Considerações Finais

5.3.1. Limitações do Trabalho

No decorrer deste estudo, constatou-se a presença de algumas limitações, algo que, aliás, é observado na esmagadora maioria de artigos, estudos e investigações científicas. Uma das limitações a mencionar seria o facto de os resultados obtidos serem somente baseados na teoria, mais especificamente, nos artigos e nos estudos científicos, relacionados com o tema do trabalho. Diga-se, porém, que estes resultados não são definitivos, nem consensuais, uma

46 vez que se trata de um tema bastante atual, e cada vez mais estudado, o que, naturalmente, irá proporcionar o surgimento de novos conhecimentos e informações a seu respeito.

5.3.2. Trabalho Futuro

Não obstante os objetivos propostos para esta dissertação terem sido cumpridos, considero que ainda é possível melhorar e aprofundar o estudo deste tema. Posto isto, propõem-se para trabalho futuro a realização de uma abordagem qualitativa do tema em análise, utilizando para esse fim um dos métodos qualitativos seguintes: Focus Grupo, ou método de Delphi. Estas abordagens terão como finalidade a obtenção de uma maior clareza e conhecimento acerca dos resultados obtidos, na presente dissertação.

Acerca do método qualitativo de Focus Grupo (discussão em grupo), este pode ser definido como uma área, na qual a interação entre um conjunto de pessoas é facilitada e promovida. É, pois, um espaço, no qual os entendidos na matéria em questão são expostos a problemáticas, que deverão ser debatidas, de uma forma organizada, e controlada por um mediador. Este terá o papel de manter a ordem no espaço e de fornecer as questões ou problemas, aos quais os entendidos irão responder, trocando ideias entre si. Sendo que este método se foca, essencialmente, nas interações entre os especialistas, no sentido da obtenção e recolha de dados e informações, tornar-se-á imprescindível e relevante promover e incentivar os entendidos a interagir (Gonçalves et al., 2016).

O outro método mencionado acima, denomina-se por método de Delphi e tem por base as informações recolhidas, por um grupo de especialistas. Contrariamente ao método de Focus Grupo, neste não existirá uma reunião entre os entendidos, nem qualquer espaço para discussão de ideias. Desta forma, os entendidos são abordados, a partir de um modo isolado e, como é de perceber, sem interação com os outros participantes do método. Para a obtenção de informações e dados serão, então, pedido a cada um dos entendidos que respondam, de uma forma anónima e independente a um questionário, sobre o tema em questão. Após a aglomeração e análise de todas as respostas aos questionários, serão enviados aos entendidos essas mesmas, bem como um questionário revisto, com base nas informações recolhidas. Os participantes irão continuar a responder a questionários e a receber as respostas do anterior, até que se chegue a um consenso entre eles. Assim, os participantes sentir-se-ão mais

47 confortáveis em expressar a sua opinião, visto ser anónimo e independente, o que constitui uma mais-valia para o estudo a ser realizado (Martins et al., 2016).

Um outro ponto importante, a ter em consideração no futuro, seria o do desenvolvimento de um modelo conceptual de adoção de Business Intelligence & Analytics. Este deveria ser realizado, tendo por base o uso de questionários, cujo objetivo seria o esclarecimento do grau de importância das variáveis; servir-se-ia, igualmente, dos resultados obtidos, a partir da abordagem qualitativa, correspondente à utilização de um dos dois métodos já mencionados. Este modelo podia ser posteriormente avaliado de uma forma empírica, através de métodos estatísticos, como, por exemplo, o SEM (Structural Equation Modelling), mais concretamente o PLS (Partial Least Squares). No final, estes métodos deveriam permitir alcançar conclusões, quanto aos determinantes chave, fulcrais para a adoção de BI&A.

5.3.3. Conclusões

A presente dissertação teve como finalidade o esclarecimento e a explicação das variáveis que, com base na revisão bibliográfica, são definidas como sendo as mais importantes e de uma maior relevância, em termos da adoção de BI&A, por parte das organizações ou empresas. Para este fim, foi, então, realizada uma pesquisa bibliográfica, com o propósito de identificar as variáveis, que os autores, dos diferentes artigos, visavam, como sendo os determinantes influenciadores das empresas a adotar BI&A. Para mais fácil compreensão e organização, foi desenvolvida uma tabela com todas essas variáveis. Para explicar a forma, segundo a qual os autores identificaram estas variáveis, foram recolhidos os métodos e abordagens utilizadas, apresentadas, posteriormente, na dissertação. Recorrendo à tabela, foram retiradas e selecionadas cinco variáveis, que correspondiam àquelas com o maior número de ocorrências, nos artigos analisados. Das cinco variáveis consideradas, uma apresentava um número de ocorrências notavelmente acrescido e, como tal, corresponderia àquela que teria uma influência maior na adoção de BI&A; tratava-se, pois, da variável Top Manegement Support. Desta feita, daqui poder-se-á inferir que, sem o apoio da administração da empresa, no decorrer das diversas etapas do processo de adoção, será mais dificultoso adotar e implementar a tecnologia BI&A.

