research in Marketing, 30(2), 114-128. doi:10.1016/j.ijresmar.2012.10.001
» https://doi.org/10.1016/j.ijresmar.2012.10.001

[17] Gibson, J. J. (1977). The theory of affordances. In R. Shaw & J. Bransford (Orgs.). Perceiving, acting and knowing (pp. 67-82). New Jersey: John Wiley & Sons.

[18] Gibson, J. J. (1986). The ecological approach to visual perception New Jersey: Taylor & Francis Group.

[19] Hansen, H. K., & Flyverbom, M. (2015). The politics of transparency and the calibration of knowledge in the digital age. Organization, 22(6), 872-889. doi:10.1177/1350508414522315
» https://doi.org/10.1177/1350508414522315

[20] Hutchby, I. (2001). Technologies, texts and affordances. Sociology, 35(2), 441-456. doi:10.1017/S0038038501000219
» https://doi.org/10.1017/S0038038501000219

[21] Klecun, E., Hibberd, R., & Lichtner, V. (2016). Affordance theory perspectives on IT and healthcare organization. Proceedings of International Conference on Information Systems, Dublin, Ireland, 37.

[22] Koch, H., & Peters, U. (2017). Shadow analytics. Proceedings of Americas Conferences on Information Systems, Boston, United States, 23.

[23] Latour, B. (2012). Reagregando o social: Uma introdução à teoria do ator-rede Salvador: Edufba; Bauru: Edusc.

[24] Lehrer, C., Wieneke, A., Brocke, J. vom, Jung, R., & Seidel, S. (2018). How big data analytics enables service innovation: Materiality, affordance, and the individualization of service. Journal of Management Information Systems, 35(2), 424-460. doi: 10.1080/07421222.2018.1451953
» https://doi.org/10.1080/07421222.2018.1451953

[25] Leonardi, P. M. (2011). When flexible routines meet flexible technologies: Affordance, constraint, and the imbrication of human and material agencies. MIS Quarterly, 35(1), 147-167. doi:10.2307/23043493
» https://doi.org/10.2307/23043493

[26] Leonardi, P. M. (2013). When does technology use enable network change in organizations? A comparative study of feature use and shared affordances. MIS Quarterly, 37(3), 749-775.

[27] Luvizan, S. S., Meirelles, F. S., & Diniz, E. H. (2015). Big data: Evolução das publicações e oportunidades de pesquisa. Revista Eletrônica de Sistemas de Informação, 14(3). doi:10.21529/RESI.2015.1403003
» https://doi.org/10.21529/RESI.2015.1403003

[28] Madsen, A. K. (2015). Between technical features and analytic capabilities: Charting a relational affordance space for digital social analytics. Big Data & Society, 2(1), 1-15. doi:10.1177/2053951714568727
» https://doi.org/10.1177/2053951714568727

[29] Markus, M. L., & Silver, M. S. (2008). A foundation for the study of IT effects: A new look at DeSanctis and Poole’s concepts of structural features and spirit. Journal of the Association for Information Systems, 9(10), 609-632.

[30] McCosker, A. (2017). Social media work: Reshaping organisational communications, extracting digital value. Media International Australia, 163(1), 122-136. doi:10.1177/1329878X17693702
» https://doi.org/10.1177/1329878X17693702

[31] Müller, O., Junglas, I., Brocke, J. vom, & Debortoli, S. (2016). Utilizing big data analytics for information systems research: Challenges, promises and guidelines. European Journal of Information Systems, 25(4), 289-302. doi:10.1057/ejis.2016.2
» https://doi.org/10.1057/ejis.2016.2

[32] Norman, D. (1999). Affordances, conventions and design. Interactions, 6(3), 38-42.

[33] Parchoma, G. (2014). The contested ontology of affordances: Implications for researching technological affordances for collaborative knowledge production. Computers in Human Behavior, 37, 360-368. doi:10.1016/j.chb.2012.05.028
» https://doi.org/10.1016/j.chb.2012.05.028

[34] Pozzi, G., Pigni, F., & Vitari, C. (2014). Affordance theory in the IS discipline: A review and synthesis of the literature. Americas Conference on Information Systems, Savannah, USA, 20.

