Gestão da Inovação e Ciência da Decisão: complementares e essenciais para o desempenho organizacional
Introdução
A gestão da inovação vem se desenvolvendo rapidamente e se consolidando como área de pesquisa e de prática gerencial relevante para o desenvolvimento de negócios e performance operacional.
Este desenvolvimento ocorre associado com a dominância dos processos de criatividade e ideação e a consequente disrupção, nas origens e bases deste campo do conhecimento. Entretanto, nos últimos anos percebe-se uma crescente corrente apoiada em definições mais concretas e de bases quantitativas para a análise da inovação corporativa. Com esta abordagem e resultados obtidos, desenvolve-se o entendimento de que processos de negócios podem ser propostos e aprimorados nas organizações através da promoção e sistematização da inovação corporativa.
Este artigo apresenta alguns conceitos relacionados à gestão da inovação e também sobre a Ciência da Decisão visando a contraposição dos mesmos e a reflexão sobre o caráter complementar destes campos do conhecimento.
A Gestão da Inovação e seus desafios recentes
Nas últimas décadas a inovação empresarial teve sua relevância maximizada como prática e filosofia empresarial e observou-se um aumento exponencial das experiências empresariais, conceitos e ferramentas sobre o tema.
Em muitas empresas, principalmente as de grande porte, a inovação empresarial vêm sendo aplicada como resposta corporativa ao rápido desenvolvimento tecnológico da sociedade e, com base em alguns casos de sucesso, é apontada por especialistas no tema como a estratégia mais eficaz da empresa moderna para sobreviver, se adaptar às mudanças e crescer em mercados cada vez mais mutáveis e competitivos (Baregheh, Rowley, & Sambrook, 2009).
As inovações podem ocorrer em processos, produtos ou no modelo de negócio (Baregheh et al., 2009 & Liem & Brangier, 2012) e apesar de estar baseada em princípios comuns, cada tipo de inovação têm suas particularidades que influenciam o processo de implantação (Sawhney, Wolcott, & Arroniz, 2007),
Outros aspectos abordados pela literatura sobre inovação empresarial são o seu caráter multidisciplinar e subjetivo conforme apresentado por Adams, Bessant, & Phelps (2006) e sua estreita relação com a gestão do conhecimento empresarial (Darroch & McNaughton, 2002).
Com o aumento da prática empresarial surgiram várias técnicas e ferramentas de suporte conceitual e metodológicas que tornaram o tema tão popular no meio empresarial. Entre estas técnicas podemos citar o “Design Thinking” que, através de ferramentas de fácil aplicação e dinâmicas, procuram motivar as pessoas para a inovação e criatividade, identificar as oportunidades para o desenvolvimento e implantar as ações que otimizam os produtos e serviços das empresas (Liem & Brangier, 2012).
Apesar da grande popularidade que o tema alcançou nas duas últimas décadas não é verificado um aumento proporcional no volume de estudos acadêmicos e científicos sobre o tema. Alguns aspectos são mais estudados e caminham para um consenso acadêmico e formatação de teoria. Entre estes temas mais estudados pode-se citar a integração com sistemas de gestão (Gupta, 2014), o relacionamento com as teorias de absorção de conhecimento (Dunlap, McDonough, Mudambi, & Swift, 2016) e a medição da maturidade da empresa, ou a prontidão da mesma para investir esforços em inovação (Cheng & Lin, 2012).
Insucessos em iniciativas de inovação
Outro aspecto que merece destaque em relação à prática da inovação nas empresas, relaciona-se com o elevado número de experiências malsucedidas. Estes casos ocorrem principalmente em empresas sem a devida estrutura e preparação para implantar e acompanhar a execução de projetos complexos e relevantes para a sua estratégia e rotinas (van der Panne, van Beers, & Kleinknecht, 2003).
Figura 1: Causas para as falhas de projetos de inovação empresarial
Conforme apresentado na figura I, entre os fatores do Gerenciamento da inovação que podem levar ao fracasso dos projetos de negócios está a ausência de métodos e procedimentos organizacionais claros e disseminados a todos os envolvidos nas iniciativas de inovação. Poderíamos apontar dois métodos típicos que, quando ausentes, impactam negativamente em tais iniciativas:
(1) métodos para avaliar a eficácia das ações de inovação e os resultados obtidos para o negócio.
(2) procedimentos de análise de decisão para avaliação contínua e seleção científica das ideias e possíveis soluções desenvolvidas durante o processo de inovação.
Com a presença de tais metodologias e procedimentos, a empresa fica mais preparada para agir de acordo com os princípios da melhoria contínua, aprender com as falhas e direcionar melhor seus recursos e investimentos em novas iniciativas de desenvolvimento e inovação (Cruz-Cázares, Bayona-Sáez, & García – março de 2013).
