Quando se fala em tecnologia, quase tudo é automatizável. A bola da vez é o Machine Learning, tanto que a sala mais cheia do KDD 2019 foi a do workshop AutoML, o treinamento automático de Machine Learning. Ou seja, todo mundo querendo entender melhor como colocar mais inteligência no processo de construção de modelos de inteligência artificial e automatizar o trabalho do cientista de dados. Curioso, não é?
O cientista de dados querendo automatizar o próprio trabalho. Será que a profissão de cientista de dados já é coisa do passado? Não, não. Pelo menos, por ora, ainda temos muito o que caminhar. A ideia é só usar o cientista de dados e estatísticos para o trabalho de refino, interpretação dos modelos, colocá-los em produção e avaliar qual o impacto na prática de tais modelos.
Na sala do KDD que foi dedicada ao AutoML, havia várias empresas, como Baidu, liderando o conteúdo. O Baidu anunciou, inclusive, que até o final do ano estarão lançando uma plataforma open-source de AutoML.
Fiquei bem feliz de ver como estamos no caminho certo no Neurolake. No nosso caso, um dos feedbacks do Codecup (hackathon que promovemos esse ano) foi sobre o Prophet, nosso componente de Machine Learning as a Service: vários participantes disseram que ele é simples e já faz todo o trabalho automático. É isso aí!!! Desde processar cada uma das variáveis, corrigir outliers, preencher dados faltantes até procurar os melhores parâmetros do modelo de Machine Learning.
O caminho é esse, mas sempre com o cuidado de ter o ser humano entendendo o que o modelo aprendeu e qual o impacto dos modelos construídos quando estão em produção.
Nessa sala do AutoML, teve até uma palestra interessante do Neel Sundaresan, um dos diretores da Microsoft, que foi além: ele falou como a Microsoft está ensinando a máquina a programar. Ou seja, em poucos anos, engenheiro de software será profissão do passado 🙂
Realmente, quem já programou sabe como há um processo grande de "copiar" e "colar" e lógicas repetitivas. Da mesma forma que, hoje, ao escrever no Gmail ele sugere o final da frase, a Microsoft vem desenvolvendo este trabalho para criar robôs que possam programar software. Na minha visão, o papel do ser humano nos novos tempos será de voltar a ser quem raciocina e toma decisões com o apoio da máquina cada vez mais "inteligente", deixando a máquina automatizar trabalhos repetitivos e manuais.
Quer saber mais sobre o KDD 2019?
Destaques do KDD 2019 para cientistas e engenheiros de dados
KDD 2019 - uso de Deep Learning cresce exponencialmente
Mais complexidade, mais precisão e aumento da transferência de conhecimento. Esses 3 pontos me marcaram bastante nas apresentações de Deep Learning no KDD 2019 - evento que participei nos EUA recentemente e sobre o qual estou escrevendo 4 artigos. Este é o segundo.
Claro que o uso massivo de Deep Learning com resultados cada vez melhores e surpreendentes não é novidade para ninguém. Que o digam o Google Translator, Google Now, Alexia e Siri, além dos carros autônomos. Essa revolução começou em 2012 na competição do Imaginet e, hoje, a máquina está à frente do ser humano — pelo menos para visão computacional.
A foto que tirei da apresentação do Alibaba (sem muita qualidade, é verdade kkkkk), conforme gráfico abaixo, é a prova de que, graças à Deep Learning, a máquina já tem um nível de precisão maior do que o ser humano em determinadas tarefas, como reconhecimento de imagem. O nível de erro do ser humano é de 5,1% enquanto, desde 2015, a máquina já tem uma taxa de erro menor (3,57%). Por outro lado, o nível de complexidade dos modelos aumentou muito. Eram 8 camadas escondidas em 2012 e, em 2015, o jogo virou para 152 camadas.
Essa revolução está acontecendo embaixo dos nossos olhos e a carreira de cientista de dados está em uma posição super privilegiada. Não seremos passageiros da mudança e sim atores principais da revolução que já vem acontecendo. Lá em casa, por exemplo, a minha filha Luana, de 8 anos, sempre fala com a Google Assistant antes de dormir. Normalmente, pedindo para ela contar uma piada kkkkkkkk.
Toda essa evolução de Deep Learning vem junto como uma complexidade como mostrado na foto mas, principalmente, por uma necessidade cada vez maior de uma volume de dados muito grande para treinar esses modelos complexos. No entanto, para determinadas aplicações, o tamanho da base de dados não é tão grande.
É aí que vem a grande sacada da generalização: se é possível aprender em cima de um grande conjunto de dados (carros autônomos), quando se aplica em um caminhão autônomo, o volume de dados para a rede aprender não é tão grande. Assim, entra em cena o Transfer Learning, que aproveita o aprendizado do carro autônomo. Com ele, o treinamento do caminhão autônomo não precisa começar do zero, pois já se inicia a partir do ponto do carro autônomo. Ou seja, há uma transferência de conhecimento.
No mercado brasileiro, um exemplo de uso intenso disso é no treino de modelos genéricos de mercado de concessão de crédito, em que é comum recebermos uma nova base fazendo o nosso transfer learning para a base específica e menor.
No KDD 2019, também chamou a minha atenção as inúmeras tentativas de expansão de Deep Learning para aceitar estruturas mais complexas de entrada (dados para aprendizagem). Se pensarmos nos dados que são utilizados para aplicar Deep Learning atualmente, temos dois grandes tipos:
1. Dados sequenciais. Exemplo: comportamento do usuário em um site no tempo para detectar fraude, evolução dos preços de produtos no tempo.
2. Dados em grids. Exemplo: dados em imagens, onde se pega um conjunto de pixels para ser entrada dos modelos de deep learning.
Vejam a foto (essa, um pouquinho melhor kkkk) que eu tirei da palestra do Jure Leskovec, diretor de Ciência de Dados do Pinterest.
Ele mostrou em sua palestra que, na plataforma do Pinterest, a estrutura de entrada são redes e não mais dados sequenciais ou em grids.
A proposta dele foi usar estruturas mais complexas como redes (networks) para representar conhecimento em dados de entrada do Deep Learning. Isso faz todo sentido no caso do Pinterest porque uma foto pode ser compartilhada com várias pessoas que por sua vez podem ter marcado vários produtos e assim por diante.
Isso vem abrindo muitas pesquisas nessa área — inclusive, no NeuroLake, estamos bastante animados com esse tipo de representação do conhecimento. Aqui, acreditamos que a união entre dados quantitativos e conhecimento do domínio é a combinação perfeita para melhores decisões.
E você? O que achou?
Facilitar a concessão do crédito, diversificar investimentos ou investir em dólar sem precisar da moeda física. Essas são algumas possibilidades trazidas pela transformação digital aos negócios do mercado financeiro. Conheça três dessas principais promessas que vão mudar sua vida financeira:
O uso de inteligência artificial (AI) na análise para liberação de crédito de consumo confere assertividade ao processo, possibilitando elevar a oferta de volume e reduzir o risco de inadimplência.
Oferecida pela Neurotech (Neurolake), a solução integra centenas de milhões de dados que circulam pela internet e refina a análise de crédito de pessoas e empresas. Desse modo, tomadores de crédito são avaliados de um modo que modelos tradicionais costumam rejeitar, mesmo não sendo inadimplentes potenciais.
O sistema também possibilita depurar tomadores com alta probabilidade de inadimplência. Mais de 40 instituições financeiras e cerca de 100 redes varejistas usam os serviços da Neurotech, que realiza mais de 105 milhões de análises de perfis para avaliação de risco e concessão de crédito.
Outra ruptura chega agora com os investimentos por pessoas físicas em ativos reais (fora do mercado de financeiro), que sempre se mostraram inacessíveis. Até agora, esse segmento estava restrito à movimentação das tesourarias das grandes instituições financeiras e fundos de investimento especializados.
A inovadora plataforma da Hurst Capital permite às pessoas físicas investirem em ativos reais. A tecnologia desenvolvida pela própria empresa utiliza robôs que vasculham sites dos tribunais de justiça, diários oficiais e processos judiciais que contenham precatórios, chamados de “títulos públicos judiciais” ou seja, dívidas reconhecidas, líquidas e certas, de governos municipais, estaduais e federal, que podem remunerar o investidor entre 20% e 40% ao ano. Os robôs, “crawllers”, buscam os ativos que preenchem as características consideradas ótimas para aquisição.