Por tudo isto, podemos afirmar que o conhecimento proveniente deste estudo, quanto às variáveis que influenciam a adoção das tecnologias BI&A, irá permitir às empresas realizar

48 uma futura mudança nos seus processos de adoção, isto é, no sentido de um melhoramento considerável. A competitividade acérrima e crescente a nível de mercado torna essencial que o processo de adoção e implementação de BI&A seja o melhor e o menos complexo possível, tendo por ideal uma simplificação eficaz e ajustada do mesmo.

No decorrer deste trabalho foi possível cumprir os objetivos previamente estabelecidos e, por consequência deste sucesso, foi também possível dar resposta ao problema, inicialmente apresentado. Desta forma, o objetivo principal e final desta dissertação foi atingido, pela apresentação das variáveis com uma maior ocorrência na literatura revista, e que mais influência têm no processo de adoção de BI&A

Em suma, com esta dissertação, pretende-se dar o primeiro passo para uma melhoria nos processos de adoção das empresas, os quais passarão a ter uma especial atenção quanto ao grau de importância, que cada variável tem, na adoção da tecnologia BI&A; e, também, da relevância desta tecnologia para as empresas, uma vez que ajuda a gerir a informação da empresa e a retirar conhecimento e informações, fundamentais para o auxílio na tomada de decisões.

49

Referências Bibliográficas

Aggelidis, V. P., & Chatzoglou, P. D. (2012). Hospital information systems: Measuring end user computing satisfaction (EUCS). Journal of biomedical informatics, 45(3), 566-579.

Agrawal, K. (2015). Investigating the determinants of Big Data Analytics (BDA) adoption in Asian emerging economies.

Agrawal, K. P. (2017). Investigating Organizational Adoption of Big Data Analytics (BDA) Technology.

Alshamaila, Y., Papagiannidis, S., & Li, F. (2013). Cloud computing adoption by SMEs in the north east of England: A multi-perspective framework. Journal of Enterprise Information Management, 26(3), 250-275.

Alnajjar, F & Al-zoubi. (2012). Decision Support Systems and its Impact on Organization Empowerment Field Study at Jordanian Universities. Information and Knowledge Management Vol 2, No.4, 30-44.

Amelina, D., Hidayanto, A. N., Budi, N. F. A., Sandhyaduhita, P. I., & Shihab, R. (2016). Investigating critical factors of social CRM adoption using technology, organization, and environment (TOE) framework and analytical hierarchy process (AHP). In Advanced Computer Science and Information Systems (ICACSIS), 2016 International Conference on (pp. 233-238). IEEE.

Anuradha, J. (2015). A brief introduction on Big Data 5Vs characteristics and Hadoop technology. Procedia computer science, 48, 319-324

Asih, W. H., Kusdi, R., & Firdausi, N. N. (2017). Analysis of factors affecting the decision to adopt information technology and its impact on business performance: study on micro, small and medium enterprises (SMEs). Russian Journal of Agricultural and Socio-Economic Sciences, 62(2).

Bessa, J., Branco, F., Costa, A., Martins, J., & Gonçalves, R. (2016, June). A multidimensional information system architecture proposal for management support in Portuguese Higher Education: The university of Tras-os-Montes and Alto Douro case study. In Information Systems and Technologies (CISTI), 2016 11th Iberian Conference on (pp. 1- 7). IEEE.

Boonsiritomachai, W., McGrath, G. M., & Burgess, S. (2016). Exploring business intelligence and its depth of maturity in Thai SMEs. Cogent Business & Management, 3(1), 1220663.

Borgman, H. P., Bahli, B., Heier, H., & Schewski, F. (2013, January). Cloudrise: exploring cloud computing adoption and governance with the TOE framework. In System Sciences (HICSS), 2013 46th Hawaii International Conference on (pp. 4425-4435). IEEE.