A Ciência Aplicada a Decisão – Breve resumo e conceitos
Referencial teórico
A ciência aplicada a decisão, CAD, é um campo do conhecimento e pesquisa científica voltado para a análise de problemas da gestão empresarial notadamente aqueles que orbitam na esfera da tomada de decisão gerencial e suas características e consequências.
Assumindo ao longo dos anos diversas designações como investigação operacional, ciência da gestão e ciência do apoio a decisão, seus preceitos e fundamentos encontram alicerce em diversos campos como engenharia, gestão e sistemas de informação o que é compreensível quando analisamos sua definição e objetivos.
Segundo o portal scienceofbetter.org (www.scienceofbetter.org/what/index.htm), referência em investigação operacional, “a investigação operacional é a disciplina de aplicar métodos analíticos avançados para suportar melhores decisões”. Nesta definição verificamos termos como investigação, aplicação de métodos e decisão que são os alicerces da CAD.
As origens da Ciência Aplicada à Decisão, em sua concepção moderna, remontam às origens da investigação operacional americana, notadamente no desenvolvimento de tecnologias militares durante a segunda guerra que se solidificaram e expandiram para o mundo empresarial no pós-guerra (Kirby & Capey, 1998). Estas bases da CAD constituem o paradigma do “hard OR”, focado em otimização de sistemas, busca pelo valor ótimo como solução, forte embasamento matemático e situações ou ambientes de aplicação bem definidos e controlados (Raiffa, 2002).
Este paradigma evoluiu à medida que a abordagem da investigação operacional passou a ser aplicada em larga escala nas empresas, constituindo o paradigma do “Soft OR”. Este novo paradigma é caracterizado pela ausência de uma solução única e presença de vários critérios a serem considerados na análise e proposição da solução.
A Ciência da Decisão aplicada a problemas complexos
A evolução da CAD passando de métodos determinísticos e bem definidos para métodos mais genéricos e aplicados a problemas complexos de gestão com mais de uma solução possível está bem representada por Raiffa (2002). Aspectos como a inclusão de probabilidades subjetivas e de fatores comportamentais na análise do processo decisório são fatores marcantes da “Soft OR” e necessários em aplicações no mundo empresarial. Segundo Ackoff (1979), em um claro movimento em direção à consolidação da “Soft OR”, a prática da investigação operacional necessitava se organizar metodologicamente através de um planejamento cooperativo e evolutivo e que considerasse seu caráter multidisciplinar.
Pelo exposto, a aplicação da CAD considerando suas premissas e nuances e o rigor científico objetivado, não se configura em um processo trivial. Os problemas característicos da “Soft OR”, complexos e aplicados em ambientes turbulentos, necessitam de métodos estruturados para o planejamento e proposição de soluções (Rosenhead, 1996). O trabalho de Neves, Dias, Antunes, & Martins (2009) apresenta uma rica abordagem de mapas mentais ou cognitivos e de sequenciamento de etapas para a estruturação de um problema típico de ciência Aplicada à Decisão.
Ainda no campo conceitual, pode-se dizer que a CAD é um exemplo claro da moderna Ciência da Administração, na qual recursos com base quantitativa são usados para apoiar a decisão de negócios e na qual há uma convergência de conceitos e metodologias de áreas qualitativas com filosofias positivistas e um método científico dedutivo (Raiffa, 2002). Particularmente, as áreas de tecnologia da informação e sistemas de informação (SI) forneceram suporte metodológico para o desenvolvimento de técnicas de suporte à decisão, também conhecidas como sistemas de suporte à decisão (Arnott & Pervan, 2014).
Gestão da Inovação e a Ciência da Decisão: Um encontro promissor
Considerando a abordagem clássica da Gestão da Inovação, baseada nos momentos “eureka” de um cientista brilhante e de enormes laboratórios e centros de pesquisa, não é difícil perceber o valor agregado pelas metodologias de análise de decisão. Esse processo clássico e linear de inovação resulta em listas de alternativas para o desenvolvimento de produtos e modelagem de serviços (Kotler & De Bes, 2011). O cenário perfeito para a aplicação de metodologias de suporte à decisão.
Além disso, pode-se afirmar que a aplicação da pesquisa operacional “hard”, com o objetivo de encontrar a solução “ótima” para produtividade, melhoria de processos ou qualidade do produto, consiste por si só em um processo de inovação. Senão, é intuitivo considerar este tipo de iniciativa, pelo menos, como um apoio à tomada de decisão no processo de inovação.
Mas o que alguns profissionais e pesquisadores ainda não perceberam é o grande potencial da Ciência de Decisão “soft” aplicada aos problemas complexos, sem solução única ou ótima e ancorados em variáveis qualitativas e quantitativas (“wicked problems”). Conforme explicado anteriormente neste artigo, esse tipo de situações organizacionais complexas estão se tornando mais comuns e um enorme desafio para gerentes e pesquisadores de vários campos do conhecimento.