A primeira criptomoeda estável, brasileira, vinculada à moeda americana (1 GMC = 1 USD), reune os benefícios da negociação do ativo virtual, como segurança e descentralização, à baixa oscilação da moeda tradicional. Essas são as características do GMC, criptomoeda negociada pela plataforma GoMoney, sediada no Brasil. Como seu valor é o mesmo do dólar, o GMC pode ser convertido em qualquer outra moeda (euro, iene, real etc.) pela cotação do dia, ou mantida como ativo que se oscila seguindo a moeda americana. Assim, como ativo real, o GMC pode ser empregado na compra ou na venda de bens, pagamento pela prestação de serviços, realização de transferências ou reserva de valor em dólares.
Fonte: IP NEWS
Como é bom sair do dia a dia e poder interagir com mentes brilhantes de todo mundo e que pensam tão diferente. Passei uma semana de muito aprendizado no Alaska, no Knowledge Discovery and Data Mining - KDD 2019, uma ótima forma de ver o que está acontecendo em ciências de dados porque o evento mistura academia e mercado em uma dose ideal e não superficial. Mesmo as seções aplicadas sempre traziam um “β” “∑”, “α”. É ótimo voltar às origens, ver cientistas ávidos por transformar a sociedade através do conhecimento aprofundado. Voltei cheios de takeaways!
Por isso começo hoje uma série de quatro artigos sobre coisas que aprendi lá, insights e reflexões: primeiro, vou dar um overview no evento e, durante a semana, vou falar do crescimento exponencial de aplicações com Deep Learning; aplicações na área de saúde; e de preocupações e reflexões sobre o futuro.
Para falar do porte do evento, podemos começar pelos principais patrocinadores:
Isso já diz um pouco o que foi o KDD 2019. Uma tradição de sólido conhecimento acadêmico com as gigantes de tech investindo muito! Foram quase 3.200 participantes (dos quais apenas 832 mulheres), de 51 países e mais de 1 milhão de dólares arrecadados somente em patrocínio (fora as inscrições, que não foram baratas).
Na minha contagem superficial, as empresas mais presentes foram por ordem: LinkedIn, Microsoft, Google, Apple e Didi. Só para falar das mais famosas. Além disso, muitos pesquisadores de universidades de vários países.
Tive a oportunidade de conversar com gente do mundo todo: Israel, Estados Unidos, Canadá, Alemanha, China, Noruega… Dá uma sensação muito legal de que o mundo é logo ali, mas quando vemos somente Neurotech, Itaú e a CGU (Controladoria-Geral da União) no Alaska bate aquela sensação que ainda não acordamos! Precisamos ter mais brasileiros no evento (vou falar mais sobre isso depois).
Por outro lado, chamou a atenção a quantidade de asiáticos. Pelas minhas contas, eram mais da metade da conferência. Aí você pode achar que isso deve-se ao fato do evento ter sido no Alaska, mas não. No ano passado, em Londres, foi a mesma coisa. Saber que a China vai dominar o mundo em IA é uma coisa, ver na prática que isso já é realidade é outra. Mais uma evidência: todos os ganhadores do KDD Cup foram chineses, usando normalmente combinação de modelos com Deep Learning e XGBoost como os grandes destaques.
Claro que, em um evento desse tamanho, você não consegue participar de tudo. Tentei fazer uma trilha mais aplicada alinhada com o que estamos fazendo no Neurolake. Ou seja, participei bastante das trilhas aplicadas em que as empresas são convidadas para falar o que estão fazendo. O que achei interessante é que os convidados pelas empresas têm sempre um vínculo de professor com a universidade e histórico de grandes publicações em evento nível “A”, dentre eles, o próprio KDD. Muito bom ver um “∑”, “β”, “α” mesmo nas palestras aplicadas kkkkkkk Como é bom ver a aplicação da teoria matemática!
Abaixo, os temas que mais chamaram atenção na trilha da indústria — vou falar mais de cada um deles ao longo da semana:
1 - O crescimento exponencial de aplicações com Deep Learning.
Deep Learning tem dominado cada vez mais as aplicações práticas. Quando se fala de vídeo, imagem, texto, nenhuma novidade. Mas vi muita coisa de grafos e classificação com Deep Learning. Em especial, apareceram muitas aplicações de Transfer Learning e a tentativa de expandir o uso de Deep Learning com outras representações de entradas.
2 - AutoML
Destaque também para AutoML (treinamento automático de Machine Learning). Só para vocês terem uma ideia, foi uma sala com worshop só falando sobre o tema. O que chamou a atenção é que foi a sala mais cheia por dois dias, com várias empresas, como Baidu, liderando o conteúdo.
3 - Health
Em termos de vertical de aplicação, Health foi campeã! Mereceu trilhas específicas. A crença de que há uma oportunidade muito grande de ajudar a saúde da humanidade através da análise de dados. Não poderia deixar de destacar as aplicações de redes sociais já que estiveram presentes e já têm atuação na área: LinkedIn, Facebook e Pinterest. Em especial, houve um keynote do vice-presidente da Microsoft Healthcare, Peter Lee, falando somente sobre Health.
4 - Preocupações
Por outro lado, ao mesmo em que cresce o número de aplicações de Deep Learning e a automatização de Machine Learning, apareceram as preocupações com segurança e interpretabilidade dos modelos.
Uma tendência que pude confirmar no evento foi o destaque que todas as grandes empresas estão desenvolvendo ferramentas para ciência de dados e as deixando disponível: Google, Facebook, Microsoft, Alibaba, Apple, AWS etc. E na sua grande maioria deixando as ferramentas em código aberto. A conclusão simples é que o grande diferencial dessas grandes empresas são os seus dados proprietários e não a tecnologia em si. Quanto mais difundida estiver a tecnologia, mais a comunidade irá crescer e as empresas e usuários se beneficiarão. Abaixo, mais algumas novidades:
Podemos chegar à conclusão que tecnologia
temos de sobra. O que precisamos é de
conhecimento disseminado e dados para fazer
acontecer. Por isso, estamos aqui a todo o valor
com o Neurolake.
Uma coisa que achei bem legal foi que o Facebook apresentou uma funcionalidade de ciência de dados para agregar insights, em tempo real, em momentos de crise e desastres como furações e tornados. O objetivo é ajudar pessoas em zonas de risco e momentos críticos. Bem interessante como a solução entende o comportamento das pessoas nesses momentos e termina fazer uma previsão das melhores áreas para evolução, primeiros socorros, etc. Para maiores detalhes o paper está disponível aqui.
Teve um tutorial bem interessante sobre mapeamento do comportamento do usuário em redes sociais, principalmente quando se fala de rede social aberta como o Twitter. Um dado que me chamou atenção é que 4 em 10 pessoas no Facebook não interagem, apenas consomem conteúdo e, no Twitter, essa estatística é de 44%. Isso traz um desafio ainda maior para as marcas ofertarem produtos assertivos para os usuários.
O tutorial utilizou Deep Learning para mapeamento dos perfis. O material completo você pode conferir aqui.
Claro que, junto com esses trabalhos vêm as preocupações sobre privacidade, o que também foi muito discutido no evento com painéis e mesas redondas. O caminho sempre vai ser empoderar as pessoas para que elas tenham ciência dos seus dados, saibam o que está armazenado e para que as empresas estão usando as informações. E, claro, também tem que haver o poder de decidir ser esquecida e optar por não autorizar esses dados.
A conclusão do painel é que tem muita tecnologia disponível para ajudar usuários a receberem melhores ofertas. As grandes empresas agora precisam combinar esse processo com as pessoas 🙂
Por ora é só, pessoal! Quem tiver interesse em saber mais sobre os destaques do KDD 2019 pode continuar acompanhando que tem muito mais! E, claro, deixem seus comentários para que a gente possa conversar por aqui.
A busca por soluções para inclusão da população no sistema de concessão de crédito sempre foi um desafio. A criação do cadastro positivo por si só não resolve o problema e as novas tecnologias têm se mostrado ferramentas úteis e capazes de ajudar nesse processo, pois conseguem apontar uma parcela que não é identificada pelos birôs tradicionais de crédito.
Graças ao cruzamento de informações públicas e georeferências, soluções que fazem uso de big data e machine learning conseguem refinar a análise de risco, o que pode mudar a forma de aprovação de crédito tanto para quem já estava no sistema bancário como para os desbancarizados. Com uma solução implantada para um banco digital, por exemplo, foi possível identificar que 35% da base de clientes desconhecidos pelo mercado de crédito, tinham inadimplência 50% menor que a média.