Bose, R. 2009. ‘Advanced analytics: opportunities and challenges’, Industrial Management & Data Systems, 109(2):155-172.

Branco, F. A. d. S. (2014). Uma proposta de arquitetura de sistema de informação para as empresas agroalimentares do setor de produção de cogumelos: o caso Grupo Sousacamp. (Doutoramento em Informática), Universidade de Trás-os-Montes e Alto Douro, Vila Real.

50 Branco, F., Gonçalves, R., Martins, J., & Cota, M. P. (2015). Decision Support System for the Agri-food Sector–The Sousacamp Group Case. In New Contributions in Information Systems and Technologies (pp. 553-563). Springer, Cham.

Branco, F., Martins, J., Gonçalves, R., Bessa, J., & Costa, A. (2015, June). A decision support platform for IT infrastructure management: The university of Trás-os-Montes e Alto Douro services of information and communications case study. In Information Systems and Technologies (CISTI), 2015 10th Iberian Conference on (pp. 1-7). IEEE.

Branco, F., Martins, J., & Gonçalves, R. (2016). Das Tecnologias e Sistemas de Informação à Proposta Tecnológica de um Sistema de Informação Para a Agroindústria: O Grupo Sousacamp. RISTI-Revista Ibérica de Sistemas e Tecnologias de Informação, (18), 18- 32.

Bull, C. (2003). Strategic issues in customer relationship management (CRM) im plementation. Business process management Journal, 9(5), 592-602.

Chaudhuri, S., Dayal, U., & Narasayya, V. (2011). An overview of business intelligence tech-nology. Communications of the ACM, 54(8), 88-98.

Chaveesuk, S., & Horkondee, S. (2015, October). An integrated model of business intelligence adoption in Thailand logistics service firms. In Information Technology and Electrical Engineering (ICITEE), 2015 7th International Conference on (pp. 604-608). IEEE.

Chen, D. Q., Preston, D. S., & Swink, M. (2015). How the use of big data analytics affects value creation in supply chain management. Journal of Management Information Systems, 32(4), 4-39.

Cohen, W. M., & Levinthal, D. A. (2000). Absorptive capacity: A new perspective on learning and innovation. In Strategic Learning in a Knowledge economy (pp. 39-67).

Cricelli, L., Grimaldi, M., & Hanandi, M. (2014). Decision making in choosing information systems: an empirical study in Jordan. VINE: The journal of information and knowledge management systems, 44(2), 162-184.

Côrte-Real, N., Ruivo, P., & Oliveira, T. (2014). The diffusion stages of business intelligence & analytics (BI&A): A systematic mapping study. Procedia Technology, 16, 172- 179

Cruz-Jesus, F., Oliveira, T., & Naranjo, M. (2018, March). Understanding the Adoption of Business Analytics and Intelligence. In World Conference on Information Systems and Technologies (pp. 1094-1103). Springer, Cham.

Davenport, T. H. (2000). Mission critical: Realizing the promise of enterprise systems. Harvard Business Press.

Davenport, T. H. (2006). Competing on analytics. Harvard business review, (84), 98-107. Davenport, T. H. (2010). The new world of business analytics. International Institute for Analytics, 16.

Davenport, T. H. 2012. Enterprise Analytics Optimize Performance, Process, and Decisions Through Big Data.

51 Davenport, T.H. and Harris, J.G. (2007) Competing on Analytics, Harvard Business School Press, Boston.

Davis, F. D., Bagozzi, R. P. & Warshaw, P. R., 1989. User Acceptance of Computer Technology: A Comparison of Two Theoretical Models. Management science, 35(8), pp. 982-1003.

Dhillon, G. (1997). Managing information system security. Macmillan International Higher Education.

Dimaggio, P. J., & Powell, W. W. (1983). The iron cage revisited - institutional isomorphism and collective rationality in organizational fields. American Sociological Review, 48(2), 147-160.

Eckerson, W. W. (2002). The Rise of Analytic Applications: Build or Buy? Evelson, B. (2007) It's Time to Reinvent Your BI Strategy, Intelligent Enterprise.

Farrokhi, V., & Pokoradi, L. (2012). The necessities for building a model to evaluate Business Intelligence projects-Literature Review. arXiv preprint arXiv:1205.1643.

Gantz, John, and Reinsel, David. 2011, “Extracting value from caos,” IDC Go-to Market Services, June, pp. 1–12.

Gandomi, A., & Haider, M. (2015). Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management, 35(2), 137-144.

