Como a inteligência de decisão pode impulsionar seriamente seu jogo de BI
Publicados: 2022-01-29Para a maioria de nós, tomar decisões de negócios orientadas por dados é um processo de quatro etapas. Primeiro, você coleta os dados. Em seguida, você "mina", o que significa apenas uma combinação de ferramentas e cientistas de dados que procuram padrões e correlações entre diferentes tipos de dados. Terceiro, essas descobertas são lançadas nos painéis e visualizações que os gerentes podem ver. A partir daí, cabe ao gestor interpretar o que o dashboard está dizendo e tomar sua decisão.
O problema é que os dados que você coletou e os padrões que suas ferramentas e cientistas de dados descobriram agora definem as decisões que você pode tomar. Um exemplo simplificado: digamos que o PCMag colete muitos dados sobre quais artigos tiveram o melhor desempenho em termos de quantos cliques um determinado artigo ou grupo de artigos recebeu. Em seguida, nossos mecanismos de banco de dados ganham vida, agrupam os melhores artigos e criam belas visualizações para que possamos entender o que foi encontrado. O que estamos vendo nos permite ver os artigos de maior sucesso até aquele momento. Podemos então trabalhar para replicar esse sucesso no futuro escrevendo mais artigos desse tipo em um determinado pivô de dados, como o tópico, o tipo de artigo ou até mesmo o autor. Então, o que estamos fazendo é usar nossos dados para replicar nossos sucessos passados. Certamente uma prática eficaz.
Mas e se invertermos isso?
Em vez de nos limitarmos aos dados que coletamos, e se começarmos simplesmente fazendo a pergunta que realmente queremos que seja respondida: que tipos de artigos farão o melhor para nós no futuro? Se começarmos por aí, precisamos de um processo para descobrir não apenas as perguntas que precisamos fazer para obter a resposta, mas também os dados que precisaremos reunir para dar suporte a essas consultas. Mas o que obteríamos é um conjunto muito mais valioso de respostas com as quais tomar nossas decisões editoriais.
Essa é uma das novas metodologias mais interessantes que estão surgindo na próxima geração de ferramentas de análise de negócios, e é chamada de "inteligência de decisão" (DI). Abaixo, descrevemos a DI com mais detalhes e discutimos o que você precisa saber para fazê-la funcionar para sua organização.
O que é inteligência de decisão?
Cassie Kozyrkov, cientista-chefe de decisão do Google, descreve a DI como uma maneira de aumentar a ciência de dados com ciências sociais, teoria da decisão e ciência gerencial. Essa combinação é mais eficaz para ajudar as pessoas a usarem os dados de BI para tomar melhores decisões. Ela descreve a diferença entre ciência de dados e DI como a diferença entre aqueles que fabricam fornos de micro-ondas e os cozinheiros que os usam.
A DI surgiu dos esforços de engenharia de software para criar decisões de melhores práticas aprimoradas e fazê-lo em grande escala. E, de acordo com especialistas, está maduro o suficiente para começar a impactar até mesmo pequenas e médias empresas (SMBs) na próxima iteração de ferramentas populares de BI em nuvem, como Microsoft PowerBI ou Tableau.
“A inteligência de decisão conecta a IA e a tomada de decisão humana para formar conclusões mais inteligentes, que levam a resultados mais favoráveis”, diz Jack Zmudzinski, associado sênior da Future Processing, uma empresa de desenvolvimento de software personalizado. “Então, em vez de uma decisão feita por um ser humano ou uma decisão feita por um computador, é o melhor dos dois mundos.”
A inteligência de decisão altera o que as empresas normalmente estão fazendo com seus dados. Em uma abordagem de big data, as ferramentas de análise e as consultas são normalmente escolhidas para ajustar os dados. Com a DI, é a decisão a ser buscada que tem prioridade; a consulta é então construída e os dados selecionados por sua relevância para a questão. Assim, os dados assumem um papel de apoio em vez de um papel de protagonista na tomada de decisões orientadas por dados.
Especialistas definem inteligência de decisão como uma metodologia, mas não é aquela que tem um único processo guarda-chuva. A maneira como você faz a DI dependerá do seu negócio, dos dados que você está coletando e também dos recursos do seu conjunto de ferramentas de análise. No entanto, a ideia básica será sempre a mesma: usar uma abordagem visual que comece com a decisão necessária e depois trabalhe de trás para frente para determinar quais dados são necessários e como obtê-los.
Por que você precisa de DI
Se você acha que tudo isso soa como um grande problema empresarial ou empresarial, pense novamente. Mesmo pequenas empresas e "empreendedores autônomos" em breve usarão essas tecnologias e poderão gerenciá-las com muito pouco esforço, a um custo razoável e com sucesso baseado em seus próprios conhecimentos e talentos. Conclusão: mesmo os líderes de pequenas empresas hoje em dia usam bancos de dados em nuvem sofisticados que contêm muitos dados e análises sólidas. O que lhes falta é qualquer orientação real sobre como usar essas informações para tomar decisões no mundo real. Isso é especialmente verdadeiro para pequenas empresas, e é exatamente o que a DI está abordando.