O potencial é bom. Dados da Associação Nacional das Empresas de Recuperação de Crédito (Aserc) indicam que somente os desbancarizados brasileiros movimentam mais de R$ 650 milhões ao ano. São pessoas de todas as classes econômicas do país: do total, seis milhões são da classe alta, 29 milhões da classe média e 20 milhões de classes economicamente mais baixas. E estão bem dispersos em todo o território nacional: metade vive nos estados do nordeste e norte, 31% no centro-oeste e 30% sul e sudeste. Todos possuem mais de 18 anos.
Na prática, tanto bancarizados como desbancarizados podem estar aptos a receber financiamento com a nova metodologia de avaliação. É como quando separar os prótons, nêutrons e elétrons de um átomo. Isso porque o Big Data dá acesso a outras informações sobre essas pessoas, para que se conheça seus hábitos, a fim de saber se elas poderão honrar novos compromissos, descompactando um bloco de informações que mostravam todos os potenciais clientes numa única média. Assim, tem crescido no setor o uso de robôs que permite avaliar informações mais precisas para determinar as condições de financiamento e empréstimo.
Não à toa, é possível aumentar em até 20% a margem líquida da concessão de crédito com soluções tecnológicas e a interpretação correta dos dados. Vale lembrar que aprimorar a concessão de crédito envolve também reduzir tempo de análise de uma operação e elevar volume de recursos liberados a quem busca dinheiro. É um movimento que ganhou ainda mais relevância no momento da fraca retomada da economia.
Para se ter ideia, na China, usando 3 mil variáveis para analisar risco de crédito, a fintech MYbank emprestou US$290 bilhões a 16 milhões de pequenas empresas em 4 anos, num processo que leva 3 minutos, tem 1% de inadimplência e nenhum humano tomando decisões.
Assim, as novas tecnologias podem inserir milhões de novos consumidores no mercado, ampliar as vendas e gerar empregos. Lojistas também podem, com base nos produtos comprados, identificar quais consumidores estão propensos a aceitar um cartão de crédito.
Ao oferecerem uma análise de crédito mais completa e, portanto, mais segura, o sistema financeiro pode trabalhar com juros variáveis, personalizados, em vez das taxas homogêneas definidas por tipo de empréstimo ou linha de crédito que vem praticando há décadas.
As contribuições da Inteligência Artificial para a área de saúde não são mais história de ficção científica destinada a um futuro próximo. No presente, já é possível encontrar casos do uso da tecnologia para melhorar o diagnóstico médico, auxiliar em tratamentos e tornar os hospitais mais eficientes, entre outros. Isso porque a IA pode processar uma infinidade de dados e utilizar algoritmos para gerar informações mais precisas e até novos pontos de vista para os profissionais do setor.Hoje, há empresas que utilizam inteligência cognitiva e supercomputadores para produzir laudos médicos em minutos e com cerca de 70% de assertividade. Se você acha essa taxa baixa, lembre-se que as melhores equipes médicas podem levar dias para fazer a mesma análise e chegam ao máximo de 60% de assertividade. Em doenças como câncer, esta eficiência é vital para o sucesso no tratamento, pois ela depende do diagnóstico precoce para ter maiores chances de cura.
E não pense que exemplos como este são encontrados apenas em outros países. Aqui, bem perto de você, no Brasil, há empresas que utilizam Inteligência Artificial em medicina diagnóstica com até 94% de precisão. Em uma visita a polos de tecnologia como o Porto Digital, em Pernambuco, você encontra empresas dedicadas a criar soluções com IA para resolver problemas brasileiros em saúde.
Uma delas tem como foco desenvolver exames para doenças tropicais negligenciadas, como leishmaniose, esquistossomose e tuberculose. Além de prover o setor com diagnósticos mais assertivos, estes exames são mais baratos que os tradicionais, ampliando o número de brasileiros beneficiados pela solução.
Como você bem sabe, a tecnologia derruba fronteiras e pode alcançar e melhorar a vida de qualquer pessoa aonde quer que ela esteja. A distância deixa de ser um problema até mesmo para soluções voltadas para a saúde. Considerando as proporções continentais do Brasil, esta é uma inovação necessária. Assim, o paciente pode estar na região Norte do país e ter o diagnóstico feito por uma equipe médica do Sudeste, por exemplo.
Com a Inteligência Artificial hospitais carentes de infraestrutura necessária para a realização de laudos médicos em determinadas áreas conseguem mudar o cenário. Em radiologia podem transmitir eletronicamente raio-X, tomografias e ressonâncias magnéticas para um sistema em nuvem que vai identificar em minutos quais doenças e especialidades médicas estão relacionadas. Por fim, um médico produzirá o laudo rapidamente e encaminhará para o profissional que atende o paciente no outro lado do país.
Ainda considerando a análise de imagens, existem soluções que identificam, em segundos, fissuras em ossos ou outras patologias características. Se feita visualmente por médicos e radiologistas, o exame é demorado e pode ter uma precisão de 79%. Enquanto, com a Inteligência Artificial a precisão é de 94%.
Um dos mitos da Inteligência Artificial é que ela automatiza processos e elimina o contato humano. Em saúde, essa afirmação cai por terra. Um profissional de saúde mais produtivo consegue dedicar mais tempo para o atendimento dos pacientes. Isso porque o tempo gasto em preencher relatórios ou fazer avaliações é menor. Por outro lado, um hospital com gestão eficiente oferece melhor qualidade de serviços prestados aos seus clientes.
É assim que uma solução deixa de acontecer apenas na nuvem e passa a impactar na rotina de uma instituição de saúde. Este reflexo é sentido por quem se beneficia das soluções de IA.
Para você ter ideia de como isso acontece, vejamos como o uso de big data e das redes neurais, eles podem ajudar os hospitais a ter controle absoluto sobre o consumo de suprimentos, leitos, equipamentos e pessoal. A IA permite a análise do histórico de saídas de milhares e milhares de itens em anos, em minutos, ajudando a previsão antecipada tanto de pessoal quanto de recursos. Esta mesma avaliação é impossível de ser feita por humanos no mesmo tempo.
Enquanto as análises são feitas pela solução de IA, a equipe pode se dedicar a atendimentos ou outros processos que necessitam de sua participação presencial. Isso é produtividade máxima de um time e também economia de recursos por parte do hospital ou clínica.
E, como no mercado financeiro, a Inteligência Artificial também é utilizada para detecção de fraudes em saúde. As operadoras podem analisar a compatibilidade entre procedimentos e seus custos com materiais, equipamentos e profissionais antes de reembolsar clínicas e hospitais pelos tratamentos realizados com seus segurados.
Este tipo de trabalho normalmente é feito por equipes de analistas que avaliam dezenas de milhares de processos por mês. Em meio a um volume enorme de avaliações, alguns pagamentos são liberados sem sequer terem sidos utilizados. Um exemplo são as próteses que, por conta do custo elevado, são alvos prioritários para fraudadores. Se o processo for feito por IA, certamente, haverá maior eficiência e contenção deste tipo de golpe.
Não faltam exemplos que comprovam que quanto mais eficiente é um hospital, melhor é a qualidade no atendimento e serviços disponibilizados para o paciente. É a Inteligência Artificial inovando em soluções para a saúde no país.
O ambiente digital mudou o jeito como as empresas conversam com seu público-alvo e executam as estratégias de negócio. Mas muitas ainda têm dificuldades em colocar em prática um planejamento de vendas eficiente — apesar de existirem tantas informações disponíveis para assessorar os gestores nas diferentes etapas do trabalho. Talvez esteja aí o problema.
Há tanto material (sobre quase tudo), que o mercado já utiliza o termo noise — barulho, na tradução do inglês para o português — para representar a quantidade de informações online. Como, então, selecionar os dados que serão úteis para atender bem os clientes e conquistar outros novos? E mais: até onde as novas tecnologias podem ajudar?
O ferramental está cada dia mais eficiente. Graças à inteligência artificial, a jornada de compras de cada cliente pode se transformar numa experiência praticamente exclusiva. Isso porque permite cruzar, sistematizar, analisar e obter informações relevantes. De modo que sejam convertidas em conhecimento útil sobre as características, as preferências e as perspectivas de comportamento atual — e futuro — dos diferentes perfis de consumidores.
Ao mesmo tempo, a jornada do consumidor ficou mais complexa. As empresas precisam se adequar para conquistar o potencial cliente cada vez mais cedo. E não basta apenas conquistar: é preciso reter! Na verdade, a retenção — que é obtida somente após entender os desejos do consumidor e possibilitar uma experiência positiva — é tão ou mais importante. Este é o cerne da transformação digital.
