http://repositorio.febab.org.br/files/original/63/6933/SNBU2020_051.pdf b8cbdc0c05f8d17b2dcdbb9133ef5fd4 PDF Text Text Eixo 3 - Inovações INOVAÇÃO EM BIBLIOTECAS UNIVERSITÁRIAS: SOB O OLHAR DO BIG DATA INNOVATION IN UNIVERSITY LIBRARIES: UNDER THE VIEW OF BIG DATA Emmanuel Bohrer Júnior 1 Helena Alencor da Silva 2 Resumo: O estudo aborda a temática da inovação em bibliotecas universitárias, com o uso do Big Data. As novas tecnologias fundamentais, a utilização de variadas análises, os recursos dos softwares e pesquisas emergentes no Big Data Analytics, possibilitando entregar informações extremamente importantes para a melhoria do desempenho e obtendo-se soluções para quaisquer tipos de unidades de informação, centradas nos serviços informacionais para os usuários. A forma inovadora de atuação permite uma melhor utilização dos recursos disponíveis, favorece um maior entrosamento e promove um atendimento e serviços de qualidade a serem oferecidos. O estudo tem como objetivo levantar o referencial teórico, bem como propiciar novas discussões nas temáticas envolvidas. Foi efetuada uma pesquisa sistemática e integrativa na WEB of Science, SCOPUS e SCIELO, bem como em sites de instituições de renome nacional e internacional. Palavras-chave: Big data. Inovação. Bibliotecas Universitárias. Serviços informacionais. Abstract: The study addresses the theme of innovation in university libraries, using Big Data. The new fundamental technologies, the use of various analytics, software resources and emerging research in Big Data Analytics, making it possible to deliver extremely important information for performance improvement and obtaining solutions for any type of information units, centered on informational services for users. The innovative way of operating allows for better use of available resources, favors greater rapport and promotes quality care and services to be offered. The study aims to raise the theoretical framework, as well as provide new discussions on the themes involved. Systematic and integrative research was carried out on WEB of Science, SCOPUS and SCIELO, as well as on websites of renowned national and international institutions. Keywords: Big data. Innovation. University libraries. Informational services. 1 INTRODUÇÃO O conhecimento, que sempre foi um dos principais insumos para a geração de riqueza e bemestar social, passou a ser reconhecido como tal a partir da revolução da informação trazida pela Internet. De acordo com Grimaldi e Rippa (2011) a inovação está associada com o corpo de conhecimentos que são chamados coletivamente de gestão do conhecimento, mas para ser inovador nas organizações altamente competitivas e nos mercados globais é preciso usar efetivamente o conhecimento, sendo assim, para ser capaz de usar o conhecimento de forma eficaz é necessário que ele seja gerenciado. 1 Doutorando do Programa de Pós-Graduação Educação em Ciências – Química da Vida e Saúde / UFRGS. Ministério da Saúde/SESAI – Brasília/DF. bohrer2303@yahoo.com.br. ORCID 0000-0002-8826-4996. 2 Mestranda em Ciência da Documentação e Informação – Universidade de Lisboa. Cidade Universitária, Alameda da Universidade, 1649-004 – Lisboa, Portugal. helena.alencor@gmail.com. ORCID 000-0002-2064-6832. �A existência de mecanismos que disseminam informações em toda a organização descentraliza o poder de decisão e iniciativa, substituindo a comunicação horizontal para comunicação vertical, estimulando a troca de informações entre os colaboradores, desenvolvendo o trabalho em equipe (PÉREZ-LÓPEZ; JUNQUERA, 2013). A inovação em bibliotecas universitárias, bem como em outras unidades de informação (arquivos, museus, centros de informação etc.), visa melhorias de processos e serviços. Resultando dessa forma a criação de novos modelos de serviços de atendimento e processos sistemáticos que possuem valor agregado. A inovação possibilita a conquista de novos usuários e cria diferencial estratégico. O estudo tem como objetivo levantar o referencial teórico, bem como propiciar novas discussões nas temáticas envolvidas. Havendo a inovação nas bibliotecas universitárias, é necessário que haja gestão dessa inovação, para desenvolver os serviços e processos da unidade, e o profissional da informação empreendedor será o elo chave desse processo. Portanto, um empreendedor, deve empoderar-se do papel de gestor da informação, do conhecimento e da inovação. Atualmente, o mundo está interconectado e em tempo real. Há rede de comunicação, a qual produz inúmeros dados a cada segundo e se lida com bilhões de usuários de redes sociais, computadores etc. ao redor do mundo – e todos eles gerando valiosos dados. Com o propósito de solucionar essas questões do mundo de Big Data - no qual o volume de dados é tão surpreendente