Goes, P. B. (2014). Big Data and IS Research. MIS Quarterly, 38(3), pp. iii-viii.

Gonçalves, R., Martins, J., Branco, F., Perez-Cota, M., & Oliveira, A. Y. M. (2016). Increasing the reach of enterprises through electronic commerce: A focus group study aimed at the cases of Portugal and Spain. Computer Science and Information Systems, (00), 36-36.

Goode, S., & Stevens, K. (2000). An analysis of the business characteristics of adopters and non‐adopters of World Wide Web technology. Information technology and Management, 1(1-2), 129-154.

Hameed, M. A., Counsell, S., & Swift, S. (2012). A conceptual model for the process of IT innovation adoption in organizations. Journal of Engineering and Technology Management, 29(3), 358-390.

Hannula, M. & Pirttimäki, V. (2003). Business intelligence empirical study on the top 50 Finnish companies. Journal of American Academy of Business, 2(2), 593-599.

Hatta, M., Natasha, N., Miskon, S., & Syed Abdullah, N. (2017). Business Intelligence System Adoption Model for SMEs.

Holsapple, C., Lee-Post, A., & Pakath, R. (2014). A unified foundation for business analytics. Decision Support Systems, 64, 130-141.

Hung, S. Y., Huang, Y. W., Lin, C. C., Chen, K., & Tarn, J. M. (2016). Factors Influencing Business Intelligence Systems Implementation Success in the Enterprises. In PACIS (p. 297).

Hwang, H. G., Ku, C. Y., Yen, D. C., & Cheng, C. C. (2004). Critical factors influencing the adoption of data warehouse technology: a study of the banking industry in Taiwan. Decision Support Systems, 37(1), 1-21.

52 Jang, W. J., Kim, S. S., Jung, S. W., & Gim, G. Y. (2018). A Study on the Factors Affecting Intention to Introduce Big Data from Smart Factory Perspective. In 3rd IEEE/ACIS International Conference on Big Data, Cloud Computing, and Data Science Engineering (pp. 129-156). Springer, Cham.

Johnston, M. (2013). Mimetic, coercive and normative influences and the decision of national sport organisations to bid for world championship events (Doctoral dissertation, Auckland University of Technology).

Kang, D., & Kim, S. H. (2015). Process of big data analysis adoption: Defining big data as a new IS innovation and examining factors affecting the process. In System Sciences (HICSS), 2015 48th Hawaii International Conference on (pp. 4792-4801). IEEE.

Khedr, A., Kholeif, S., & Saad, F. (2017). An integrated business intelligence framework for healthcare analytics. International Journal, 7(5).

Kowalczyk, M. (2017). Study A: A Structured Literature Review on Business Intelligence and Analytics from a Decision Process Perspective. In The Support of Decision Processes with Business Intelligence and Analytics (pp. 15-29). Springer Vieweg, Wiesbaden.

Kumar, V., & Reinartz, W. J. (2006). Customer relationship management: A databased approach. Hoboken, NJ: Wiley.

Lai, P. C. (2017). The literature review of technology adoption models and theories for the novelty technology. JISTEM-Journal of Information Systems and Technology Management, 14(1), 21-38.

Lai, Y., Sun, H., & Ren, J. (2018). Understanding the determinants of big data analytics (BDA) adoption in logistics and supply chain management: An empirical investigation. International Journal of Logistics Management.

Laudon, K. C., & Laudon, J. P. (2018). Management information systems: managing the digital firm. Pearson.

Lautenbach, P., Johnston, K., & Adeniran-Ogundipe, T. (2017). Factors influencing business intelligence and analytics usage extent in South African organisations. South African Journal of Business Management, 48(3), 23-33.

Light, B. (2001). A review of the issues associated with customer relationship management systems. ECIS 2001 Proceedings, 57.

Lippert, S. K., & Govindarajulu, C. (2006). Technological, organizational, and environmental antecedents to web services adoption. Communications of the IIMA, 6(1), 14.

Liu, H., Ke, W., Wei, K. K., & Hua, Z. (2013). The impact of IT capabilities on firm performance: The mediating roles of absorptive capacity and supply chain agility. Decision Support Systems, 54(3), 1452-1462.

Low, C., Chen, Y., & Wu, M. (2011). Understanding the determinants of cloud computing adoption. Industrial management & data systems, 111(7), 1006-1023.

