Resumo

Objetiva-se analisar quantitativa e qualitativamente os possíveis impactos dos diversos métodos de definição de metas adotados por quatorze empresas no seu desempenho estratégico global, ao mesmo tempo em que apresenta uma abordagem prática e compara elementos críticos das diferentes metodologias.

O estudo testa machine learning em dados gerenciais, aponta elementos relevantes de diferentes metodologias de definição de metas e introduz uma abordagem prática baseada em casos reais. Portanto, propõe-se uma discussão atualizada para profissionais e estudiosos de gestão estratégica.

Valendo-se da análise de conteúdo (Bardin, 2016), apresenta-se uma abordagem alternativa para desdobramento de metas. Posteriormente, por um método estatístico descritivo denominado de regressão em árvore (James et al, 2013), um banco de dados com indicadores de performance é analisado.

Observou-se a importância dos níveis hierárquicos baixo e médio para o desempenho corporativo. A regressão em árvore apresentada como uma ferramenta para análise gerencial. Elementos críticos das metodologias são diferenciados, enquanto BSC, MBO e Hoshin Kanri convergiram em impactos corporativos.

Enquanto apresenta uma visão geral sobre sistemas de controle de gerenciamento, com objetividade uma tabela contrasta os principais componentes dos métodos MBO, BSC, Hoshin Kanri e OKR. A contribuição continua ao testar estatisticamente experiências práticas com esses métodos no desempenho das empresas.

Evidencia-se a importância do desdobramento de metas nos níveis hierárquicos intermediários e inferiores Apresenta-se o risco de aplicar metas ambiciosas, enquanto compara empiricamente os impactos de bonificação, sistemas de pontuação, metas individuais ou compartilhadas e evidencia métodos que desempenham com mais precisão.

This research aims to analyze quantitively and qualitatively the possible impacts of the diverse goals setting methods adopted by fourteen companies in their global strategic performance, while introducing a practical approach and comparing critical elements of the different methodologies.

The study tests a machine learning method to managerial data, pointing out relevant elements from different goals setting methodologies while introducing a hands-on approach based on real cases, thus it provides aa updated discussion to professionals and scholars in strategic management.

A content analysis (Bardin, 2016) expounds an alternative approach for goals deployment and complements the performance database with qualitative information. Then, relying upon descriptive statistical method called tree regression (James et al, 2013), such database is analyzed quantitively and qualitatively.

The importance of middle and low hierarchical levels for corporate performance was observed. Tree regression presented as a visual tool for managerial analysis. Methodologies’ critical elements are differentiated, while BSC, MBO and Hoshin Kanri converged in attributes and corporate impacts.

While briefly overviews management control systems framework, a crystal-clear table with key contrasting components of MBO, BSC, Hoshin Kanri and OKR is presented. The contribution goes on when testing statistically practical experiences from organizations with these methods on corporations’ performances.

It sheds light on the importance of correctly cascading goals throughout middle and lower hierarchical levels, presents the risk of applying stretched goals, while contrasting empirically the impacts of bonuses, scoring systems, and finally evidences methods that performs more precisely.