Daniel Kahneman em seu livro "Thinking Fast and Slow" ("Rápido e Devagar: Duas Formas de Pensar" na edição em português) discute como nossos mecanismos de pensamento rápido podem nos levar a tomar decisões erradas uma vez que somos suscetíveis a vieses.
Um conceito cunhado por Kahneman e relatado no livro é o WYSIATI: "what you see is all there is" ou "o que você vê é tudo o que há". Esse conceito trata da característica que temos de formar impressões e intuições baseadas em uma quantidade limitada de informações. São essas impressões e intuições que quando organizadas por nossos cérebros de forma coerente permitem que tomemos decisões rápidas em um mundo complexo. O porém é que a superconfiança, fatores emocionais ou negligência com relação a informações importantes em um ambiente com uma infinidade de variáveis podem tornar o processo de tomada de decisão mais sujeito a ineficiências e erros uma vez que nossas interpretações de diferentes métricas e partes dos dados não podem ser totalmente contextualizados por nossos cérebros (nossos cérebros não conseguem encontrar uma correlação clara entre as variáveis).
É por isso que quando paramos para entender nossos dados, trazê-los para um conjunto com menos variáveis, agrupá-los, definir atributos relevantes e irrelevantes para considerar e tentar entender a importância para o resultado previsto de cada ação, podemos realmente começar a tomar decisões sendo muito menos influenciados por vieses. Um caminho para se alcançar isso é contando com cientistas de dados no time de negócios.
Principalmente no ambiente B2B ainda é difícil encontrar profissionais que tenham as competências de ciências de dados e ao mesmo tempo as competências de marketing e vendas, portanto uma decisão que pode ser tomada é a de formar esse tipo de profissional, trazendo cientistas de dados para os times de marketing e vendas para que eles estejam imersos no ambiente de negócios e os desafiando para que criem recursos e ferramentas de apoio à decisão.
O artigo do MIT cujo link compartilho abaixo traz recomendações sobre como gerenciar um time de cientistas de dados, começando simples e com foco, criando um plano de desenvolvimento com etapas bem definidas e incrementais.
Nas minhas experiências nesse campo aprendi o valor de se ter cientistas de dados no time de vendas e marketing, além da importância em se começar com algo simples e objetivo, como por exemplo a simples visualização de dados: mesmo antes de se aplicar algoritmos de Machine Learning para se encontrar a correlação entre variáveis, a pura e simples organização de dados e visualização em formas mais intuitivas para nossos cérebros já tem um poder surpreendente no apoio à tomada de decisão.
A visualização de dados faz parte de uma primeira etapa do Machine Learning que pode ser categorizada como "compreender os dados". Ainda como parte da compreensão dos dados existe uma etapa fundamental que é a limpeza ou saneamento dos dados através do preparo de bases limpas e confiáveis que possam ser usadas para que algoritmos busquem inferências entre esses dados.
Depois do preparo dos dados a exploração com Machine Learning parte para uma segunda etapa onde se quer começar a fazer predições. Nessa etapa de predições buscamos determinar o que vai acontecer com base em um histórico de dados e um ponto importantíssimo aqui (que reforça a necessidade de aliar conhecimento técnico com conhecimento nos negócios) é saber fazer as perguntas certas. Perguntas certas direcionam o esforço dos cientistas de dados e elas podem ser as mais diversas no ambiente de negócios, como: Qual será o resultado de uma ação de marketing digital? Com quais linhas de produtos posso saturar um determinado mercado? Como estou controlando descontos e margem? Como posso fazer as melhores recomendações de estoque para meus distribuidores?
Para se fazer predições existem diversas técnicas como Regressão Linear, Vizinhos Próximos, Redes Neurais e o resultado da aplicação delas será um ou mais modelos que fazem a predição, ou seja, respondem à pergunta feita inicialmente.
Depois de se fazer predições e determinar o que vai acontecer chega a terceira etapa em que ser quer determinar o que fazer (qual decisão tomar) e isso pode se dar através de um mecanismo de recomendações (onde o algoritmo recomenda as decisões que podem trazer as maiores recompensas). Queremos determinar o que fazer mesmo sob circunstâncias incertas e o interessante é que os algoritmos e técnicas conseguem prever o nível de incerteza na tomada de decisão e se realimentar (depois que se determina o que funcionou e o que não funcionou dentre as recomendações) a fim de se chegar a decisões mais certas a cada iteração.
Existem diversas técnicas de Machine Learning e um dos conceitos iniciais é se a técnica é Supervisionadas ou Não Supervisionada. Nas técnicas Supervisionadas temos o algoritmo se realimentando e "aprendendo" a reconhecer padrões em aplicações como por exemplo de reconhecimento facial para identificação de humor por exemplo. Nas técnicas Não Supervisionadas o algoritmo busca correlacionar os dados de entrada e categorizá-lo como por exemplo em uma aplicação para se prever o risco de infarte em um grupo de pessoas com base em informações sobre hábitos e dados médicos. Além de técnicas Supervisionadas e Não Supervisionadas, existem outras chamadas de Aprendizado por Reforço ou Reinforced Learning (RL) que é considerada uma forma de Inteligência Artificial pois é uma técnica que emula a forma como a qual nós humanos aprendemos: pelo tentativa e erro, avaliando as recompensas a cada tentativa e aprimorando nossas escolhas e decisões a cada iteração. Um dos modelos de RL que pode ser utilizado para um sistema de recomendações é o do Bandido com Várias Armas (Multi-Armed Bandit) que está descrito no artigo cujo link compartilho abaixo. Em resumo, o modelo do Bandido com Várias Armas pode ser usado em mecanismos de recomendação de estoque, recomendação de compra no e-commerce, recomendação de investimentos de uma forma teoricamente autônoma.
A minha exploração com especialistas em dados tem sido riquíssima e o aprendizado até aqui é sobre a importância de se criar um plano de ações com quick wins para se implementar o Machine Learning de forma estratégica no negócio, tornando isso uma cultura e apoiando decisões cada vez melhores.
Espero que esse breve artigo tenha te trazido alguns insights ou gerado dúvidas sobre as quais você possa iniciar a sua própria pesquisa sobre o tema.
PS: no texto me refiro muito a "Cientista de Dados" mas acho importante deixar claro que os benefícios dessa exploração do maior e melhor uso dos dados pode vir com apoio de Analistas de Dados ou Analistas de BI (Business Intelligence) desde que esses profissionais conheçam as ferramentas para utilizar uma massa de dados para predizer o que vai acontecer (que a rigor de uma forma muito simplificada é o que faz um Cientista de Dados) e minha percepção é que a capacidade de se predizer o que vai acontecer está cada vez mais simples e acessível através de liguagens de programação, bibliotecas e aplicações que estão cada vez mais mais acessíveis a qualquer um: Cientistas de Dados, Analistas, Consultores, Gestores de Negócios.
Postagem com resumo sobre o "Thinking Fast and Slow" mas independente disso, recomendo fortemente a leitura completa do livro: https://medium.com/leadership-motivation-and-impact/what-i-learned-from-thinking-fast-and-slow-a4a47...
Artigo do MIT sobre liderança de time de cientistas de dados: https://mitsloan.mit.edu/ideas-made-to-matter/6-steps-leading-successful-data-science-teams
Artigo sobre o modelo do Bandido com Várias Armas: https://medium.com/data-hackers/multi-armed-bandits-como-fazer-boas-escolhas-e73a8422b71d
