A inteligência artificial vem ganhando cada vez mais espaço fora do setor tecnológico, assim como a machine learning. No entanto, essas práticas ainda são percebidas como experimentais, mesmo que os retornos obtidos com elas sejam significativos.
A tecnologia da machine learning vem ajudando muitas empresas a se posicionarem de forma estratégica e ágil no mercado. Isso representa um diferencial competitivo importante tanto no que diz respeito à tomada de decisões quanto à própria capacidade produtiva de uma organização.
Leia este artigo até o final para entender um pouco melhor sobre o que estamos falando.
O que é machine learning?
A machine learning — ou aprendizado da máquina — é um processo envolvendo algoritmos matemáticos que busca e identifica padrões em operações. Esses padrões são retirados de dados já registrados e replicados para outras operações semelhantes.
A grande diferença dessa prática em relação à antiga programação é a capacidade de extrapolar a codificação inicial. Antes, as máquinas utilizavam dados codificados para aplicar certas regras a alguns processos. Hoje, ocorrem correlações estatísticas capazes de alterar as regras iniciais para atender a um determinado processo operacional.
De certa forma, as máquinas passam a tomar suas próprias decisões sobre a empresa com base no histórico de dados que ela gerou.
Como usar para aumentar a produtividade e a eficiência?
A finalidade maior da machine learning é tornar a tomada de decisão mais acertada e aumentar a produtividade e a eficiência operacional no dia a dia da empresa. Por isso, a utilização de sistemas como ERPs ou CRMs já é considerada uma revolução no modo como as empresas atuam.
Esses recursos automatizam e aceleram diversos processos. Além disso, permitem acompanhar e monitorar o desempenho de cada atividade. É com base nos dados relativos a esse desempenho que os algoritmos passam a reconhecer e replicar padrões, aperfeiçoando o próprio funcionamento a cada entrada de informações.
Os benefícios gerados são vários:
Visualização automatizada de dados
Os dados são a base mais importante para que uma empresa se sinta segura ao tomar decisões. Isso é algo positivo, especialmente porque o mercado nunca gerou tanta informação como tem feito nos últimos anos.
No entanto, apesar disso, as ferramentas mais utilizadas permitem apenas a sintetização e visualização desse aglomerado de dados. Elas não fornecem uma interpretação útil. Com a machine learning, a expectativa é de visualizações cada vez mais simples, ricas em informações e fáceis de usar.
Gerenciamento de dados abrangentes
Quanto maiores e mais complexos forem os dados gerados, melhor será alimentado o conhecimento das ferramentas de machine learning. Assim, ela poderá se desenvolver de forma contínua.
Dessa forma, os resultados gerados serão cada vez mais aprimorados, sem quebrar quaisquer informações. Isso permitirá a utilização integral de dados abrangentes.
Análise de conteúdo
A machine learning é capaz, inclusive, de analisar o tipo de diálogo que está sendo estabelecido com a base de clientes-alvo. Isso significa que, na prática, em um espaço virtual, já é possível analisar milhares de dados de busca, por exemplo, para otimizar o tipo de notificação que cada usuário recebe.
Além disso, já estão sendo estudados métodos de personalização dos conteúdos de uma campanha para otimizar o engajamento do seu público.
Como implementar com sucesso?
São considerados três estágios importantes na implementação da machine learning:
- Descrição — a coleta em bancos de dados, a análise de insights, a reunião de objetivos e a definição de requisitos da empresa;
- Previsão — a reunião de dados preditivos, a previsão de resultados futuros, a consideração de pontos críticos; e
- Prescrição — a tradução dos fluxos de dados, o uso dos dados na compreensão do funcionamento do negócio, o entendimento sobre a operação no novo sistema.
Agora que você já entende melhor como funciona cada uma dessas etapas, que tal assinar nossa newsletter e receber todos os nossos conteúdos diretamente no seu e-mail?
Olá Leandro.
Acredito que o potencial da área de Business Intelligence dentro das empresas pode ser maior do que se imagina hoje.
Trabalho com consultoria de B.I. para agencias e empresas, e enfrentamos diariamente dois grandes problemas.
1- Padronização dos dados: Como utilizamos muitas fontes de dados, todo o processo, desde o que a implementação, até a parte operacional, precisa ser muito bem estruturada. Sem o padrão das informações perde-se muito tempo com “correção”, sendo que “tempo” não é o que temos para identificar um padrão, pois no dia seguinte ele pode mudar se não o tratarmos.
