Transformação digital: uso de clusterização na formulação de políticas de aumento da maturidade digital de empresas brasileiras

Abstract

A transformação digital é um processo estratégico essencial para o fortalecimento da competitividade do setor produtivo brasileiro. Contudo, a ampla heterogeneidade das empresas em termos de porte, setor e distribuição regional impõe desafios à formulação de políticas públicas padronizadas. Este trabalho investiga o uso de técnicas de clusterização como alternativa metodológica para segmentar empresas segundo seus níveis de maturidade digital e, assim, subsidiar o desenho de políticas mais direcionadas e eficazes. Utilizando dados da 6ª edição do Índice de Maturidade Digital - IMD da Agência Brasileira de Desenvolvimento Industrial - ABDI, aplicado a 2.000 empresas, foram testados diferentes métodos de clusterização, incluindo hierárquico, k-means, k-modes e Partitioning Around medoids – PAM. A qualidade dos agrupamentos foi avaliada por meio dos índices Calinski-Harabasz - CH, Davies-Bouldin - DBI, Silhueta e ANOVA, permitindo a comparação dos métodos e a identificação da abordagem mais eficiente. Os resultados indicaram que o k-means apresentou o melhor desempenho, com maior separação dos clusters, com um CH de 630,96, menor sobreposição entre grupos segundo o índice DBI de 1,53 e uma estrutura bem definida segundo o método Silhueta, que foi de 0,23. Como segunda melhor opção, a classificação feita pela ABDI apresentou resultados satisfatórios, porém com menor eficiência na separação dos agrupamentos dos clusters. Os achados deste estudo indicam que a clusterização utilizando o algoritmo k-means é a melhor abordagem para segmentação das empresas brasileiras quanto à maturidade digital, permitindo uma melhor definição dos grupos e, consequentemente, facilitando a formulação de políticas públicas mais precisas. A categorização IMD ABDI, embora menos eficiente, pode ser considerada uma alternativa viável para análises complementares. Além disso, observou-se que fatores como porte, setor e região influenciam fortemente a distribuição dos clusters, revelando padrões estruturais que a categorização do IMD ABDI não captura plenamente. Os resultados demonstram que a clusterização é uma ferramenta robusta para segmentação de empresas, permitindo a formulação de políticas públicas modulares, progressivas e mais aderentes à realidade de diferentes perfis empresariais.

Digital transformation is a strategic process essential for strengthening the competitiveness of the Brazilian productive sector. However, the broad heterogeneity of companies in terms of size, sector, and regional distribution poses challenges to the formulation of standardized public policies. This study investigates the use of clustering techniques as a methodological alternative to segment companies according to their levels of digital maturity, thus supporting the design of more targeted and effective policies. Using data from the 6th edition of the Digital Maturity Index (IMD) by the Brazilian Industrial Development Agency (ABDI), applied to 2,000 companies, different clustering methods were tested, including hierarchical, k-means, k-modes, and Partitioning Around Medoids (PAM). The quality of the groupings was evaluated using the Calinski-Harabasz (CH), Davies-Bouldin Index (DBI), Silhouette method, and ANOVA, allowing for a comparison of the methods and the identification of the most efficient approach. The results indicated that k-means performed the best, with greater cluster separation, a CH score of 630.96, lower overlap between groups with a DBI of 1.53, and a well-defined structure according to the Silhouette method, which scored 0.23. As the second-best option, the classification adopted by ABDI showed satisfactory results, although less efficient in separating clusters. The findings of this study indicate that clustering using the k-means algorithm is the most effective approach for segmenting Brazilian companies by digital maturity, allowing for better group definition and, consequently, facilitating the formulation of more precise public policies. Although less efficient, the IMD ABDI categorization can be considered a viable alternative for complementary analyses. Additionally, it was observed that factors such as company size, sector, and region strongly influence cluster distribution, revealing structural patterns that the IMD ABDI categorization does not fully capture. The results demonstrate that clustering is a robust tool for business segmentation, enabling the formulation of modular, progressive, and more context-sensitive public policies tailored to the reality of different business profiles.