Transforme Dados em Ouro: Estratégias Comprovadas para Aproveitar o Ativo Mais Valioso da Sua Organização

Transformar dados em ativo deve ser uma prioridade empresarial.

Mostre-me os dados!

As organizações, em geral, têm acesso a enormes volumes de dados. E obter o "novo petróleo" não é necessariamente o problema. A dificuldade está em fazer uso desses dados; seja dados diretos de clientes ou de dispositivos IoT. Como posso utilizar melhor esse ativo precioso e colocá-lo para trabalhar?

A coisa mais importante que qualquer organização pode fazer é elaborar uma estratégia eficaz e holística de gestão de dados — priorize-a!

Primeiro, você precisa entender quais dados possui; segundo, precisa ser capaz de analisar esses dados; e terceiro, precisa aplicar inteligência sobre os dados "para impulsionar outros tipos de experiências, computações ou fluxos de trabalho", afirma Simha Sadasiva, cofundador e CEO da Ushur.

Para alcançar essa estratégia abrangente de gestão de dados, um parceiro é necessário. Esse aliado deve permitir que as empresas não apenas visualizem os dados que possuem, mas também promovam a automação, por meio de técnicas de inteligência artificial e machine learning, para analisar e completar dados ausentes; "seja interagindo com diferentes partes interessadas ou fornecendo insights sobre a proximidade do cliente com base nos dados que atualmente têm no back office", continua Sadasiva.

Fontes de dados

Fontes tradicionais de dados são aquelas que existem nas empresas há algum tempo. Podem incluir sistemas de gestão de dados ou bancos de dados SQL, que podem ser estruturados*, ou bancos de dados de documentos não estruturados**, como "coisas como Mongo", explica Sadasiva. São os dados que existem no back-end da empresa.

Mas, no ambiente conectado de hoje, existem fontes de dados provenientes de partes interessadas que interagem com as empresas.

"Pense em usuários finais, agentes, parceiros de negócios, até mesmo funcionários. Eles contribuem para a fonte de dados na forma de fotos, imagens, vídeos, etc.", diz Sadasiva.

Essas fontes de dados mais recentes — como um recibo de cliente/funcionário — precisam de técnicas de inteligência artificial para serem compreendidas. Por exemplo, usando reconhecimento óptico de caracteres (OCR) para analisar um recibo, as organizações podem extrair automaticamente as informações e trazê-las de volta para um data warehouse no back-end da empresa. "Isso requer tremendas capacidades e também a capacidade de transferir essas informações com segurança para o back office", afirma Sadasiva.

O tipo certo de dados

Do ponto de vista de automação e inteligência de máquina, as técnicas de deep learning podem analisar todos esses tipos de dados que as empresas possuem atualmente — fontes humanas ou históricas. As organizações precisam combinar esse conjunto de dados subjacente com aprendizado supervisionado e não supervisionado.

A Ushur, por exemplo, criou ferramentas que aproveitam os dados existentes no núcleo da empresa e agem sobre esse aprendizado supervisionado e não supervisionado, aproveitando o conjunto de dados que as empresas já têm.

Existem muitos tipos diferentes de dados que podem ser analisados, provenientes de um número ainda maior de fontes. Mas há um problema que ocorre, embora talvez não seja tão relevante para o back-end empresarial.

Alimentar sistemas com o tipo errado de dados ou dados enviesados pode levar a resultados negativos que prejudicam um negócio ou instituição. Não precisa ir além da ferramenta de recrutamento por IA sexista da Amazon, que a gigante tecnológica descartou no ano passado. Ou, em 2016, descobriu-se que algoritmos de avaliação de risco nos EUA — usados por tribunais em todo o país para decidir o destino e a liberdade de réus — são racialmente enviesados, sentenciando caucasianos com mais brandura do que afro-americanos, apesar de não haver diferença no tipo de crime cometido.

A pesquisadora de IA Professora Joanna Bryson disse na época: "Se os dados subjacentes refletem estereótipos, ou se você treina IA a partir da cultura humana, você encontrará viés."

A solução é eliminar estereótipos e viés, garantindo que os dados reflitam isso.

Dados não estruturados** vs. estruturados*

Dados estruturados normalmente se referem a bancos de dados, como SQL. São informações estruturadas que podem ser organizadas, seja com base em informações do cliente ou tipos específicos de informações sobre um problema de negócio específico.

Em contraste, dados não estruturados podem ser um "grande bloco" de informação textual. "Pode ser uma declaração de problema que um cliente descreveu por e-mail ou documento PDF, por exemplo", diz Sadasiva. "Dentro disso podem haver pepitas de informação estruturada, como nome do cliente, telefone, número de sinistro, número de apólice ou número de cartão de crédito."

Esse tipo de informação é chamado de dados semiestruturados, que podem estar ocultos em informações não estruturadas. Ter a capacidade de extrair essa informação semiestruturada de dados não estruturados requer técnicas de "inteligência artificial" de ponta.

Um caso de negócio para dados

A melhor maneira de demonstrar o caso de negócio para uma boa gestão de dados é com um exemplo: a sobrecarga de e-mails.

Grandes empresas recebem dezenas de milhares de e-mails de clientes. "Analisar manualmente esses e-mails para segregar, triar e encaminhar para o departamento e pessoa certos antes de responder ao cliente é ridículo", diz Sadasiva. "É um problema de primeiro nível que consome uma quantidade significativa de trabalho manual.

Resolver esse problema requer a capacidade de extrair e separar os dados semiestruturados presentes na informação não estruturada de um e-mail. "Um amplo conjunto de ferramentas de dados pode ser usado para extrair essas informações do cliente e automaticamente triá-las para a pessoa certa e agir sobre esse texto. Esse é um exemplo simples de como aplicar automação sobre dados que uma empresa já possui", continua Sadasiva.

"A maioria das empresas tem milhões de bytes de informação não estruturada, na forma de e-mails, declarações de problemas, artigos ou fontes de informação que podem aproveitar.

"Essa é informação legada que já possuem. E aplicando ciência de dados, as empresas podem torná-la útil para treinar modelos computacionais, reduzindo assim a quantidade de trabalho manual no futuro."

Utilizando seus dados de cliente: uma nova forma de pensar

Tudo gira em torno do micro-engajamento, segundo Sadasiva, que são pequenos trechos de interação de ida e volta entre consumidores e empresas. Quando as empresas começam a ver cada interação com um consumidor ou cliente como um micro-engajamento, isso as leva a repensar toda a jornada do cliente e segmentá-la entre prospecção, onboarding, suporte, upselling, cross-selling e manutenção do relacionamento com o usuário final.

Existem várias interações de engajamento possíveis durante a jornada do cliente. Aplicando ciência de dados para interagir e coletar essas informações do cliente, insights reais podem ser obtidos.

"Esta é uma nova era, uma nova forma de avaliar o quão próxima uma marca está do seu cliente, e o quão próximo o cliente se sente da marca", diz Sadasiva.

Aplicar uma combinação de inteligência artificial, análise de dados e machine learning neste nível de micro-engajamento nos dados do consumidor pode transformar o engajamento do cliente.