“Algoritmos e dados são bons para nos dizer 'Aqui estão as observações ou dados e o que pode ser concluído.' Eles não são bons em nos dizer qual decisão precisa ser tomada”, disse Gopi Vikranth, diretor associado da ZS Associates, uma empresa global de consultoria e serviços profissionais. Antes de ingressar na ZS em 2019, ele ocupou cargos como vice-presidente de big data e análise de marketing da Melco Resorts and Entertainment e vice-presidente de análise de marketing da Caesars Entertainment.
“A inteligência de decisão, por outro lado, responde [à pergunta] 'Se você tomasse a ação X, qual seria o resultado no mundo real?' Isso é fundamental para as empresas, pois raramente há uma situação com informações perfeitas”, disse Vikranth.
Ele descreve uma empresa de médio porte como um exemplo típico. Digamos que esta empresa tenha um programa de fidelização de clientes. Uma IA é encarregada de melhorar o lucro dos negócios, para que possa encontrar matematicamente maneiras de alterar ou remover vantagens do cliente ou aumentar os preços para otimizar esse lucro. Mas, embora essas conclusões sejam objetivamente “corretas”, tal decisão pode causar uma reação dispendiosa com clientes e influenciadores, criando uma perda de fidelidade a longo prazo e, portanto, de receita.
Jason Cotrell, CEO do estúdio de software Myplanet, cita o seguinte como possíveis casos de uso para inteligência de decisão:
Personalização dos componentes front-end do software (IU adaptável).
Recomendações de produtos.
Prevenção de churn de clientes.
Otimização de preços para negócios com muitas transações, como companhias aéreas ou farmacêuticas.
“Em vez de dizer 'De que dados preciso para tomar essa decisão?' dizer 'Como eu tomo essa decisão? Quais peças requerem análise de dados e quais peças posso automatizar?' Dessa forma, você aproveitará melhor suas análises e automação”, explica James Taylor, autor do livro " Digital Decisioning: Using Decision Management to Deliver Business Impact From AI" e CEO of Decision Management Solutions.
Em breve: ferramentas de inteligência de decisão
Se você é uma empresa menor que está mergulhando em big data, sua plataforma atual pode já ter as ferramentas necessárias para começar com DI. Especialistas dizem que você pode nem precisar disso.
“Você pode usar uma metodologia de DI com apenas lápis e papel, ou ultimamente eu uso o aplicativo Lucidspark para desenhar de forma colaborativa diagramas de ação para resultado (CDDs)”, diz Lorien Pratt, inventor do aprendizado de transferência para máquinas, pioneiro em inteligência de decisão , e cientista-chefe e cofundador da Quantellia, uma empresa de aprendizado de máquina e inteligência de decisão. Ela acredita que a DI está amadurecendo rapidamente e que em breve esse tipo de modelagem de dados estará disponível para empresas de qualquer porte.
De acordo com Pratt, as próximas iterações de plataformas comuns de inteligência de negócios suportarão DI. “No próximo nível de sofisticação, você poderá incorporar modelos de DI dentro de ferramentas existentes, como [Microsoft] Excel ou PowerBI”, diz ela. No entanto, para ferramentas menos sofisticadas, esse processo provavelmente será limitado, pois esses usuários não poderão alterar seus modelos na hora.
Mas enquanto as pequenas empresas podem esperar plataformas de DI simplificadas na nuvem, as empresas precisarão de muito mais poder de fogo.
"O maior problema é uma abordagem de investimento", diz Pratt, o que significa que as grandes empresas precisam colocar as decisões na frente e no centro. Isso pode ficar complicado em grandes organizações. Você precisará descobrir não apenas que tipos de decisões precisam ser tomadas , mas também como capturar esses requisitos.
"Para algumas decisões, a pilha de BI existente será suficiente", diz Taylor. "Mas para outras, [as empresas] provavelmente descobrirão que precisam investir em tecnologias mais avançadas, como análise preditiva e ferramentas de aprendizado de máquina". que para as decisões que as empresas precisam tomar com frequência ou rapidez, a implantação de um sistema de gerenciamento de regras de negócios, como os da Agiloft ou da IBM, pode automatizar o processo e aproveitar melhor seus algoritmos de aprendizado de máquina.
Para empresas menores, isso provavelmente é um exagero. Especialmente porque os serviços de análise em nuvem de próxima geração devem fornecer todo o músculo de DI que as PMEs precisam, apenas com menos dores de cabeça de implantação e aprendizado. Mas se você ainda quiser fazer DIY em DI, aqui está o que Taylor diz que uma empresa típica precisará:
Recomendado por nossos editores
Software de modelagem de decisão para fazer levantamento de requisitos e modelagem de dados.