quanto às velocidades exigidas para seu processamento e análise, foram desenvolvidas tecnologias, ferramentas, serviços e produtos, para analisar os dados em tempo real. Trazendo vantagem competitiva e melhorias estratégicas para todos. Verificou-se a necessidade de um estudo bibliográfico para evidenciar como a literatura acadêmica está abordando os temas Inovação e Big Data, bem como os mesmos termos em inglês Innovations e Big Data, respectivamente. Neste sentido, a revisão sistemática foi elaborada utilizando a base de dados Web of Science, Scopus e Scielo, visando a uma maior precisão na pesquisa. A quantidade de artigos sobre os temas coletados – primeiramente somente com os filtros de língua – inglês, espanhol e português na Web of Science, Scopus e Scielo para o termo Innovations foram encontrados 167.071 documentos na Web of Science, 277.563 documentos na Scopus. Em um segundo plano, para aprofundar a filtragem dos documentos e, para complementar de forma mais embasa o estudo bibliográfico realizado, foram filtrados por área de conhecimento ou seja �– Knowledge Manegement, Social Science e Information Science Library Science e, nos tipos de documento, foi utilizado o filtro Research Article. Como resultado da filtragem os números de artigos encontrados nas bases de dados foram os seguintes: para Innovations foram encontrados 458 artigos na Web of Science, 12.766 artigos na Scopus e 75 artigos na Scielo, e para o termo Big Data foram encontrados 132 artigos na Web of Science, 1.062 artigos na Scopus e 04 artigos na Scielo. Após a realização de revisão bibliográfica a pesquisa foi complementada com uma revisão integrativa, levantando e colhendo informações localizadas em sites e blogues de autores e instituições de renome nacional e internacional ligados às temáticas. 1.1 OBJETIVOS O estudo tem como objetivo levantar o referencial teórico. Diante disso, foram considerados os seguintes objetivos específicos: conhecer conceitos relacionados a Inovação; descrever os serviços em unidades de informação; conhecer conceitos relacionados a Big Data; descrever os cinco v’ do Big Data e identificar as Tipologias de Análise, Tecnologias Fundamentais e Pesquisas Emergentes. 2 REFERENCIAL TEÓRICO Graças a capacidade de agrupar e analisar grandes volumes de informações, com qualidade e rapidez, está ocorrendo uma transformação na maneira como as instituições compreendam o mercado e lidem com os seus usuários. A Big data é a tecnologia que permite a metodologia e a análise de dados que utilizem grandes volumes, com variedade, velocidade e veracidade e valor aos dados, permitindo transformá-los em informações primordiais, que por sua vez se modificam em resultados para tomadas de decisão em tempo real. 2.1 INOVAÇÃO A inovação se constitui como um dos elementos utilizados pelas organizações com o intuito de se diferenciar e prevalecer no atual ambiente econômico ultracompetitivo repleto de incertezas e riscos. Ela deve ser abordada de acordo com perspectivas teóricas e práticas, de forma empreendedora e sistemática. �O Manual de Oslo3 (OCDE, 2005, p.178), inovação é definida como: “... transformação de uma ideia em um produto novo ou melhorado que se introduz no mercado, ou em novos sistemas de produção, e em sua difusão, comercialização e utilização. “Entende-se também por inovação tecnológica, a melhoria substancial de produtos ou processos já existentes”. Dentro desta abordagem diferencial que está havendo atualmente, nas questões de inovação, dá-se o nome de vantagem competitiva (AAKER, 2012) à capacidade das organizações de se destacar perante seus concorrentes, tanto no que diz respeito à produção e posicionamento de produtos e serviços no mercado, quanto na satisfação de sua clientela. Para tanto, é preciso que a inovação seja aplicada de maneira contínua, de modo a acompanhar e garantir a sua posição em relação aos concorrentes. O Manual de Oslo (2005), classifica a inovação em quatro tipos, a saber: inovação de produto, inovação de processo, inovação de marketing e inovação organizacional. Bessant e Tidd (2008) mencionam que as organizações devem inovar, tendo em vista o surgimento de novas tecnologias, novos mercados, emergência de novas regras políticas, mudanças e/ou desregulamentação no regime regulatório, a sua sobrevivência, a realização de novas parcerias, o aumento da receita, a obtenção de vantagens competitivas, o seu crescimento, dentre tantos outros fatores. A partir do exposto pode-se evidenciar alguns aspectos relevantes relacionados ao conceito de inovação, tais como: a relação direta entre inovação e a concorrência das organizações; a percepção de que a inovação é primordial na abertura de novas frentes de mercado, tanto no que se refere a novos ou mesmos produtos e espaços geográficos; e a concepção de que o processo inovador está associado com a criatividade individual, em particular, e com a aprendizagem organizacional, em geral. Se houver figuras, quadros e/ou tabelas, estas devem ser inseridas no texto e estar devidamente citadas. As imagens devem estar em um dos formatos específicos: jpg, gif, cdr, tiff ou bmp. As tabelas devem seguir as normas do IBGE4. 