O primeiro passo neste sentido é mapear o comportamento dos usuários e entender os diferentes perfis de seus clientes ou futuros clientes, o que denominamos de personas. É preciso saber quem são as personas interessadas no seu produto e em que parte da jornada elas se encontram. Para isso, primeiramente deve-se combinar a base de dados própria com o mundo de dados da internet.
Isso aumenta a precisão dos resultados e reduz custo. Afinal, não é preciso trabalhar com toda a base de clientes. Mas, sim, fazer um direcionamento focado em quem tem a maior chance de adquirir este produto. São esforços mais inteligentes que levam ao aumento do faturamento. Com menos recursos é possível aumentar a taxa de conversão. A partir do momento que o cliente entra em sua jornada da compra, a IA também pode ser utilizada para guiá-lo.
Se ele, por exemplo, tiver um perfil mais objetivo, o site deve oferecer um botão de compra direta. Se for alguém que precisa de mais detalhamento do produto, é direcionado a outro tipo de site com mais informação.
Isso também pode ser feito por meio de ligações telefônicas de atendimento. É possível direcionar as ligações somente às pessoas mais suscetíveis a interagir pelo canal. Ao entender como o cliente quer ser atendido, as ações da empresa são direcionadas para o canal correto. Em resumo: as ferramentas de Inteligência Artificial têm o poder de personalização do atendimento. Encontram o cliente certo, o canal certo e o atendente certo.
Há muitos outras formas de aumentar a rentabilização do cliente. Os exemplos dados acima dão apenas uma amostra de como o uso de inteligência artificial aplicada a negócios potencializa a retenção. E é bom lembrar que é muito mais barato manter o cliente do que trazer novos. A partir do momento que o consumidor começa a se relacionar com a empresa, tudo pode ser monitorado, de reclamações a elogios.
Toda essa análise possibilita entender o comportamento do cliente e fazer novas ofertas. Em outras palavras, significa criar novas deduções a partir da junção de várias informações fragmentadas — assim como acontece dentro do sistema neurológico dos seres humanos.
Entender o mercado utilizando soluções tecnológicas é uma questão de sobrevivência na era da transformação digital. Todos precisamos saber da influência da inteligência artificial sobre nossas decisões. E não estamos mais perguntando se as pessoas usarão, mas como isso afeta seu comportamento. Observar a jornada do consumidor e atender o cliente da forma como ele deseja, de maneira escalável a um grande volume de dados, é o futuro. A demanda virou o centro econômico.
As fraudes online no sistema financeiro tiram o sono dos gestores. Na mesma proporção que cresce o uso de canais digitais para fazer compras e efetuar pagamentos, aumenta o volume de golpes e fraudes. Segundo estudo realizado pela Forrester Consulting com 465 tomadores de decisão nos Estados Unidos, Índia e Canadá, 94% das empresas que atuam no setor financeiro sofreram por algum tipo de golpe entre 2017 e 2018.
Para ele, ter o crédito negado significa não comprar mais naquele estabelecimento. Isso, além de gerar prejuízo direto, também impacta na imagem da empresa. Para resolver este problema não precisamos voltar no tempo e reduzir as transações online. A necessidade da prevenção a fraudes hoje requer maior sofisticação e eficiência com a utilização dos recursos tecnológicos disponíveis, e a realidade aponta para as ferramentas de Inteligência Artificial (IA) e o Aprendizado de Máquina (ou Machine Learning).
Com a IA as empresas já têm conquistado assertividade maior nas decisões tomadas e agilidade ao criar respostas confiáveis analisando bilhões de informações em pouco tempo. Com base nestas informações, os gestores são capazes de tomarem decisões pautadas em dados reais e não em feeling ou apenas em experiências individuais dos gestores ocorridas no passado.
Um dos exemplos de como a IA pode ajudar a combater fraudes é o caso de uma grande operadora de cartão de crédito. Ela criou uma ferramenta de gestão de risco que monitora e avalia autorizações de transações em sua rede global de pagamentos em tempo real. Assim ajuda as instituições financeiras para identificar e responder rapidamente a padrões emergentes de fraude.
Com a solução foram evitadas fraudes que somam cerca de US$ 25 milhões anuais em todo o mundo e colaborou para o ecossistema global de pagamentos ser mais seguro para varejistas e consumidores. Isso porque, baseada em IA, a ferramenta é capaz de analisar 100% das 127 milhões de transações entre comerciantes e instituições financeiras em 2018.
Os algoritmos da ferramenta conseguem analisar um grande volume de dados de maneira rápida e fácil. E, também, entender o cliente de maneira personalizada. A vantagem no uso de IA é que, quanto mais dados forem processados, maior será o treinamento e aperfeiçoamento dos algoritmos da solução.
Entre janeiro e agosto de 2018, no Brasil, foram detectados 920 mil golpes via internet para roubar dados financeiros dos consumidores e clonar seus cartões de crédito. Isso dá algo em torno de 3,6 fraudes por minuto, segundo uma empresa de segurança. Além de o volume ser imenso, as fraudes geram prejuízos tanto para o cliente quanto para a operadora.
Soluções como a criada pela operadora de cartão de crédito utilizam redes neurais inspiradas no modelo do cérebro humano para fornecer dados para a plataforma de IA e, desta maneira, identificar chances de fraudes. Os algoritmos cruzam informações, realizam correlações impossíveis de serem feitas pela mente humana em função do grande número de variáveis e dados envolvidos.
Os modelos mais recentes de redes neurais, chamados de deep learning, avaliam em tempo real cada transação, considerando informações adicionais relevantes no momento da concessão de crédito e avaliação do risco. O deep learning tornou-se um marco em IA pelos bons resultados alcançados em várias aplicações como o reconhecimento de imagens, o processamento da linguagem humana e a criação dos assistentes virtuais, para mencionar apenas algumas.
Ao fazer uma análise do risco, o processo é realizado em apenas um milissegundo. Para você ter ideia do quanto isso é rápido, um piscar de olhos leva cerca de 300 a 400 milissegundos. Ou seja, enquanto você pisca, a máquina já analisou centenas de transações.
Para entender como o aprendizado de máquina ajuda a compreender os dados, a extrair as informações relevantes e a prever comportamentos, lembre-se que antes de frequentar a escola você, provavelmente, não sabia ler nem escrever. Hoje, passados anos de estudo, é fluente em Português, Inglês, além de dominar assuntos que o auxiliam nas tarefas da empresa onde trabalha.
Com o aprendizado de máquina o processo é semelhante. O princípio da solução é a aprendizagem por exemplos, pelas referências apresentadas. Porém, a máquina aprende mais rapidamente porque tem mais informações disponíveis, em frequência. E nunca se cansa de aprender, quanto mais dados analisa, mais precisa se torna.
Quando as instituições financeiras alimentam os algoritmos com grandes volumes de dados, eles conseguem capturar as características que identificam os perfis dos clientes e das próprias transações. As características são guardadas na máquina, permitindo que ela preveja fraudes em transações futuras pelo padrão de comportamento.
E faz isso analisando perfis com padrões diferentes dos usuais. Por exemplo, se um cliente está fazendo muitas compras em um intervalo de tempo menor e em diferentes lugares, concorrentemente, é possível que não seja ele e sim uma fraude. E, se for um falso positivo, como acontece com nós, humanos, a máquina aprende e se adapta automaticamente. É desta maneira que ela se torna a cada dia mais eficiente.
Outras vantagens de utilizar a Inteligência Artificial além da prevenção às fraudes, são: o ganho de tempo e redução de custos de análise, aprimoramento do processo de decisão de crédito e melhoria na cobrança, entre outros benefícios.
Pelas razões acima, e pelas tendências crescentes de impacto da tecnologia nos negócios, adiar a transformação digital na sua empresa pode torná-la mais vulnerável às inovações lançadas pela concorrência, gerando prejuízo. Adotar novas tecnologias não se trata apenas de tornar seu modelo de negócio moderno. É passar a contar com o poder de novas ferramentas, aumentando a escala de produção de forma mais eficiente, tornando-se mais competitivo e rentável.
Como mentor de várias startups e circulando no ecossistema de ciência de dados, tenho sido cada vez mais procurado por profissionais de TI e de outras áreas com a pergunta: “Como faço para me transformar em um cientista de dados?”
Recentemente, li um artigo do KDnuggets que fala um pouco sobre como fazer isso via migração de carreira, tanto para profissionais de origem em exatas quanto em outras áreas. Achei superbacana e resolvi escrever um resumo aqui.