Software de gerenciamento de regras de negócios para desenvolver suas regras de decisão (a menos que você esteja tomando relativamente poucas decisões com subsídios para longos tempos de resultado).
Algum tipo de pilha de aprendizado de máquina para desenvolver os algoritmos necessários.
Uma plataforma de dados que permite criar seus algoritmos e também gerenciar a entrega de dados transacionais, de preferência em tempo real.
Uma ferramenta de visualização de dados, especialmente se suas decisões finais ainda tiverem um elemento humano significativo.
Padrões vs. Intuição
As máquinas veem problemas e padrões como distintamente definidos: preto versus branco. As pessoas, por outro lado, veem nuances, significados alternativos potenciais, opções e pontes para outros pensamentos. A clareza sobre qualquer assunto é muitas vezes uma função da inteligência intuitiva e não do treinamento acadêmico. Os humanos podem usar ambos, e o DI visa dimensionar essas habilidades.
“A inteligência de decisão é baseada nessa ideia de tentar incorporar abordagens realistas que imitam decisões humanas”, diz Ervin Sejdic, professor associado de engenharia elétrica e de computação e sistemas inteligentes da Escola de Engenharia Swanson da Universidade de Pittsburgh. AI, você basicamente apenas configura as regras para aprendizado de máquina: se for vermelho, é isso, e se for azul, é aquilo.”
Sejdic cita a compra de um carro como exemplo. “Se você está comprando um carro e define certos critérios como milhas por galão ou uma certa marca, um algoritmo encontraria um carro para você. Mas nós testamos o carro e vemos como ele se sente e dirige, e essas são as entradas suaves que são difíceis de codificar”, explica ele. “Por essas razões, a inteligência de decisão tenta codificar as decisões mais suaves que tomamos, e essas coisas são diferentes da sua IA típica.”
Sejdic observa que, se for bem-sucedido, o DI pode ser aplicado a qualquer coisa. A maneira de decidir onde usá-lo é encontrar áreas onde você deseja saber qual ação seria melhor para você tomar.
“A maioria das análises e inteligência de negócios é descritiva. Você registra o que acontece e depois traça os números em um gráfico. Ele lhe diz o que acabou de acontecer para que você possa tentar entender. Outras formas são preditivas. São como previsão do tempo. Eles dizem o que está prestes a acontecer.” explicou Chris Nicholson, CEO da Pathmind, uma empresa de IA que visa operações industriais e cadeias de suprimentos.
“Há um lado quantitativo e qualitativo na inteligência de decisão, e as empresas precisam levar ambos em consideração”, diz Vikranth, da ZS Associates. No lado quantitativo, ele explica, está a coleta de dados, triangulação e engenharia, infraestrutura de IA e ciência de dados e talento de programação. A chave deste lado são dados precisos. Empresas de qualquer tamanho precisarão investir tempo e esforço para definir indicadores de desempenho e garantir que estejam coletando os dados corretos e que sejam armazenados de uma maneira que possa ser usada por sua pilha de DI.
No lado qualitativo, Vikranth diz que as empresas precisam do talento certo para converter insights, conclusões ou resultados em decisões e ações. Estes precisam ser contextualizados para seus negócios. Ferramentas hipotéticas e de teste e aprendizado podem ajudar muito nesse processo.
"Ambos os lados combinados são inteligência de decisão", diz Vikranth. "Dessa forma, a IA não tira os humanos da equação." chegar a qualquer tipo de decisão ideal.
A evolução do cientista de dados
Os antigos administradores de banco de dados deram origem aos analistas de inteligência de negócios e à ciência de dados tradicional. A DI está ajudando a evoluir essa disciplina para um papel novo e muito mais eficaz, ou seja, o de tradutores de ciência de dados. De acordo com especialistas como Vikranth, essas pessoas usarão a DI para pegar os cenários hipotéticos de uma empresa e trabalhá-los por meio de uma pilha de IA para entender quais ações a empresa precisa realizar e o tipo de resultado que essas ações podem fornecer.
A inteligência de decisão permite que a tecnologia e as pessoas façam o que fazem de melhor. Tecnologias, como análises e IA, encontram rapidamente as conexões e os padrões em enormes conjuntos de dados, mas isso é apenas metade da jornada. A DI pode usar essas informações e ajudá-lo a aplicar os fatores humanos mais intangíveis, como inteligência intuitiva, criatividade, experiência e a capacidade de navegar com sucesso por nuances. Isso torna a DI um novo e poderoso modelo de análise híbrida, mesmo para pequenas organizações, e especialmente eficaz em escala.