Each student will write a short research paper for a peer-reviewed research paper that pertains to the week’s assigned reading. This will be a detailed summary of the research paper and what you gaine

KEYWORDS | Big Data, information management, strategic factor market, value expectation, cost expectation. RESUMO O interesse das organizações em desenvolver estratégias de Big Data está aumentando significativamente. No entanto, a expectativa do valor desses benefícios e dos custos envolvidos na aquisição ou desenvolvimento dessas soluções não é homogênea para todas as empresas, gerando imperfeições competitivas no mercado de recursos estratégicos. A Capacidade de Gestãoda Informação (CGI) tem como premissa fornecer as informa - ções necessárias para que as estratégias de Big Data sejam bem-sucedidas. Este artigo se propõe a analisar o CGI como um agente imperfeito no Strategic Factor Market de Big Data. As hipóteses foram testadas a partir de uma pesquisa de 101 respondentes e analisadas com a utilização de SEM-PLS. Os resultados indicam uma influência IMC positiva na expectativa de valor e uma negativa na expectativa de custo. A expectativa de custo afeta inversamente a intenção de comprar ou desenvolver os recursos para implantar estratégias de Big Data. A expectativa de valor tem um efeito positivo em ambas as intenções.

PALAVRAS-CHAVE | Big Data, gestão da informação, strategic factor market, expectativa de valor, expectativa de custo . RESUMEN El interés de las organizaciones en el desarrollo de estrategias de Big Data está aumentando significativa - mente. Sin embargo, la expectativa del valor de los beneficios y de los costos implicados en el acreedor o el desarrollo de estas soluciones no es homogénea para todas las empresas, impugnando las imperfecciones en el mercado de los recursos estratégicos. Capacidad de Gestión de la Información (CGI) utiliza las premisas proporcionar las pruebas requeridas para el éxito de Big Data, este artículo tiene como objetivo analizar el CGI como un agente de imperfección en el Strategic Factor Market de Big Data. Las hipótesis se probaron de una encuesta de 101 respondedores y se analizaron con SEM-PLS. Los resultados indican la positiva influencia de CGI sobre la expectativa y una negativa en una expectativa de los costos. La expectativa de los costos inversa - mente afecta al intento de comprar o de desarrollar los recursos para implementar estrategias Big Data. La expectativa de valor tiene un efecto positivo en ambos intents.

PALABRAS-CLAVES | Big Data, information management, strategic factor market, expectativa de valor, expecta - tiva de los costos.

RAE -Revista de Administração de Empresas (Journal of Business Management) ISSN 0034-7590; eISSN 2178-938X 380 © RAE | São Paulo | 59(6) | November-December 2019 | 379-388 INTRODUCTION “Big Data is possibly the most significant ‘tech’ disruption in business and academic ecosystems since the meteoric rise of the Internet and the digital economy” (Agarwal & Dhar, 2014, p. 443) . Diverse forms of data that do not generate value do not contribute to an organization. Data value is, thus, driving increasing interest in big data (Chiang, Grover, Liang, & Zhang, 2018) . Researchers and technology vendors recognize the benefits of adopting big data analytics in business practices (Wang, Kung, Wang, & Cegielski, 2018) . Firms are increasingly interested in developing Big Data strategies (Tabesh, Mousavindin, & Hasani, 2019) . The percentage of firms that already invest or plan to invest in Big Data grew from 64 percent in 2013 (Gartner, 2014) to 73 percent (Davenport & Bean, 2018) . “Organizations are currently looking to adopt Big Data technology, but are uncertain of the benefits it may bring to the organization and concerned with the implementation costs” (Lakoju & Serrano, 2017, p. 1) . The volume of investments is growing at an even greater rate. The Big Data technology and services market will grow at an 11.9 percent compound annual growth rate (CAGR) to 260 billion dollars through 2022 (IDC, 2018) . The expected organizational impacts are many, and include cost reductions, an increase in business insights, revelations of strategic information, and improved decision making (Kwon, Lee, & Shin, 2014) . However, the expected value of these benefits and the costs involved to acquire and develop these solutions are not homogeneous for every firm, which generates competitive imperfections in the market for strategic resources. According to strategic factor market (SFM) theory, firms need to be consistently more informed than are other firms that aim to implement the same strategy to obtain superior performance (Barney, 1986) . The author affirms that analyzing the firm’s capabilities can create these circumstances more so than the competitive environment. We argue that information management capability (IMC) can bring the unique insight required for successful Big Data strategies. We define IMC as the firm's ability to access data and information from internal and external environments, to map and distribute data for processing, and to allow the firm to adjust to meet the market needs and directions. The literature indicates that IMC positively influences a firm’s performance directly (Carmichael, Palácios-Marques, & Gil-Pichuan, 2011) or is mediated by other organizational capabilities (Mithas, Ramasubbu, & Sambamurthy, 2011) . There is no evidence that a firm’s current IMC can accommodate the sharp growth in the flow of unstructured data (White, 2012) . However, IMC can have a relevant role in the expectations for and intent to implement a strategy to deal with Big Data. Many practitioners are seeking such opportunities due to easy access to computational capabilities and analytical software (Agarwal & Dhar, 2014) . On the other hand, 43 percent of directors refer to budget deficits as the main barrier delaying the actions to take advantage of this context (Mckendrick, 2013) . This indicates symmetry in the cost expectation of the resources for a Big Data strategy. From an academic standpoint, many studies investigate this phenomenon, especially in Information Systems (IS) in terms of analyzing the value creation from these data (e.g., Brown, Chui, & Manyika, 2011; Davenport, Barth & Bean, 2012; Johnson, 2012; McAfee & Brynjolfsson 2012, Lakoju & Serrano, 2017) . Nevertheless, few works focus on the relationship between IMC and Big Data in order to obtain this value (Brinkhues, Maçada, & Casalinho, 2014; Mohanty, Jagadeesh, & Srivatsa, 2013) . “The current literature on big data value realization is characterized by a limited number of empirical studies and some repackaging of old ideas” (Günther, Rezazade Mehrizi, Huysman, & Feldberg, 2017) . This study aims to determine how the variation in the level of IMC among the firms creates competitive imperfections in the resources market for the implementation of Big Data strategies. To cover this research gap, we propose a scale to measure IMC and conceptually develop a research model to evaluate the relationship between IMC and the implementation of Big Data strategy empirically. This model, based on SFM theory, specifically investigates the influence of IMC on the value and cost expectations of the resources needed for this implementation, and based on transaction cost theory, the effect of these expectations on the intent to acquire or develop these resources. We constructed the scale following the literature and collect data from executives via card sorting. We tested the research model through a survey of 101 directors and analyze the data utilizing SEM-PLS. This article proceeds as follows. The next section develops the hypotheses and presents the research model. The following section details the procedures to construct the IMC scale and for data collection. We present and discuss the results thereafter, and finally offer our conclusions and implications for research and managerial practice.

INFORMATION MANAGEMENT CAPABILITY (IMC) AND THE STRATEGIC FACTOR MARKET (SFM) “Strategic Factor Markets (SFM) are markets where the necessary resources for implementation of a strategy are acquired” (Barney 1986, p. 1231) ; thus, firms can only extract superior performance when SFM is imperfect due to the differences in the expectation of FORUM | INFORMATION MANAGEMENT CAPABILITY AND BIG DATA STRATEGY IMPLEMENTATION Antonio Carlos Gastaud Ma ada | Rafael Alfonso Brinkhues | Jos Carlos da Silva Freitas Junior ISSN 0034-7590; eISSN 2178-938X 381 © RAE | São Paulo | 59(6) | November-December 2019 | 379-388 the future value of these strategic resources. In other words, firms must be able to exploit a larger value of the necessary resources for its strategic implementation rather than the costs to acquire them being significantly less than their economic value. "The goal of big data programs should be to provide enough value to justify their continuation while exploring new capabilities and insights" (Mithas, Lee, Earley, Murugesan, & Djavanshir, 2013, p. 18) . To obtain this advantage, firms need to be consistently better informed than the other firms acting in the same SFM (Barney, 1986) . IMC can serve as leverage in this advantage.

Mithas et al. (2011) propose the IMC construct to develop a conceptual model linking it with three other organizational capabilities (customer management, process management, and performance management). Their results show that these management capabilities mediate the positive influence of IMC on the firm’s performance. Mithas et al.'s (2011) IMC concept consists of three abilities: to provide data and information to users with appropriate levels of accuracy, timeliness, reliability, security, and confidentiality; to provide connectivity and universal access at an adequate scope and scale; and to adapt the infrastructure to the emerging needs and directions of the market. Carmichael et al. (2011) define IMC as a second-order construct composed of the compilation and production of information; access to information; and the identification of information distribution requirements.

Another author, Phadtare (2011) , proposes that IMC is linked to five factors: acquisition and retention, processing and synthesis, recovery and use, transmission and dissemination, and support system and integration. Based on the three works above (Mithas et al., 2011; Phadtare, 2011; Carmichael et al., 2011 ), we identify five dimensions of IMC (access, distribution, people, architecture, and infrastructure). Then, as we explain in detail in the next sections, we perform a card sorting analysis with executives, which pointed to a 10-item scale of these dimensions. From this analysis, we formulated a definition of IMC and applied in this study as corresponding to the firm’s set of skills that articulate information infrastructure, the architecture of information, and access to information, which enable organizational adjustment in response to changes imposed by internal and external environments. Thus, we expect that organizations with more developed IMC are more accurate in their expectations of value and can take advantage of the asymmetry of information in the SFM, from which competitive imperfections in SFM derive. Additionally, we expect that companies that developed IMC at a higher level during one of the previous eras of IM – Decision Support, Executive Support, Online Analytical Processing, and Business Intelligence and Analytics (Davenport, 2014) – have a higher value expectation of the next frontier of Big Data. We predict this result because the development of IMC at an elevated level positively impacts organizational performance (Carmichael et al., 2011; Mithas et al., 2011 ), which favors a polarizing effect of perceptions between past and present (Vasconcelos, Mascarenhas, & Vasconcelos, 2006) . Big Data strategy is a set of solutions based on recent advances in Big Data analytics. Organizations seek to incorporate these solutions in their own decision-making processes successfully (Tabesh et al., 2019) . Hence, these firms have a greater expectation of value from Big Data strategies based on their positive experiences with prior IM investments. Conversely, firms that did not reach the same level of IMC may not have had the same success in their ventures in IM, and this negative experience may reflect in a greater expectation of the cost to adopt this type of strategy. H1: Firms with more elevated IMC have a lower cost expectation to implement a Big Data strategy.

H2: Firms with more elevated IMC have greater expectations of value extraction from implementing a Big Data strategy. Asymmetric value expectation and intent to purchase/develop Big Data strategy capabilities Prior studies also demonstrate the positive effect of using data for the purpose of acquiring Big Data solutions (Kwon et al., 2014) . However, firms can also develop the resources and capabilities to implement a Big Data strategy internally. Organizations exist to realize internal transactions more efficiently than it is to do so in the market (Coase, 1937) . Accordingly, firms that do not arrange their resources to reach their objectives more efficiently than the market lose their reason to exist. Thereby, the search for the necessary resources to implement a Big Data strategy can go down two paths: to develop them internally or to acquire them in the market. Organizations can develop the necessary capabilities internally for this implementation if they are efficient in rearranging the resources involved. However, if the cost to acquire such funds in the market is less than the value to produce them internally, then firms tend to acquire them. Transactions costs are the consequence of the asymmetrical and incomplete distribution of information among the organizations involved in the exchange (Cordella, 2006) . The emergence of various suppliers with solutions to manage Big Data leaves uncertainty about what value firms can exploit from these resources. Thus, the decision to buy or develop the factors necessary to implement a Big Data strategy is also affected by the differences in the asymmetrical expectations of value that the firm can extract from this investment.