3 4 Manual de Oslo - https://www.oecd.org/science/oslo-manual-2018-9789264304604-en.htm IBGE - https://www.ibge.gov.br/ �2.2 SERVIÇOS EM BIBLIOTECAS UNIVERSITÁRIAS OU OUTRAS UNIDADES DE INFORMAÇÃO Os serviços oferecidos em bibliotecas universitárias ou outras unidades de informação são o grande diferencial de instituição para instituição. Como são ressaltadas por Alves (2006), as primeiras bibliotecas da antiguidade que eram os centros de informação da época possuíam instrumento e materiais de pesquisa muito rudimentares, com o passar dos anos e o advento da internet e das tecnologias e comunicação e informação (TICs5), muitos processos internos e inclusive os serviços que as unidades de informação foram mudando. Agora no século XXI muitos serviços informacionais podem ser feitos de forma remota e online sem que os usuários precisem sair de casa. Dorigon (2009) deixa claras as três características principais que definem algo como serviço em vez de produto, a primeira característica é a intangibilidade, o serviço é obtido através de uma ação, a qual não pode ser tocada ou estocada; a segunda característica é a produção e o consumo, que é feito simultaneamente, a produção acontece ao mesmo tempo da entrega e do consumo e a terceira característica é a participação do usuário na produção do serviço sendo ele que inicia o processo. Quando se fala se serviços oferecidos direcionados às bibliotecas universitárias é preciso salientar que estas “desempenham papel de grande importância na geração do conhecimento e na disseminação da informação, através de seus serviços e produtos de informação” (NASCIMENTO; CAMPOS, 2014, p. 79), para que isso aconteça, é necessário um estudo dos seus usuários para que dessa forma a unidade possa focar no que o usuário realmente necessita. As bibliotecas universitárias são centros de apoio ao conhecimento e devem sempre estar de acordo com a missão da sua instituição propõe, oferecendo aos seus usuários os mais diversos suportes informacionais necessários para subsidiar as necessidades informacionais dos usuários. É necessário que a unidade possa disponibilizar um ambiente confortável, materiais para pesquisa como computadores, rede wi-fi, livros e profissionais preparados para atender (NASCIMENTO; CAMPOS, 2014). Blattmann e Rados (2000) evidenciam alguns serviços que podem ser prestados em bibliotecas universitárias, tais como assistência em referências, instrução bibliográfica, assistência na pesquisa, empréstimo inter bibliotecário e reserva eletrônica de livros ou periódicos. A implementação de TIC em bibliotecas universitárias é complexa pois envolve tecnologia e o processo de ensino e aprendizagem, de acordo com Correa e Paredes (2009), devido ao grande número de mudanças que estes locais tem que se submeter, no caso do ensino superior pode ser entendido como um elemento renovador do próprio processo e, para diminuir, é necessário 5 TIC em unidades de informação - https://minhabiblioteca.com.br/blog/novas-tecnologias-biblioteconomia/ �desenvolver nos alunos de cursos superiores treinamento digital que os auxilie na busca, seleção e transformação da informação encontrado na Internet (MARÍN, 2013). A qualidade das bibliotecas universitárias é de responsabilidade de seus gestores e dos departamentos envolvidos (BEZERRA, 2010) e, segundo Lima (2014) para evidenciar o melhor uso destas tem que ser identificado e definido os problemas ocorridos, vidando a melhoria e aprimoramento dos serviços prestados. O uso da gestão da informação também foi levantado quanto se pretender proporcionar aos usuários mais benefícios, principalmente apontando a relevância do profissional da informação como mediador, pois aproxima as necessidades dos usuários do bibliotecário. Outro fator colocado como de suma importância para as bibliotecas universitárias é de implementação de uma rede colaborativa de serviços e bens entre bibliotecas universitárias, que em consequência proporcionaria aumento de ofertas de recursos a todos que fazem uso das mesmas (ANDRADE, 2013). 