O primeiro cenário para uma carreira em ciência de dados é o que Manu Jeevan, autor do artigo e editor do KDnuggets, chama de “rota focada em tecnologia”. Se você é de TI ou áreas afins e está procurando fazer a transição de sua carreira para a ciência de dados, o conselho mais comum é aprender Python ou R e tecnologias de Big Data, como Spark e Hadoop. Essa abordagem faz todo o sentido para a galera de tecnologia e exatas.
Por outro lado, se você não tem esse background técnico, a maneira mais fácil de começar na ciência de dados é adotar uma abordagem focada no área que você já domina (ou “conhecimento de domínio”, em tradução livre do que está no artigo). Isso significa focar na área de negócio em que as soluções de ciência de dados serão aplicadas.
Se você observar o artigo que escrevi sobre as habilidades esperadas em um cientista de dados, perceberá que esse profissional não tem só habilidades técnicas. Essas pessoas também têm conhecimento em outras áreas, como finanças, marketing, recursos humanos, entre outras. Nessa mesma linha de agregar valor à bagagem dos profissionais, tenho tido uma experiência muito bacana no curso de extensão da CESAR School.
Por isso, a provocação do artigo é:
por que não aproveitar essa experiência em outra área?
Uma das primeiras coisas a fazer, sem dúvida, é estudar sobre o assunto. Para quem já é da área de exatas, eu defendo que em 3 meses é possível tornar-se um cientista de dados. Para quem vem de outras áreas, há outras linhas de estudo — vou falar mais sobre isso depois.Independente da sua origem, em paralelo aos estudos, você já pode ir investigando onde você vai trabalhar. Achei interessante o passo a passo sugerido por Jeeban. Aqui, tentei adaptar um pouco para a realidade brasileira e acredito que o que você vai ler agora serve como um guia geral.
A ciência de dados é usada em várias áreas de domínio (como recursos humanos, seguradoras, marketing, finanças, etc.) para resolver problemas comerciais interessantes. Aqui mesmo na Neurotech, usamos muito a plataforma Neurolake nas áreas de crédito e seguros.
Para chegar no seu emprego dos sonhos, a sugestão do artigo é que você use cruze ciências de dados com a sua área de domínio em buscas simples na internet. Por exemplo, digamos que você é um profissional de marketing digital e deseja fazer a transição para ciência de dados. Se pesquisar no Google “marketing data science empregos”, receberá uma lista de ofertas de emprego com títulos como:
Encontrados os cargos que estão dentro do que você busca, passe por cada descrição para entender quais deles correspondem de perto às suas habilidades atuais (considerando o que você já domina).
Ao fazer este exercício, o autor do artigo descobriu que "Analista de dados de marketing" é uma boa opção para o exemplo em questão. No anúncio de vaga abaixo, está um exemplo:
O candidato para essa função deve ter boas habilidades no Google Analytics, deve compreender as métricas on-line (como visitas, taxas de conversão, etc.) e deverá saber como realizar a análise da campanha.
Ou seja, a atuação desse profissional passa a ser uma interseção entre a área de negócio em que ele tem experiência ou tem vontade de trabalhar com um pouco de ciência de dados, mesmo que seja em estágio bem inicial.
Claro que é necessário ter a capacidade de
elaborar gráficos e tabelas, mas nada de
algoritmo por enquanto.
Você precisa selecionar empresas para segmentar sua busca. Procure aquelas que contratam principalmente profissionais de ciência de dados, usando pelo menos um desses critérios:
Você fez sua lição de casa: escolheu uma função e algumas empresas. Mas ainda há muitas dúvidas, como “Posso realmente conseguir esse emprego?” e “O que eu devo fazer a seguir?” Como responder a essas perguntas? Como Jeevan destaca no artigo, a resposta no mercado internacional atual sempre é: “Testando!” E eu digo que esse é um mantra que precisamos usar cada vez mais no mercado brasileiro.
Aqui estão os passos que você pode seguir:
O LinkedIn pode ser muito útil para começar a cumprir a lista da Etapa 3 e encontrar pelo menos duas pessoas que já tenham seu cargo-alvo em cada uma de suas empresas-alvo. Se elas tiverem mais de 500 conexões nessa rede social, entre em contato via inbox. O artigo sugere até um script, que eu adaptei para realidade brasileira — e é e como eu faria no seu lugar.
Mensagem inicial de solicitação do LinkedIn (até 300 caracteres):
Eu estava fazendo uma pesquisa sobre vagas de Analista de dados de marketing no LinkedIn e notei que você é um na [nome da empresa].
A carreira é muito inspiradora para mim. Estou em busca de meu emprego dos sonhos e gostaria de saber se poderia me dar 5 minutos do seu tempo para conversamos.
Assim que aceitarem sua solicitação do LinkedIn (nem todos vão aceitar, tudo bem), agradeça com uma mensagem inbox:
Meu nome é [nome] e [algumas rápidas palavras sobre você].
Como eu disse antes, estou em busca do emprego dos meus sonhos em [nome da vaga] e gostaria da sua ajuda de lhe fazer algumas [3 a 5] rápidas perguntas sobre sua experiência na [nome da empresa].
Suas percepções seriam muito úteis para mim. Estarei em [cidade] de sexta-feira [data 1] a segunda-feira [data 2]. Você estaria disponível para uma conversa rápida durante um café nesse período?
Outra opção é usar a mensagem do LinkedIn acima como seu primeiro e-mail de contato, com a seguinte linha de assunto: Aspirante a cientista de dados.
Se você não receber uma resposta após 3 dias, envie um e-mail de acompanhamento.
Assunto: Acompanhamento da minha mensagem anterior.
Corpo do e-mail: Oi, [Fulano/Fulana]. Gostaria de acompanhar nosso contato anterior.
Até agora, eu:
Decidi o cargo que estou buscando: analista de dados de marketing; Tenho uma lista de empresas às quais estou interessado em me candidatar e também já pesquisei muito sobre elas; Tenho só algumas poucas perguntas - e por isso estou entrando em contato com especialistas como você (que já têm o emprego dos meus sonhos). Eu acredito fortemente que sua orientação e feedback sobre a minha abordagem ao mercado de trabalho de ciência de dados me ajudariam muito.
De novo: se você não receber uma resposta após 2 dias úteis, envie mais um e-mail de acompanhamento.
Oi [Fulano]. Desculpa incomodar, mas queria entrar em contato sobre minha mensagem anterior. Sua orientação me ajudaria muito na minha jornada em busca do emprego dos sonhos.
Antes de entrar em contato com qualquer um de seus alvos, veja se conhece alguém que possa apresentá-lo a eles. Pode ser um ex-colega de faculdade ou um ex-colega de trabalho.
Lembre-se de que essas reuniões informais são para você testar suas ideias e obter novos insights. Não é o momento de falar em emprego. Nunca peça um neste ponto. Você está na fase de pesquisa, é hora de apenas reunir informações. Também não é hora de falar sobre você — então, por favor, ouça. Seu trabalho aqui é aprender, não falar de si mesmo.
Se você tiver uma reunião de meia hora, deverá passar aproximadamente 25 minutos fazendo perguntas e ouvindo as respostas. Nos últimos cinco minutos, está “liberado” falar sobre si mesmo.
É essencial tentar fazer perguntas inteligentes. Para isso, pesquise sobre a pessoa e sobre a empresa e, no encontro ou ligação, busque tirar as dúvidas que não conseguiu achar do que já está disponível.
Outra boa dica: não seja vago. Recebo muitas perguntas no LinkedIn sobre orientação de carreira do tipo: “Qual a sua sugestão sobre a minha carreira em tecnologia?”, e eu penso “Sério? Que pergunta é essa?”, porque é genérica demais, cabe muita coisa em tecnologia. Ser específico aumentará suas chances de bons insights. Boas perguntas trazem boas respostas 🙂
Por exemplo:
Após a reunião, no mesmo dia, envie um e-mail de agradecimento.
Por enquanto, ficamos por aqui. Acredito que esse seja um bom começo para quem quer começar em ciência de dados e vem de outra área, independente de que área é essa e de quanto tempo a pessoa tem de experiência (ou da sua idade). Boa parte dessas dicas servem também para quem está começando do zero.
Sejam muito bem-vindos todos que querem migrar para a carreira em ciência de dados!
Rodrigo Cunha | Head of Neurolake na Neurotech
O varejo está mudando. Por conta da revolução 4.0, as empresas precisam ser cada vez mais estratégicas e inovadoras para conquistar novos clientes e aumentar as vendas. Entretanto, nem todas perceberam ainda que o caminho para esta mudança é a transformação digital que torna a tecnologia aliada do desenvolvimento.