We expect that different levels of expectations positively influence FORUM | INFORMATION MANAGEMENT CAPABILITY AND BIG DATA STRATEGY IMPLEMENTATION Antonio Carlos Gastaud Ma ada | Rafael Alfonso Brinkhues | Jos Carlos da Silva Freitas Junior ISSN 0034-7590; eISSN 2178-938X 382 © RAE | São Paulo | 59(6) | November-December 2019 | 379-388 both decisions, whether to purchase or internally develop the resources to extract value from Big Data. H3a: Firms with greater value extraction expectations of Big Data strategies have a higher purchase intent for these solutions.

H3b: Firms with greater value extraction expectations of Big Data have a higher intent to develop these solutions internally. Asymmetric cost expectation and intent to purchase or develop Big Data strategy capabilities Resources such as million instructions per second (MIPS) and terabytes of storage for structured data are less expensive through Big Data technologies than through traditional technologies (Davenport, 2014) . However, the costs of other less tangible resources may be more difficult to predict. For instance, transaction costs frequently increase when adopting an IS solution. However, firms can reduce these costs when the costs associated with adoption do not exceed the external costs that affect adoption (Cordella, 2006) . Just as we expect to see companies with better developed IMC to have a lower expectation of the costs necessary to employ a Big Data strategy, it is also likely that this prediction of reduced costs favors a greater predisposition toward implementation. Additionally, with a more accurate cost expectation, companies with an elevated IMC level can create an adequate strategy within their budgets. We also expect the opposite effect: firms with less developed IMC will tend to have less exact cost predictions and therefore greater uncertainty when deciding whether to buy or develop resources to implement a Big Data strategy. H4a: Firms with greater expectations of the costs to implement Big Data strategies have less purchase intent for these solutions.

H4b: Firms with greater expectations of the cost to implement Big Data strategies have less intent to develop these solutions internally. Considering the four-hypothesis developed above, we built the Research Model. An illustrated presentation of this can be seen in Figure 1. Figure 1. Research Model Cost expectation (CE) Strategic factor market theory Transaction cost economics Informationmanagementcapability(IMC) Purchaseintent (PI) Developmentintent (DI) Valueexpectation (VE) H1 H3a H3b H4b H4a H2 RESEARCH METHODOLOGY We tested the hypotheses utilizing partial least squares structural equation modeling (PLS-SEM) based on survey data. PLS-SEM is frequently recommended for research in management because data in this field often do not adhere to a multi-varied normal distribution, while the models are complex and can still be informative. It is also recommended for smaller samples and models with less prior support (Ringle, Silva, & Bido, 2014; Hair, Hult, Ringle, & Sarstedt, 2013) . In light of the involved variables and the nature of this research, we consider the use of this statistical technique appropriate for empirically testing the hypotheses of the conceptual model. However, we conducted a preliminary stage with a survey and Card Sorting analysis to propose a scale to measure IMC. We describe this stage in the next section, followed by the steps and details about the sample, data collection, and validation.

FORUM | INFORMATION MANAGEMENT CAPABILITY AND BIG DATA STRATEGY IMPLEMENTATION Antonio Carlos Gastaud Ma ada | Rafael Alfonso Brinkhues | Jos Carlos da Silva Freitas Junior ISSN 0034-7590; eISSN 2178-938X 383 © RAE | São Paulo | 59(6) | November-December 2019 | 379-388 Card sorting to create an IMC scale We adapted a scale to measure IMC in the quantitative phase through a survey. This scale was based on existing research instruments (Carmichael et al., 2011; Mithas et al., 2011) . The need to construct an IMC scale that could handle this new data environment did not influence the other variables, which already have tested scales. For the scale, we applied the Optimal Workshop tool to perform a Card Sorting with 10 IT executives. Each online participant took an average of seven minutes to complete.

Based on the card sorting results, we reduced the scale from 20 items across five dimensions (people, distribution, access, infrastructure, and information architecture) to 10 items by analyzing a matrix in which we used the cut above 60 percent similarity. To evaluate the dimensions, we used a dendrogram analysis for the best merge method, which often outperforms the actual agreement method when a survey has fewer participants.

It makes assumptions about more massive clusters based on individual pair relationships (Optimal WorkShop, 2017) . The scores of the cut represent 40 percent of the participants who agree with parts of this grouping. Five dimensions emerged from the group of scale-items assessed by the executives, which were in turn selected from the existing literature. We collected this group through Card Sorting analysis and named them based on the gathered items (people, distribution, access, infrastructure, and information architecture) in line with the authors’ analysis of the results from the preliminary stage of the study. We thus developed the IMC scale for this study. We developed this scale because in-depth research about this construct (Mithas et al., 2011) was validated from an adaptation from pre-existing secondary data, and to incorporate elements addressed in other works (Carmichael et al., 2011) . The scales for the other variables of the research tool are adapted from the literature and modified as needed for this study. All items used a seven-point Likert scale (1-Strongly Disagree; 7 – Strongly Agree). We conducted the statistical analysis using the SmartPLS version 3.2.0 software package.

Sample frame and data collection We collected data through an online research created using the Google Forms platform. Data were collected through social networks, primarily through specific discussion groups about the addressed subjects. Some 29,282 people saw the notices, 208 people clicked on them, and we received 114 completed forms.

The answer rate was 59 percent. Among these, we eliminated 13 through three validation questions inserted in the questionnaire to help with data quality control, leaving us with a final sample of 101 forms. Thus, the sample exceeds the minimum of 68 cases, for a power of 0.8 and a medium effect size f2 of 0.15 (Hair et al., 2013) with the variables at a maximum number of two predictors. We calculated this minimum sample using the G*Power 3.1 tool (Faul, Erdfelder, Buchner, & Lang, 2009) . The respondents were managers and executives in IT or other areas related to the implementation of IM strategies.

Table 1 summarizes the profiles of the respondent firms, from which we can conclude that the sample is diversified and lightly focused on industry and size, whether through the number of employees or invoicing. The two most apparent differences in the size variable appear in the first two rows. In the first row, there is a smaller percentage of firms invoicing up to one million dollars (16%), while the percentage of companies with up to 50 employees is 27 percent. In contrast, the second row presents a greater percentage of invoicing (23% from 1 to 6.7 million dollars) and a smaller number of employees. A possible explanation for these differences may be in the high number of technological jobs, which have a high profitability potential with fewer employees.

There were significant differences in the results relating to industry or firm size. In using Finite Mixture PLS, we did not identify latent classes that evidence the presence of groups within a sample. Table 1. Respondent firms’ profiles Industry % Number of employees % Annual revenue % Technology 24% Up to 50 27% Up to 1 million dollars 16% Manufacturing 18% 51 - 100 13% 1 to 6.7 million dollars 23% Financial services 12% 101 - 500 11% 6.7 to 37.5 million dollars 14% Professional services 11% 501 - 1,000 16% 37.5 to 125 million dollars 12% Others 35% More than 1,000 33% More than 125 million dollars 36% Note: n=101 FORUM | INFORMATION MANAGEMENT CAPABILITY AND BIG DATA STRATEGY IMPLEMENTATION Antonio Carlos Gastaud Ma ada | Rafael Alfonso Brinkhues | Jos Carlos da Silva Freitas Junior ISSN 0034-7590; eISSN 2178-938X 384 © RAE | São Paulo | 59(6) | November-December 2019 | 379-388 RESULTS We first present an analysis of the results in terms of the measurement model, followed by an evaluation of the structural model.

Evaluation of the measurement model We evaluated the measurement model through a series of reliability tests, including composite reliability (CR), Cronbach’s alpha, average variance extracted (AVE), and discriminant validity (Hair et al., 2013; Ringle et al., 2014) . As Table 2 shows, following Fornell and Larcker’s (Henseler, Ringle, & Sinkovics, 2009) criteria, the model converges, and the result is satisfactory because the AVE is above 0.50 for all variables. Although the traditional indicator to evaluate internal consistency is Cronbach’s alpha, CR is the best for PLS-PM because it is the least sensitive to the number of items in each construct (Ringle et al., 2014) . In Table 2, we also see that all the variables present both indicators (Cronbach’s alpha and CR) above 0.7. Therefore, all the variables are considered adequate and satisfactory (Hair et al., 2013) . Also in Table 2, we report the Fornell and Larcker (1981) criteria to verify the discriminant quality according to the correlating values between the variables. The results indicate no correlation between distinct variables greater than the square root of the AVE of each variable (highlighted in gray in the main diagonal). As the last criterion to evaluate the quality of the measurement model, we calculated discriminant validity utilizing a cross-loading analysis (Chin, 1998) . In Table 3 we find no indicators with factor loadings below their variable than in others. Having attended to the quality criteria and discriminant validity of the model, we next evaluate the structural model in the next sub-section. Table 2. Quality Criteria Variables AVE Composite reliability Cronbach’s Alpha CE DI IMC PI VE Cost expectation 0.778 0.875 0.715 0.882 Development intent 0.698 0.874 0.784 -0.304 0.836 IMC 0.548 0.923 0.907 -0.407 0.258 0.740 Purchase intent 0.657 0.851 0.747 -0.405 0.735 0.300 0.811 Value expectation 0.819 0.901 0.780 -0.392 0.318 0.647 0.360 0.905 Mean 4,75 3,26 4,18 3,40 5,16 SD 1,64 1,87 1,64 1,92 1,67 Note: CE = Cost expectation; DI = Development intent; IMC = Information management capability; PI = Purchase intent; VE = Value expectation.

Table 3. Cross-Loadings Items x Variables IMC CE DI PI VE IMC1 0.585 -0.178 0.022 0.004 0.363 IMC2 0.757 -0.255 0.236 0.263 0.459 IMC3 0.784 -0.273 0.177 0.165 0.543 IMC4 0.823 -0.347 0.319 0.351 0.656 IMC5 0.817 -0.289 0.190 0.203 0.600 IMC6 0.697 -0.182 0.033 -0.048 0.349 IMC7 0.735 -0.265 0.308 0.480 0.486 IMC8 0.686 -0.293 0.107 0.286 0.425 IMC9 0.711 -0.417 0.125 0.191 0.337 IMC10 0.773 -0.455 0.259 0.186 0.452 CE1 -0.387 0.885 -0.299 -0.316 -0.390 CE2 -0.331 0.879 -0.237 -0.399 -0.301 DI1 0.253 -0.285 0.826 0.819 0.305 DI2 0.239 -0.204 0.892 0.588 0.253 DI3 0.145 -0.261 0.786 0.385 0.226 PI1 0.253 -0.285 0.826 0.819 0.305 PI2 0.249 -0.404 0.481 0.858 0.362 PI3 0.229 -0.269 0.517 0.751 0.166 VE1 0.557 -0.361 0.325 0.362 0.907 VE2 0.615 -0.349 0.250 0.289 0.903 FORUM | INFORMATION MANAGEMENT CAPABILITY AND BIG DATA STRATEGY IMPLEMENTATION Antonio Carlos Gastaud Ma ada | Rafael Alfonso Brinkhues | Jos Carlos da Silva Freitas Junior ISSN 0034-7590; eISSN 2178-938X 385 © RAE | São Paulo | 59(6) | November-December 2019 | 379-388 Evaluation of the structural model To test the hypotheses and the predictive power of the model, we calculated Pearson’s coefficients of determination (R2), the effect size (f2), predictive validity (Q2), and path coefficient (r).

