Colocar as perguntas certas é a pedra basilar na utilização de IA. A partir daí saberemos exatamente que dados recolher e podemos transformá-los em estruturas acionáveis. Não é fácil, mas nunca foi tão acessível testar.
Respostas corretas a perguntas secundárias, são resultados irrelevantes.
Não é fácil liderar na volatilidade, incerteza, complexidade e ambiguidade (V.U.C.A., na sigla inglesa) do mundo atual. E se a Inteligência Artificial vai ser indubitavelmente uma das principais ferramentas para responder aos constantes desafios que o mercado impõe, não é menos certo que o mais importante será fazer as perguntas certas.
A pergunta certa serve como foco que nos aponta na direção da resposta. Como Einstein afirmou: “Se tivesse uma hora para resolver um problema e a minha vida dependesse disso, usaria os primeiros 55 minutos para determinar a pergunta apropriada, pois, uma vez definida, poderia resolver o problema em menos de cinco minutos.” Infelizmente, está longe de ser suficiente a seleção de infraestruturas tecnológicas robustas, ferramentas de sofware sofisticadas, equipas e parceiros de data science competentes, e métodos e algoritmos adequados a cada desafio. Dificilmente alcançamos o que procuramos se não soubermos o que queremos ou precisamos encontrar.
A maioria das organizações já utiliza soluções de descriptive analytics para medir a performance, percebendo as razões do sucesso ou insucesso que os dados históricos mostram, uma espécie de análise post-mortem. Num segundo estágio, surgem as soluções de predictive analytics, onde os dados históricos são complementados com regras e dados externos para determinar resultados futuros. Proliferam exemplos de forecasting de vendas, custos, consumos, workload, capacity planning, etc. Podemos classificar os modelos de prescriptive analytics como uma fase avançada que potencia as duas anteriores, já que sugere as ações a tomar, para que suceda o que pretendemos.
O que aconteceu? Porque aconteceu? O que vai acontecer? Como podemos fazer com que aconteça? É para responder a esta última questão que a Inteligência Artificial (IA) desempenha um papel preponderante.
Por exemplo, uma empresa de distribuição de encomendas pode usar um sistema de otimização de rotas, à semelhança do que acontece com o Waze, que utiliza este tipo de modelos para fazer previsões e sugerir qual o caminho mais curto para cada viagem. Resta saber se a pergunta adequada será “Como posso otimizar as rotas em tempo real para minimizar os custos de consumo em combustível?”, ou “Como otimizar a minha margem de lucro?”, utilizando sistemas de otimização mais avançados, e colocando na equação variáveis como recursos necessários, níveis de serviços acordados, consumos, performance de cada condutor, encomendas, tipo de produtos, entre outros.
Tal como a Uber utiliza variáveis como o tipo de veículo, rating do motorista, do cliente e a proximidade para distribuir as viagens pelos motoristas, podemos igualmente utilizar a Inteligência Artificial para otimizar a priorização de atividades administrativas numa área de operações, chamadas inbound num call center, produtos numa linha de montagem, visitas a clientes, contactos telefónicos a estabelecer numa campanha, levando em consideração as variáveis que fazem sentido em cada caso – níveis de serviço, competências, disponibilidade e eficiência do recurso (humano ou máquinas, por exemplo), tempo do set-up de uma máquina, materiais necessários ou disponíveis, previsão da procura ou workload, score do cliente, etc..
Definir como objetivo aumentar a eficiência e consequentemente reduzir custos pode, isoladamente, trazer bons resultados, mas provocar um efeito inverso em termos de eficácia. Maior produtividade significa maior eficiência, mas com eficácia, pelo que a questão certa poderá ser como otimizar níveis de serviço, ou a margem de contribuição de cada produto na linha de montagem, ou o rácio de sucesso dos contactos telefónicos ou visitas efetuadas.
“Quanto vou vender de cada produto em cada loja?” ajudar-me-á a ser mais eficiente na gestão de stocks mas, “O que tenho de fazer para atingir determinado resultado em cada loja?”, ou noutra perspetiva, “Como melhorar a experiência e níveis de satisfação dos meus clientes em cada loja?”, podem ser questões mais relevantes.
Colocar as perguntas certas é a pedra basilar na utilização de IA. A partir daí saberemos exatamente que dados recolher e podemos transformá-los em estruturas acionáveis, cujos resultados sejam realmente importantes para a sustentação e crescimento do negócio. Fácil? Não! Mas nunca foi tão acessível testar.
Hoje podemos utilizar ou adaptar modelos já construídos, experimentar como serviço, ou desenvolver à medida usando infraestruturas escaláveis com uma capacidade de computação incrível e disponível na cloud, a um preço muito acessível. Isto minimiza a preocupação na decisão de investimento – afinal, posso experimentar, refazer e mudar de forma ágil, fácil e económica.
Comments 1
.