2.3 BIG DATA Há várias versões sobre a origem do conceito de Big Data6, assim como do início de suas aplicações. Uma das mais conhecidas remete à NASA7, que no início da década de 1990 começou a utilizar Big Data para descrever imensos conjuntos de dados complexos, que desafiavam os limites convencionais da computação da época. Antes de Big Data, fórmulas matemáticas, técnicas avançadas de probabilidades e estatística (como análise de frequência, série histórica e estudos de médias móveis) eram executadas manualmente – lidando, portanto, com uma capacidade reduzida de variáveis. Com o advento de processadores de alta capacidade e velocidade impressionante, foi possível transitar todos esses cálculos por meio de softwares desenvolvidos especialmente para transformar esses “rastros” em informações estratégicas poderosas a qualquer segmento. Uma solução em Big Data trabalha com algoritmos complexos, agregando dados de origens diversas, relacionando-os e gerando conclusões fundamentais para a tomada de decisões corporativas. Atualmente o mundo tem passado por uma série de transformações, principalmente devido às inovações tecnológicas e invenções. Essas novas tecnologias não estão apenas afetando nossos comportamentos, relacionamentos e atitudes, mas também em questões políticas, geográficas e econômicas mundiais, principalmente devido à virtualização, computação em nuvens e globalização, onde os recursos tecnológicos implantados para usuários finais, com participação 6 7 Big Data - https://www.oracle.com/br/big-data/what-is-big-data/ NASA - https://www.nasa.gov/ �ativa em atividades diárias e informação sobre utilitários e garantias sobre os serviços oferecidos pelas organizações. Graças ao uso de grande quantidade de dados foram criadas oportunidades, como uma das tendências revolucionárias de TI, que tem ferramentas de análise e gestão de organizações podem se beneficiar. Conforme Gartner (2013), o Big Data exige formas inovadoras de processamento de informação, com vistas a melhorias na percepção e tomada de decisão. 2.3.1 Os cinco V’s do Big Data A proposta de uma solução de Big Data é oferecer uma abordagem consistente no tratamento do constante crescimento e da complexidade dos dados. Para tanto, o conceito considera os 5 V’s do Big Data: o Volume, a Velocidade, a Variedade, a Veracidade e o Valor (SAS, 2016). O volume no Big Data evidencia-se pelos fatos do quotidiano: diariamente, o volume de troca de e-mails, transações bancárias, interações em redes sociais, registro de chamadas e tráfego de dados em linhas telefônicas etc. Estima-se que atualmente o volume total de dados que circulam na internet é de 250 Exabytes (1018 bytes) por ano. (INMOMENT, 2014) Todos os dias são criados 2,5 quintilhões de bytes em forma de dados, atualmente 90% de todos os dados que estão presentes no mundo foram criados nos últimos dois anos (IBM, 2015). É importante também compreender que o conceito de volume é relativo há variável tempo, ou seja, o que é grande hoje pode não ser nada amanhã. (OHLHORST, 2012). A velocidade para Taurion (2013) possui grande importância e em algum momento deverá existir uma ferramenta capaz de analisar os dados em tempo real. Atualmente, os dados são analisados somente após serem armazenados, mas o tempo gasto para o armazenamento em si já desclassifica esse tipo de análise como uma análise 100% em tempo real. Informação é poder (HSU, 2014), e assim sendo a velocidade com a qual você obtém essa informação é uma vantagem competitiva das empresas. Velocidade pode limitar a operação de muitos negócios, quando utilizamos o cartão de crédito, por exemplo, se não obtivermos uma aprovação da compra em alguns segundos normalmente pensamos em utilizar outro método de pagamento. A variedade envolve várias fontes de dados que fluem para o banco de dados. Facebook8, Twitter9, Instagram10 entre outras redes sociais, possuem um vasto e distinto campo de informações sendo ofertadas ao público a todo segundo (McAFFE; BRYNJOLFSSON et al., 2012). O Big Data escalona a variedade de informações das seguintes formas (DUMBILL, 2012), por meio de dados 8 Facebook - https://pt.wikipedia.org/wiki/Facebook Twitter - https://pt.wikipedia.org/wiki/Twitter 10 Instagram - https://pt.wikipedia.org/wiki/Instagram 9 �estruturados - são armazenados em bancos de dados, sequenciados em tabelas, dados semiestruturados - acompanham padrões heterogêneos, portanto mais difíceis de serem identificados, pois podem seguir diversos padrões e dados não estruturados - que é uma mistura de dados com fontes diversificadas como imagens, áudios e documentos online. Dentre essas três categorias estimam-se que até 90% de todos os dados no mundo estão à forma de dados não estruturados. (ICD, 2011). Em relação a veracidade, segundo informações do site da IBM (2015), um em cada três líderes não confiam nos dados que recebem. Para colher bons frutos do processo do Big Data são necessários obter dados verídicos, de acordo com a realidade. O conceito de velocidade é alinhado ao de veracidade pela necessidade constante de análise em tempo real. A verificação dos dados coletados para adequação e relevância ao propósito da análise é um ponto chave para se obter dados que agreguem valor ao processo. (HURWITZ, NUGENT, HALPER, KAUFMAN, 2016). O valor, quanto maior a riqueza de dados, mais importante é saber realizar as perguntas certas no início de todo processo de análise. Valorar os dados desde a coleta até a análise (BROWN, 2014). Da mesma forma é importante estar atento aos custos envolvidos nessa operação, o valor agregado de todo esse trabalho desenvolvido, coleta, armazenamento e análise de todos esses dados têm que compensar os custos financeiros envolvidos (TAURION, 2013). 