According to Cohen’s (1988) criteria, we can verify a medium effect of the model on the cost expectation (CE) (0.166) and development intent (DI) (0.139) variables, and a large effect on the value expectation (VE) (0.419) variable, and an almost large effect on the purchase intent (0.212) variable. The bootstrapping analysis with 1,000 samples demonstrates that all the relations of the observable variables with the latent variables, and those among the latent variables, have significant correlations and regression coefficients at p<0.001, rejecting H0. We then performed two other quality evaluations of the model adjustment, the predictive validity (Q2) and the effect size (f2), through the blindfolding procedure. Table 4 shows that all Q2s are above zero, demonstrating the model’s accuracy. The analysis of the effect size considers a medium utility of CE, DI, and purchase intent (PI) to adjust the model. The results are close to an almost large utility of VE according to the criteria in Hair et al. (2013) . Finally, the path coefficients, illustrated in Figure 2, show that the results support all hypotheses.

Table 4. Results of R², Q², and f² Relations R2 Q2 f2 CE 0.166 0.112 0.189 DI 0.139 0.085 0.143 PI 0.212 0.111 0.119 VE 0.419 0.333 0.339 Figure 2. Results of the empirical model: Path coefficients and R² – 0.407*** – 0.212*** 0.312*** 0.235*** 0.647*** 0.238*** Cost expectationR2 = 0.166 PurchaseintentR2 = 0.212 Development intentR2 = 0.139 ValueexpectationR2 = 0.419 Informationmanagementcapability Note: * p<0.05; ** p<0.01; *** p<0.001 According to the theoretical assumptions of SFM, H1 was confirmed since IMC had a negative impact on the CE of Big Data strategies; that is, the more developed a firm’s IMC is, the lower the expectation of the expense to implement a Big Data strategy. The path coefficient analysis highlights that the IMC effect is even more evident on the VE expectation of these strategies. Hypothesis 2 was confirmed, indicating that this ability can be a potential source of imperfections in the SFM for Big Data in both cases. The other half of the model (H3 and H4) depicts the impact of the expectation to implement Big Data strategies in terms of the cost and value on the intention to purchase (H3 and H4) and to develop (H3b ad H4b) these capabilities. Both hypotheses were confirmed. This impact was negative for Hypotheses 3a (purchase) and 3b (develop), demonstrating that a high cost expectation has a negative impact on the intent to purchase or develop Big Data strategies. The results also confirm Hypotheses 4a and 4b. In other words, the intention to purchase or develop Big Data strategies was positive when the expectation of VE from a Big Data strategy was higher.

FINAL CONSIDERATIONS We finalize this section with a discussion of the subject and an outline of future research directions.

Contributions to research This paper contributes to the literature on management information systems by exploring a relatively recent theme (Big Data) and its relation to a firm’s existing capability (IMC).

FORUM | INFORMATION MANAGEMENT CAPABILITY AND BIG DATA STRATEGY IMPLEMENTATION Antonio Carlos Gastaud Ma ada | Rafael Alfonso Brinkhues | Jos Carlos da Silva Freitas Junior ISSN 0034-7590; eISSN 2178-938X 386 © RAE | São Paulo | 59(6) | November-December 2019 | 379-388 Specifically, we analyzed this phenomenon by focusing on its impact on organizations. “This focus creates a tighter linkage between data and business models: we care deeply about business transformation and value creation through data, and less for algorithms or frameworks without a linkage to business value” (Agarwal & Dhar, 2014, p. 445) . First, the research employed a rare theory in IS – SFM. This theory, along with transaction cost theory (widely used in IS), supported the development of the hypotheses and confirmed the statistical analysis. With this theoretical foundation and from the indications in the literature, it was possible to establish Hypothesis 1. Our results attest that IMC can have a negative impact on the expected cost of the necessary resources to implement a Big Data strategy. These results confirm that organizations have different cost expectations in the search for strategic resources (Barney 1986) . IMC plays a relevant role in this heterogeneity of perceptions, whether through more accuracy (Mithas et al., 2011) in the access to and distribution of information, or the perceptive polarization effect (Vasconcelos et al., 2006) . Companies that were not successfully able to develop IMC may have a higher expectation of the cost to implement a new strategy related to IM. However, this effect appears to be more strongly evident in the relationships in Hypothesis 2. We demonstrated that IMC positively impacts the expected value extraction from a Big Data strategy. This was the most elevated effect we found, which may indicate a product of the developed abilities or a reflex of successful experiences with IM. On the other hand, we explained the impact of the expected cost on the intent of purchase or develop the resources and capabilities to implement a strategy to deal with voluminous and heterogeneous data through Hypotheses 3a (purchase) and 3b (develop). The negative impact was supported by empirical data demonstrating that a high cost expectation has an even more negative impact on purchase intent than on the intent to develop the resources and capabilities necessary for the strategy internally. Conversely, the results supported Hypothesis 4 (H4a and H4b), showing that a greater expectation of future value extraction positively impacts the intent to purchase or develop Big Data strategies. In this case, the evidenced size effects for the intent to purchase or develop the required resources for these strategies were very similar. Nevertheless, this study did not aim to evaluate whether or not these expectations correspond to market reality. It is important to note that, in general, investments in IS strategies only reduce transaction costs if the firm consumes fewer resources than the economy generates (Ciborra, 1996) . Through two theoretical perspectives, our research contributes to our understanding of the impact that existing IMC may have on the adoption or non-adoption of new strategies in response to changes in information. More importantly, this study revealed the role of this capability as a potential source of imperfections in the SFM and may be a first step to investigating the role of IMC in the competitive performance of firms. In addition, along with adopting the perspective of the IMC literature, we propose a new definition that is more in tune with the current context and the IM needs of organizations. We also proposed and validated a new scale to measure this construct.

Implications for practice We can classify the implications of this study on practice for two types of organizations: those that look for solutions to respond to the environmental changes caused by Big Data and those that offer these solutions. For companies planning to implement Big Data strategies, the results reveal a large variation in the expectations of both the value and cost of the needed resources. This variation may reflect opportunities to search the market for underestimated resources or to incur the risk of acquiring overvalued resources.

To reduce these risks and improve performance in the search to exploit these opportunities, our results show that investing in IM not only improves organizational performance (Carmichael et al., 2011; Mithas et al., 2011 ), it may also help firms evaluate future strategies. From the other side of market, this work may serve firms that offer the resources and capabilities to implement Big Data strategies some insight into the expectations of their current or potential consumers. Understanding the differences in the perceptions of organizations with different levels of IMC may help firms create an adequate solution and contribute to the success of that solution in IMC development at greater levels for their clients.

Limitations and future research Our study sample was very heterogeneous, as Table 1 shows, as we collected data non-systematically, and it may, thus, not entirely reflect the population of firms. It is also not possible to identify whether the results apply to a specific group of organizations. We measured the purchase intent and cost expectation constructs using only two indicators, and even though both presented good performance in terms of validity and reliability, it is still one indicator less than recommended. This research opens the way for new investigations in IS, particularly related to IMC, the context of Big Data, and even new FORUM | INFORMATION MANAGEMENT CAPABILITY AND BIG DATA STRATEGY IMPLEMENTATION Antonio Carlos Gastaud Ma ada | Rafael Alfonso Brinkhues | Jos Carlos da Silva Freitas Junior ISSN 0034-7590; eISSN 2178-938X 387 © RAE | São Paulo | 59(6) | November-December 2019 | 379-388 studies making use of SFM theory. Regarding IMC, we believe that future research may strengthen the strategic role of these capabilities, especially in this Big Data context. Researchers can use SFM to analyze other phenomena in the area and connect it to other theories in the IS literature. The model could hold true for IS strategies in general and can be investigated in the context of other technologies (such as business analytics or business intelligence).

CONCLUSION This study, despite bringing in quantitative results, is exploratory given the nature of the content analyzed. We aimed to investigate how pre-existing IMC within organizations affects the expectations and intent of these firms in adopting a new IM strategy. Our results offer insights into the effect on the relations between IMC and cost and future value expectation, in addition to the impact of these expectations on the intent to purchase or develop the needed resources to implement a Big Data strategy.

Generally, the results unveiled that IMC positively influences value expectation and negatively influences cost expectation. Value expectation homogeneously and positively impacts the intent to purchase or develop these resources. Finally, cost expectation negatively influences development intent and, even more sharply, the purchase intent of the resources and capabilities for Big Data. If one key resource for survival in this new environment is the ability to obtain access to more information and to be able to manage this information flow (Cordella, 2006) , this research contributes to IS literature by exploring the potential of IMC in this Big Data context. From an academic standpoint, this study tested a less common theory in the literature, which researchers can explore further to analyze IS themes. Lastly, this research can help companies that supply Big Data solutions, as well as firms that intend to invest in strategies to deal with this change in the information environment. ACKNOWLEDGMENT The authors are grateful for the financial support provided by Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) and Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES). REFERENCES Agarwal, R., & Dhar, V. (2014). Editorial-Big Data, data science, and analytics: The opportunity and challenge for IS research . Information Systems Research, 25 (3), 443-448. doi:10.1287/isre.2014.0546 Barney, J. (1986). Strategic factor markets: Expectations, luck, and business strategy. Management Science, 32 (10), 1231-1241. Brinkhues, R., Maçada, A., & Casalinho, G. (2014). Information management capabilities: Antecedents and consequences.

In Twentieth Americas Conference on Information Systems . Savannah, 1-11. Retrieved from https://pdfs.semanticscholar. org/1503/001cb9628f35acd727c4b31b02f613f6523c.pdf Brown, B., Chui, M., & Manyika, J. (2011). Are you ready for the era of “Big Data”? Retrieved from http://www.t-systems.com/solutions/ download-mckinsey-quarterly-/1148544_1/blobBinary/Study- McKinsey-Big-data.pdf [Accessed November 23, 2014]. Carmichael, F., Palacios-Marques, D., & Gil-Pechuan., I. (2011). How to create information management capabilities through web 2.0. The Service Industries, 31 (10), 1613-1625. doi:10.1080/02642069.2010. 485635 Chiang, R. H. L., Grover, V., Liang, T.-P., & Zhang, D. (2018). Special Issue: Strategic value of Big Data and business analytics . Journal of Management Information Systems, 35 (2), 383-387. doi:10.1080/074 21222.2018.1451950 Chin, W. W. (1998). The partial least squares approach for structural equation modeling. In G. A. Marcoulides (Ed.), Modern methods for business research (pp. 295-236). London, UK: Laurence Erlbaum Associates.

Ciborra, C. U. (1996). Teams, markets, and systems: Business innovation and information technology. New York, NY: Cambridge University Press. Coase, R. H. (1937). The nature of the firm . Economica, 4 (16), 386-405. doi:10.1111/j.1468-0335.1937.tb00002.x Cohen, J. (1988). Statistical power analysis for the behavioral sciences 2nd ed. New Jersey, NJ: Lawrence Erlbaum Associates. Cordella, A. (2006). Transaction costs and information systems: Does IT add up? Journal of Information Technology, 21 (3), 195-202. doi:10.1057/palgrave.jit.2000066 Davenport, T. H. (2014). Big Data at work: Dispelling the myths, uncovering the opportunities . Boston, MA: Harvard Business School Publishing.

