Tem acesso livre a todos os artigos do Observador por ser nosso assinante.

Em março de 2020 surge uma situação sem precedentes: um vírus desconhecido e letal chega ao nosso país. Estado de emergência decretado, empresas com a atividade totalmente suspensa, o teletrabalho passa de exceção à regra. Em poucas semanas, as consequências: setores em crescimento sofrem uma grande quebra, empresas veem-se obrigadas a suspender parcial ou totalmente a sua atividade, tendo de cortar despesas. Em 2021 pode manter-se a mesma tónica.

Por outro lado, o mundo digital teve aqui a oportunidade de dar um salto de décadas. A necessidade de evitar contacto físico colocou as ferramentas digitais na linha da frente da luta contra a propagação do vírus. Na sua adaptação tecnológica, a Data Science foi uma das importantes armas utilizadas pelas empresas. Existe um enorme potencial subaproveitado nas vastas bases de dados que as empresas têm. Recorrendo à Data Science consegue dar-se o salto de um tratamento puramente descritivo (estatísticas, KPIs, dashboards, sazonalidades, com dados de vendas, de consumos, de custos operacionais, de interação com o cliente, entre muitos outros) para uma modelação com poder preditivo. As empresas conseguem, então, agir pró-ativamente ao futuro que aí vem.

Na prática, eis três formas de pôr estes inteligentes algoritmos a apoiar a gestão de negócios B2C, sobretudo nestes tempos imprevistos:

1. Potenciar a Gestão com ferramentas inteligentes para apoiar na tomada de decisão

Tendo acesso a esta “inteligência” virtual, a gestão consegue otimizar melhor as suas decisões. Muitas empresas estão ainda apenas na analítica descritiva (que mede, guarda, estrutura e analisa todos os dados de performance de uma empresa). Outras já estão na fase da analítica preditiva, onde se passa a poder simular cenários hipotéticos e obter previsões sobre eles. Apenas uma elite de empresas já utiliza a analítica prescritiva. Aqui, as previsões tornam-se então parte do processo de tomada de decisão. O modelo é agora um simulador que informa sobre o desfecho de possíveis ações e permite escolher o caminho que mais se enquadre na estratégia da empresa.

PUB • CONTINUE A LER A SEGUIR

2. Preparar as equipas operacionais para que respondam ao futuro que se avizinha e não apenas às ocorrências do momento

Considere-se a diferença entre gerir um stock em função da procura que teve no passado versus o gerir para a procura que se antecipa. Entre realizar uma inspeção periódica ou uma inspeção devido a previsão de avaria iminente. Entre responder a uma reclamação ou prever uma insatisfação. Como diz o ditado: mais vale prevenir do que remediar. A Machine Learning oferece a previsão que permite o prevenir, para que não se ande sempre puramente a remediar.

3. Personalizar a interação com o cliente

Questões como as seguintes podem ser respondidas com a analítica preditiva: quais os tipos de produtos em que o cliente terá mais interesse? Qual o seu canal de comunicação preferencial? Qual o melhor timing para o contactar? Que customização da oferta será mais do seu agrado? Em que perfil se insere o cliente e como responderá esse segmento a diferentes ações de marketing? A satisfação do cliente advém em muito do conhecimento que se tem dele e da antecipação das suas necessidades. O Data Science permite criar modelos que respondam a cada uma destas perguntas com enorme confiança.

Como os economistas Ajay Agrawal, Avi Goldfarb, and Joshua Gans dizem no seu excelente livro Prediction Machines, vivemos tempos transformativos e disruptivos que devem ser vistos de uma perspetiva económica. A informatização da indústria foi desencadeada por um colapso que se verificou no custo do cálculo (computação). A internet induziu um colapso no custo da pesquisa. Os avanços recentes na inteligência artificial estão a espoletar um colapso nos custos de gerar previsões.

Como podem as empresas beneficiar com esta realidade IA? Avaliar que aspectos do negócio são mais preponderantes e que podem ser modelados como problemas de previsão e identificar que informação nos arquivos de dados da empresa contém as respostas que anteriormente se deram a esse tipo de perguntas. Com isto, a Inteligência Artificial conseguirá construir os modelos preditivos que fornecem a tão desejada previsão do futuro e a incerteza dos nossos tempos torna-se, assim, mais previsível e controlável.

Marília Felismino Simões é CEO/Co-Founder da empresa ML Analytics, boutique de Data Science especializada na geração de valor para o negócio a partir dos dados das empresas, recorrendo  a ferramentas state of the art de Inteligência Artificial. Acumula 10 anos de experiência de Data Science em multinacionais, muitas delas na Holanda, onde trabalhou para a TomTom e a TNT/FedEx. Tem um perfil multidisciplinar onde se enquadra a gestão de negócio e de equipas, com a análise de dados nas vertentes de Data Science e Customer Intelligence. Fundou a empresa com o seu marido, Luís Simões, investigador de Inteligência Artificial, com experiência no think-tank da Agência Espacial Europeia. A Marília continua, hoje, na ML Analytics a sua missão de há muito: “Turn Your DATA into BUSINESS”.

O Observador associa-se à comunidade Portuguese Women in Tech para dar voz às mulheres que compõem o ecossistema tecnológico português. O artigo representa a opinião pessoal do autor enquadrada nos valores da comunidade.