3 TIPOLOGIAS DE ANÁLISE, TECNOLOGIAS FUNDAMENTAIS E PESQUISAS EMERGENTES Organizações de diversos portes e segmentos estão empregando a filosofia de Big Data Analytics como ferramenta de apoio estratégico, para melhorar seus processos de trabalho e adquirir insights valiosos acerca das tendências de mercado, comportamento dos consumidores e suas expectativas. Com o uso do Big é possível efetuar-se vários tipos de análise, que auxiliarão o profissional da informação na tomada de decisão, como a Analítica Descritiva a qual se encarrega de analisar os dados e verificar o que aconteceu, a Analítica Diagnóstica que analisa porque determinado evento aconteceu, a Analítica Preditiva onde aponta o que irá (ou poderá) acontecer (predição) e a Analítica Prescritiva que identifica o que se deseja que aconteça e o que pode ser feito para alcançar esse objetivo (reforçar, modificar ou evitar uma predição) (SAS, 2016). Abaixo encontra-se um quadro com tecnologias fundamentais utilizadas no Big Data (CHEN, 2012). �Quadro 1 – Tecnologias aliadas ao Big Data Analytics Tipologia de Análise Conceito RDBMS Sistemas de gerenciamento de base de dados. BPM Gerenciamento de processos de negócios. ETL Visa trabalhar com toda a parte de extração de dados de fontes externas, transformação para atender às necessidades de negócios e carga dos dados dentro do Data Warehouse. Agrupamentos Clusterin ou segmentação possível nos dados. OLAP (Online É a capacidade para manipular e analisar um grande volume de dados sob múltiplas perspectivas. Analytical Processing) As aplicações OLAP são usadas pelos gestores em qualquer nível da organização para lhes permitir análises comparativas que facilitem a sua tomada de decisões diárias. A arquitetura OLAP possui ferramentas que são classificadas em cinco tipos que são: ROLAP, MOLAP, HOLAP, DOLAP e WOLAP (software para análise e visualização rápida, consistente e interativa de dados corporativos). Classificação Inputs são divididos em duas ou mais classes, e o que aprende deve produzir um modelo que designa inputs não vistos a uma ou mais (classificação multe etiquetada) dessas classes. Tipicamente abordado de forma supervisionada. Filtragem de spam é um exemplo de classificação, onde o input são as mensagens de e-mails (ou outros) e as classes são "spam" ou "não spam”. Análise de associação Em todo projeto de análise de dados, a primeira etapa é sempre saber o que as coisas significam na realidade. Logo, do ponto de vista do esporte, cada medalha significa muita coisa, vejamos alguns exemplos: Reconhecimento pelo esforço e disciplina pessoal; Resultado da organização e investimento dos países em cada modalidade (disciplina regional); Marcos históricos; Ranking de qualidade etc. Detecção de anomalias Na mineração de dados, detecção de anomalias (detecção de outlier) são a identificação de itens, eventos ou observações que não se conformam com um padrão esperado ou outros itens em um conjunto de dados. Normalmente o item anómalas se traduzirá em algum tipo de problema tão como fraude bancária, um defeito estrutural, problemas médicos ou erros em um texto. Anomalias também são referidas como casos desviantes, novidades, ruído, desvios e exceções. Redes neurais O objetivo da rede neural é resolver os problemas da mesma maneira que o cérebro humano iria, apesar de várias redes neurais serem muito mais abstrato. Projetos de redes neurais modernos normalmente trabalham com alguns milhares a alguns milhões de unidades neurais e milhões de conexões, que ainda é várias ordens de grandeza menos complexo do que o cérebro humano e mais perto do poder de computação de um computador. Algoritmos genéticos Um algoritmo genético (AG) é uma busca heurística que imita o processo de seleção natural e usa métodos como mutação e recombinação para gerar novos genótipos na esperança de encontrar boas soluções para um dado problema. Um bom exemplo disso é o recente Projeto Genoma Humano. Ao identificar todos os genes humanos a ciência e a sociedade esperavam um súbito aumento na eficácia dos tratamentos de algumas doenças. No entanto, o que se viu no ano seguinte foi uma