Davenport, T. H., Barth, P., & Bean, R. (2012). How “Big Data” is different . Sloan Management Review, 54 (1), 21–24. Davenport, T. H., & Bean, R. (2018). Data and innovation: How Big Data and AI are driving business innovation. New Vantage Partners LLC. Retrieved from https://newvantage.com/wp-content/ uploads/2018/01/Big-Data-Executive-Survey-2018-Findings.pdf Faul, F., Erdfelder, E., Buchner, A., & Lang, A. G. (2009). Statistical power analyses using G* Power 3.1: Tests for correlation and regression analyses . Behavior Research Methods, 41 (4), 1149–1160. doi:10.3758/BRM.41.4.1149 FORUM | INFORMATION MANAGEMENT CAPABILITY AND BIG DATA STRATEGY IMPLEMENTATION Antonio Carlos Gastaud Ma ada | Rafael Alfonso Brinkhues | Jos Carlos da Silva Freitas Junior ISSN 0034-7590; eISSN 2178-938X 388 © RAE | São Paulo | 59(6) | November-December 2019 | 379-388 Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error . Journal of Marketing Research, 18 (1), 39-50. doi:10.2307/3151312 Gartner. (2014). Newsroom Gartner survey reveals that 73 percent of organizations have invested or plan to invest in Big Data in the next two years. Retrieved from http://www.gartner.com/newsroom/id/2848718 Günther, W. A., Rezazade Mehrizi, M. H., Huysman, M., & Feldberg, F.

(2017). Debating big data: A literature review on realizing value from big data. Journal of Strategic Information Systems, 26 (3), 191-209. doi:10.1016/j.jsis.2017.07.003 Hair Jr, J. F., Hult, G. T. M., Ringle, C., & Sarstedt, M. (2016). A primer on partial least squares structural equation modeling (PLS-SEM) . Thousand Oaks, CA: Sage Publications.

Henseler, J., Ringle, C., & Sinkovics, R. (2009). The use of partial least squares path modeling in international marketing. Retrieved from https://opus.lib.uts.edu.au/research/handle/10453/10057 International Data Corporation. (2018). Revenues for Big Data and business analytics solutions forecast to reach $260 billion in 2022, Led by the banking and manufacturing industries, according to IDC. Retrieved from https://www.idc.com/getdoc.

jsp?containerId=prUS44215218 Johnson, J. (2012). Big Data + Big Analytics = Big Opportunity. Financial Executive, 28 (6), 50–53. Kwon, O., Lee, N., & Shin, B. (2014). Data quality management, data usage experience and acquisition intention of big data analytics . International Journal of Information Management, 34 (3), 387-394. doi:10.1016/j.ijinfomgt.2014.02.002 Lakoju, M., & Serrano, A. (2017). Framework for aligning Big-Data strategy with organizational goals. Proceedings of Twenty-third Americas Conference on Information Systems, Boston.

McAfee, A., & Brynjolfsson, E. (2012). Big Data: The management revolution. MIT Sloan Management Review, 90 (10), 61–68. Mckendrick, J. (2013). 2013 Big Data opportunities survey. Unisphere Research . New Providence. http://www.unisphereresearch.com/ Issues/5375-Big-Data-Big-Challenges-Big-Opportunities-2012-IOUG-Big-Data-Strategies-Survey.htm Mithas, S., Lee, M., Earley, S., Murugesan, S., & Djavanshir, R. (2013). Leveraging Big Data and business analytics . IT Professional, 15 (6), 18-20. doi:10.1109/MITP.2013.95 Mithas, S., Ramasubbu, N., & Sambamurthy, V. (2011). How information management capability influences firm performanc e. MIS Quarterly, 35(1), 237-256. Mohanty, S., Jagadeesh, M., & Srivatsa, H. (2013). The new information management paradigm. In S. Mohanty, M. Jagadeesh, & H. Srivatsa , Big Data Imperatives (pp. 25-44). Berkeley, CA: Apress. Optimal WorkShop (2017). Card sorting 101. Your guide to creating and running an effective card sort. Retrieved from https://www.optimalworkshop.com/101/card-sorting Phadtare, M. (2011). Strategic management: Concepts and cases . New Delhi, India: PHI Learning Pvt. Ltd.

Ringle, C. M., Silva, D., & Bido, D. de S. (2014). Modelagem de equações estruturais com utilização do Smartpls . Revista Brasileira de Marketing, 13 (2), 56-73. doi:10.5585/remark.v13i2.2717 Tabesh, P., Mousavidin, E., & Hasani, S. (2019). Implementing big data strategies: A managerial perspective . Business Horizons, 62 (3), 347– 358. doi:10.1016/j.bushor.2019.02.001 Vasconcelos, I. F. G. De, Mascarenhas, A. O., & Vasconcelos, F. C. De, (2006). Gestão do paradoxo “passado versus futuro”: Uma visão transformacional da gestão de pessoas. RAE-Eletrônica, 5 (1). Retrieved from https://rae.fgv.br/rae-eletronica/ Wang, Y., Kung, L. A., Wang, W. Y. C., & Cegielski, C. G. (2018). An integrated big data analytics-enabled transformation model: Application to health care . Information and Management, 55 (1), 64- 79. doi:10.1016/j.im.2017.04.001 White, M. (2012). Digital workplaces: Vision and reality . Business Information Review, 29 (4), 205-214. doi:10.1177/0266382112470412 FORUM | INFORMATION MANAGEMENT CAPABILITY AND BIG DATA STRATEGY IMPLEMENTATION Antonio Carlos Gastaud Ma ada | Rafael Alfonso Brinkhues | Jos Carlos da Silva Freitas Junior ISSN 0034-7590; eISSN 2178-938X 379 © RAE | São Paulo | V. 5 9 | n. 6 | nov-dez 2019 | 379-388 ANTONIO CARLOS GASTAUD MAÇADA ¹ [email protected]: 0000-0002-8849-0117 RAFAEL ALFONSO BRINKHUES ² [email protected]: 0000-0002-9367-5829 JOSÉ CARLOS DA SILVA FREITAS JUNIOR ³ [email protected]: 0000-0002-9050-1460 1 Universidade Federal do Rio Grande do Sul, Escola de Administração, Porto Alegre, RS, Brasil 2 Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul, Viamão, RS, Brasil 3 Universidade do Vale do Rio dos Sinos, Escola de Gestão e Negócios, São Leopoldo, RS, Brasil FÓRUM Submetido 01.10.2018. Aprovado 19.07.2019 Avaliado pelo sistema double blind review. Editores Científicos Convidados: Eduardo de Rezende Francisco, José Luiz Kugler, Soong Moon Kang, Ricardo Silva e Peter Alexander Whigham Versão traduzida DOI: http://dx.doi.org/10.1590/S0034-759020190604 CAPACIDADE DE GESTÃO DA INFORMAÇÃO E IMPLEMENTAÇÃO DE ESTRATÉGIA DE BIG DATA Information management capability and Big Data strategy implementation Capacidad de gestión de la información e implementación de estrategia de Big Data RESUMO O interesse das organizações em desenvolver estratégias de Big Data está aumentando significativa - mente. No entanto, a expectativa do valor desses benefícios e dos custos envolvidos na aquisição ou desenvolvimento dessas soluções não é homogênea para todas as empresas, gerando imperfeições competitivas no mercado de recursos estratégicos. A capacidade de gestão da informação (CGI) tem como premissa fornecer as informações necessárias para que as estratégias de Big Data sejam bem-su - cedidas. Este artigo se propõe a analisar a CGI como um agente de imperfeição no mercado de fatores estratégicos de Big Data . As hipóteses foram testadas a partir de uma Survey com 101 respondentes e analisadas com a utilização de SEM-PLS. Os resultados indicam uma influência CGI positiva na expec - tativa de valor e uma negativa na expectativa de custo. A expectativa de custo afeta inversamente a intenção de comprar ou desenvolver os recursos para implantar estratégias de Big Data . A expectativa de valor tem um efeito positivo em ambas as intenções.

PALAVRAS-CHAVE | Big Data , gestão da informação, strategic factor market, expectativa de valor, expec - tativa de custo.

ABSTRACT Firms are increasingly interested in developing Big Data strategies. However, the expectation of the value of these benefits and of the costs involved in acquiring or developing these solutions are not homo - geneous for all firms, which generates competitive imperfections in the market for strategic resources. Information Management Capability (IMC) aims to provide the required unique insights for successful Big Data strategies. This study analyzes IMC as an imperfection agent in the market for strategic Big Data resources. The hypotheses were tested using a survey of 101 respondents and analyzed with SEM-PLS. The results indicate the positive influence of IMC on value expectation and a negative effect on cost expec - tation. Cost expectation inversely affects the intent to purchase or develop the resources to implement Big Data strategies. Value expectation has a positive effect on both intents.

KEYWORDS | Big Data, information management, strategic factor market, value expectation, cost expec - tation.

RESUMEN El interés de las organizaciones en el desarrollo de estrategias de Big Data está aumentando signifi - cativamente. Sin embargo, la expectativa del valor de los beneficios y de los costos implicados en el acreedor o el desarrollo de estas soluciones no es homogénea para todas las empresas, impugnando las imperfecciones en el mercado de los recursos estratégicos. Capacidad de Gestión de la Información (CGI) utiliza las premisas proporcionar las pruebas requeridas para el éxito de Big Data, este artículo tiene como objetivo analizar el CGI como un agente de imperfección en el Strategic Factor Market de Big Data. Las hipótesis se probaron de una encuesta de 101 respondedores y se analizaron con SEM-PLS. Los resultados indican la positiva influencia de CGI sobre la expectativa y una negativa en una expectativa de los costos. La expectativa de los costos inversamente afecta al intento de comprar o de desarrollar los recursos para implementar estrategias Big Data. La expectativa de valor tiene un efecto positivo en ambos intents.

PALABRAS-CLAVES | Big Data, information management, strategic factor market, expectativa de valor, expectativa de los costos.