2- Pessoas que não sabem o que querem: Corporações não sabem o que querem, logo querem tudo. O problema é que sabemos que não tudo não é necessário, se consegue identificar padrões e otimizações com metade do volume. Sendo assim o processo de otimização passa a ser inteligente para ser operacional.
O futuro da área esta encaminhando para segmentações e clusterizações dinâmicas para analise de Big Data, mas se o processo de todos envolvidos precisa ser muito bem desenhado e a área de B.I. precisa ter este knowhow também.
Obrigado e muito bom seus artigos.
Oi João, obrigado pelo seu comentário! Concordo com você!
Realmente, a padronização dos dados é o ponto mais sensível mesmo. Aqui estimamos em torno de 60% a 70% do tempo em um projeto de BI apenas para esta parte.
Sobre as pessoas não saberem o que querem, aqui vemos como uma certa vantagem. Muitas vezes não é nem exatamente não saber o que querem, mas não saberem o que é possível fazer. Com isso, parte do nosso trabalho aqui é exatamente entender do que o cliente sofre aí então sugerir algumas coisas. Tentamos não ir para uma abordagem de “o que você quer” mas sim de “quais são seus problemas”.
Isso me deu até a ideia de criar um post focado nisso, vou deixar anotado para o futuro!
Existe uma técnica chamada Árvore de Realidade Presente, da Teoria das Restrições, que lida justamente com essa barafunda de problemas e entendimentos. Eu experimentei a mesma frustração que você, João, e decidi resolver esse problema. A imagem https://geekbi.files.wordpress.com/2020/10/bi_toc-crt-x.png é um resumo do que eu tenho até agora.
Adoraria uma contribuição. “O cliente não sabe o que quer” já está lá. “Dados são sujos” e “Dados são bagunçados” me parecem boas adições.
O que você acha? E você, Leandro?
[…] para aumentar seu lucro ou diminuir seus custos operacionais. Esse é o conceito básico de Business Intelligence utilizado como diferencial […]
[…] de BI — Business Intelligence ou, traduzindo, Inteligência Empresarial — é justamente o diferencial que uma empresa precisa para tratar dados gerados por vários meios. Veja alguns contextos que podem servir de […]
eu precisava para compor você uma pouco de note ajudar diga obrigado again com o extraordinário conselhos você compartilhado nesta página . Foi certamente maravilhosamente generoso com você dando abertamente tudo o que muitas pessoas {poderiam ter | poderiam possivelmente ter | poderiam ter | teriam | distribuído para um ebook para gerar alguma massa para eles mesmos , especialmente considerando que you poderia ter tried it se você nunca desejado . Those estratégias também agido como outras pessoas tenha semelhante desire como my own entender bom negócio mais relacionado este assunto . Eu tenho certeza há alguns mais agradáveis ocasiões ahead para pessoas que ver seu site
Bom dia,
Há muita diferença das versões do livro The Data Warehouse Toolkit?
Vejo que ele esta na 3 edição.
Posso comprar apenas a 3 ou devo comprar todas?
Oi Marcos!
Há algumas atualizações com conceitos mais atuais. Não precisa comprar todas as edições não, apenas a 3a já cobre tudo que precisa.
Sim e não. A maior diferença é entre a primeira edição e as restantes. Da segunda edição em diante, quando a Margy Ross assumiu o livro, é tudo mais ou menos o mesmo.
A primeira edição, que por acaso chegou a ser publicada em português, é a melhor, na minha opinião. Ela é mais concreta, menor e mais focada. Se conseguir achá-la, compre. Vale ouro.
Sobre o comentário do João Kechichian, concordo em relação às empresas não terem claro o que querem, e concordo com o Leandro sobre a abordagem de “Qual o seu problema” para dar as sugestões.
Mas vale ressaltar que as empresas não conseguem identificar o que querem por não terem claro um Planejamento Estratégico e objetivos bem descritos. Isso facilita muito perceber quais indicadores serão necessários acompanhar para atingir os resultados esperados.
Gostaria de entender se a utilização da Big data nas empresas gera algum tipo de desvantagem nas pessoas que lá trabalham ?
Parabéns por trazer a CRISP-DM de volta ao tablado. O “produtocentrismo” que assola o mercardo de BI pressiona os players a comprar o último brinquedo, a seguir a última moda, quando quase tudo que tem algum uso prático já existe há décadas – como o CRISP-DM
Seria legal um artigo um artigo comparando-o com SEMMA. Pode ser muito interessante para quem entrou na área há menos de 20 anos.