redução de mais de 80% na quantidade de registros de medicamentos comparados com anos anteriores. Análise multivariada estatística A tabela traz dados de forma resumida para fácil visualização, porém a realidade de cada empresa se desdobra em muito mais variáveis de entrada, muito mais oportunidades e riscos. Para isso é altamente recomendável à utilização de algoritmos de análise multivariada para fazer priorização e redução da complexidade do projeto. Pesquisa heurística É uma pesquisa realizada por meio da quantificação de proximidade a um determinado objetivo. Heurística mais simples é gerenciada por um procedimento que visa explorar inteligentemente a instância do problema e o seu espaço de soluções. Fonte: Elaborado pelos autores (2021). �Quadro 2 – Uso oriundos do Big Data Analytics Uso Definição Mineração sequencial, Fluxos de dados de alta velocidade e dados de sensores, de processos, de dados que temporal e espacial preservam a privacidade, de redes e na web. Na sequência os eventos estão ligados ao longo do tempo. Pode-se descobrir, por exemplo, que quando se compra uma casa, em 65% às vezes se adquire uma nova geladeira no período de duas semanas; e que em 45% das vezes, um fogão também é comprado um mês após a compra da residência. Data preparation O termo refere-se a coletar, combinar, estruturar e organizar os dados para análise, sendo que as organizações têm a possibilidade de tomar decisões mais precisas e, sobretudo, antecipadas à concorrência. Decisões que, em um cenário de extrema competitividade, podem ser o divisor entre o sucesso e a estagnação do seu negócio. Identificar o perfil de A organização é capaz de entregar ofertas de serviços personalizados para variados um determinado tipos de usuários – como acontece em lojas virtuais, onde ao mostrar interesse por um público livro acabamos recebemos ofertas de outros semelhantes. Data-driven Marketing Ferramentas de Big Data Analytics ajudam gestores e equipes de marketing a analisarem os imensos volumes de dados gerados por ações e campanhas – se focarmos apenas em marketing digital, pode falar de leads, cliques, views, oportunidades, conversões e mais uma dezena de métricas – e extraírem então informações valiosas para estratégias futuras. Utilização Streaming do Por meio do streaming, todo o trabalho com os dados é feito em tempo real: agregação, processamento e extração de informações. Diminuição do churn Os usuários propensos a cancelar a utilização de um serviço fornecem indicações sutis, por meio do seu comportamento, de que estão prestes a suspender as atividades. Big Data Analytics, por meio do desenvolvimento do perfil 360º de públicos-alvo, ajuda as unidades de informação a identificarem estes sinais de forma preditiva e a terem tempo de agir para evitar a perda do consumidor. Governança de dados O data preparation vem junto de outra forte tendência de Big Data, a governança de dados. As organizações já conseguem coletar, analisar e compreender os dados muito bem, outros tipos de trabalhos serão feitos com eles, tais como de aumentar a segurança e privacidade dos dados e mapeamento da árvore genealógica deles. Ligado ao data preparation e governança, temos a integração de dados. De nada adianta ter um modelo de análise de dados muito bom se ele não estiver integrado ao dia a dia da organização. É essencial saber como fazer o deploy desse modelo (colocar os algoritmos para rodar) com os processos da companhia da forma mais transparente, fluida e fácil possível. Fonte: Elaborado pelos autores (2021). Integração de dados �4 CONSIDERAÇÕES FINAIS Atualmente um número significativo de bibliotecas universitárias estão ligadas na web e até mesmo conectado entre si – em rede – trocando e compartilhando informações, criando dessa forma novos modelos de negócio, com diferentes maneiras de oferecer serviços informacionais aos usuários, bem como coletando informações que serão utilizadas no planejamento estratégico e na tomada de decisões. Com um gerenciamento da informação e do conhecimento, trouxeram vantagens competitivas para as organizações, mas ao mesmo tempo obrigou que houvesse o desenvolvimento de novas competências para os profissionais que atuam nessas unidades de informação. Uma vez que o profissional da informação (bibliotecário, arquivista, museólogo, cientista da informação, cientista de dados, arquiteto da informação, etc.) saiba aproveitar as oportunidades ao verificar as lacunas existentes, portanto sendo empreendedor e desta forma, promovendo inovações incrementais ou radicais nos processos e nos serviços, automaticamente criará um valor agregado nos serviços informacionais oferecidos. Tendo em vista que as tecnologias de informação estão em constante processo de transformação, faz-se necessário que os profissionais envolvidos mantenham uma educação continuada para poder lidar com os novos desafios, um deles é o próprio Big data, que constantemente apresenta novos recursos, métodos e ferramentas que auxiliarão na visualização e análise dos dados. REFERÊNCIAS AAKER, D. Building strong brands. Simon and Schuster, 2012. ALVES, A. P. M.; VIDOTTI, S. A. B. G. O serviço de referência e informação digital. Biblionline, v. 2, n. 2, 2006. ANDRADE, S. C. R. Rede colaborativa de serviços e produtos de informação no contexto das bibliotecas universitárias brasileiras. 