RAE fiRevista de Administração de Empresas | FGV EAESP ISSN 0034-7590; eISSN 2178-938X 380 © RAE | São Paulo | V. 5 9 | n. 6 | nov-dez 2019 | 379-388 INTRODUÇÃO “Big Data é possivelmente a mais significativa ruptura de 'tecnologia' nos ecossistemas empresariais e acadêmicos desde a ascensão meteórica da Internet e da economia digital” (Agarwal & Dhar, 2014, p. 443) . Diversas formas de dados que não geram valor não contribuem para as organizações. O valor dos dados está, portanto, impulsionando o crescente interesse em Big Data (Chiang, Grover, Liang, & Zhang, 2018) . Pesquisadores e fornecedores de tecnologia reconhecem os benefícios da adoção da análise de Big Data em práticas de negócios (Wang, Kung, Wang, & Cegielski, 2018) . As empresas estão cada vez mais interessadas em desenvolver estratégias de Big Data (Tabesh, Mousavindin, & Hasani, 2019) . O percentual de empresas que já investem ou planejam investir em Big Data cresceu de 64% em 2013 (Gartner, 2014) para 73% em 2018 (Davenport & Bean, 2018). “As organizações estão atualmente buscando adotar a tecnologia de Big Data , mas estão incertas dos benefícios que ela pode trazer para a organização, além de se preocuparem com os custos de implementação” (Lakoju & Serrano, 2017, p. 1) . O volume de investimentos está crescendo a um ritmo ainda maior. O mercado de tecnologia e serviços de Big Data crescerá a uma taxa de crescimento anual composta (TCAC) de 11,9%, atingindo 260 bilhões de dólares até 2022 (International Data Corporation [IDC], 2018) . Os impactos organizacionais esperados são muitos, e incluem redução de custos, aumento nos insights de negócios, revelações de informações estratégicas e melhor tomada de decisão (Kwon, Lee, & Shin, 2014) . No entanto, o valor esperado desses benefícios e os custos envolvidos na aquisição e desenvolvimento dessas soluções não são os mesmos para cada empresa, o que gera imperfeições competitivas no mercado de recursos estratégicos. De acordo com a teoria do mercado de fatores estratégicos (MFE), as empresas precisam estar consistentemente mais informadas do que outras empresas que visam implementar a mesma estratégia para obter desempenho superior (Barney, 1986) , este autor afirma que a análise das capacidades da empresa pode ajudar mais na criação dessas circunstâncias que o ambiente competitivo. Argumentamos que a capacidade de gestão da informação (CGI) pode trazer o único insight necessário para a implementação de estratégias bem-sucedidas de Big Data . Definimos CGI como a capacidade da empresa de acessar dados e informações de ambientes internos e externos, mapear e distribuir dados para processamento, e permitir que se ajuste para atender as necessidades e direções do mercado. A literatura indica que a CGI influencia positivamente e diretamente o desempenho de uma empresa (Carmichael, Palacios-Marques, & Gil-Pichuan, 2011) ou é mediada por outras capacidades organizacionais (Mithas, Ramasubbu, & Sambamurthy, 2011) . Não há evidências de que a CGI atual de uma empresa possa acomodar o crescimento acentuado do fluxo de dados não estruturados (White, 2012) . No entanto, a CGI pode ter um papel relevante nas expectativas e intenção de implementar uma estratégia para lidar com Big Data . Muitos adeptos de Big Data estão buscando tais oportunidades devido ao fácil acesso a capacidades computacionais e software analíticos (Agarwal & Dhar, 2014) . Por outro lado, 43% dos diretores referem-se aos défices orçamentários como a principal barreira atrapalhando ações que tirem proveito desse contexto (McKendrick, 2013) . Isso indica simetria na expectativa de custo dos recursos para a implementação de uma estratégia de Big Data . Do ponto de vista acadêmico, muitos estudos investigam esse fenômeno, especialmente da área de Sistemas da Informação (SI), os quais analisam a criação de valor a partir desses dados (por exemplo, Brown, Chui, & Manyika, 2011; Davenport, Barth, & Bean, 2012; Johnson, 2012; Lakoju & Serrano, 2017; McAfee & Brynjolfsson, 2012) . No entanto, poucos trabalhos focam a relação entre CGI e Big Data para a obtenção desse valor (Brinkhues, Maçada, & Casalinho, 2014; Mohanty, Jagadeesh, & Srivatsa, 2013) . “A literatura atual sobre a realização do valor de Big Data é caracterizada por um número limitado de estudos empíricos e alguns que trazem ideias antigas sob novos formatos” (Günther, Rezazade Mehrizi, Huysman, & Feldberg, 2017) . Este estudo tem como objetivo determinar como a variação no nível de CGI entre as empresas cria imperfeições competitivas no mercado de recursos para a implementação de estratégias de Big Data . Para cobrir essa lacuna de pesquisa, propomos uma escala para medir a CGI e desenvolver conceitualmente um modelo de pesquisa para avaliar empiricamente a relação entre a CGI e a implementação da estratégia de Big Data . Esse modelo, baseado na teoria do MFE, investiga especificamente a influência da CGI sobre o valor e as expectativas de custo dos recursos necessários para essa implementação, e, com base na teoria do custo de transação, o efeito dessas expectativas sobre a intenção de adquirir ou desenvolver esses recursos. Construímos a escala seguindo a literatura e coletamos dados de executivos via classificação de cartões. O modelo de pesquisa foi testado por meio de uma Survey com 101 diretores, e os dados foram analisados utilizando o SEM-PLS. O artigo prossegue como detalhado a seguir. A próxima seção desenvolve as hipóteses e apresenta o modelo de pesquisa.

A seção seguinte detalha os procedimentos para construir a escala de CGI e para a coleta de dados. Posteriormente, apresentamos e discutimos os resultados e, finalmente, apresentamos nossas conclusões e implicações para a pesquisa e prática gerencial.

F RUM | CAPACIDADE DE GEST O DA INFORMA O E IMPLEMENTA O DE ESTRATÉGIA DE BIG DATA Antonio Carlos Gastaud Ma ada | Rafael Alfonso Brinkhues | Jos Carlos da Silva Freitas Junior ISSN 0034-7590; eISSN 2178-938X 381 © RAE | São Paulo | V. 5 9 | n. 6 | nov-dez 2019 | 379-388 O CGI E O MFE “Mercados de Fatores Estratégicos (MFE) são mercados onde os recursos necessários para a implementação de uma estratégia são adquiridos” (Barney, 1986, p. 1231) ; assim, as empresas só podem extrair desempenho superior quando o MFE for imperfeito devido às diferenças na expectativa do valor futuro desses recursos estratégicos. Em outras palavras, as empresas devem poder extrair um maior valor dos recursos necessários para a sua implementação estratégica em vez de arcar com custos de aquisição significativamente inferiores ao seu valor econômico.

“O objetivo dos programas de Big Data deve ser fornecer valor suficiente para justificar que continuem sendo utilizados na exploração de novas capacidades e insights ” (Mithas, Lee, Earley, Murugesan, & Djavanshir, 2013, p. 18) . Para obter essa vantagem, as empresas têm de estar mais bem-informadas do que as outras empresas que atuam no mesmo MFE (Barney, 1986) . A CGI pode servir como um propulsor dessa vantagem. Mithas et al. (2011) propõem o construto CGI para desenvolver um modelo conceitual vinculando-o a três outras capacidades organizacionais (gestão de clientes, gestão de processos e gestão de desempenho). Seus resultados mostram que essas capacidades de gestão mediam a influência positiva da CGI no desempenho da empresa. O conceito de CGI de Mithas et al. (2011) consiste em três habilidades: fornecer dados e informações aos usuários a partir de níveis adequados de precisão, pontualidade, confiabilidade, segurança e confidencialidade; fornecer conectividade e acesso universal com escopo e escala adequados; e adaptar a infraestrutura às necessidades emergentes e direções do mercado. Carmichael et al. (2011) definem a CGI como um construto de segunda ordem composto pela compilação e produção de informações; acesso à informação; e identificação de requisitos de distribuição de informações. Outro autor, Phadtare (2011) , propõe que a CGI está ligada a cinco fatores: aquisição e retenção, processamento e síntese, recuperação e uso, transmissão e divulgação, e sistema de apoio e integração. Com base nos três trabalhos mencionados acima (Carmichael et al., 2011; Mithas et al., 2011; Phadtare, 2011) , identificamos cinco dimensões da CGI (acesso, distribuição, pessoas, arquitetura e infraestrutura). Em seguida, como explicaremos detalhadamente nas próximas seções, realizamos uma análise de classificação de cartões com executivos, que apontou para uma escala composta por 10 itens dessas dimensões. A partir dessa análise, formulamos uma definição de CGI que, aplicada neste estudo, corresponde ao conjunto de habilidades da empresa que articulam a infraestrutura da informação, a arquitetura da informação e o acesso à informação, possibilitando o ajuste organizacional em resposta às mudanças impostas por ambientes externos. Assim, esperamos que as organizações com CGI mais desenvolvida sejam mais precisas em suas expectativas de valor e possam tirar proveito da assimetria da informação no MFE, de onde derivam imperfeições competitivas no MFE. Além disso, esperamos que as empresas que desenvolveram CGI com uma qualidade superior durante uma das eras anteriores de GI — Suporte a Decisão, Suporte Executivo, Processamento Analítico On-line e Inteligência e Análise de Negócios (Davenport, 2014) — tenham uma maior expectativa de valor da próxima fronteira do Big Data . Prevemos esse resultado porque o desenvolvimento da CGI em nível elevado impacta positivamente o desempenho organizacional (Carmichael et al., 2011; Mithas et al., 2011) , o que favorece um efeito polarizador das percepções entre o passado e o presente (Vasconcelos, Mascarenhas, & Vasconcelos, 2006) . A estratégia de Big Data é um conjunto de soluções baseadas em avanços recentes na análise de Big Data . As organizações buscam incorporar essas soluções em seus próprios processos de tomada de decisão com sucesso (Tabesh et al., 2019) . Assim, essas empresas têm uma maior expectativa de valor das estratégias de Big Data com base em suas experiências anteriores positivas com investimentos de GI. Por outro lado, as empresas que não atingiram o mesmo nível de CGI podem não ter tido o mesmo sucesso nos seus empreendimentos em GI, e essa experiência negativa pode resultar numa maior expectativa de custo para adotar esse tipo de estratégia. H1: As empresas com CGI mais elevada têm uma expecta - tiva de custo menor para implementar uma estratégia de Big Data . H2: As empresas com CGI mais elevada têm maiores expec - tativas de extração de valor da implementação de uma es - tratégia de Big Data . Expectativa de valor assimétrico e intenção de adquirir/desenvolver capacidades de estratégia de Big Data Estudos anteriores também demonstram o efeito positivo da utilização de dados para a aquisição de soluções de Big Data (Kwon et al., 2014) . No entanto, as empresas também podem desenvolver os recursos e capacidades para implementar uma estratégia de Big Data internamente. As organizações existem para realizar transações internas de modo mais eficiente do que seria realizá-las no mercado (Coase, 1937) . Por conseguinte, as empresas que não organizam os seus recursos para atingir os seus objetivos de maneira mais eficiente do que o mercado perdem a sua razão de existir.

Assim, a busca dos recursos necessários para implementar uma F RUM | CAPACIDADE DE GEST O DA INFORMA O E IMPLEMENTA O DE ESTRATÉGIA DE BIG DATA Antonio Carlos Gastaud Ma ada | Rafael Alfonso Brinkhues | Jos Carlos da Silva Freitas Junior ISSN 0034-7590; eISSN 2178-938X 382 © RAE | São Paulo | V. 5 9 | n. 6 | nov-dez 2019 | 379-388 estratégia de Big Data pode tomar dois caminhos: desenvolvê- los internamente ou adquiri-los no mercado. As organizações podem desenvolver internamente as capacidades necessárias para essa implementação se forem eficientes na reorganização dos recursos envolvidos. No entanto, se o custo para adquirir esses fundos no mercado for menor do que o valor para produzi- los internamente, as empresas tendem a adquiri-los. Os custos das transações são consequência da distribuição assimétrica e incompleta da informação entre as organizações envolvidas na troca (Cordella, 2006) . O surgimento de vários fornecedores com soluções para gerenciar Big Data provoca incerteza sobre o valor que as empresas podem extrair desses recursos. Assim, a decisão de adquirir ou desenvolver os fatores necessários para implementar uma estratégia de Big Data também é afetada pelas diferenças nas expectativas assimétricas de valor que a empresa pode extrair desse investimento. Acreditamos que diferentes níveis de expectativas influenciam positivamente ambas as decisões, seja a de adquirir ou a de desenvolver internamente os recursos para extrair valor de Big Data . H3a: Empresas com maiores expectativas de extração de valor das estratégias de Big Data têm maior intenção de ad - quirir essas soluções.