Embora pareça meio óbvio que fazer negócio no mundo atual passa pela transformação digital, na prática, ainda há um caminho a percorrer no Brasil. De acordo com estudo feito em 2018 pela International Data Corporation (IDC) com mais de 100 grandes companhias brasileiras, aproximadamente um quarto delas (24,7%) não acha que a transformação digital seja relevante. E apenas 4% têm ciência da importância do assunto e o tratam como prioridade para promover a sustentabilidade do negócio.
Grandes redes varejistas têm enfrentado o sobe e desce das vendas, fruto das inconstâncias do cenário econômico. Mas com as novas tecnologias, como a Inteligência Artificial e o Big Data, as empresas conseguem introduzir novas estratégias para reduzir custos e otimizar vendas. Elas têm contado com aplicações sofisticadas disponíveis no mercado que combinam centenas de variáveis que acompanhamos preços e identificam as promoções ideais a serem adotadas, para os diferentes perfis de clientes.
Estas variáveis, disponíveis tanto em bases de dados internas da empresa como, principalmente na internet, são importantes para a decisão de compra do consumidor e auxiliam o varejista a não perder margem, pois tornam possível monitorar a concorrência. Com base neste acompanhamento, o varejista consegue de maneira mais dinâmica e assertiva, identificar os valores cobrados e aumentar os ganhos.
No varejo, o uso de aplicações de Inteligência Artificial na previsão da demanda de produtos e serviços é uma realidade. Conhecendo com antecedência quais produtos serão comprados pelos consumidores, o controle de estoque é aprimorado e a estratégia de vendas mais efetiva. Uma das soluções, por exemplo, relaciona clima e trânsito para prever o fluxo das lojas. E faz isso por meio de combinação de dados de fontes públicas disponíveis na internet.
No Brasil, o segmento está começando a se habituar com o uso da IA para conquistar novos clientes, fidelizar os atuais, ampliar o leque de produtos ofertados e identificar tendências de consumo por perfil de consumidor. Este movimento se dá apoiado pelos departamentos de marketing e vendas, que são mais abertos aos avanços das novas tecnologias.
Ao analisar os resultados conquistados e o contato mais próximo com o consumidor, as empresas passam a se beneficiar mais das transformações promovidas pela IA. Ao conhecer melhor o público-alvo, por meio da tecnologia, é possível identificar o perfil do consumidor, seu comportamento e seus desejos. Assim, as ofertas passam a atender à necessidade do cliente. Com a assertividade maior, o ticket médio aumenta.
A IA combina uma série de informações que possibilitam personalizar a abordagem e o atendimento a clientes que possuem determinados perfis, ou como se diz em marketing, as personas. A análise de clustering, técnica que agrupa dados com características semelhantes automaticamente, identifica os consumidores que têm maior aderência a um produto ou serviço. Assim, é possível não só aumentar a eficiência na aquisição de novos, mas também prevenir a perda de antigos clientes.
A frase dados são a nova riqueza não serve apenas para explicar de maneira mais didática o valor dos dados para os negócios. Ela também mostra a relevância do consumidor para os mercados, principalmente, o varejo. Apoiados pelas informações produzidas pelos consumidores, os negócios conseguem estabelecer estratégias mais eficientes.
O papel ativo do consumidor o tornou ainda mais relevante para o setor. Agora ele é protagonista e influencia as tomadas de decisão e estratégias adotadas pela empresa. Por conta disso, as companhias que já perceberam o impacto da transformação digital passaram a usar a IA e o Machine Learning para aprimorar a jornada do consumidor e melhorar a experiência do cliente, tendo como base os dados gerados por ele mesmo.
Ao ser aplicada no varejo, a IA aprende as características do cliente e como ele se relaciona com as marcas. Nesta análise de dados, a jornada de consumo é mapeada e torna possível prever o momento de decisão de cada cliente. Esta informação dá origem às ofertas relâmpagos, por exemplo.
É importante esclarecer que, neste caso, não se trata de oferecer o produto com um preço mais baixo. Nem sempre o consumidor é impactado pelo preço. Outros fatores podem ajudar a definir a compra, como conveniências ou condições de parcelamento. Feita por pessoas, este tipo de análise demoraria muito, por conta do volume de dados envolvido, e as conclusões poderiam ser equivocadas por não entender a motivação do cliente. Como uso da IA conseguimos desenvolver soluções que correlacionam a imensidade de dados disponíveis para identificar padrões de comportamento e então recomendar a melhor decisão em cada caso.
Graças à tecnologia, hoje em dia, os negócios são mais úteis e eficientes para o consumidor, que por sua vez está mais exigente e digital. Com o uso inteligente de dados, é possível mostrar aos clientes, por exemplo, que pontos de venda mais próximos possuem o produto que ele deseja ou qual a promoção online disponível para produtos que ele já pesquisou na internet.
Aproveite e leia nosso E-book:
Inteligência Artificial aplicada aos negócios
Já reparou que as contas no início de ano aumentam na mesma proporção que a necessidade de crédito dos consumidores? Isto acontece porque é justamente nesta época que são lançados gastos com IPTU, IPVA entre outros. Além deles, há ainda as liquidações para queima de estoque, uma boa oportunidade para o cliente aproveitar os descontos.Se em um primeiro momento, você considera a ocasião excelente para financeiras e fintechs alavancarem os negócios e oferecerem seus produtos, avalie melhor.
O cenário é complexo, pois para conceder crédito, é necessário analisar cada cliente com segurança, identificar o produto mais adequado de acordo com o perfil, o melhor momento de compra e fazer tudo isso de maneira rápida e precisa.
Mas afinal, é possível ser ágil na concessão de crédito?
Com a transformação digital muitas empresas estão se tornando mais eficientes e têm melhorado a experiência do cliente. Elas se aproveitam da Inteligência Artificial que é capaz de analisar um grande volume de dados em segundos e transformar as informações em dados que auxiliam na tomada de decisão.
A Inteligência Artificial consegue identificar rapidamente como é o histórico de pagamento e inadimplência de cada cliente. Desta forma, reduz o risco de inadimplência e eleva o volume de negócios da empresa. O sucesso desta operação é resultado da avaliação em menor tempo e a identificação precisa de bons pagadores.
Empresas que utilizam métodos tradicionais para concessão de crédito têm processo lento e burocrático. Este tipo de análise gera um relatório com informações rasas sobre o cliente. Tanto a demora quanto o estresse da situação levam à desistência e vendas são perdidas. Ou a avaliação sem a visão total do perfil e comportamento do cliente, pode negar o crédito.
A eficiência da IA no processo de concessão de crédito torna a experiência melhor, fidelizando e aumentando o volume de transações. Por outro lado, a redução de processos operacionais garante economia para as financeiras.
O perfil de crédito de cada pessoa é formado por um conjunto de informações espalhadas em várias fontes de dados. Juntá-las não é tarefa simples, imagine então, analisar cada dado para definir o risco daquele cliente. Com a Inteligência Artificial a análise de crédito ganha agilidade e a gestão de risco da carteira é feita de maneira mais segura.
Imagine este volume de informações sendo analisada por uma pessoa? Certamente seria mais lenta e menos assertiva.
Quando uma empresa utiliza a Inteligência Artificial na concessão de crédito, ela constrói uma plataforma de conhecimento que facilita a tomada de decisão e concessão do limite adequado para cada cliente. Isso porque o volume crescente de dados, analisados de forma inteligente, permite extrair e utilizar informações relevantes que preveem melhor o comportamento destes clientes.
Aproveite e leia o ebook da Neurotech sobre Inteligência Artificial aplicada aos negócios
Não dá para ignorar a importância dos dados para os negócios, eles são informações valiosas, confiáveis e relevantes. E com a Inteligência Artificial é possível fazer a gestão eficaz do ciclo de crédito. Ao ter em mãos respostas confiáveis, em tempo real, a empresa evita erros que podem levar a prejuízos.
As soluções de IA são ferramentas rápidas e seguras para tomada de decisões mais inteligentes nas fases de iniciação, manutenção e recuperação de clientes, com redução comprovada das taxas de inadimplência.
Ouça a entrevista de nosso CEO, Domingos Monteiro, à rádio RTM e entenda mais sobre essa tecnologia, suas aplicações e benefícios.