2013. 289 f., il. Tese (Doutorado em Ciência da Informação) Universidade de Brasília, Brasília, 2013 BEZERRA, N. A. Avaliação da qualidade dos serviços das bibliotecas universitárias segundo os usuários discentes. Dissertação (Mestrado). 2010. 144 f. Universidade Federal do Ceará. Fortaleza, 2010. BIBLIOTECAS UNIVERSITÁRIAS, 2008, São Paulo. Seminário São Paulo: Snbu, 2008. p. 1-16. Disponível em: <http://www.sbu.unicamp.br/snbu2008/anais/site/pdfs/2778.pdf>. Acesso em: 23 jan. 2021. �BIG DATA BUSSINES. Big Data: Tudo que você sempre quis saber sobre o tema. 2016. Disponível em:<http://www.bigdatabusiness.com.br/tudo-sobre-big-data/>. Acesso em: 02 jan.2021. BLATTMANN, U.; RADOS, G. J. V. Bibliotecas acadêmicas na educação à distância. Florianópolis, 2000. Seminário nacional de bibliotecas universitárias, 1. Disponível em: <http://www.reocities.com/ublattmann/papers/bu_ead.html>. Acesso em: 26 jan. 2021. BARTON, D.; COURT, D. Making advanced analytics work for you. Harvard Business Review, 2012, n. 90(10). BROWN, D. E. What’s the difference between Business Intelligence and Big Data? 2014. CHEN, H.; CHIANG, R. H.; STOREY, V.C. Business Intelligence and Analytics: From Big Data to Big Impact. MIS quarterly, 2012, n. 6, v. 4, p. 1165-1188. CHOO, C. W. A Organização do Conhecimento: com as organizações usam a informação para criar significado, construir conhecimento e tomar decisões. 2 ed. São Paulo: Senac, 2006. CHRISTENSEN, C. M. The innovator’s dilemma. Harvard: Business School Press, 1997. CORAL, E.; OGLIARI, A.; ABREU, A. F. Gestão integrada da inovação: estratégia, organização e desenvolvimento de produtos. São Paulo, Brasil: Atlas. 2008. COOREA, J. M.; PAREDES, J. Cambio tecnológico, usos de plataformas de e-learning y transformación de la enseñanza en las universidades españolas: la perspectiva de los profesores. Revista de Psicodidáctica, 14(2), 261-278. 2009. DORIGON, D. S. Gestão de operações e qualidade dos serviços nas unidades de informação. Florianópolis 2009, Curso Ciência da informação, Centro de Ciências da Educação, Universidade Federal de Santa Catarina, Dissertação. 203 f. DORNELAS, J. C. A. Empreendedorismo: transformando ideias em negócios. Rio de Janeiro: Elsevier, 2008. DUMBILL, E. What is big data? - O'Reilly Radar. 2012. Disponível <http://radar.oreilly.com/2012/01/what-is-big-data.html>. Acesso em: 17 jun. 2021. em: GARTNER Inc. (2013). Gartner's 2013 Hype Cycle for Emerging Technologies Maps Out Evolving Relationship Between Humans and Machines. Disponível em: <http://www.gartner.com/newsroom/id/2575515>. Acesso em: 15 jun. 2021. GRIMALDI, M.; RIPPA, P. An AHP-based framework for selecting knowledge management tools to sustain innovation process. Knowledge and Process Management, v. 18, n. 1, p. 45-55, 2011. HSU, J. Why big data will have a big impact on sustainability. 2014. Disponível em The Guardian: <http://www.theguardian.com/sustainable-business/big-data-impact-sustainable-business>. Acesso em: 02 fev.2021. �HURWITZ, J.; NUGENT, A.; HALPER, F.; KAUFMAN, M. Big Data para leigos. Rio de Janeiro: Alta books, 2016. IBM (developerWorks). Big data and analytics. Disponível <https://www.ibm.com/developerworks/learn/analytics/>. Acesso em: 20 dez. 2020. em: ICD. Computational design thinking. 2011. Disponível em: <http://icd.uni-stuttgart.de/?p=6524>. Acesso em: 30 jan.2021. INMOMENT (2014). The Voice of the Customer: <https://www.inmoment.com/>. Acesso em: 24 dez. 2020. The 2014 Report. Disponível em: LIM, E. P.; CHEN, H.; CHEN, G. Business intelligence and analytics: Research directions. ACM Transactions on Management Information Systems (TMIS), 2013, n.3, v.4, 17. MANUAL DE OSLO. Diretrizes para coleta e interpretação de dados sobre inovação. Oslo: ARTI, 2005. MARÍN, V. Innovando en las aulas universitarias a través de los blogs desde una perspectiva inclusiva. Revista Interacções, 9(23), 88-101. 2009 Disponível em: <http://revistas.rcaap.pt/interaccoes/article/view/2821/2325>. Acesso em 04 fev.2021. McAFEE, A.; BRYNJOLFSSON, E. Big Data: The Management Revolution. Harvard Business Review. v. 90, n.10, p. 60. 2012. MORRIS, L. Permanent Innovation. The Definitive Guide to the principles, Strategies, and Methods of Successful Innovators. Innovation Academy, p. 61. 