H3b: Empresas com maiores expectativas de extração de valor de Big Data têm maior intenção de desenvolver essas soluções internamente. Expectativa de custos assimétricos e intenção de adquirir/desenvolver capacidades de estratégia de Big Data Recursos como milhões de instruções por segundo (MIPS) e terabytes de armazenamento para dados estruturados são menos dispendiosos quando operados por meio de tecnologias de Big Data do que por meio de tecnologias tradicionais (Davenport, 2014) . No entanto, os custos de outros recursos menos tangíveis podem ser mais difíceis de prever. Por exemplo, os custos de transação frequentemente aumentam ao adotar uma solução de SI. No entanto, quando os custos associados à adoção não excedem os custos externos que afetam a adoção, as empresas podem reduzi- los (Cordella, 2006) . Assim como acreditamos que empresas com CGI mais bem desenvolvida tenham uma menor expectativa dos custos necessários para adotar uma estratégia de Big Data , também é provável que essa previsão de custos reduzidos aumente a predisposição para a implementação. Além disso, com uma expectativa de custo mais precisa, as empresas com um nível elevado de CGI podem criar uma estratégia adequada a seus orçamentos. Acreditamos que o efeito oposto também é válido: as empresas com CGI menos desenvolvidas tendem a ter previsões de custos menos exatas e, portanto, maior incerteza ao decidir se compram ou desenvolvem recursos para implementar uma estratégia de Big Data . H4a: Empresas com maiores expectativas dos custos para implementar estratégias de Big Data têm menor intenção de adquirir essas soluções.

H4b: Empresas com maiores expectativas do custo para im - plementar estratégias de Big Data têm menor intenção de desenvolver essas soluções internamente. Considerando as quatro hipóteses desenvolvidas acima, construímos o modelo de pesquisa. Uma ilustração disso pode ser vista na Figura 1. Figura 1. Modelo de pesquisa Expectativa de custo (EC) Teoria do mercado de fatores estratégicos Economia dos custos de transação Capacidade de gestão de informação(CGI) Intenção de aquisição (IA) Intenção de desenvolvimento (ID) Expectativa de valor (EV) H1 H3a H3b H4b H4a H2 F RUM | CAPACIDADE DE GEST O DA INFORMA O E IMPLEMENTA O DE ESTRATÉGIA DE BIG DATA Antonio Carlos Gastaud Ma ada | Rafael Alfonso Brinkhues | Jos Carlos da Silva Freitas Junior ISSN 0034-7590; eISSN 2178-938X 383 © RAE | São Paulo | V. 5 9 | n. 6 | nov-dez 2019 | 379-388 METODOLOGIA DE PESQUISA As hipóteses foram testadas utilizando uma modelagem de equações estruturais de mínimos quadrados parciais (PLS- SEM) com base nos dados da Survey . PLS-SEM é frequentemente recomendado para pesquisa em gestão, porque os dados nesse campo muitas vezes não aderem a uma distribuição normal multivariada, ao mesmo tempo que os modelos são complexos e podem ser informativos. Também é recomendado para amostras menores e modelos com menos suporte prévio na literatura (Hair, Hult, Ringle, & Sarstedt, 2016; Ringle, Silva, & Bido, 2014) . Diante das variáveis envolvidas e da natureza desta pesquisa, consideramos o uso dessa técnica estatística apropriada para testar empiricamente as hipóteses do modelo conceitual. No entanto, realizamos uma etapa preliminar que consistiu na aplicação de um questionário e análise de Card Sorting para propor uma escala para mensurar CGI. Descrevemos essa etapa na próxima seção, e em seguida descrevemos os passos e detalhes sobre a amostra, coleta de dados e validação.

Classificação de cartões para criar uma escala de CGI Adaptamos uma escala para medir a CGI na fase quantitativa usando uma Survey . Essa escala foi baseada em instrumentos de pesquisa existentes (Carmichael et al., 2011; Mithas et al., 2011) . A necessidade de construir uma escala de CGI que pudesse lidar com esse novo ambiente de dados não influenciou as demais variáveis, que já tinham escalas testadas. Para a escala, aplicamos a ferramenta Optimal Workshop para realizar uma classificação de cartões com 10 executivos de TI. Cada participante on-line levou uma média de sete minutos para concluir. Com base nos resultados da classificação de cartões, reduzimos a escala de 20 itens em cinco dimensões (pessoas, distribuição, acesso, infraestrutura e arquitetura de informação) para 10 itens, analisando uma matriz na qual usamos o corte acima de 60% de similaridade. Para avaliar as dimensões, utilizou-se uma análise de dendrograma para o melhor método de mesclagem, que frequentemente supera o método de concordância real quando uma pesquisa tem menos participantes. Ele faz suposições sobre clusters mais maciços com base em relacionamentos de pares individuais (Optimal Workshop, 2017) . As pontuações do corte representam 40% dos participantes que concordam com partes desse agrupamento.

Cinco dimensões emergiram do grupo de escalas-itens avaliados pelos executivos, que, por sua vez, foram selecionados a partir da literatura existente. Esse grupo foi coletado por meio da análise de classificação de cartões e nomeado com base nos itens coletados (pessoas, distribuição, acesso, infraestrutura e arquitetura da informação), de acordo com a análise dos autores dos resultados da etapa preliminar do estudo. Assim, desenvolvemos a escala de CGI para este estudo. Desenvolvemos essa escala porque uma pesquisa aprofundada sobre esse construto (Mithas et al., 2011) foi validada a partir de uma adaptação utilizando dados secundários preexistentes e também para incorporar elementos abordados em outros trabalhos (Carmichael et al., 2011) . As escalas para as demais variáveis do instrumento de pesquisa foram adaptadas da literatura e modificadas conforme necessário para este estudo.

Todos os itens usaram uma escala Likert de sete pontos (1-Discordo fortemente; 7-Concordo fortemente). A análise estatística foi realizada utilizando o pacote de software SmartPLS versão 3.2.0. Exemplo de quadro e coleta de dados Coletamos dados por meio de uma pesquisa on-line criada usando a plataforma Google Forms. Os dados foram coletados em redes sociais, principalmente de grupos específicos de discussão sobre os temas abordados. Cerca de 29.282 pessoas viram os avisos, 208 pessoas clicaram neles, e recebemos 114 formulários preenchidos. A taxa de resposta foi de 59%. Entre estas, 13 foram eliminadas por meio de três questões de validação inseridas no questionário para auxiliar o controle da qualidade dos dados, o que nos deixou com uma amostra final de 101 formulários. Assim, a amostra excede o mínimo de 68 casos considerando um poder de 0,8 e um tamanho de efeito médio f 2 de 0,15 (Hair et al., 2016) com as variáveis tendo um número máximo de dois preditores. A amostra mínima foi calculada usando a ferramenta G*Power 3.1 (Faul, Erdfelder, Buchner, & Lang, 2009) . Os entrevistados eram gerentes e executivos de TI ou de outras áreas relacionadas à implementação de estratégias de GI. A Tabela 1 resume os perfis das empresas respondentes, a partir do qual podemos concluir que a amostra é diversificada e levemente focada na indústria e tamanho, seja por meio do número de funcionários ou faturamento. As duas diferenças mais aparentes na variável de tamanho aparecem nas duas primeiras linhas. Na primeira linha, há uma porcentagem menor de empresas faturando até um milhão de dólares (16%), enquanto a porcentagem de empresas com até 50 funcionários é de 27%.

Em contrapartida, a segunda linha apresenta um percentual maior de faturamento (23% de 1 a 6,7 milhões de dólares) e um número menor de empregados. Uma possível explicação F RUM | CAPACIDADE DE GEST O DA INFORMA O E IMPLEMENTA O DE ESTRATÉGIA DE BIG DATA Antonio Carlos Gastaud Ma ada | Rafael Alfonso Brinkhues | Jos Carlos da Silva Freitas Junior ISSN 0034-7590; eISSN 2178-938X 384 © RAE | São Paulo | V. 5 9 | n. 6 | nov-dez 2019 | 379-388 para essas diferenças podem estar no elevado número de postos de trabalho tecnológicos, os quais têm um alto potencial de rentabilidade, mesmo tendo menos trabalhadores. Houve diferenças significativas nos resultados relativos ao tamanho da indústria ou da empresa. Ao utilizar técnicas de mistura finita em PLS, não foram identificadas classes latentes que evidenciem a presença de grupos dentro de uma amostra.

Tabela 1. Perfil das empresas respondentes Indústria % Número de Funcionários % Receita Anual % Tecnologia 24% Até 50 27% Até 1 milhão de dólares 16% Manufatura 18% 51-100 13% de 1 a 6,7 milhões de dólares 23% Serviços financeiros 12% 101-500 11% de 6,7 a 37,5 milhões de dólares 14% Serviços profissionais 11% 501-1.000 16% de 37,5 a 125 milhões de dólares 12% Outros 35% Mais de 1.000 33% Mais de 125 milhões de dólares 36% Nota: n=101 RESULTADOS Primeiramente, apresentamos uma análise dos resultados em termos do modelo de medição, seguida de uma avaliação do modelo estrutural.

Avaliação do modelo de medição O modelo de medição foi avaliado por meio de uma série de testes de confiabilidade, incluindo confiabilidade composta (CC), alfa de Cronbach, variância média extraída (VME) e validade discriminante (Hair et al., 2016; Ringle et al., 2014) . Como mostra a Tabela 2, seguindo os critérios de Fornell e Larcker (Henseler, Ringle, & Sinkovics, 2009) , o modelo converge, e o resultado é satisfatório, porque a VME de todas as variáveis está acima de 0,50. Embora o indicador tradicional para avaliar a consistência interna seja o alfa de Cronbach, CC é o melhor indicador para PLS-PM, pois é o menos sensível ao número de itens em cada construto (Ringle et al., 2014) . Na Tabela 2, também vemos que todas as variáveis apresentam ambos os indicadores (alfa de Cronbach e CC) acima de 0,7. Portanto, todas as variáveis são consideradas adequadas e satisfatórias (Hair et al., 2016) . Ainda na Tabela 2, relatamos os critérios de Fornell e Larcker (1981) para verificar a qualidade discriminante com base nos valores de correlação entre as variáveis. Os resultados indicam que não há correlação entre variáveis distintas maiores que a raiz quadrada da VME de cada variável (destacadas em cinza na diagonal principal). Como último critério para avaliar a qualidade do modelo de medida, a validade discriminante foi calculada utilizando uma análise de cargas cruzadas (Chin, 1998) . Na Tabela 3, não encontramos indicadores com cargas fatoriais abaixo de sua variável em relação aos demais. Tendo atendido os critérios de qualidade e a validade discriminante do modelo, avaliaremos, na próxima subseção, o modelo estrutural. Tabela 2. Critérios de qualidade Variáveis VME Confiabilidade composta Alfa de Cronbach EC ID CGI IA EV Expectativa de custo 0,778 0,875 0,715 0,882 Intenção de desenvolvimento 0,698 0,874 0,784 -0,304 0,836 CGI 0,548 0,923 0,907 -0,407 0,258 0,740 Intenção de aquisição 0,657 0,851 0,747 -0,405 0,735 0,300 0,811 Expectativa de valor 0,819 0,901 0,780 -0,392 0,318 0,647 0,360 0,905 Média 4,75 3,26 4,18 3,40 5,16 DP 1,64 1,87 1,64 1,92 1,67 Nota: VME = Variância Média Extraída; EC = Expectativa de Custo; ID = Intenção de Desenvolvimento; CGI = Capacidade de Gestão da Informação; IA = Intenção de Aquisição; EV = Expectativa de Valor.

