IA e análise preditiva: o que o futuro reserva?

Os avanços em IA e análise preditiva terão ramificações além das capacidades tecnológicas da empresa. As organizações enfrentarão novos desafios em termos de habilidades, implementação e muito mais. Como os profissionais de marketing podem se preparar para a mudança?

Nesta série, vimos como o progresso evolutivo da indústria analítica leva naturalmente à integração da inteligência artificial (IA) para criar modelos preditivos precisos.

No primeiro artigo, exploramos o potencial da IA e da análise preditiva como ferramentas de marketing , impulsionadas por melhorias tecnológicas que passaram da automação baseada em regras para algo mais próximo da sensibilidade. Vemos exemplos disso em todos os lugares, desde aplicativos como o Waze do Google até proteção contra fraudes financeiras e recomendações personalizadas na Amazon.

O segundo artigo da série foi baseado em casos de uso concretos para essa tecnologia , apresentando uma ampla variedade de empresas que usaram aprendizado de máquina e IA para prever o comportamento do consumidor e criar melhores resultados de negócios. Essas oportunidades estão abertas a todas as empresas agora, mas aproveitá-las é uma tarefa mais complexa do que simplesmente comprar um novo software.

O terceiro e último artigo de nossa série enfocará o futuro da análise preditiva e os desafios que o setor enfrenta.

Desafios de implementação

Embora possa parecer inevitável que uma ferramenta de negócios tão poderosa seja adotada em massa, a realidade é mais matizada do que isso. Os executivos querem decisões mais inteligentes e rápidas, mas existe uma espécie de trapézio de alta velocidade no equilíbrio de dados, pessoas e tecnologia quando se trata de transformar um negócio em um modelo de análise preditiva baseado em IA.

A implementação dessa tecnologia requer uma mudança ideológica para as empresas, não apenas investimento de capital, e o treinamento da equipe desde o início em análise de dados é imperativo.

Isso ocorre em um momento em que a confiança dos executivos na expertise digital de suas organizações parece estar diminuindo. A pesquisa de QI digital mais recente da PwC mostra um declínio na confiança dos executivos nas habilidades de suas equipes:

O nível de especialização não está diminuindo; o setor simplesmente muda tão rapidamente que a equipe não está acompanhando.

Portanto, se a análise preditiva baseada em IA deve assumir uma posição central na caixa de ferramentas do CIO / CMO, alguns obstáculos substanciais precisarão ser superados.

Nesta parte final de nossa série sobre análise preditiva, descreveremos alguns dos desafios que este setor enfrenta no futuro, antes de discutir as soluções que as empresas podem começar a implementar hoje.

Qualidade de dados

Em uma pesquisa recente da Protoviti com executivos seniores, os dados foram classificados como o maior inibidor da adoção generalizada de análises preditivas dentro das empresas. A qualidade foi um dos principais modificadores usados ​​para adicionar especificidade a um termo tão nebuloso quanto 'dados'.

Mesmo a "qualidade" requer alguma definição adicional antes de decidirmos como enfrentar um desafio tão gigantesco.

Os dados de alta qualidade serão consistentes em seu formato (mesmo em escala significativa), refletindo o cenário do mundo real que descreve, e permitirão pesquisas confiáveis ​​e reproduzíveis.

Podemos tomar como nosso exemplo um conjunto de dados de partidas de trem de Waterloo de 2010 a 2014 que contém lacunas em intervalos de tempo e usa convenções de nomenclatura inconsistentes. Os humanos lutam com lacunas em conjuntos de dados como este, mas podemos nos adaptar e talvez até obter os dados de outro lugar. A inteligência artificial simplesmente não pode funcionar com dados incompletos como esse, pois só pode funcionar com o que é alimentado no sistema.

As melhores tecnologias de IA do mundo só podem fazer uso dos dados que fornecemos, por isso é crucial que as empresas estejam cientes dessas armadilhas em potencial e saibam como evitá-las. Mais dados normalmente significam melhores resultados da análise preditiva baseada em IA, mas eles precisam ser os dados certos para responder ao problema de negócios que você deseja resolver.

Ter a equipe certa no lugar é uma ótima maneira de começar nesse caminho.

Recrutamento e treinamento para as habilidades certas

A tecnologia de análise preditiva está crescendo em sofisticação, mas o nível de conhecimento no setor não está necessariamente avançando no mesmo ritmo.

Um relatório da Capgemini descobriu que 77% das empresas veem a falta das habilidades certas como o maior obstáculo para uma transformação digital de sucesso:

Um relatório ClickZ foi mais profundo para identificar as áreas de habilidades que eram mais desejáveis, em comparação com seu nível atual de sofisticação dentro das organizações.

Não foi nenhuma surpresa ver a análise classificada como a habilidade mais importante, devido ao seu potencial para uso em todas as funções de marketing. Talvez tenha sido um pouco mais surpreendente ver a análise como a área com a maior lacuna de habilidades.

Fonte: ClickZ

Analytics engloba uma variedade de técnicas e tipos de investigação de dados. A maior parte do trabalho analítico realizado hoje cai sob a bandeira de descritivo (o que aconteceu?) Ou exploratório (por que aconteceu?).

Embora o nível de habilidade necessário para operar a tecnologia por trás dos sistemas de análise preditiva futuros provavelmente diminuirá com o tempo, as empresas ainda precisam garantir que sua equipe tenha conhecimento detalhado de análise de dados antes de investir em alguns sistemas de inteligência artificial novos e interessantes.

Felizmente, há muitos recursos e qualificações para ajudar nesse treinamento, desde que as empresas estejam dispostas a investir. Tanto a teoria quanto a prática devem ser consideradas componentes fundamentais deste treinamento.