Fonte: Rádio RTM
A cada dia, a Inteligência Artificial (IA) conquista mais espaço no cotidiano das pessoas e empresas e se torna essencial para gestão de negócios, definição de estratégias inovadoras, automatização de processos, monitoramento do mercado, conquista e fidelização de clientes. Com sua capacidade de aprender o comportamento humano, essa tecnologia está revolucionando o universo corporativo e impactando positivamente os resultados das empresas.
Mesmo com a inserção de IA em diversos setores das empresas, todo o potencial desta tecnologia ainda não foi aproveitado. Ou seja, há muito para aprender, desenvolver e utilizar. Certamente, isso provocará mudanças de paradigmas intensas e rápidas nos negócios. Tocamos apenas a ponta do iceberg no potencial de aplicações da Inteligência Artificial. Hoje, a IA vem sendo aplicada na indústria financeira, no varejo, em seguros, na saúde e na indústria entre outros segmentos.
Apesar de cada aplicação ter sua especificidade e seu fim, o objetivo do uso da tecnologia é identificar melhores oportunidades de negócios, incrementar o faturamento por meio de uma melhor experiência proporcionada ao cliente, reduzir custos e prejuízos automatizando processos, e facilitar a vida das pessoas com software baseados em IA. E isso se dá porque os sistemas de IA, principalmente os que utilizam Machine Learning, conseguem levantar dados, organizar e cruzar um grande volume de informações de maneira rápida e segura, e gerar previsões que potencializam a capacidade dos gestores tomarem decisões com melhor qualidade.
A partir daí, pode contribuir na adoção de estratégias mais assertivas para o negócio, identificando, entre outras coisas, o comportamento do consumidor, as tendências de demanda e prever qual é o próximo produto que o cliente vai comprar. Com IA é possível saber quais os melhores clientes, os produtos ou serviços mais populares, o que causa maior impacto na vida dos consumidores, como aumentar a eficiência do marketing, como personalizar o atendimento ao consumidor, como oferecer novas experiências para fidelizar o cliente e até como otimizar o processo de recrutamento e seleção de pessoal.
De maneira geral, a tecnologia é aplicada para facilitar o cotidiano das pessoas e da corporação, reduzindo a carga de tarefas operacionais. Com uma carga de trabalho mais leve e menos repetitiva, os colaboradores podem se dedicar a tarefas que exigem criatividade e que trazem maior valor para as empresas.
À medida que a IA vem sendo utilizada por mais e mais empresas, de diversos segmentos, seus efeitos são mais percebidos pelos consumidores. Inclusive na forma como eles se relacionam com as marcas e negócios. Segundo pesquisa realizada pela Gartner, empresa global especializada em pesquisa e consultoria, em 2020, 85% das interações dos consumidores com as empresas serão feitas por meio da IA, sem a intermediação de pessoas. Embora possa se questionar quando isso ocorrerá exatamente é fato que essa tendência aumentará a cada ano. Isso porque muito se evoluiu nas tecnologias de assistentes virtuais, seja por voz ou texto.
Se antes o telefone era o principal canal de contato entre empresa e cliente, agora o SAC se modernizou. Hoje os diálogos acontecem via e-mail, redes sociais ou chats. Neste tipo de comunicação, a IA faz a triagem das solicitações e soluciona sozinha boa parte dos problemas. Mais uma vez, a carga operacional dos atendentes é reduzida, deixando o tempo livre para se concentrar em demandas que necessitam da intervenção humana.
Sim, no relacionamento com o cliente, a IA é utilizada para melhorar a comunicação, antecipar demandas e solucionar problemas. Com a experiência do consumidor ampliada, os resultados comerciais melhoram. A máxima de que clientes satisfeitos geram mais negócios, afinal, uma vivência positiva hoje pode gerar novos retornos no futuro, nunca esteve tanto no radar das empresas.
Aproveite e leia nosso E-book:
Inteligência Artificial aplicada aos negócios
Dados, experiências, personalização e predição estão transformando a sociedade e, consequentemente, o mundo dos negócios. Isso acontece por conta da soma da IA e do Big Data. Assim, é possível compreender os padrões dos consumidores e atender às suas mais específicas demandas, ou até prever o próximo passo do cliente. E este entendimento é feito de maneira rápida e assertiva.
1. No ramo de seguros, por exemplo, a utilização da tecnologia ajudou a reduzir a sinistralidade do segmento em uma grande empresa do setor. Com apoio de especialistas em soluções de IA, a base de dados foi enriquecida, gerando melhoria na tomada de decisão por meio de um motor baseado em IA. Isso deu origem a uma plataforma integrada para aferição de risco que identificou 17% de potenciais sinistros em apenas 5% das propostas. O resultado conquistado foi equivalente a 500% de ROI, 20% na diminuição de sinistros e 5% na redução do custo anual da TI.
O Varejo é um dos segmentos que tem utilizado os recursos de IA para, entre outras aplicações, direcionar ofertas, analisar riscos de crédito e, claro, vender mais. Um exemplo de bom uso vem de uma rede de lojas espalhadas pelo Brasil que trocou o processo de análise de concessão de crédito mais tradicional por um sistema baseado em IA.
2. O método anterior demandava muito tempo de espera dos clientes que solicitavam o cartão de crédito da empresa. Com a nova ferramenta, a avaliação ganhou agilidade, reduzindo de 25 a menos de 3 minutos, o tempo de emissão do cartão de crédito dentro da loja. Além disso, o conjunto de informações fornecidas mostra a capacidade de um cliente honrar o financiamento solicitado, mesmo estando negativado nos bureaus de crédito. Entre os resultados conquistados, os clientes passaram a comprar mais com a emissão imediata do cartão, aumentando o faturamento da empresa.
Outra grande e tradicional rede de lojas brasileira optou por promover experiência para o consumidor e adotou uma solução que emprega IA. Ela tem investido no uso de plataformas digitais que permitem atendimento cada vez mais ágil, prático e eficiente. Inclusive, a concessão de crédito é feita de maneira 100% digital, realizada via tablet nas mais de 320 unidades da rede.
3. A mudança é uma experiência impecável para os clientes que, antes, tinham que se dirigir até as áreas de atendimento e, de acordo com o dia, esperar em uma longa fila. Agora, com uso do tablet e a análise via IA o consumidor continua a fazer suas compras enquanto é atendido. E melhor, todo o processo leva apenas 7 minutos.
De fato, não faltam exemplos de como é possível aumentar os resultados corporativos usando Inteligência Artificial. A mudança já está acontecendo, não fique de fora.
O uso de Inteligência Artificial (IA) transforma a experiência do cliente e pode ser sua chave para o sucesso do CX. Hoje, a jornada do cliente é impactada não apenas pelo desejo de adquirir um produto, mas a experiência que vivenciam ao longo da jornada é decisiva para a conversão da compra.
Então, como desenvolver uma estratégia eficiente para gerar aumento nas vendas se as empresas têm adotado basicamente as mesmas estratégias? Acompanhe a leitura e encontre resposta para essa e outras perguntas.
Conhecer bem o perfil do cliente e como este faz escolhas é fundamental para gerar ofertas vencedoras. A resposta pode estar em usar mais e melhor as informações disponíveis.
Hoje, as soluções de Inteligência Artificial são as melhores alternativas para que uma organização se destaque em relação aos seus concorrentes, pois permitem combinar todo o universo de dados que vivenciamos com previsões, ofertas de produtos e tratamento dos clientes alinhados com a sua expectativa.
Os dados dos próprios clientes podem ser convertidos em informações valiosas. O segredo está em como usá-los de maneira eficiente. Com a Inteligência Artificial torna-se possível analisar e correlacionar não apenas dezenas mas milhares de informações de perfil e comportamento, permitindo a customização de experiências para cada um dos clientes.
Portanto, a futura venda de um produto ou serviço, sua precificação, o canal de contato mais adequado, entre outras ações, podem ser previstas, ajudando a desenhar a trilha da melhor experiência para aquele cliente.
A IA aprende as preferências dos clientes e prevê as suas reações, criando experiências sob medida para cada pessoa. Isso faz com que o consumidor se identifique com quem oferece esse tipo de atendimento, gerando mais interações com a empresa e, consequentemente, refletindo positivamente nas vendas.
Sempre com foco nas necessidades do cliente, o processo de compra na era da IA torna-se mais fácil e intuitivo, uma vez que ela entende e prevê em que momento, com que oferta e por qual canal a empresa deve abordar o cliente.
A experiência do cliente (CX) se refere à maneira como o cliente e a empresa interagem durante os diferentes pontos da jornada de compra, atendimento e demais áreas. Tem a ver com a forma que a organização se apresenta e com os sentimentos do cliente ao interagir com ela.