F RUM | CAPACIDADE DE GEST O DA INFORMA O E IMPLEMENTA O DE ESTRATÉGIA DE BIG DATA Antonio Carlos Gastaud Ma ada | Rafael Alfonso Brinkhues | Jos Carlos da Silva Freitas Junior ISSN 0034-7590; eISSN 2178-938X 385 © RAE | São Paulo | V. 5 9 | n. 6 | nov-dez 2019 | 379-388 Tabela 3. Cargas cruzadas Itens x Variáveis CGI EC ID IA EV CGI1 0,585 -0,178 0,022 0,004 0,363 CGI2 0,757 -0,255 0,236 0,263 0,459 CGI3 0,784 -0,273 0,177 0,165 0,543 CGI4 0,823 -0,347 0,319 0,351 0,656 CGI5 0,817 -0,289 0,190 0,203 0,600 CGI6 0,697 -0,182 0,033 -0,048 0,349 CGI7 0,735 -0,265 0,308 0,480 0,486 CGI8 0,686 -0,293 0,107 0,286 0,425 CGI9 0,711 -0,417 0,125 0,191 0,337 CGI10 0,773 -0,455 0,259 0,186 0,452 EC1 -0,387 0,885 -0,299 -0,316 -0,390 EC2 -0,331 0,879 -0,237 -0,399 -0,301 ID1 0,253 -0,285 0,826 0,819 0,305 ID2 0,239 -0,204 0,892 0,588 0,253 ID3 0,145 -0,261 0,786 0,385 0,226 IA1 0,253 -0,285 0,826 0,819 0,305 IA2 0,249 -0,404 0,481 0,858 0,362 IA3 0,229 -0,269 0,517 0,751 0,166 EV1 0,557 -0,361 0,325 0,362 0,907 EV2 0,615 -0,349 0,250 0,289 0,903 Avaliação do modelo estrutural Para testar as hipóteses e o poder preditivo do modelo, foram calculados os coeficientes de determinação de Pearson (R 2), o tamanho do efeito (f 2), a validade preditiva (Q 2) e o coeficiente de caminho (r). De acordo com os critérios de Cohen (1988) , pode-se verificar um efeito médio do modelo sobre as variáveis expectativa de custo (EC) (0,166) e intenção de desenvolvimento (ID) (0,139), um grande efeito sobre a variável expectativa de valor (EV) (0,419) e um efeito relativamente grande sobre a variável intenção de aquisição (0,212). A análise de bootstrapping com mil amostras demonstra que todas as relações das variáveis observáveis com as variáveis latentes, e aquelas entre as variáveis latentes, apresentam correlações significativas e coeficientes de regressão considerando p<0,001, o que faz com que H0 seja rejeitada.

Em seguida, foram realizadas duas outras avaliações de qualidade do ajuste do modelo, a validade preditiva (Q 2) e o tamanho do efeito (f2 2), por meio do procedimento de olhos vendados. A Tabela 4 mostra que todos os Q 2s estão acima de zero, demonstrando a precisão do modelo. A análise do tamanho do efeito considera uma utilidade média de EC, ID e intenção de aquisição (IA) para ajustar o modelo. Os resultados aproximam-se de uma utilidade relativamente grande do EV de acordo com os critérios de Hair et al. (2016) . Finalmente, os coeficientes de caminho, ilustrados na Figura 2, mostram que os resultados confirmam todas as hipóteses.

Tabela 4. Resultados de R 2, Q 2 e f 2 Relações R2 Q2 f2 EC 0,166 0,112 0,189 ID 0,139 0,085 0,143 IA 0,212 0,111 0,119 EV 0,419 0,333 0,339 Considerando os pressupostos teóricos do MFE, H1 foi confirmado, uma vez que a CGI teve um impacto negativo sobre o CE de estratégias de Big Data ; ou seja, quanto mais desenvolvido for a CGI da empresa, menor será a expectativa da despesa para implementar uma estratégia de Big Data . A análise do coeficiente de caminho destaca que o efeito da CGI é ainda mais evidente na expectativa do valor (EV) dessas estratégias. A Hipótese 2 foi confirmada, indicando que essa habilidade pode ser uma fonte potencial de imperfeições no MFE para Big Data em ambos os casos. A outra metade do modelo (H3 e H4) descreve o impacto da expectativa de implementar estratégias de Big Data em termos de custo e valor na intenção de adquirir (H3 e H4) e desenvolver (H3b e H4b) essas capacidades. Ambas as hipóteses foram confirmadas.

Esse impacto foi negativo para as Hipóteses 3a (compra) e 3b (desenvolvimento), demonstrando que uma alta expectativa de custo tem um impacto negativo na intenção de adquirir ou F RUM | CAPACIDADE DE GEST O DA INFORMA O E IMPLEMENTA O DE ESTRATÉGIA DE BIG DATA Antonio Carlos Gastaud Ma ada | Rafael Alfonso Brinkhues | Jos Carlos da Silva Freitas Junior ISSN 0034-7590; eISSN 2178-938X 386 © RAE | São Paulo | V. 5 9 | n. 6 | nov-dez 2019 | 379-388 desenvolver estratégias de Big Data . Os resultados também confirmaram as Hipóteses 4a e 4b. Em outras palavras, a intenção de adquirir ou desenvolver estratégias de Big Data foi positiva quando a expectativa de valor (EV) de uma estratégia de Big Data era maior. Figura 2. Resultados do modelo empírico: coeficientes de caminho e R² – 0,407*** – 0.212*** 0.312*** 0,235*** 0,647*** 0,238*** Expectativa de custoR2 = 0,166 Intenção de aquisiçãoR2 = 0,212 Intenção de desenvolvimentoR2 = 0,139 Expectativa de valorR2 = 0,419 Capacidade de gestão de informação CONSIDERAÇÕES FINAIS Finalizamos esta seção com uma discussão sobre o assunto e um esboço de futuras direções de pesquisa.

Contribuições para a literatura Este artigo contribui para a literatura de sistemas de informação de gestão explorando um tema relativamente recente ( Big Data ) e sua relação com uma capacidade existente de uma empresa (CGI).

Especificamente, analisamos esse fenômeno focando o seu impacto nas organizações. “Esse foco cria uma ligação mais estreita entre dados e modelos de negócios: nos preocupamos profundamente com a transformação de negócios e a criação de valor através de dados, e menos com algoritmos ou estruturas sem uma ligação com o valor empresarial” (Agarwal & Dhar, 2014, p. 445) . Em primeiro lugar, a pesquisa empregou uma teoria raramente utilizada em SI – MFE. Essa teoria, juntamente com a teoria do custo de transação (amplamente utilizada em SI), serviu como base para o desenvolvimento das hipóteses e confirmou a análise estatística. Considerando esse fundamento teórico e indicações encontradas na literatura, foi possível estabelecer a Hipótese 1. Nossos resultados atestam que a CGI pode ter um impacto negativo no custo esperado dos recursos necessários para implementar uma estratégia de Big Data . Esses resultados confirmam que as organizações têm expectativas de custo diferentes na busca de recursos estratégicos (Barney, 1986) . A CGI desempenha um papel relevante nessa variedade de percepções, seja por meio de maior acurácia (Mithas et al., 2011) no acesso e distribuição da informação, seja pelo efeito perceptivo de polarização (Vasconcelos et al., 2006) . As empresas que não conseguiram desenvolver com êxito a CGI podem ter uma expectativa mais elevada do custo para implementar uma nova estratégia relacionada com GI. Entretanto, esse efeito parece ser mais evidente nas relações da Hipótese 2. Demonstramos que a CGI impacta positivamente a extração de valor esperada de uma estratégia de Big Data . Esse foi o efeito mais significativo que encontramos, podendo indicar um produto das habilidades desenvolvidas ou um reflexo de experiências bem-sucedidas em GI. Por outro lado, nas Hipóteses 3a (compra) e 3b (desenvolver), explicamos o impacto do custo esperado na intenção de aquisição ou desenvolvimento dos recursos e capacidades para implementar uma estratégia para lidar com dados volumosos e heterogêneos. O impacto negativo foi confirmado por dados empíricos, demonstrando que uma expectativa de custo elevada tem um impacto ainda mais negativo na intenção de aquisição do que na intenção de desenvolver os recursos e capacidades necessários para estabelecer a estratégia internamente. Por outro lado, os resultados confirmaram a Hipótese 4 (H4a e H4b), mostrando que uma maior expectativa de extração futura de valor impacta positivamente a intenção de adquirir ou desenvolver estratégias de Big Data . Nesse caso, os efeitos de tamanho encontrados para a intenção de adquirir ou desenvolver os recursos necessários para essas estratégias foram muito semelhantes. No entanto, este estudo não teve como objetivo avaliar se essas expectativas correspondem ou não à realidade do mercado. É importante notar que, no geral, investimentos em estratégias de SI só reduzem os custos de transação se a empresa consome menos recursos do que a quantidade gerada pela economia (Ciborra, 1996) .

F RUM | CAPACIDADE DE GEST O DA INFORMA O E IMPLEMENTA O DE ESTRATÉGIA DE BIG DATA Antonio Carlos Gastaud Ma ada | Rafael Alfonso Brinkhues | Jos Carlos da Silva Freitas Junior ISSN 0034-7590; eISSN 2178-938X 387 © RAE | São Paulo | V. 5 9 | n. 6 | nov-dez 2019 | 379-388 Através de duas perspectivas teóricas, nossa pesquisa contribui para a compreensão do impacto que a CGI existente pode ter na adoção ou não de novas estratégias em resposta a mudanças na gestão da informação. Ainda mais importante, este estudo revelou o papel dessa capacidade como fonte potencial de imperfeições no MFE, podendo, assim, ser um primeiro passo para investigar o papel da CGI no desempenho competitivo das empresas. Além disso, juntamente com a adoção da perspectiva da literatura sobre CGI, propomos uma nova definição mais alinhada com o contexto atual e as necessidades de GI das organizações.

Também propusemos e validamos uma nova escala para medir esse construto.

Implicações práticas Podemos categorizar as implicações práticas deste estudo para dois tipos de organizações: aquelas que buscam soluções para responder às mudanças ambientais causadas pelo Big Data e aquelas que oferecem essas soluções. Para as empresas que planejam implementar estratégias de Big Data , os resultados revelam uma grande variação nas expectativas tanto do valor quanto do custo dos recursos necessários. Essa variação pode traduzir-se em oportunidades de buscar no mercado por recursos subestimados ou de incorrer no risco de adquirir recursos sobrevalorizados. Para reduzir esses riscos e melhorar o desempenho na exploração dessas oportunidades, nossos resultados mostram que investir em GI não só melhora o desempenho organizacional (Carmichael et al., 2011; Mithas et al., 2011) , como também pode ajudar as empresas a avaliar estratégias futuras. Já para o outro lado do mercado, este estudo pode prover, para empresas que oferecem os recursos e capacidades para implementar estratégias de Big Data , algum insight sobre as expectativas de seus consumidores atuais ou potenciais.

