Como a IA coloca a análise de dados em contexto

Avanços em IA e análise aumentada significam que as equipes corporativas podem colocar seus dados em contexto de forma mais eficaz.

Há um desafio que frustrou líderes de negócios e profissionais de dados praticamente desde antes de big data ser uma palavra da moda. É uma falta de contexto na análise.

Veja se este caso de uso lhe parece familiar. Um líder de negócios originalmente pediu uma análise de por que as vendas regionais estavam caindo, e um analista de dados trabalhou duro por alguns meses construindo um modelo, extraindo dados e desenvolvendo um relatório para o lado comercial.

O problema

Quando os resultados voltaram, os resultados foram decepcionantemente unidimensionais, nunca confirmando o verdadeiro “porquê” por trás dessa desaceleração das vendas. O relatório pode ter derrapagens de identificação para uma determinada linha de produtos, ou talvez uma equipe de vendas específica. Mas não ambos.

O que faltava era contexto. Não havia como detectar as causas reais e subjacentes da derrapagem. Foi uma questão de pessoal, remuneração ou rotatividade? Foi realmente um problema da cadeia de suprimentos? Poderia ter sido um novo concorrente? Ou foi algo como um aumento de preço? Foi tudo isso? Essas perguntas seriam acompanhamentos naturais para qualquer análise de vendas.

Mas sem uma visão profunda das diversas causas potenciais, o líder de negócios e o profissional de dados muitas vezes se afastavam culpando um ao outro pelo desperdício de tempo e recursos.

Evolução da análise aumentada

Para encontrar o contexto mencionado acima, algumas empresas hoje estão recorrendo à IA. Eles relatam sucesso graças à capacidade da IA ​​de detectar relacionamentos e dependências entre diversos departamentos, aplicativos e processos. A existência desses relacionamentos aparece em novos tipos de dados não listados em planilhas ou bancos de dados tradicionais, e certamente não em organogramas corporativos.

O guru de análise e TI, Tom Davenport, do Babson College, examinou esses novos tipos de dados em um artigo recente da HarvardBusiness Review, de coautoria de Joey Fitts, vice-presidente de estratégia de produto de análise da Oracle.

“A IA está possibilitando que a análise incorpore e processe automaticamente contextos importantes de uma ampla variedade de fontes – muitas das quais exigiam que analistas navegassem em silos e catálogos mal mantidos”, escreveram eles.

Eles acrescentaram:“As inovações dependem de IA e automação, conexões entre sistemas de informação existentes e suposições baseadas em funções sobre quais decisões serão tomadas em dados e análises. No final, eles podem preparar insights e recomendações que podem ser entregues diretamente aos tomadores de decisão sem a necessidade de um analista para prepará-los com antecedência.”

Encontrar os dados certos para um projeto de análise tem sido muitas vezes um exercício manual, de acordo com Davenport e Fitts.

Eles escreveram:“Isso exigia amplo conhecimento de quais dados eram apropriados para sua análise e onde poderiam ser encontrados, e muitos analistas não tinham conhecimento do contexto mais amplo. No entanto, análises e até aplicativos de IA podem fornecer cada vez mais contexto. E esses recursos agora são incluídos regularmente pelos principais fornecedores em suas ofertas de sistemas transacionais, como planejamento de recursos empresariais (ERP) e gerenciamento de relacionamento com o cliente (CRM).”

Essa capacidade de adicionar contexto depende em parte da automação por meio de IA usando “descoberta de dados inteligentes” e análise de dados aumentada.

Em 2017, o Gartner definiu análise aumentada como “o uso de tecnologias capacitadoras, como aprendizado de máquina e IA, para auxiliar na preparação de dados, geração de insights e explicação de insights para aumentar a forma como as pessoas exploram e analisam dados em plataformas de análise e BI”.

O futurista Bernard Marr acrescenta:“A análise aumentada descreve o processo em que os dados são obtidos automaticamente de fontes de dados brutos, limpos e analisados ​​de maneira imparcial e comunicados em um relatório usando processamento de linguagem natural que os humanos podem entender”.

Insira Cientistas de Dados do Cidadão

Davenport e Fitts citaram um exemplo de como essa nova abordagem de análise foi implementada por uma grande companhia de seguros. Eles disseram que um novo sistema de capital humano “inclui KPIs de recursos humanos, benchmarks de melhores práticas e a capacidade de monitorar tendências de RH, como diversidade e níveis de atrito. Uma nova ferramenta de relatórios corporativos com esses recursos foi introduzida em toda a empresa em apenas oito semanas.”

Essa evolução da IA ​​e da análise parece abrir caminho para uma nova geração de cientistas de dados cidadãos.

Se esse último termo soa familiar, é porque o conceito de fornecer recursos de análise avançada a profissionais de negócios não tecnológicos está em vigor há cinco anos.

Nesse período, a ciência de dados do cidadão encontrou resistência de alguns profissionais de análise que não confiam nos usuários de negócios com suas ferramentas, mesmo que os usuários de negócios tenham passado por um treinamento de meio de carreira em ciência de dados. Também era improvável que o conceito original fosse dimensionado em uma empresa com milhares de aplicativos.

Mas essa nova versão da ciência de dados cidadã parece tirar proveito dos “novos tipos de dados” que Davenport discute. O trabalho pesado de descobrir e utilizar os relacionamentos entre departamentos, processos e tipos de dados promete ser feito em grande parte por modelos de IA. Esses modelos ainda seriam construídos por cientistas de dados. Os “cidadãos” poderiam então fazer o que sabem fazer melhor, fazer perguntas de negócios que eu possa ser melhor em responder.