Inteligência Artificial na prática: 4 dicas para uma adoção efetiva nas empresas
É inegável o impacto da Inteligência Artificial (e portanto Analytics) na economia global e na sociedade.
Empresas inovadoras como Amazon, Facebook, Airbnb e Netflix revolucionaram o uso inteligente de dados para transformar completamente seus negócios, maximizando receita, reduzindo custos operacionais e, talvez o mais significativo ao longo prazo, reinventando o paradigma da experiência do usuário.
Ao correlacionar e interpretar grandes volumes de dados, é possível identificar padrões e isso se materializa em conhecer melhor comportamentos, predizer intenções, personalizar o consumo.
A simplicidade de uso gera fidelidade, recompra e marketing boca-a-boca que se espalha rapidamente trazendo novos clientes. No backstage, o alicerce tecnológico é a inteligência artificial, empregada em suas diferentes facetas - Analytics, deep learning, cognição, automação entre outras.
O hype é frenético pois os resultados são reais e impressionantes.
O Airbnb, por exemplo, possui mais de 100 de modelos de machine learning apenas em seu site, guiando e auxiliando seus usuários e modelando sua experiência de uso.
Qualquer usuário se surpreenderia quantas vezes interagem com um modelo de machine learning enquanto navega no airbnb.com, revela Mihajlo Grbovic, cientista de dados senior na Airbnb.
Para a Netflix, seu mecanismo de recomendação, composto de dezenas de modelos de machine learning, tem a missão contínua de sugerir o melhor conteúdo possível para cada usuário. Tão importante quanto geração contínua de conteúdo, a personalização é elemento chave para seu negócio e garante que encontraremos rapidamente um novo filme ou série que nos agrada.
Encantados com os resultados, empresas de todos os segmentos se lançam no roadmap da inteligência artificial, buscando adaptar seus negócios para este novo paradigma.
Parece um exagero? O hype é real, a mídia e marketing fazem seu papel e o termo IA explodiu e começou a ser utilizado em todo tipo de discursos e ofertas.
Pesquisa da Bloomberg sobre o aumento de citações de IA
E o reflexo do mercado é uma espécie de corrida do ouro - 88% dos executivos C-level acreditam que sua empresa deve incorporar IA, pois está na moda - no entanto não tem muita certeza de como utilizar.
Entre a enorme expectativa e promessas de um retorno promissor, a ansiedade esbarra em dificuldades na adoção da estratégia correta e (em muitos casos) gera resultados e experiências ruins.
O IDC estima que 70% das iniciativas de transformação digital irão falhar. Cerca de 87% das empresas ainda têm uma maturidade baixa em BI e Analytics. E aqueles que começaram a se aventurar reconhecem que ainda precisam avançar - 82% das empresas sentem que ainda não estão obtendo ROI suficiente de Analytics.
Mas, se algumas empresas estão colhendo excelente resultados, qual a causa raiz de tamanha dificuldade? O problema não está na tecnologia, mas na estratégia e operacionalização da adoção.
A seguir algumas dicas com foco prático que podem auxiliar neste processo.
Uma estratégia efetiva para adoção de IA
Embora seja possível (e deve-se buscar) obter resultados de curto prazo (quick wins), eles devem fazer parte de um roadmap, uma visão de longo prazo alinhado a metas estratégicas do negócio, orientadas a priorização, planejamento e acompanhamento eficiente através de métricas e KPIs bem definidos.
Através do planejamento será possível identificar ações de curto prazo ( menor dependência, bom custo/benefício), e outras que dependerão de preencher algumas lacunas antes que possam ser realizadas (sistematização, coleta de dados, qualidade dos dados, entre vários).
Ao não seguir este roadmap de maturidade, empresas acabam gerando pouco resultado e experiências ruins, fato que gera resistência para futuras conversas sobre IA.
Automação e Cognição
30% do total das horas trabalhadas serão automatizadas até 2030, pesquisa da McKinsey & Company
Automação e cognição são dois candidatos para se avaliar ganhos em curto prazo (sempre lembrando que devem fazer parte de um todo - o roadmap de IA). Tecnologias como RPA (Robotic Process Automation), interpretação de linguagem natural (NLU), engines de conversação (chatbots) miram em tarefas de natureza simples porém executadas em grande escala, demandando um conjunto grande horas da equipe.
Atendimento de dúvidas (ou chamados de primeiro nível), reset de senhas, classificação de textos não estruturados (e-mails, formulários) são alguns exemplos de atividades executadas centenas de vezes ao dia, tipicamente bastante triviais porém essenciais para continuidade do negócio - essa característica os define como bons candidatos para se ter retorno rápido.
Perigos a serem observados:
- Automatizar um processo ruim é conceber uma automação ruim - em alguns cenários é necessário dar um passo atrás e melhorar o processo;
- Uma qualidade ruim de implementação pode gerar um resultado frustrante - por exemplo, um chatbot com baixo grau de assertividade gera frustração e no final das contas o call center continuará a ser acionado, mas desta vez por um cliente já irritado.
Democratização dos dados
In God we trust, others must provide data, W. Edwards Deming
Daniel Kahneman, psicólogo renomado, ganhou em 2002 o prêmio Nobel de Economia resultado de seu trabalho sobre o processo de decisão e julgamento dos seres humanos (compilados em seu excelente livro Thinking, Fast and Slow). Em termos gerais, utilizamos muito a intuição para tomar decisões, mesmo que estejam erradas. Por natureza utilizamos muito pouco estatística e probabilidade como insumos para formar nossos julgamentos, fato que aumenta bastante nossa chance de fazer decisões ruins. E isso pode ser um problema sério no contexto de decisões corporativas.
Neste sentido, uma das primeiras ações dentro de uma corporação no contexto de Analytics é criar uma cultura de democratização dos dados - garantir que todas as pessoas tomem suas decisões cada vez mais pautadas e assistidas por informações e dados. Decisões devem ser permeadas por métricas e KPIs de negócio e na prática isso significa ter visibilidade em tempo real - dashboards, relatórios, notificações.
O uso de ferramentas de BI (Business Insights) já é uma prática adotada em boa parte das empresas e o problema se encontra na governança e planejamento da evolução desta boa prática.
Vamos a um exemplo de problema recorrente nas empresas.
A gestão de capacidade também costuma ser deixada de lado e logo usuários sentem lentidão e problemas variados de performance (e alguns voltam para o excel).Em pouco tempo vamos de lua de mel a frustração dos usuários, e pesadelos recorrentes para os administradores que lutam para gerenciar o que se tornou um labirinto dos dados.
Dicas sobre BI:
- Comece rápido porém pense a longo prazo: uma política de governança de dados é imprescindível para o crescimento sadio da solução;
- A governança de dados, além de mapear o fluxo da informação (como um catálogo de uma biblioteca), também fornece um cardápio de serviços e KPIs que podem ser consumidos pelas aplicações.
O caminho para machine learning
Os ganhos em se obter insights e predições a partir de dados são valiosos e deixam todos com brilho nos olhos - queremos antever situações, receber insights, otimizar decisões, buscar aspectos de negócio que sequer imaginávamos.
No entanto, o aprendizado de máquina depende de um volume razoável de informações de qualidade - e este é o grande pulo do gato. Como boa parte do aprendizado de máquina ainda necessita ser treinado, é essencial que o modelo aprenda de um conjunto de dados de boa qualidade para sugerir boas ações, recomendações corretas.
Ao criar um modelo baseado em dados de uma ferramenta ou aplicação que na prática não reflete a realidade, estamos aprendendo de uma fonte de baixa qualidade e que (portanto) vai sugerir recomendações pouco assertivas (pra não dizer ruins).
Podemos imaginar diversos cenários - uma ferramenta de CRM utilizada por uma equipe que não segue o processo correto e insere informações pouco assertivas (muitas vezes apenas com intuito de estar atendendo processo da empresa) não terá dados que reflitam a realidade de vendas - toda e qualquer análise e uso gera resultados pouco assertivos.
Nestes casos será necessário realizar um processo de sanitização - rever processos, adequar ferramentas, revisitar histórico - um processo nada rápido.
Então as primeiras dicas são:
- Qualidade dos dados - garanta que seus dados refletem o que de fato ocorre na sua operação, no seu negócio. Ferramentas de Process Mining (como o excelente Everflow), investigações analíticas BI podem rapidamente identificar seu nível de qualidade, apoiando em priorizar ações para resolver o problema. Não sinta-se frustrado ao ter que dar um passo atrás e investir um tempo nesta etapa - lá na frente vai fazer toda a diferença e certamente terá o retorno;
- Se sua área/empresa não possui o mindset de guardar dados, mude o mais rápido possível - isso vai fazer total diferença para seu negócio;
- Se alguém sugerir alguma solução mágica out-of-the-box desconfie - cerca de 60% do tempo em um projeto de machine learning é gasto com a preparação dos dados e entendimento de aspectos críticos do problema que se quer resolver. Isso é essencial pois garante assertividade dos modelos e, portanto, dos resultados;
- Assim como aspectos do negócio mudam, os modelos também devem ser revisitados e retreinados para garantir sua efetividade;
Pra finalizar fica a principal dica: não trabalhe um projeto isolado - pense em um roadmap de projetos e resultados estratégicos com entregáveis de curto, médio e longo prazo, sempre bem alinhados com diretrizes do negócio. Adapte-se ao longo do caminho, esteja pronto para errar, porém errar rápido e errar novo.
Leia também:
Revolucionar o atendimento aos clientes é possível - e nós podemos provar