Compreender as diferenças nas percepções de organizações com níveis diversos de CGI pode ajudar as empresas a criar uma solução adequada e contribuir para o sucesso dessa solução no desenvolvimento da CGI em níveis mais elevados para seus clientes.

Limitações e estudos futuros Nossa amostra de estudo foi muito heterogênea, como mostra a Tabela 1, pois coletamos dados de maneira não sistemática, o que pode, portanto, não refletir inteiramente a população de empresas. Também não é possível identificar se os resultados se aplicam a um grupo específico de organizações. Mensuramos os construtos de intenção de aquisição e expectativa de custo utilizando apenas dois indicadores, e, apesar de ambos apresentarem bom desempenho em termos de validade e confiabilidade, ainda assim, utilizamos um indicador a menos do que o recomendado. Esta pesquisa abre caminho para novas investigações em SI, em especial as relacionadas à CGI, o contexto do Big Data , e até mesmo novos estudos utilizando a teoria do MFE. Em relação à CGI, acreditamos que pesquisas futuras podem confirmar o papel estratégico dessas capacidades, especialmente nesse contexto de Big Data . Os pesquisadores podem usar o MFE para analisar outros fenômenos na área e conectá-lo a outras teorias na literatura de SI. O modelo pode mostrar-se válido para as estratégias de SI em geral e pode ser investigado no contexto de outras tecnologias (como análise de negócios ou inteligência de negócios).

CONCLUSÃO Este estudo, apesar de trazer resultados quantitativos, é exploratório, dada a natureza do conteúdo analisado. Buscamos investigar como a CGI preexistente dentro das organizações afeta as expectativas e intenções dessas empresas de adotar uma nova estratégia de GI. Nossos resultados oferecem insights sobre o efeito exercido nas relações entre CGI e custo e expectativa de valor futuro, além do impacto dessas expectativas na intenção de adquirir ou desenvolver os recursos necessários para implementar uma estratégia de Big Data . De modo geral, os resultados revelaram que a CGI influencia positivamente a expectativa de valor e influencia negativamente a expectativa de custo. A expectativa de valor impacta de maneira homogênea e positiva a intenção de adquirir ou desenvolver esses recursos. Finalmente, a expectativa de custo influencia negativamente a intenção de desenvolvimento e, de modo ainda mais contundente, a intenção de aquisição dos recursos e capacidades de Big Data . Se um recurso fundamental para a sobrevivência nesse novo ambiente é a capacidade de obter acesso a mais informações sendo capaz de gerenciar esse fluxo de informação (Cordella, 2006) , esta pesquisa contribui para a literatura de SI explorando o potencial da CGI nesse contexto de Big Data . Do ponto de vista acadêmico, este estudo testou uma teoria pouco utilizada na literatura, que os pesquisadores podem explorar ainda mais para analisar temas de SI. Por fim, esta pesquisa pode ajudar empresas que fornecem soluções de Big Data , bem como empresas que pretendem investir em estratégias para lidar com essa mudança no ambiente da gestão da informação.

F RUM | CAPACIDADE DE GEST O DA INFORMA O E IMPLEMENTA O DE ESTRATÉGIA DE BIG DATA Antonio Carlos Gastaud Ma ada | Rafael Alfonso Brinkhues | Jos Carlos da Silva Freitas Junior ISSN 0034-7590; eISSN 2178-938X 388 © RAE | São Paulo | V. 5 9 | n. 6 | nov-dez 2019 | 379-388 AGRADECIMENTOS Os autores agradecem o apoio financeiro do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) e da Coordenação de Aperfeiçoamento de Pes - soal de Nível Superior (CAPES). REFERÊNCIAS Agarwal, R., & Dhar, V. (2014). Editorial- Big Data , data science, and analytics: The opportunity and challenge for IS research . Information Systems Research, 25 (3), 443-448. doi:10.1287/isre.2014.0546 Barney, J. (1986). Strategic factor markets: Expectations, luck, and business strategy . Management Science, 32 (10), 1231-1241. Brinkhues, R., Maçada, A., & Casalinho, G. (2014). Information management capabilities: Antecedents and consequences. In Twentieth Americas Conference on Information Systems . Savannah, 1-11. Retrieved from https://pdfs.semanticscholar. org/1503/001cb9628f35acd727c4b31b02f613f6523c.pdf Brown, B., Chui, M., & Manyika, J. (2011). Are you ready for the era of “Big Data ”? Retrieved from http://www.t-systems.com/solutions/ download-mckinsey-quarterly-/1148544_1/blobBinary/Study-McKinsey-Big-data.pdf [Accessed November 23, 2014]. Carmichael, F., Palacios-Marques, D., & Gil-Pechuan., I. (2011). How to create information management capabilities through web 2.0. The Service Industries, 31 (10), 1613-1625. doi:10.1080/02642069.2010.485635 Chiang, R. H. L., Grover, V., Liang, T.-P., & Zhang, D. (2018). Special Issue: Strategic value of Big Data and business analytics . Journal of Management Information Systems, 35 (2), 383-387. doi:10.1080/074 21222.2018.1451950 Chin, W. W. (1998). The partial least squares approach for structural equation modeling. In G. A. Marcoulides (Ed.), Modern methods for business research (pp. 295-236). London, UK: Laurence Erlbaum Associates.

Ciborra, C. U. (1996). Teams, markets, and systems: Business innovation and information technology. New York, NY: Cambridge University Press.

Coase, R. H. (1937). The nature of the firm . Economica, 4 (16), 386-405. doi:10.1111/j.1468-0335.1937.tb00002.x Cohen, J. (1988). Statistical power analysis for the behavioral sciences 2nd ed. New Jersey, NJ: Lawrence Erlbaum Associates. Cordella, A. (2006). Transaction costs and information systems: Does IT add up? Journal of Information Technology, 21 (3), 195-202. doi:10.1057/palgrave.jit.2000066 Davenport, T. H. (2014). Big Data at work: Dispelling the myths, uncovering the opportunities . Boston, MA: Harvard Business School Publishing.

Davenport, T. H., Barth, P., & Bean, R. (2012). How “ Big Data ” is different . Sloan Management Review, 54 (1), 21–24. Davenport, T. H., & Bean, R. (2018). Data and innovation: How Big Data and AI are driving business innovation. New Vantage Partners LLC. Retrieved from https://newvantage.com/wp-content/ uploads/2018/01/Big-Data-Executive-Survey-2018-Findings.pdf Faul, F., Erdfelder, E., Buchner, A., & Lang, A. G. (2009). Statistical power analyses using G* Power 3.1: Tests for correlation and regression analyses . Behavior Research Methods, 41 (4), 1149–1160. doi:10.3758/BRM.41.4.1149 Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error . Journal of Marketing Research, 18 (1), 39-50. doi:10.2307/3151312 Gartner. (2014). Newsroom Gartner survey reveals that 73 percent of organizations have invested or plan to invest in Big Data in the next two years. Retrieved from http://www.gartner.com/newsroom/id/2848718 Günther, W. A., Rezazade Mehrizi, M. H., Huysman, M., & Feldberg, F. (2017). Debating Big Data : A literature review on realizing value from Big Data . Journal of Strategic Information Systems, 26 (3), 191-209. doi:10.1016/j.jsis.2017.07.003 Hair Jr, J. F., Hult, G. T. M., Ringle, C., & Sarstedt, M. (2016). A primer on partial least squares structural equation modeling (PLS-SEM) . Thousand Oaks, CA: Sage Publications.

Henseler, J., Ringle, C., & Sinkovics, R. (2009). The use of partial least squares path modeling in international marketing. Retrieved from https://opus.lib.uts.edu.au/research/handle/10453/10057 International Data Corporation. (2018). Revenues for Big Data and business analytics solutions forecast to reach $260 billion in 2022, Led by the banking and manufacturing industries, according to IDC. Retrieved from https://www.idc.com/getdoc.jsp?containerId=prUS44215218 Johnson, J. (2012). Big Data + Big Analytics = Big Opportunity. Financial Executive, 28 (6), 50–53. Kwon, O., Lee, N., & Shin, B. (2014). Data quality management, data usage experience and acquisition intention of Big Data analytics . International Journal of Information Management, 34 (3), 387-394. doi:10.1016/j.ijinfomgt.2014.02.002 Lakoju, M., & Serrano, A. (2017). Framework for aligning Big-Data strategy with organizational goals. Proceedings of Twenty-third Americas Conference on Information Systems, Boston.

McAfee, A., & Brynjolfsson, E. (2012). Big Data : The management revolution . MIT Sloan Management Review, 90 (10), 61–68. Mckendrick, J. (2013). 2013 Big Data opportunities survey. Unisphere Research . New Providence. http://www.unisphereresearch.com/ Issues/5375-Big-Data-Big-Challenges-Big-Opportunities-2012-IOUG-Big-Data-Strategies-Survey.htm Mithas, S., Lee, M., Earley, S., Murugesan, S., & Djavanshir, R. (2013). Leveraging Big Data and business analytics . IT Professional, 15 (6), 18-20. doi:10.1109/MITP.2013.95 Mithas, S., Ramasubbu, N., & Sambamurthy, V. (2011). How information management capability influences firm performance . MIS Quarterly, 35(1), 237-256. Mohanty, S., Jagadeesh, M., & Srivatsa, H. (2013). The new information management paradigm. In S. Mohanty, M. Jagadeesh, & H. Srivatsa , Big Data Imperatives (pp. 25-44). Berkeley, CA: Apress. Optimal WorkShop (2017). Card sorting 101. Your guide to creating and running an effective card sort. Retrieved from https://www.optimalworkshop.com/101/card-sorting Phadtare, M. (2011). Strategic management: Concepts and cases . New Delhi, India: PHI Learning Pvt. Ltd.

Ringle, C. M., Silva, D., & Bido, D. de S. (2014). Modelagem de equações estruturais com utilização do Smartpls . Revista Brasileira de Marketing, 13 (2), 56-73. doi:10.5585/remark.v13i2.2717 Tabesh, P., Mousavidin, E., & Hasani, S. (2019). Implementing Big Data strategies: A managerial perspective . Business Horizons, 62 (3), 347– 358. doi:10.1016/j.bushor.2019.02.001 Vasconcelos, I. F. G. De, Mascarenhas, A. O., & Vasconcelos, F. C. De, (2006). Gestão do paradoxo “passado versus futuro”: Uma visão transformacional da gestão de pessoas. RAE-Eletrônica, 5 (1). Retrieved from https://rae.fgv.br/rae-eletronica/ Wang, Y., Kung, L. A., Wang, W. Y. C., & Cegielski, C. G. (2018). An integrated Big Data analytics-enabled transformation model: Application to health care . Information and Management, 55 (1), 64- 79. doi:10.1016/j.im.2017.04.001 White, M. (2012). Digital workplaces: Vision and reality . Business Information Review, 29 (4), 205-214. doi:10.1177/0266382112470412 F RUM | CAPACIDADE DE GEST O DA INFORMA O E IMPLEMENTA O DE ESTRATÉGIA DE BIG DATA Antonio Carlos Gastaud Ma ada | Rafael Alfonso Brinkhues | Jos Carlos da Silva Freitas Junior ISSN 0034-7590; eISSN 2178-938X Copyright ofRAE: Revista deAdministração deEmpresas isthe property ofFundacao Getulio Vargasanditscontent maynotbecopied oremailed tomultiple sitesorposted toa listserv without thecopyright holder'sexpresswrittenpermission. However,usersmayprint, download, oremail articles forindividual use.