Alavancando IA para Contextualizar Analytics de Dados para Insight de Negócio

Avanços em IA e analytics aumentado significam que equipes enterprise podem colocar seus dados em contexto mais efetivamente.

Há desafio que frustrou líderes de negócio e profissionais de dados praticamente desde antes de big data ser buzzword. É falta de contexto em analytics.

Veja se esse caso de uso soa familiar. Líder de negócio originalmente pediu análise de por que vendas regionais estavam caindo, e analista de dados trabalhou duro por alguns meses construindo modelo, puxando dados e desenvolvendo relatório para lado do negócio.

O Problema

Quando resultados voltaram, eram desapontadoramente uni-dimensionais, nunca confirmando o real "porquê" por trás da desaceleração nas vendas. Relatório pode ter identificado queda para linha de produto particular, ou talvez equipe de vendas específica. Mas não ambos.

O que faltava era contexto. Não havia modo de detectar causas reais e subjacentes para a queda. Era questão de pessoal, compensação ou rotatividade? Era na verdade problema de cadeia de suprimentos? Poderia ser novo concorrente? Ou algo como aumento de preço? Era tudo isso? Essas perguntas seriam follow-ups naturais a qualquer análise de vendas.

Mas sem visão profunda nas causas potenciais variadas, líder de negócio e profissional de dados frequentemente saíam culpando um ao outro por desperdiçar tempo e recursos.

Evolução do Analytics Aumentado

Para encontrar contexto mencionado acima, algumas empresas hoje recorrem à IA. Relatam sucesso graças à capacidade da IA de detectar relacionamentos e dependências entre miríades de departamentos, aplicações e processos. Existência desses relacionamentos aparece em novos tipos de dados não listados em planilhas ou bancos de dados tradicionais, e certamente não em organogramas corporativos.

Guru de Analytics e TI Tom Davenport de Babson College examinou esses novos tipos de dados em artigo recente de Harvard Business Review, co-autorado por Joey Fitts, Vice-Presidente, Estratégia de Produto Analytics para Oracle.

"IA está tornando possível para analytics incorporar e processar automaticamente contexto importante de ampla gama de fontes — muitas das quais anteriormente exigiriam analistas navegarem por silos e catálogos mal mantidos," escreveram.

"Inovações dependem de IA e automação, conexões através de sistemas de informação existentes, e suposições baseadas em papel sobre quais decisões serão tomadas em dados e analytics. No fim, podem preparar insights e recomendações que podem ser entregues diretamente a tomadores de decisão sem exigir analista para prepará-los antecipadamente."

Encontrar dados certos para projeto de analytics tem sido frequentemente exercício manual, segundo Davenport e Fitts.

"Isso exigia conhecimento extensivo de quais dados eram apropriados para sua análise e onde poderiam ser encontrados, e muitos analistas careciam conhecimento do contexto mais amplo. No entanto, analytics e até aplicações IA podem cada vez mais fornecer contexto. E essas capacidades agora são regularmente incluídas por fornecedores-chave em suas ofertas de sistemas transacionais, como planejamento de recursos empresariais (ERP) e gestão de relacionamento com cliente (CRM)."

Essa capacidade de adicionar contexto depende em parte de automação através de IA usando "descoberta inteligente de dados" e analytics aumentado.

Em 2017 Gartner definiu analytics aumentado como "uso de tecnologias habilitadoras como machine learning e IA para auxiliar com preparação de dados, geração de insight e explicação de insight para aumentar como pessoas exploram e analisam dados em plataformas de analytics e BI."

Futurista Bernard Marr adiciona, "Analytics aumentado descreve processo onde dados são automaticamente tomados de fontes brutas, limpos e analisados de forma não tendenciosa, e comunicados em relatório usando processamento de linguagem natural que humanos podem entender."

Entram Cientistas de Dados Cidadãos

Davenport e Fitts citaram exemplo de como essa nova abordagem de analytics foi implementada por grande empresa de seguros. Disseram que novo sistema de capital humano "incluía KPIs de RH, benchmarks de melhores práticas, e capacidade de monitorar tendências de RH como diversidade e níveis de rotatividade. Nova ferramenta de relatório enterprise com essas capacidades foi introduzida pela empresa em apenas oito semanas."

Essa evolução de IA e analytics parece pavimentar caminho para nova geração de cientistas de dados cidadãos.

Se esse último termo soa familiar é porque conceito de dar a profissionais de negócio não-técnicos capacidades avançadas de analytics existe há cinco anos.

Nesse tempo, citizen data science encontrou resistência de alguns profissionais de analytics que não confiam usuários de negócio com suas ferramentas, mesmo se usuários de negócio passaram por treinamento mid-career em data science. Conceito original também era improvável de escalar através de enterprise com milhares de aplicações.

Mas essa nova versão de citizen data science parece aproveitar os "novos tipos de dados" que Davenport discute. O trabalho pesado de descobrir e utilizar 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 fazem de melhor, fazer perguntas de negócio que IA pode ser melhor em responder.