[35] PWC. (2017). The human factor: Working with machines to make big decisions. Recuperado de from http://www.pwc.com/bigdecisions
» http://www.pwc.com/bigdecisions

[36] Ross, J. W., Beath, C. M., & Quaadgras, A. (2013). You may not need big data after all. Harvard Business Review, Dec., 90-98.

[37] Soares, C. D. M., & Joia, L. A. (2018). As redes sociais e a manifestação “20 Centavos” no Brasil sob a ótica da teoria ator-rede. Anais do Encontro da ANPAD, Curitiba/Paraná, 42.

[38] Strong, D. M., Johnson, S. A., Trudel, J., Pelletier, L. R., Bar-on, I., & Garber, L. (2014). A theory of organization-EHR affordance actualization. Journal of the Association for Information Systems, 15(2), 53-85.

[39] Tian, X. (2017). Big data and knowledge management: A case of déjà vu or back to the future? Journal of Knowledge Management, 21(1), 113-131. doi:10.1108/JKM-07-2015-0277
» https://doi.org/10.1108/JKM-07-2015-0277

[40] Volkoff, O., & Strong, D. (2013). Critical realism and affordances: Theorizing IT-associated organizational change processes. MIS Quarterly, 37(3), 819-834.

[41] Wang, H., Wang, J., & Tang, Q. (2018). A review of application of affordance theory in information systems. Journal of Service Science and Management, 11(01), 56-70. doi:10.4236/jssm.2018.111006
» https://doi.org/10.4236/jssm.2018.111006

[42] Werkhoven, J. A. (2017). Exploring functional affordances and sensemaking in human resource analytics full paper. Americas Conference on Information Systems, Boston, USA, 23.

[43] Williams, M. L., Burnap, P., & Sloan, L. (2017). Crime sensing with big data: The affordances and limitations of using open-source communications to estimate crime patterns. British Journal of Criminology, 57(2), 320-340. doi:10.1093/bjc/azw031
» https://doi.org/10.1093/bjc/azw031

[44] Zammuto, R. F., Griffith, T. L., Majchrzak, A., Dougherty, D. J., & Faraj, S. (2007). Information technology and the changing fabric of organization. Organization Science, 18(5), 749-762. doi:10.1287/orsc.1070.0307
» https://doi.org/10.1287/orsc.1070.0307

[45] Zelenkauskaite, A. (2017). Remediation, convergence, and big data. Convergence, 23(5), 512-527. doi:10.1177/1354856516631519
» https://doi.org/10.1177/1354856516631519