A IA aprende as preferências dos clientes e prevê as suas reações, criando experiências sob medida para cada pessoa. Isso faz com que o consumidor se identifique com quem oferece esse tipo de atendimento, gerando mais interações com a empresa e, consequentemente, refletindo positivamente nas vendas.
Sempre com foco nas necessidades do cliente, o processo de compra na era da IA torna-se mais fácil e intuitivo, uma vez que ela entende e prevê em que momento, com que oferta e por qual canal a empresa deve abordar o cliente.
São muitas as possibilidades de uso da IA. Claro, ela pode entender e personalizar a experiência para cada cliente, mas seu poder pode ser ampliado.
As informações ajudam as empresas a entender quais as dores dos seus clientes e desejos, que caso não sejam atendidos, podem ser causas de insatisfação, comprometendo a efetivação de uma compra ou o seu relacionamento com a empresa.
O atendimento oferecido é sempre um fator crítico de sucesso no relacionamento entre o consumidor e a empresa. Todos gostam e prezam por praticidade e agilidade.
Com a IA é possível automatizar vários processos para que este atendimento seja o mais rápido e efetivo possível, atendendo os usuários em suas necessidades de compra, aprovação de crédito, ofertas diferenciadas de produtos, emissão imediata de cartões, entre outras.
Um exemplo prático de como isso é possível é a solução que criamos para automatizar a análise do risco de crédito de consumidores de uma grande rede de lojas de varejo de São Paulo.
Após as propostas de crédito serem preenchidas na plataforma de IA, as solicitações passam pelo motor de análise que, em segundos, consulta várias fontes de informações que embasam a decisão de conceder ou não o crédito.
Com a implementação da solução, o tempo de duração do processo de pesquisa caiu de 25 para menos de 3 minutos. Isso reduziu as desistências dos clientes que ficavam muito tempo à espera de uma resposta para comprar.
Hoje em dia os clientes querem que as marcas estejam disponíveis nos canais que eles usam a qualquer momento. Esse tempo é denominado de ZMOT ou momento zero da verdade da decisão de compra.
Normalmente ele se dá quando o consumidor está pesquisando sobre um produto ou serviço. As empresas que não tiverem presença digital nos canais que os clientes utilizam deixam de ser consideradas por eles.
A IA permite aos negócios a velocidade necessária para implementar uma interação e evoluir no contato com o cliente. Graças a automações da tecnologia, o consumidor terá o produto ou serviço no momento que ele quiser, pelo canal que ele escolher.
Essa disponibilidade da empresa é uma experiência que agrada e aumenta a performance de vendas.
Com o relacionamento construído, é chegada a hora de evoluir e continuar analisando o comportamento do cliente para personalizar as ofertas.
Nesta fase, você oferece ao consumidor uma jornada completa, potencializando os negócios com ofertas que geram mais compras, sem incomodar clientes com produtos que não se alinham com o seu perfil, e sem sobrecarregar seus custos, seu time comercial ou plataforma de vendas.
Neste ciclo ininterrupto, ferramentas de IA mantém os dados atualizados, permitindo que as empresas façam análises preditivas. Desta forma, a empresa saberá o que o cliente vai buscar em breve e se preparar para atender à demanda.
Isso também ajuda a estar sempre próximo do consumidor, se tornando a primeira opção de compra.
Por fim, e por tudo isso, a IA tem se tornado tendência nas empresas para melhorar a satisfação dos clientes por meio de experiências. É desta maneira que seus produtos e serviços serão bem percebidos pelos consumidores e quanto maior for essa percepção, mais negócios conseguirá converter.
Aproveite e leia nosso E-book:
Inteligência Artificial aplicada aos negócios
A Neurotech é referência em transformar um mundo de dados dispersos em informações confiáveis e relevantes para que nossos clientes prevejam novas oportunidades de negócios e obtenham resultados expressivos.
Dia desses, li um artigo bem legal da Harvard Business School que começa citando o livro The Wealth of Nations, deAdam Smith. Para ele, a especialização orientada para a função, em que cada trabalhador se torna altamente qualificado em uma tarefa limitada, leva à maior eficiência dos processos. Muitas indústrias chegaram ao sucesso assim ― e talvez até hoje ainda cheguem.
Foi justamente aí que o artigo despertou em mim a seguinte pergunta: como isso pode ser exemplo para nossa realidade em inteligência artificial? Gostei tanto que, neste texto, faço um resumo do artigo a partir de um paralelo com a nossa realidade na Neurotech.
Essa divisão de trabalho por função especializada é tão antiga e tão comum entre nós que até hoje organizamos as equipes desta forma. Em Ciência de Dados, isso não é uma exceção (escrevi um pouco sobre isso aqui). Um projeto ou produto de Machine Learning de ponta a ponta requer muitas funções e, por isso, as empresas geralmente criam equipes de especialistas: cientistas de dados, engenheiros de dados, engenheiros de Machine Learning e assim por diante. O trabalho dos especialistas é coordenado por um gerente de produto, semelhante a uma linha de produção.
Na minha opinião, apesar dessa semelhança, não devemos orientar as nossas equipes de Ciência de Dados somente para ganhos de produtividade. Muitos projetos de Machine Learning não têm a definição exata do que teremos ao final. Muitas vezes não sabemos qual será o resultado no fim do processo, afinal de contas, estamos minerando os dados para extrair informações e decisões relevantes, o que pode revelar coisas que mudarão o rumo do trabalho.
Uma dinâmica totalmente diferente do que acontece em fábricas de carro, por exemplo, onde você sabe exatamente o que está produzindo. Neste caso, sim, o objetivo é a execução com máxima eficiência. Sabemos exatamente o que queremos.
A pergunta que fica é: você sabe identificar
seus times estão virando uma linha
de produção industrial?
Os sintomas começam a aparecer quando as equipes de Ciência de Dados começam a ter atualizações de status como "aguardando alterações no pipeline de dados" e "aguardando recursos de Machine Learning" e esse “aguardando...” demora um bom tempo.
A solução para minimizar este problema é, claro, mudar o mindset do time de eficiência operacional para aprendizado contínuo. Para incentivar o aprendizado e a iteração, os papéis da Ciência de Dados precisam se tornar mais gerais, com responsabilidades amplas e agnósticas (grosso modo, que aceitam a impossibilidade de se saber de tudo) para a função técnica. Na Neurotech, isso é aplicado quando buscamos organizar os cientistas de dados de modo que eles sejam “otimizados para aprender”. Isso significa formar “cientistas de dados completos” — generalistas — que podem executar diversas funções: da concepção à modelagem, à implementação e à medição.
Por exemplo, há um lema nos squads de dados da Neurotech que é “Peça desculpas por ter feito algo a mais do que deveria ser feito em vez de pedir permissão para fazer determinada tarefa”. Ou seja, autonomia total, voz (sempre devemos estar abertos a escutar) e foco no propósito específico do squad para não se perder no meio do caminho. Incentivamos as multifunções dentro do squad. É claro que, quanto mais júnior for o profissional, mais difícil será desempenhar mais de um papel, mas a expectativa é que os mais experientes tenham esse skill multifunção.
Com menos gente nos squads e times mais
completos, o overhead de gerenciamento cai
drasticamente e amadurece as pessoas que
estão no squad de uma forma extraordinária.
Por isso, sempre colocamos cientistas de dados e engenheiros de dados para falarem com os nossos clientes. Quanto mais envolvidos com o todo, mais “completos” eles serão.
Essa autonomia e diversidade de habilidades concedidas aos cientistas de dados depende muito do suporte de uma plataforma de dados sólida para se trabalhar. No nosso caso, temos o NeuroLake, uma plataforma de dados com Machine Learning como serviço com todas as tecnologias de última geração. O resultado é que temos atraído muitos cientistas de dados com vontade de aprender Python, Spark, AWS, Hive, Presto e Scala. Uma plataforma de dados bem construída e com potencial de escalar e potencial de experimentação contínua, que atrai cientistas de dados ávidos por aprendizagem e crescimento.
Além da abstração, uma plataforma de dados pode fornecer ganhos contínuos em uma infraestrutura de experimentação, automatizar o monitoramento e o alerta, fornecer escalonamento automático e permitir a visualização da saída de depuração e dos resultados dos algoritmos.
Ou seja, não basta querer cientistas de dados generalistas, é necessário criar um ambiente para isso com propósito, pessoas, ferramentas e processos.