Como agir se a sua empresa não está aproveitando ao máximo o Analytics e a Inteligência Artificial.

Se, em meados de 2013, você andava pelos corredores de um supermercado, talvez tenha notado um produto curioso: Oreos de melancia. Talvez tenha até pego um pacote na mão.

Infelizmente, o sabor disponível por tempo limitado não durou muito neste mundo. No entanto, os dados coletados sobre quem comprou ou não o produto levaram a algumas descobertas duradouras. Ou seja, uma equipe de pesquisadores liderada por Eric Anderson, professor de marketing da Kellogg, descobriu um segmento de clientes com gostos altamente incomuns – e nada populares. Se esses clientes compram um novo produto, opesquisadores descobriram, é provável que tal item não sobreviva no mercado.

Essa descoberta foi tão útil quanto inesperada. “O índice de fracasso de novos produtos é surpreendentemente alto. É difícil saber se o produto vai dar certo ou não”, diz Anderson. Para as empresas, ter o conhecimento sobre determinadas compras, que normalmente sinalizam sucesso, mas que na verdade sinalizam o oposto, pode ser útil à medida que desenvolvem estratégias de pesquisa de mercado ou decidem quando chegou a hora de retirar um produto da prateleira.

No entanto, descobertas como essas exigem raciocínio mais amplificado sobre o negócio como um todo e não um enfoque compartimentado. Além disso, exigem a coleta e análise de muitos dados. Hoje, a maioria das empresas simplesmente não têm interesse em coletar e analisar dados.

“Um dos grandes desafios das empresas atualmente é que há processos para quase tudo. Existe um processo para . . . relatórios financeiros, gestão de cadeias de suprimentos, para lidar com o marketing. Porém, se nos perguntarmos “Temos um processo bem estabelecido para fazermos IA e análises na empresa?”, na maioria das vezes, a resposta é negativa”, diz Anderson.

De forma contrária, muitas empresas desenvolvem abordagens tempestivas para usar inteligência artificial e análise a fim de solucionar problemas individuais, o que limita o impacto e provavelmente impossibilita a essas ferramentas transformarem a cultura da empresa ou serem usadas para incentivar a tomada de decisões mais críticas.

Recentemente, durante o evento The Insightful Leader Live, Anderson, que também é diretor donovo programa de MBAi, compartilhou ideias com líderes que desejam desenvolver processos analíticos e de IA robustos o suficiente para fazer uma diferença real nos negócios.

Conhecimento prático da ciência dos dados

O primeiro passo para o sucesso, diz ele, recai sobre os líderes, que devem obrigatoriamente desenvolver um conhecimento prático da ciência dos dados.

“Não significa ser cientista de dados”, esclarece. Embora não haja necessidade de os líderes construírem seus próprios algoritmos, precisam se familiarizar o suficiente com análises e IA para poderem avaliar se os dados são coletados e interpretados corretamente e entender quais os problemas relacionados aos negócios que essas ferramentas estão melhor equipadas para solucionar.

“Você jamais iria confessar que não entende nada de finanças, porém conta com um CFO muito inteligente que sabe tudo sobre o assunto”, diz Anderson. Isso vale também para a ciência dos dados. “Não é possível tomar as decisões de investimento certas antes de ficar um pouco mais a par sobre a ciência”.

Além disso, líderes especialistas em dados também precisam ter conhecimento suficiente para realmente poder liderar suas equipes de ciência dos dados e obter as informações necessárias para que as equipes possam tomar decisões inteligentes. “Há os recursos para se ter sucesso? Como isso causará um impacto na minha organização. Como a IA e a análise propostas estão profundamente conectadas às minhas prioridades estratégicas e satisfarão essas prioridades”, indaga Anderson. “É preciso se sentir confiante para fazer essas perguntas”.

Comunicação entre líderes de negócios e cientistas de dados

Assim, Anderson explica que é fundamental que líderes de negócios e cientistas de dados aprendam a se comunicar. Cientistas de dados geralmente são treinados usando dados limpos e simplificados, ou trabalham em projetos de prova de conceito. No entanto, os projetos do mundo real são muito mais complexos, envolvem muitas pessoas, processos e, obviamente, reuniões e discussões. “Desta forma, cientistas de dados devem melhorar sua comunicação com especialistas não técnicos para superar alguns desses obstáculos”, diz Anderson.

Por sua vez, líderes de negócios precisam se certificar de que as discussões com os cientistas de dados ocorram em uma linguagem e estrutura comuns, para que assim todos entendam claramente os objetivos e as expectativas.

Não mexa no que já funciona

“Em quase todas as grandes empresas com as quais trabalhamos, há bolsões” de sucesso analítico, diz Anderson. “Não mexa no que está funcionando bem”. Ao invés disso, ele sugere usar esse sucesso e permitir que a equipe se esforce para solucionar problemas específicos em outras partes da organização. Em seguida, expanda a equipe com esses problemas específicos em mente. Se a preocupação for, digamos, prever como um produto se sairá baseado na pessoa que o compra, convém trazer um cientista da computação especializado em análise preditiva. Se, por outro lado, a preocupação é influenciar o comportamento dos clientes, um cientista social treinado na administração de testes A/B seria o ideal.

“Se começar a tratar dos problemas, será possível identificar as necessidades e contratar pessoal para solucioná-los”, diz Anderson.

Mesmo empresas de pequeno porte podem seguir algo semelhante. Graças à proliferação da IA e do treinamento analítico online, torna-se real a possibilidade de fazer com que os funcionários se familiarizem com essas habilidades.

“Se quiser se capacitar melhor, isso já não é impossível”, diz ele.