Mahesh, D. D., Vijayapala, S., & Dasanayaka, S. W. S. B. (2018, May). Factors Affecting the Intention to Adopt Big Data Technology: A Study Based on Financial Services Industry of Sri Lanka. In 2018 Moratuwa Engineering Research Conference (MERCon) (pp. 420-425). IEEE.

53 Malladi, S. (2013). Adoption of business intelligence & analytics in organizations–an empirical study of antecedents.

Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., & Byers, A. H. (2011). Big data: The next frontier for innovation, competition, and productivity.

Martins, J., Gonçalves, R., Oliveira, T., Cota, M., & Branco, F. (2016). Understanding the determinants of social network sites adoption at firm level: A mixed methodology approach. Electronic Commerce Research and Applications, 18, 10-26.

Meloncon, L., & Warner, E. (2017). Data Visualizations: A literature review and opportunities for technical and professional communication. In Professional Communication Conference (ProComm), 2017 IEEE International (pp. 1-9). IEEE.

Metaxiotis, K. (2009). Exploring the rationales for ERP and knowledge management integration in SMEs. Journal of Enterprise Information Management, 22(1/2), 51-62.

Mohapatra, B., Parisa, V., and Banerjee, J. (2014). The Value of Big Data Analytics to the Business. ISACA Journal, Vol. 5, pp. 20-26.

Nazeer, F., Nazeer, N., & Akbar, I. (2017). Data Visualization Techniques–A Survey. Nguyen, T., & Petersen, T. E. (2017). Technology adoption in Norway: organizational assimilation of big data (Master's thesis).

Olexová, C. (2014). Business intelligence adoption: a case study in the retail chain. WSEAS Transactions on Business and Economics, 11(1), 95-106.

Oliveira, T., Martins, M. F. (2011). Literature review of information technology adoption models at firm level. The Electronic Journal Information Systems Evaluation, 14(1), 110-121.

Oliveira T, Thomas M, Espadanal M (2014) Assessing the determinants of cloud computing adoption: An analysis of the manufacturing and services sectors. Inf Manag 51: 497-510.

Owusu, A., Agbemabiasie, G. C., Abdurrahaman, D. T., & Soladoye, B. A. (2017). Determinants of business intelligence systems adoption in developing countries: An empirical analysis from Ghanaian Banks. The Journal of Internet Banking and Commerce, 1-25.

Owusu, A., Ghanbari-Baghestan, A., & Kalantari, A. (2017). Investigating the Factors Affecting Business Intelligence Systems Adoption: A Case Study of Private Universities in Malaysia. International Journal of Technology Diffusion (IJTD), 8(2), 1-25.

Pang, M. and Jang, W. (2008), “Determinants of the adoption of ERP within the T-O-E framework: Taiwan’s communications industry”, Journal of Computer Information Systems, pp. 94-102.

Papoglou, N., & Antoniou, G. (2015). Business Intelligence & Analytics (BI&A) Systems: Measuring End-User Computing Satisfaction (EUCS).

Park, J. H., Kim, M. K., & Paik, J. H. (2015). The Factors of Technology, Organization and Environment Influencing the Adoption and Usage of Big Data in Korean Firms.

Parks, R., & Thambusamy, R. (2017). Understanding Business Analytics Success and Impact: A Qualitative Study. Information Systems Education Journal, 15(6), 43.

54 Pirttimäki, V., Lönnqvist, A., & Karjaluoto, A. (2006). Measurement of business intelligence in a Finnish telecommunications company. The Electronic Journal of Knowledge Management, 4(1), 83-90.

Preko, M., & Kester, Q. A. (2015). The Study of the Impact of Business Intelligence in the Banking Industry of Ghana.

Puklavec, B., Oliveira, T., & Popovič, A. (2014). Unpacking Business Intelligence Systems Adoption Determinants: An Exploratory Study of Small and Medium Enterprises. Economic & Business Review, 16(2).

Puklavec, B., Oliveira, T., & Popovič, A. (2018). Understanding the determinants of business intelligence system adoption stages: An empirical study of SMEs. Industrial Management & Data Systems, 118(1), 236-261.

Ragowsky, A., & Somers, T. M. (2002). Enterprise Resource Planning. Journal of Management Information Systems, 19(1), 11-15.

Rajesh, A., et al. (2017). Stratégie: Business Intelligence & Analytics, Partridge Publishing India.

Ramamurthy, K. R., Sen, A., & Sinha, A. P. (2008). An empirical investigation of the key determinants of data warehouse adoption. Decision support systems, 44(4), 817-841.

