Objetivo do estudo
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.
Relevância/originalidade
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.
Metodologia/abordagem
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.
Principais resultados
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.
Contribuições teóricas/metodológicas
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.
Contribuições sociais/para a gestão
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.