Serviços Publicações Sobre Contato

Aprender é mais importante que resolver

Aprender é mais importante que resolver

Se quisermos compreender de fato o novo mundo que vivemos, precisamos pensar sobre o processo de aprendizagem. Não somente das pessoas, mas das organizações.

Não importa o mercado em que a companhia se situe, o seu faturamento ou o seu número de funcionários, no final do dia o seu produto principal é feito de: decisões.

Tomar boas decisões implicará em crescimento financeiro, ganho de mercado, fortalecimento da marca, satisfação dos clientes e bem-estar para os colaboradores.

Tomar más decisões implicará em problemas financeiros, perda de mercado, enfraquecimento da marca, insatifação dos clientes e mal-estar para os colaboradores.

Óbvio, não?

Mas o que faz com que uma companhia tome boas ou más decisões?

Pessoas, processos, algoritmos.

Criar uma operação data-driven significa conectar e sincronizar pessoas, processos e algoritmos.

Para alcançar uma transformação desta magnitude é necessário não somente pesquisar e criar algoritmos, mas instituir uma cultura de dados que permeie a operação.

Como eu ensino um algoritmo a resolver meu problema?

A nova fronteira dos ganhos de eficiência, no entanto, derivam do uso de uma fonte cada vez maior de dados (BIG DATA). Analisar estes dados e encontrar os problemas deixou de ser uma tarefa humanamente possível.

Deixamos de perguntar: Qual é o principal fator que faz meu cliente comprar?

E passamos a perguntar: Quais dados são necessários para que nosso modelo possa continuamente aprender os principais fatores de conversão de nossos clientes, e otimizar nossas campanhas automaticamente?

[7]Ensinar a solucionar é o novo grande desafio.

Por que ensinar é melhor que resolver?

Aprender implica generalizar conhecimento.

  • Relacionar múltiplas fontes de dados simultaneamente, com frequências diferentes, origens diferentes e contextos diferentes. Quebrar a barreira da departamentalização.
  • Ao invés de resolvermos um problema, passamos a ensinar os algoritmos a resolver classes de problemas.Generalização ao invés de especialização.
  • Os profissionais são mais eficientes quando gerenciam apenas pela exceção. Algoritmos treinados podem ajudar a apontar os casos especiais que merecem atenção, enquanto lidam com os casos normais.
  • Uma companhia é escalável apenas quando consegue escalar o seu conhecimento sobre o que faz de melhor. Ensinar pessoas sempre foi necessário, e agora devemos ensinar os algoritmos.
  • Valor. Ensinando os algoritmos, sua companhia passa a valorizar os seus dados e o conhecimento adquirido na operação.
  • O Ensino contínuo dos algoritmos permite criar uma operação que está sempre se adaptando às mudanças do mercado — já que estas mudanças afetarão os dados que os alimentam.
  • Ciência de Dados

    Não é por acaso que a ciência de dados e as técnicas de inteligência artificial têm causado tantas mudanças e proporcionado tanto valor às companhia que as aderiram e implantaram da maneira correta — significa que abraçaram a cultura do aprendizado.

    Muitas vezes as empresas acreditam que a ciência de dados — e aqui me refiro a um software, uma plataforma ou um algoritmo específico — vão imediatamente produzir retornos em excesso e deixar a operação mais eficiente.

    Isso muitas vezes não acontece.

    Se a operação toda está acostumada a trabalhar de uma forma — não orientada a dados, por exemplo — é muito mais provável que o impacto inicial de uma adoção pontual de ciência de dados acarrete uma estagnação/redução inicial no ritmo da operação. É como se o organismo detectasse um corpo estranho em seu meio e reagisse contra ele.

    A logística inteira baseia-se em regras de bolso e na experiência profissional prática dos colaboradores que “tocam o barco” há muitos anos. O carregamento dos caminhões é organizado assim. O controle de qualidade e a liberação dos lotes é afinada no radinho e na correria do dia-a-dia. Um coordenador experiente já “sente” qual é o lote ou o cliente que pode ter problemas e já age pro-ativamente.

    E você, gestor, de repente passa a gerar as rotas e a sequência de carregamento por meio de algoritmos e regras baseadas em dados. Não é provável que, em um primeiro momento, um estranhamento aconteça?

    Se o chefe do setor, que controla tudo, deixa de controlar uma parte da operação — o carregamento e roteamento nesse caso — quem passa a controlar? Quem é esse algoritmo? Ou quem controla agora é aquele pessoal do TI?

    Dessa forma, por mais cliché-business-bingo que pareça quando falamos de instituir uma cultura baseada em dados, saiba que estamos falando exatamente sobre isso: sobre a adoção sistêmica pela operação de métodos, processos e ferramentas baseadas em dados. Isso inclui a capacitação e “evangelização” dos colaboradores. Ciência de dados é coisa da operação, não de TI.

    A abordagem recomendada

    Na prática, recomendamos sempre a abordagem ampla e de menor sofisticação primeiro, em detrimento da abordagem extremamente sofisticada mas restrita a apenas um pedaço do processo.

    Se você já leu ou assistiu “A META” (ou sobre a Teoria das Restrições), sabe que a eficiência de uma operação é determinada essencialmente pela eficiência do seu “gargalo”, isto é, pelo seu processo menos eficiente.

    Na prática o que sabemos é que os gargalos das empresas são móveis/variáveis, e dependem da época do ano, produtos que estão vendendo, participação dos competidores, etc.

    Então quando perguntamos: “Qual é o processo que, caso seja melhorado, representará um resultado positivo para a companhia toda, e não somente para aquela área ou departamento?”. A resposta na maioria das vezes não é trivial.

    Tostines vende mais porque é mais fresquinha ou é mais fresquinha por que vende mais?

    O preço é alto porque o mix de produtos é grande, mas o mix de produtos é grande porque nenhum produto vende muito. Mas nenhum produto vende muito porque o preço é alto…

    Então não adianta apenas introduzirmos o algoritmo mais avançado possível em um processo da empresa. Não sabemos se esse é o processo crítico, o gargalo.

    Temos que aplicar na empresa toda, no ciclo completo, mesmo que de maneira pouco sofisticada inicialmente.

    Quer entender como ciência de dados se integra em sua operação? Nos contrate para realizar um Data Science Assessment.

    Quer implementar Data Science de maneira integrada e integrada às suas metas financeiras/operacionais? Contrate o projeto ExP.

    Espero que tenham gostado deste artigo!

    Dionisio