Rehman, A. & Raza Ali, A. 2014. Customer Churn Prediction, Segmentation and Fraud Detection in Telecommunication Industry. ASE BigData/ SocialInformatics/ PASSAT/ BioMedCom 2014 Conference. Harvard University.

Richard, B., Sivo, S., Orlowski, M., Ford, R., Murphy, J., Boote, D., & Witta, E. (2018). Online focus groups: a valuable alternative for hospitality research?. International Journal of Contemporary Hospitality Management, 30(11), 3175-3191.

Rogers, E., M. (1983). Diffusion of innovations. The Free Press.

Rouhani, S., Ashrafi, A., Ravasan, A. Z., & Afshari, S. (2018). Business Intelligence Systems Adoption Model: An Empirical Investigation. Journal of Organizational and End User Computing (JOEUC), 30(2), 43-70.

Russom, P. (2011). Big data analytics. TDWI best practices report, fourth quarter, 19(4), 1- 34.

Salleh, K. A., & Janczewski, L. J. (2016). Adoption of Big Data Solutions: A study on its security determinants using Sec-TOE Framework. In CONF-IRM (p. 66).

Sandoe, K., Corbitt, G. & Boykin, R. (2001), Enterprise Integration, John Wiley & Sons, New York, NY.

Sangar, A. B., Hesar, Z. E., Asl, M. S., & Tahmores, K. (2015). Research article proposing IS success models for measuring business intelligence system (BIS) success and analytical literature review on BIS measurement. ANARE Res. Notes, 33(2), 269-283.

Saunders, M. N. (2011). Research methods for business students, 5/e: Pearson Education India.

Santos, L. M. V. (2016). A adoção de sistemas de informação na gestão estratégica de uma organização (Master's thesis).

55 Sharda, R., Asamoah, D. A., & Ponna, N. (2013, June). Business analytics: Research and teaching perspectives. In Information Technology Interfaces (ITI), Proceedings of the ITI 2013 35th International Conference on (pp. 19-27). IEEE.

Stadtler, H., & Kilger, C. (2002). Supply chain management and advanced planning. Subramanian, A., & Nilakanta, S. (1996). Organizational innovativeness: Exploring the relationship between organizational determinants of innovation, types of innovations, and measures of organizational performance. Omega, 24(6), 631-647.

Sujitparapitaya, S., Shirani, A., & Roldan, M. (2012). Business intelligence adoption in academic administration: An empirical investigation. Issues in Information Systems, 13(2), 112-122.

Sun, Z., Zou, H., & Strang, K. (2015). Big data analytics as a service for business intelligence. In Conference on e-Business, e-Services and e-Society (pp. 200-211). Springer, Cham.

Telea, A. C. (2007). Data visualization: principles and practice. AK Peters/CRC Press. Tornatzky, L. G. & Fleischer, M., 1990. The Processes of Technological Innovation. Lexington, MA: Lexington Books.

Thong, J. Y., Yap, C. S., & Raman, K. S. (1996). Top management support, external expertise and information systems implementation in small businesses. Information systems research, 7(2), 248-267.

Umble, E. J., Haft, R. R., & Umble, M. M. (2003). Enterprise resource planning: Implementation procedures and critical success factors. European journal of operational research, 146(2), 241-257.

Venkatesh, V., & Davis, F. D. (1996). A model of the antecedents of perceived ease of use: Development and test. Decision sciences, 27(3), 451-481.

Verma, S., & Bhattacharyya, S. S. (2017). Perceived strategic value-based adoption of Big Data Analytics in emerging economy: A qualitative approach for Indian firms. Journal of Enterprise Information Management, 30(3), 354-382

Vieira, V. F. G. (2016). Auditoria em tempos de Big Data & Analytics. Requisitos mínimos de controlo (Doctoral dissertation).

Wang, Y., Kung, L., Wang, W. Y. C., & Cegielski, C. G. (2018). An integrated big data analytics-enabled transformation model: Application to health care. Information & Management, 55(1), 64-79.

Watson, H. J. (2014). Tutorial: Big data analytics: Concepts, technologies, and applications. CAIS, 34, 65.

Wong, K. K. K. (2013). Partial least squares structural equation modeling (PLS-SEM) techniques using SmartPLS. Marketing Bulletin, 24(1), 1-32.

Yeoh, W. & Koronios, A. 2010. ‘Critical success factors for business intelligence systems’, Journal of Computer Information Systems, 50(3): 23-32.

57

Anexos