Em Analytics: How to Win with Intelligence , os autores postulam que um Centro de Excelência de Analytics deve ser formado em empresas maiores, com o chefe do departamento reportando-se ao CTO:

O objetivo dessa abordagem é fornecer à análise uma base claramente definida a partir da qual seus especialistas podem ensinar outras pessoas dentro da organização.

Podemos olhar para isso de outra perspectiva, no entanto. Nem todo mundo em uma equipe de marketing precisa conhecer o funcionamento interno de uma plataforma analítica para se beneficiar dela. Isso se torna cada vez mais verdadeiro à medida que essas plataformas se tornam dependentes do aprendizado de máquina para criar modelos preditivos.

Independentemente disso: uma ampla base de conhecimento ainda é essencial . Sem ter a capacidade de fazer as perguntas certas ou de saber do que a tecnologia é capaz (e do que não é), os resultados não serão adequados para o propósito.

Há, portanto, uma escola crescente de pensamento de que a formação em artes liberais será um complemento cada vez mais importante para estatísticos e engenheiros. A capacidade de fazer as perguntas certas como estrutura para uma hipótese e depois investigar as descobertas será essencial, assim como as habilidades mais suaves necessárias para apresentá-las aos principais interessados.

Em essência, hoje em dia é preciso muito esforço para obter análises. Mas garantir que a qualidade de seus dados seja adequada ao propósito e que você tenha um conjunto de habilidades em sua equipe de análise é um grande começo.

Gestão de dados

Não há escassez de dados na era moderna, e a quantidade só vai aumentar à medida que os dispositivos da Internet das Coisas (IoT) continuam a chegar aos lares em todo o mundo.

Cada empresa tem uma fonte potencialmente lucrativa de dados proprietários e de terceiros ao seu alcance. Soluções baseadas em nuvem, que podem armazenar dados remotamente em grandes quantidades, de alguma forma respondem à pergunta de onde os dados devem ser mantidos.

No entanto, mesmo se uma empresa usar um data warehouse como o Hadoop, as informações ainda precisam ser transferidas para uma plataforma analítica e transformadas em insights por meio de modelos estatísticos.

A questão de como exatamente garantir que as plataformas analíticas e os sistemas de IA continuem sendo um quebra-cabeça para muitas empresas.

Existem outros desafios com o gerenciamento de dados também - da mineração de dados ao armazenamento e, por fim, à transformação das informações em percepções úteis.

Um artigo de 2013 de cientistas da George Washington University e da American University, intitulado Big Data: Issues and Challenges Moving Forward, resumiu esses possíveis problemas:

Com o próximo lançamento do regulamento GDPR da UE , essas questões são mais importantes do que nunca. É responsabilidade da empresa garantir que todos os dados estejam em conformidade com as leis locais e descartar com segurança os dados que não estejam em conformidade.

Se uma coisa é certa, não podemos deixar que a AI faça essas ligações. Os modelos preditivos de IA avaliarão quaisquer dados históricos apresentados a eles e, caso uma empresa perceba posteriormente que dados errôneos foram inseridos em sua plataforma de analítica de IA, quaisquer conclusões que chegarem terão que ser consideradas inválidas.

Refazer as etapas de tais cálculos complexos e depurar quaisquer variáveis ​​indesejadas seria uma tarefa impossível. Como resultado, qualquer empresa que planeje alimentar big data em um modelo preditivo baseado em IA deve ser cautelosa com suas fontes de dados.

Imagem: Wikimedia

Prestação de contas

Esta categoria serve como um termo abrangente para uma série de desafios menores - mas ainda importantes.

A IA e a análise preditiva têm funções claramente definidas e importantes em setores como o de saúde. 80% dos líderes hospitalares consideram este campo “importante” e é fácil perceber porquê. Qualquer ferramenta que possa detectar padrões históricos relacionados a doenças e prever seu comportamento futuro será inestimável neste campo.

O caso não é tão claro quando aplicado ao marketing. Sem dúvida, todos nós poderíamos nos beneficiar de previsões precisas baseadas no passado. Isso se aplica a toda a sociedade, na verdade.

No entanto, há um argumento de que a modelagem preditiva tem algumas limitações em um setor que prospera com novas ideias. A tentação com sistemas sofisticados de IA e modelos preditivos é ceder o controle e manter o que sabemos que continuará gerando crescimento.

Além disso, a análise preditiva pode se tornar uma profecia autorrealizável. Vemos que uma determinada mensagem, produto ou segmento de público está projetado para converter a uma taxa mais alta, então mudamos o orçamento para capitalizar sobre isso. Se a previsão se concretizar, é porque a previsão foi exata ou porque agimos para torná-la exata?

Finalmente, devemos considerar o papel da criatividade humana neste processo. Como discutimos em nosso artigo sobre a criação de conteúdo baseado em IA, a capacidade humana de inovar e criar soluções novas e criativas é algo que a IA ainda não consegue dominar completamente. Como tal, precisamos usar a tecnologia para liberar nossas equipes para aproveitar ao máximo sua capacidade de criar estratégias de longo prazo.

Como acontece com qualquer tecnologia de IA, um dos fatores mais cruciais para o sucesso é o papel que as pessoas desempenharão para obter o máximo das ferramentas à sua disposição. Olhando especificamente para a análise preditiva, isso significa garantir o equilíbrio certo entre dados de qualidade, a melhor tecnologia e pessoas com capacidade de conhecer as limitações da tecnologia.

Isso conclui nossa série de três partes sobre IA e análise preditiva. Se você perdeu as duas parcelas anteriores, siga os links abaixo para uma recapitulação:

• Como a IA pode permitir que os profissionais de marketing prevejam o futuro?
• 5 empresas usando IA para prever o futuro e o lucro