O conceito “moderno” de inovação, baseado em experimentação rápida, no aprendizado contínuo e incremental, na tolerância a erros e na prototipagem é um campo enorme para a ciência aplicada à decisão! E, em uma visão mais ampla, não há incoerência quando consideramos colocar algum racionalismo no processo de ideação e nos resultados do chamado “design centrado no ser humano” que consiste na abordagem básica para as metodologias de Design Thinking (Brown, 2017).
As técnicas usadas na pesquisa operacional “soft”, como a análise multicritério (MCDA), árvore de decisão e função de utilidade, são poderosas para apoiar a análise das ideias geradas durante um processo de ideação. No final do processo de inovação, essas técnicas podem ser aplicadas para selecionar as melhores soluções e a abordagem mais estratégica para sua implementação. De fato, muitas possibilidades surgem para gerentes e pesquisadores ao considerar a incorporação da análise de decisão nos processos de gerenciamento da inovação.
Com base no exposto, podemos destacar que o desenvolvimento, a disseminação e a aplicação correta das metodologias da Ciência Aplica à Decisão (CAD) podem contribuir para o sucesso de iniciativas de inovação. Recomenda-se, portanto, a análise da incorporação de tais metodologias nas práticas de planejamento estratégico e gestão da inovação.
Conheça um pouco mais sobre meus treinamentos e abordagens para aplicação das teorias da decisão em problemas complexos acessando www.adrianoclary.com.br/treinamentos.
Palavras-chave:
Inovação, gestão da inovação, ciência da decisão, ciência aplicada a decisão, estratégia de inovação
Referências
- Arnott, D., & Pervan, G. (2014). A critical analysis of decision support systems research revisited: The rise of design science. Journal of Information Technology, 29(4), 269–293.
- Baregheh, A., Rowley, J., & Sambrook, S. (2009). Towards a multidisciplinary definition of innovation. Management Decision, 47(8), 1323–1339. https://doi.org/10.1108/00251740910984578
- Brown, T., (2010). Change by design
- Cheng, Y. I.-L. I., & Lin, Y. U. A. N.-H. S. U. (2012). Performance Evaluation of Technological Innovation Capabilities In Uncertainty. Procedia – Social and Behavioral Sciences, 40, 287–314. https://doi.org/10.1016/j.sbspro.2012.03.193
- Cruz-Cázares, C., Bayona-Sáez, C., & García-Marco, T. (2013). You can’t manage right what you can’t measure well: Technological innovation efficiency. Research Policy, 42(6–7), 1239–1250. https://doi.org/10.1016/j.respol.2013.03.012
- Dunlap, D., McDonough, E. F., Mudambi, R., & Swift, T. (2016). Making Up Is Hard to Do: Knowledge Acquisition Strategies and the Nature of New Product Innovation. Journal of Product Innovation Management, 33(4), 472–491. https://doi.org/10.1111/jpim.12298
- Kirby, M. W., & Capey, R. (1998). The origins and diffusion of operational research in the UK. Journal of the Operational Research Society, 49(4), 307–326. https://doi.org/10.1057/palgrave.jors.2600558
- Kotler, P. & De Bes F. (2011). A bíblia da Inovação
- Liem, A., & Brangier, E. (2012). Innovation and design approaches within prospective ergonomics. Work, 41(SUPPL.1), 5243–5250. https://doi.org/10.3233/WOR-2012-0013-5243
- Neves, L. P., Dias, L. C., Antunes, C. H., & Martins, A. G. (2009). Structuring an MCDA model using SSM: A case study in energy efficiency. European Journal of Operational Research, 199(3), 834–845. https://doi.org/10.1016/j.ejor.2009.01.053
- Raiffa, H. (2002). Decision Analysis : A Personal Account of How It Got Started and Evolved DECISION ANALYSIS : A PERSONAL ACCOUNT OF HOW IT GOT STARTED AND EVOLVED, 50(April 2015), 179–185.
- Rosenhead, J. (1996). What´s the Problem? An introduction to Problem Structuring Methods. Professional – OR/MS Implementation. https://doi.org/10.1287/inte.26.6.117
- Sawhney, M., Wolcott, R., & Arroniz, I. (2007). The 12 different ways for companies to innovate. IEEE Engineering Management Review, 35(1), 45–45. https://doi.org/10.1109/EMR.2007.329139
- Van der Panne, G., van Beers, C., & Kleinknecht, A. (2003). Success and Failure of Innovation: A Literature Review. International Journal of Innovation Management, 07(03), 309–338. https://doi.org/10.1142/S1363919603000830