Autor(es)	Conceito de affordance	Conceito de big data ou analytics	Fase de uso analisada
Hansen e Flyverbom (2015)	Não conceituam, mas utilizam Gibson (1977, 1986) como referência e destacam que tecnologias tanto possibilitam quanto restringem ações.	Foco na análise dos dados, em especial data mining e demais algoritmos.	Possibilidades de uso.
Madsen (2015)	Conceito original de Gibson (1977, 1986), porém o autor destaca o conjunto de características que permitem certas percepções e ações.	Análise de mídia digital.	Uso.
Etzion e Aragon-Correa (2016)	A palavra affordance aparece apenas no resumo, para explicar por que big data e gestão para sustentabilidade estão alinhados.	Usam os 5 Vs, com menor ênfase para o big e maior para o fato de ser heterogêneo.	Possibilidades de resultado.
Williams et al. (2017)	Não conceituam, porém citam características do big data como affordances.	A partir dos 5 Vs, mas incluindo virtude, que se refere ao uso ético dos dados.	Possibilidades de uso.
McCosker (2017)	Uso da teoria de Gibson em pesquisas sobre interação humano-computador (IHC) e as possibilidades de ação que as ferramentas oferecem.	Capacidade de coletar e analisar dados de mídias sociais.	Uso e resultados.
Dremel et al. (2017)	Possibilidades de ação decorrentes das propriedades dos artefatos de TI e atores, assim como seus relacionamentos, de acordo com Markus e Silver (2008) e Strong et al. (2014).	Conceituam a partir da perspectiva sociotécnica, Por esse motivo, as affordances consideradas são das tarefas.	Adoção, uso e resultados.
Werkhoven (2017)	Conceito de affordances funcionais introduzido por Markus e Silver (2008).	Analytics como processo de reconhecimento e resolução de problemas baseado em evidências.	Resultados.
Koch e Peters (2017)	Affordances da tecnologia e teoria das restrições, para explicar a interação entre humanos, organizações e tecnologia. Affordances como habilitadores, restrições ou ambos.	Desenvolvimento de iniciativas de analytics, logo como um processo de análise e uso de dados.	Uso e resultados.
Tian (2017)	Conceito de affordances original e aplicado à TI, citando principalmente Leonardi.	Destacam que é um conceito em construção, mas caracterizam a partir dos 5 Vs.	Possibilidades para gestão do conhecimento.
Zelenkauskaite (2017)	Não conceitua, apenas destaca as affordances tecnológicas interativas e geralmente como sinônimo de possibilidades.	Soma de fontes de dados de mídia social.	Uso.
Fischer (2017)	Além do potencial de uso, o foco está no uso real, a partir de características do artefato e objetivos dos usuários. Partem de um conjunto de affordances preestabelecidas.	Ferramentas que suportam tomada de decisão por meio de análises e bases de dados, incluindo analytics. No entanto, a análise foi em um BI tradicional.	Uso.
Lehrer, Wieneke, Brocke, Jung e Seidel (2018)	Possibilidades de ação que emergem do relacionamento entre a materialidade dos artefatos e usuários ou grupos de usuários com objetivos organizacionais.	Métodos e ferramentas para coleta, processamento e análise de grandes volumes de dados gerados em mídias sociais, permitindo gerar insights para negócios.	Uso.
Aversa, Cabantous e Haefliger (2018)	Alinhado com Gibson (1977, 1986) e Hutchby (2001).	Não conceituam, mas fica evidente o foco em ferramentas de análise.	Uso e resultados.

Processo das affordances		Momentos de translação
Existência das affordances
Plataformas big data e analytics	Inexistentes na organização.	Problematização: o ator principal, analista de TI, identificou a necessidade de gerar relatórios de forma mais dinâmica.
Pessoas	Equipe de TI com conhecimento em SQL; analistas de negócio.
Processos	Relatórios gerados manualmente a partir de solicitação de usuários que deveriam ser precisos para conter os dados necessários.
Estrutura	Equipe de TI para desenvolvimento e analistas para análises pontuais.
Percepção
Expressões simbólicas	Conhecimentos adquiridos pelo entrevistado na graduação; busca por ferramentas no mercado.	Participação: Diretoria aderiu à ideia, autorizando aquisição das ferramentas.
Design	Experimentação de versões de demonstração de ferramentas.
Realização
Ação 🡢 resultado imediato	Geração de relatórios a partir da nova ferramenta 🡢 redução no tempo de entrega de novos relatórios. Disponibilização de painéis 🡢 geração automática de dados. Disponibilização de painéis 🡢 autonomia de análise dos usuários. Divulgação de dados consolidados a toda organização 🡢 interesse em entender os resultados e agir sobre eles. Disponibilização de displays com painéis por área 🡢 acompanhamento direto das equipes e dos gestores. Automação da geração de relatórios 🡢 mudança no perfil da equipe de TI.	Engajamento: Atividades iniciais envolveram analistas, equipe de TI e usuários-chave. Somente depois dos primeiros resultados, os gestores se envolveram de fato. Foi necessário negociar o significado de indicadores. O design dos artefatos gerados (painéis) permitiu autonomia dos usuários e diferentes olhares sobre os mesmos dados. Diretor como principal patrocinador do projeto.
Efeito
	Criação de comitês de análise de dados; Uso dos painéis gerados no planejamento estratégico. Formação e equipe para geração de análises preditivas.	Mobilização: Diretor como porta-voz do uso big data e analytics, além dos comitês de análise. Pessoas que não se adaptaram não estão mais na organização.