Machine Learning. Frequentamos os principais congressos, ouvimos os maiores especialistas e gurus, analisamos cases e mais cases de sucesso e decidimos: vamos levantar nossas necessidades e verificar como as novas tendências de aprendizado automático podem ser aplicadas para aumentar a competitividade no contexto de nossa empresa.
Digamos também que o primeiro passo tenha sido superado: a necessidade de negócio tenha sido bem definida dentro de todas as variantes oferecidas, seja ela o levantamento de insights sobre o comportamento dos clientes, melhorando a capacidade de ofertar o produto certo para a pessoa certa, uma nova capacidade de análise de fraudes ou a criação de chatbots inteligentes para reduzir custos operacionais e aumentar a satisfação do cliente. Todos os modelos foram criados e os testes realizados com sucesso. Estamos prontos a entrar em produção. Falta só um pequeno detalhe.
Sobre quais dados vamos fazer essas análises? Eles estão no formato, estrutura e quantidade adequados? Existem muitos dados espúrios, duplicados ou inconsistentes? Estamos obtendo e agregando os dados corretos? A abordagem abrange a empresa como um todo?
E, por final: onde estão estes benditos dados?!
Dados são o novo petróleo
É interessante notar como a metáfora acima é aplicável a mais de um sentido desta situação. Da mesma forma que o assim chamado “ouro negro”, apesar de responsável pelo desenvolvimento industrial e humano nos séculos XX e XXI, sem ser refinado e transformado em suas centenas de produtos não é muito mais que um líquido viscoso, escuro e malcheiroso que tem pouca utilidade direta, os dados que circulam dentro da empresa, sem os processos adequados de refino e designação de propósito, não terão muito mais serventia do que entupir terabytes e mais terabytes de sistemas de armazenamento.
Algoritmos de Machine Learning são vorazes consumidores de dados. De uma forma geral, quanto maior sua quantidade, maior seu poder de aprendizado e a acurácia e confiabilidade de seus resultados. Porém, diferentemente da análise de Business Intelligence feita sobre o Big Data convencional, em que dados pouco lapidados e de toda procedência são acumulados e dos quais a informação é extraída pela busca de força bruta e descobrimento de correlações, a abordagem com Machine Learning demanda algo mais sofisticado. Por exemplo, no caso de Análise Preditiva, é desejável que se minimize a redundância de informação entre campos, ou, no caso de Visão Computacional, que imagens para treinamento, validação e testes de um modelo de reconhecimento de padrões tenham a mesma resolução. Isso pede por uma governança que garanta uma visão empresarial unificada dos dados mestres da empresa (clientes, fornecedores, produtos, etc.), eliminação de semânticas sobrepostas, redução de vieses corporativos e completude de informação.
Estratégia e governança
Partindo-se desses princípios, para que uma empresa realmente possa colher os frutos esperados de uma iniciativa empresarial de Machine Learning, é necessário observar as seguintes diretivas estratégicas:
- Definição precisa do problema ou oportunidade de negócio:
- Mudança de paradigma estratégico:
- Levantamento da prontidão dos dados ao uso com Machine Learning:
- Gestão estratégica da coleta, classificação, armazenagem e tratamento de dados para utilização com Machine Learning:
Uma estratégia consistente passa pela criação de equipes que pervadam a empresa, ultrapassando barreiras organizacionais, consistindo de líderes de negócio, cientistas de dados e pessoal de Tecnologia da Informação. Essa equipe deve ser responsável pela elaboração de diretrizes para a captação dos dados, seu cruzamento e tratamento iniciais, e pela tomada de decisão sobre como guardar, organizar e acessar essa informação.
Trata-se tanto da aquisição dos dados disponíveis de forma abrangente por toda a companhia, sem a formação de silos, quanto da obtenção em fontes externas – como repositórios públicos e parcerias com empresas especializadas – e da criação de uma capacidade de geração de dados a partir dos próprios produtos e serviços da empresa. Com isto, estabelece-se a verdadeira vantagem competitiva neste universo: combinar estas fontes para construir um conjunto de dados proprietário e específico para o negócio, difícil de ser replicado pela concorrência.
- Definição de um roteiro claro para a construção das capacidades:
- Envolvimento da alta gestão na execução e monitoria:
Um framework para o estabelecimento da prática de Machine Learning |
Apoio para o sucesso
Machine Learning
Por exemplo, muitas vezes o executivo tem um conhecimento profundo sobre seu negócio, e tem uma noção correta de uma prática de análise que o ajudaria a melhorar sua lucratividade – como a necessidade de conhecer melhor o nível de desistência ou migração de seus clientes, ou de criar maneiras de evitar fraudes – mas desconhece quais ferramentas estão disponíveis, qual o orçamento envolvido ou qual o esforço organizacional necessário.
Igualmente, nem sempre uma abordagem em Big Bang é a melhor alternativa para projetos deste tipo. Criar um escopo bem circunscrito, células de trabalho restritas com pessoas das áreas mais diretamente envolvidas e um laboratório para gerar inovação, iteração e disseminação pela empresa pode ser a chave para o sucesso da abordagem de Machine Learning.
Verifica-se, pois, que o tópico é bastante extenso e que as exigências variam grandemente com o negócio e o cenário de cada empresa. A AFM Estratégia de TI para Negócios tem trabalhado o tema Transformação e Inovação Digital voltada ao Machine Learning de forma profunda com o objetivo de ajudar empresas a encontrar o contexto correto e a construir e gerenciar as capacidades necessárias ao melhor aproveitamento desta oportunidade.
Referências
[1]: Digital & Analytics in Consumer – Getting your data house in order, em McKinsey & Company: https://www.mckinsey.com/industries/consumer-packaged-goods/our-insights/digital-and-analytics-in-consumer/capabilities/getting-your-data-house-in-order
[2]: Forbes Insights Team with Dell Technologies – Behind Every AI Strategy Is A Data Strategy, em Forbes: https://www.forbes.com/sites/insights-delltechnologies/2018/12/04/behind-every-ai-strategy-is-a-data-strategy
[3]: Alessandro Martins – Gestão de Adoção de Mudanças: sua importância em um mercado em constante evolução (Parte I), em AFM Estratégia de TI para Negócios (Blog): https://afmestrategia.blogspot.com/2019/08/gestao-de-adocao-de-mudancas-sua.html
Nenhum comentário:
Postar um comentário