2011. NASCIMENTO, M. S.; CAMPOS, D. F. Qualidade do serviço em bibliotecas universitárias: percepção dos usuários em contextos público e privado. Revista digital de Biblioteconomia e ciência da informação, Campinas, SP, v.12, n.1, p.78-101, jan. /abr. 2014. OHLHORST, F.J. Big Data Analytics: Turning Big Data into Big Money. Willey. 2012. LIMA, R. P. Perfil do bibliotecário gestor de biblioteca universitária na cidade de Manaus. Originalmente apresentado como trabalho de conclusão de curso. Manaus: UFAM, 2014. PÉREZ-LÓPEZ, S.; JUNQUERA, B. The relation between IT competency and knowledge management processes and its mediators. Tourism & Management Studies, v. 9, n. 1, 2013. PHILPOTT, S. Advanced Analytics: Unlocking the power of insight. IBM, April, 2010. SAS. 2016. Big Data: O que é e porque é importante. 2016. Disponível <http://www.sas.com/pt_br/insights/big-data/what-is-big-data.html>. Acesso em: 02 jan.2021. em: SHELDRAKE, P. The Social Web Analytics eBook 2008. Creative Commons Attribution-NoncommercialShare Alike, 2008. SHMUELI, G.; KOPPIUS, O. Predictive analytics in information systems research. Robert H. Smith School Research Paper, n. RHS 06-138, 2010. TAURION, C. Big Data. Rio de Janeiro: Brasport, 2013. TIDD, J., J. BESSANT, e PAVITT, K. Managing innovation: integrating technological, market and organizational change. New York: Wiley, 1997. �TIDD, J.; BESSANT, J.; PAVITT, K. Gestão da Inovação. 3. Ed. Porto Alegre: Bookman, 2008. TRKMAN, P.; MCCORMACK, K; De OLIVEIRA, M. P. V.; LADEIRA, M. B. The impact of business analytics on supply chain performance. Decision Support Systems, n.49, v.3, 2010. � Dublin Core The Dublin Core metadata element set is common to all Omeka records, including items, files, and collections. For more information see, http://dublincore.org/documents/dces/. Title A name given to the resource SNBU - Edição: 21 - Ano: 2020 (UFG - Goiânia/GO) Subject The topic of the resource Biblioteconomia Documentação Ciência da Informação Bibliotecas Universitárias Description An account of the resource Tema: Biblioteca universitária: tradição, práticas e inovações Creator An entity primarily responsible for making the resource SNBU - Seminário Nacional de Bibliotecas Universitárias Publisher An entity responsible for making the resource available UFG Language A language of the resource pt Type The nature or genre of the resource Evento Coverage The spatial or temporal topic of the resource, the spatial applicability of the resource, or the jurisdiction under which the resource is relevant Goiânia (Goiás) Event A non-persistent, time-based occurrence. Metadata for an event provides descriptive information that is the basis for discovery of the purpose, location, duration, and responsible agents associated with an event. Examples include an exhibition, webcast, conference, workshop, open day, performance, battle, trial, wedding, tea party, conflagration. Dublin Core The Dublin Core metadata element set is common to all Omeka records, including items, files, and collections. For more information see, http://dublincore.org/documents/dces/. Title A name given to the resource Inovação em Bibliotecas Universitárias: sob o olhar do Big Data. Creator An entity primarily responsible for making the resource Bohrer Junior, Emmanuel, Silva, Helena Alencor da Coverage The spatial or temporal topic of the resource, the spatial applicability of the resource, or the jurisdiction under which the resource is relevant Goiânia (Goiás) Publisher An entity responsible for making the resource available UFG Date A point or period of time associated with an event in the lifecycle of the resource 2020 Language A language of the resource pt Type The nature or genre of the resource Evento Description An account of the resource O estudo aborda a temática da inovação em bibliotecas universitárias, com o uso do Big Data. As novas tecnologias fundamentais, a utilização de variadas análises, os recursos dos softwares e pesquisas emergentes no Big Data Analytics, possibilitando entregar informações extremamente importantes para a melhoria do desempenho e obtendo-se soluções para quaisquer tipos de unidades de informação, centradas nos serviços informacionais para os usuários. A forma inovadora de atuação permite uma melhor utilização dos recursos disponíveis, favorece um maior entrosamento e promove um atendimento e serviços de qualidade a serem oferecidos. O estudo tem como objetivo levantar o referencial teórico, bem como propiciar novas discussões nas temáticas envolvidas. Foi efetuada uma pesquisa sistemática e integrativa na WEB of Science, SCOPUS e SCIELO, bem como em sites de instituições de renome nacional e internacional.