Equipes de gestão não raro acreditam que podem esquivar-se das boas práticas de análise básica de dados por meio da adoção direta de inteligência artificial e outras tecnologias avançadas. Mas as empresas que se apressam em empregar inteligência artificial sofisticada antes de terem atingido uma massa crítica de processos automatizados e análise estruturada podem acabar paralisadas. Podem se sobrecarregar com onerosas parcerias com start-ups, impenetráveis sistemas caixa-preta, complicados clusters de computação na nuvem e conjuntos de ferramentas de código aberto para os quais não há programadores.

Em contraposição, empresas com sólida análise de dados – tais como dados de vendas e tendências de mercado – conseguem avanços significativos em áreas complexas e críticas após a adição de uma camada de inteligência artificial. Por exemplo, uma empresa de telecomunicações com a qual trabalhamos tem, agora, condições de prever com exatidão 75 vezes maior, graças ao uso do aprendizado de máquina, se os clientes estão prestes a cancelar o serviço. Porém a empresa só conseguiu chegar a esse resultado porque já havia automatizado os processos que possibilitavam o contato rápido com os clientes e havia compreendido suas preferências por meio do uso de técnicas analíticas mais comuns.

Então, como as empresas podem saber se estão realmente prontas para IA e outras tecnologias avançadas?

Automação dos processos básicos
Os gestores deveriam, em primeiro lugar, perguntar-se se já automatizaram os processos em áreas problemáticas que geram gastos significativos e lentidão nas operações. É preciso que as empresas automatizem processos repetitivos que incluem quantidades consideráveis de dados – particularmente nas áreas em que a informação derivada de análise ou a velocidade constituam uma vantagem. Sem antes automatizar esses feeds de dados, as empresas descobrirão que seus novos sistemas de IA estão chegando a conclusões errôneas por estarem analisando dados desatualizados. Por exemplo, lojas virtuais podem ajustar diariamente os preços dos produtos porque automatizaram a coleta de preços das concorrentes. Mas aquelas que ainda verificam manualmente quanto suas rivais estão cobrando talvez precisem de até uma semana para obter a mesma informação. O resultado, como uma dessas lojas pôde constatar, é que, mesmo com a introdução de IA, seus ajustes de preço podem acabar constantemente defasados em relação à concorrência, uma vez que seus dados são obsoletos.

A análise de dados é decisiva para o desempenho das empresas.

Sem automação básica, visões estratégicas para a solução de problemas complexos ao toque de um botão permanecem inatingíveis. Tomem-se como exemplo os gestores de fundos. Embora a profissão seja uma ótima candidata ao uso de inteligência artificial, muitos gestores gastam várias semanas recolhendo dados e verificando páginas e páginas de planilhas Excel em busca de erros humanos. Isso os distancia de poder usar inteligência artificial para prever o próximo risco aos portfólios de investimento de seus clientes ou modelar cenários alternativos em tempo real.

Enquanto isso, as empresas que automatizam processos básicos de manipulação de dados têm condições de ser proativas. Com motores de precificação automatizados, seguradoras e bancos podem disponibilizar novas ofertas com a mesma rapidez de seus concorrentes virtuais. Uma seguradora tradicional, por exemplo, que atualizava suas cotações em intervalos de vários dias, passou a fazê-lo a cada 15 minutos com a mera automação dos processos que coletam dados comparativos de preços. Uma companhia de serviços públicos tornou seu produto mais competitivo ao oferecer preços personalizados em tempo real e ofertas especiais baseadas em medições inteligentes automatizadas em lugar das visitas semestrais de um funcionário de porta em porta.

Análise estruturada de dados
Uma vez automatizados os processos críticos para atingir eficiência ou uma determinada meta, cabe aos gestores desenvolver uma análise estruturada, bem como centralizar os processos de manipulação de dados, de modo a padronizar a forma como os dados são coletados e evitar que sejam inseridos mais de uma vez.

Com arquiteturas de informação mais centralizadas, todos os sistemas se reportam à “fonte de verdade” primária, as atualizações se propagam a todo o sistema, e as decisões refletem uma visão única acerca de um cliente ou de uma questão. Um conjunto de análises estruturadas fornece aos gestores de categoria do varejo, por exemplo, uma visão global do histórico de seus clientes; aponta-lhes que produtos fizeram sucesso com que clientes; o que vendeu onde; que produtos os clientes trocaram por outros; e a quais permaneceram fiéis.

Munidos dessa informação, os gestores conseguem, então, distribuir melhor os produtos e constatar por que certas escolhas são feitas. Ao entender os motivos por trás das decisões dos clientes, os gestores podem também ter diálogos muito mais proveitosos com os fornecedores a respeito de gestão de categorias – como, por exemplo, explicar-lhes que produtos muito similares serão removidos para abrir espaço a alternativas mais originais.

Testando IA
Depois que a inteligência artificial é integrada a essa análise estruturada padrão, torna-se possível prever, explicar e ditar, de maneira abrangente, o comportamento dos clientes. No exemplo anterior da empresa de telecomunicações, os gestores compreendiam as características dos clientes. Mas precisavam da inteligência artificial para analisar o vasto conjunto de dados coletados e, assim, prever se os clientes apresentavam risco de cancelamento do serviço. Após as técnicas de aprendizado da máquina identificarem os clientes que apresentavam “risco de abandono”, os gestores voltavam, então, à sua análise estruturada a fim de determinar a melhor forma de mantê-los – e utilizar processos automatizados para lançar rapidamente uma oferta de retenção apropriada.

Sistemas de inteligência artificial fazem uma enorme diferença quando dados não estruturados, como mídias sociais, anotações de call center, imagens ou pesquisas abertas, são necessários para se chegar a uma conclusão. A Amazon, por exemplo, consegue recomendar produtos às pessoas antes mesmo que elas saibam que os desejam porque usa técnicas de aprendizado de máquina, sendo agora capaz de sobrepor dados não estruturados a seu sólido e centralizado banco de dados estruturados, tais como detalhes de pagamento, endereços e históricos de compra de seus clientes.

A inteligência artificial também contribui para a tomada de decisões que não se baseia em desempenho histórico. As lojas que fazem uso de sólida análise estruturada têm a possibilidade de descobrir a melhor maneira de distribuir seus produtos com base no número de vendas. Contudo, são necessárias técnicas de aprendizado de máquina para prever o sucesso de produtos ainda não disponíveis à venda – em parte porque não há dados estruturados disponíveis.

Por fim, os sistemas de inteligência artificial podem elaborar previsões mais exatas com base em conjuntos de dados heterogêneos. Gestores de fundos com uma sólida base de análise de dados automatizada e estruturada estão prevendo com maior exatidão o desempenho de ações por meio da aplicação de IA a conjuntos de dados que envolvem de dados climáticos, contagem de carros em diferentes locais, à análise de cadeias de fornecimento. Alguns pioneiros no uso de dados estão até começando a descobrir se empresas vão ganhar ou perder terreno por meio de análises realizadas por sistemas de inteligência artificial em dados referentes ao sentimento do consumidor provenientes de feeds de mídia social sem relação entre si.

As empresas estão apenas começando a descobrir os vários e diferentes modos pelos quais as tecnologias de IA podem reinventar negócios. Mas uma coisa já é certa: devem investir tempo e dinheiro para se preparar com análise de dados suficientemente automatizada e estruturada se quiserem tirar plena vantagem das novas tecnologias. Quer você goste ou não, é impossível dar-se ao luxo de negligenciar o básico.
______________________________________________________________
Nick Harrison é sócio e codiretor do escritório de venda e consumo da Oliver Wyman na Europa, Oriente Médio e África. Deborah O’Neill é sócia nos escritórios de Digital and Financial Services da Oliver Wyman.

Share with your friends









Submit