Essas empresas podem ficar sobrecarregadas de parcerias com Startups que oferecem tecnologias de ponta, sistemas de caixa-preta impenetráveis, clusters computacionais e kits de ferramentas de código aberto, sem que os Cientistas de Dados escrevam código específicos para a empresa. A questão é simples: Se a sua empresa não é boa em analytics, ela não está pronta para IA.
Por outro lado, empresas com cultura de análise de dados – como de vendas e tendências de mercado – fazem avanços em áreas complexas e críticas após mergulharem em Inteligência Artificial. Por exemplo, uma empresa de telecomunicações pode prever com 75 vezes mais precisão se seus clientes estão prestes a cancelar um plano, usando aprendizado de máquina. Mas a empresa só consegue isso se já tiver automatizado os processos que tornam possível entrar em contato com os clientes rapidamente e entender suas preferências usando técnicas analíticas mais padronizadas.
Automatizando Processos Básicos
Primeiro, os gestores devem se perguntar se eles têm processos automatizados em áreas problemáticas, com custo significativo e que desaceleram as operações. As empresas precisam automatizar processos repetitivos envolvendo quantidades substanciais de dados – especialmente em áreas onde a inteligência de análise ou velocidade seria uma vantagem. Sem automatizar esses feeds de dados primeiro, as empresas descobrirão que seus novos sistemas de Inteligência Artificial estão chegando a conclusões erradas uma vez que estão analisando dados desatualizados.
Por exemplo, os varejistas online podem ajustar os preços dos produtos diariamente porque eles automatizam a coleta de preços dos concorrentes. Mas aqueles que ainda verificam manualmente o que os rivais estão cobrando podem levar até uma semana para coletar as mesmas informações e, como resultado, têm ajustes de preços perpetuamente atrás da concorrência. Neste caso, mesmo que usem Inteligência Artificial continuarão atrasados, uma vez que seus dados são obsoletos.
Continua depois da publicidade |
Sem automação básica, visões estratégicas de resolução de problemas complexos com o toque de um botão permanecem ilusórias. Veja o exemplo dos gestores de fundos de investimentos. Embora a profissão seja uma excelente candidata à automação pela Inteligência Artificial, muitos gerentes passam várias semanas reunindo manualmente dados e verificando erros humanos introduzidos por meio de resmas de planilhas do Excel. Isso os deixa longe de estarem prontos para Inteligência Artificial e assim prever o próximo risco em portfólios de investimento de clientes ou modelar cenários alternativos em tempo real.
Enquanto isso, as empresas que automatizam os processos básicos de manipulação de dados podem ser proativas. Com mecanismos de preços automatizados, as seguradoras e os bancos podem lançar novas ofertas com a mesma rapidez dos concorrentes online. Uma seguradora tradicional, por exemplo, mudou seu processo de coleta de dados de cotações de 15 dias para a cada 15 minutos simplesmente automatizando os processos que coletam dados de preços de referência. Uma empresa de serviços públicos tornou seu serviço mais competitivo ao oferecer preços personalizados em tempo real e ofertas especiais com base em leituras automáticas de medidores inteligentes, em vez de visitas pessoais semestrais às residências.
Análise de Dados Estruturados
Uma vez que os processos críticos para alcançar uma eficiência ou meta são automatizados, os gerentes precisam desenvolver análises estruturadas e centralizar os processos de dados para que a maneira como os dados são coletados seja padronizada. Data Lakes vem sendo cada vez mais usados nesse processo.
Com arquiteturas de informação mais centralizadas, todos os sistemas referem-se à “fonte da verdade” principal, atualizações se propagam para todo o sistema e as decisões refletem uma única visão de um cliente ou problema. Um conjunto de análises estruturadas fornece aos gerentes de categoria de varejo, por exemplo, um quadro completo dos dados históricos do cliente; mostra-lhes quais produtos eram populares com quais clientes; o que vendeu onde; quais produtos os clientes trocaram; e para o qual eles permaneceram leais.
Munidos dessa informação, os gerentes podem alocar melhor os produtos e ver porque as escolhas são feitas. Compreendendo os impulsionadores por trás das decisões dos clientes, os gerentes também podem ter conversas mais ricas sobre o gerenciamento de categorias com seus fornecedores – como explicar que produtos muito semelhantes serão removidos para abrir espaço para alternativas mais exclusivas.
Experimentando a IA
Depois que essas análises estruturadas padrões são integradas à Inteligência Artificial, é possível prever, explicar e prescrever de forma abrangente o comportamento do cliente. No exemplo anterior da empresa de telecomunicações, os gerentes entendiam as características do cliente. Mas eles precisavam de Inteligência Artificial para analisar o amplo conjunto de dados coletados para prever se os clientes estavam em risco de cancelar o plano. Depois que as técnicas de aprendizado de máquina identificaram os clientes que apresentavam um “risco de rotatividade”, os gerentes voltaram à análise estruturada para determinar a melhor maneira de mantê-los e usar processos automatizados para obter uma oferta de retenção adequada.
Sistemas de Inteligência Artificial fazem uma enorme diferença quando dados não estruturados, como mídias sociais, notas de call center, imagens ou pesquisas abertas, também são necessários para se chegar a um julgamento. A razão pela qual a Amazon, por exemplo, pode recomendar produtos a pessoas é porque, usando técnicas de aprendizado de máquina, a empresa pode inserir dados não estruturados sobre sua coleção forte e centralizada de análises estruturadas, como detalhes de pagamento dos clientes, endereços e históricos de produtos.
A IA também ajuda com decisões não baseadas em desempenho histórico. Os varejistas com forte análise estruturada implementada podem descobrir a melhor forma de distribuir produtos com base em como estão vendendo. Mas são necessárias técnicas de aprendizado de máquina para prever como os produtos ainda não disponíveis para venda servirão – em parte porque não há dados estruturados disponíveis.
Finalmente, os sistemas de Inteligência Artificial podem fazer previsões mais precisas com base em conjuntos de dados diferentes. Os gestores de fundos com uma base sólida de análise de dados automatizada e estruturada estão prevendo com maior precisão como as ações serão executadas aplicando Inteligência Artificial a conjuntos de dados que envolvem desde dados meteorológicos a contagem de carros em diferentes locais para análise de cadeias de suprimentos.
Alguns pioneiros de dados estão até mesmo começando a descobrir se as empresas vão ganhar ou perder terreno usando sistemas de Inteligência Artificial para análises de sentimento do consumidor a partir de feeds de mídia social.
As empresas estão apenas começando a descobrir as muitas maneiras diferentes pelas quais as tecnologias de Inteligência Artificial podem potencialmente reinventar os negócios. Mas uma coisa já está clara: elas precisam investir tempo e dinheiro para se prepararem com análises de dados suficientemente automatizadas e estruturadas, a fim de aproveitar ao máximo as novas tecnologias.
Nota: Agradecimento a Data Science Academy pelas informações. Site :http://datascienceacademy.com.br
Referências:
Harvard Business Review – If Your Company Isn’t Good at Analytics, It’s Not Ready for AI
Gostou? Então compartilhe: