Muitos gestores ainda olham para Data Science como uma ferramenta para melhorar a eficiência e para reduzir o headcount. Esta é claramente uma visão redutora do potencial de utilização de Inteligência Artificial ou Advanced Analytics.
Eu diria até que os grandes benefícios da adoção deste tipo de soluções estão mais relacionados com a eficácia, satisfação do cliente e com a otimização de resultados de uma forma mais lata, que propriamente questões mais específicas meramente focadas em redução de custos ou aumentos de eficiência. Importa salientar que aumento de produtividade significa sermos mais eficientes, mas mantendo ou se possível melhorando a eficácia.
O trade-off entre capacidade e nível de serviço é um tema altamente explorado e complexo na indústria de manufactura, onde o forecast de vendas assume um papel fulcral no planeamento da produção, que visa abastecer stocks para fazer face à procura prevista otimizando a capacidade das máquinas e assim satisfazer o nível de serviço pretendido.
Dificilmente alcançaremos o que procuramos se não soubermos o que queremos ou precisamos encontrar
Curiosamente, o problema do ponto de vista matemático, é exatamente o mesmo no serviço de apoio ao cliente. O forecast de chamadas ou do workload de tarefas do back-office é a base para o capacity planning, a inteligência na distribuição do trabalho pelos agentes é o segredo para a otimização do nível de serviço (SLA).
Se indubitavelmente a ciência dos dados é hoje uma das ferramentas mais importantes para responder aos constantes desafios que o mercado impõe, não é menos certo que o mais importante será fazer as perguntas certas.
A seleção de infraestruturas tecnológicas robustas, ferramentas de sofware mais avançadas e sofisticadas, equipas e parceiros de data science tecnicamente competentes, e consequentemente, a escolha dos métodos e algoritmos mais adequados a cada desafio infelizmente está longe de ser suficiente. Dificilmente alcançaremos o que procuramos se não soubermos o que queremos ou precisamos encontrar.
A maioria das organizações já desenvolveu ou utiliza uma solução de descriptive analytics, com o objetivo de medir a performance, chegando mesmo a perceber as razões do sucesso ou insucesso que os dados históricos nos mostram, uma espécie de análise post-mortem que os gestores não prescindem. Num segundo estágio de business analytics surgem as soluções de predictive analytics, onde os dados históricos da empresa são complementados com regras e dados externos para determinar resultados futuros. Proliferam exemplos de forecasting de vendas, custos, consumos, workload, capacity planning, etc..
Podemos classificar os modelos de prescriptive analytics como uma fase avançada que potencia as duas anteriores, já que sugere as ações a tomar, para que aconteça o que pretendemos. Como podemos fazer com que aconteça?
Saber colocar as questões certas é a pedra basilar na utilização de data science
Tal como a Uber utiliza variáveis como o tipo de veículo, rating do motorista, do cliente e a proximidade para distribuir as viagens pelos motoristas, podemos igualmente utilizar soluções de data science para otimizar a priorização de atividades de um back-office, chamadas inbound, produtos numa linha de montagem, visitas a clientes, contactos telefónicos a estabelecer numa campanha, levando em consideração as variáveis que fazem sentido em cada caso – SLA, competências, disponibilidade, comportamento humano, emoções, eficiência do recurso (humano ou máquina), previsão da procura ou workload, score do cliente, etc..
Definir como objetivo aumentar a eficiência e consequentemente reduzir custos, pode isoladamente trazer bons resultados, mas pode provocar um efeito inverso em termos de eficácia. Maior produtividade significa maior eficiência, mas com eficácia, pelo que a questão certa poderá ser como otimizar níveis de serviço, ou a margem de contribuição de cada produto na linha de montagem, ou o rácio de sucesso dos contactos telefónicos ou visitas efetuadas.
Hoje a grande maioria das organizações estão a incorporar data science nas diferentes fases da jornada do cliente, para proporcionar experiências de cliente (CX) mais convenientes, informadas e inteligentes.
Fácil? Não! Mas nunca foi tão acessível testar.
A evolução da capacidade de computação e o acesso a maior volume de dados é que nos permitem hoje desenvolver modelos mais inteligentes e avançados do que fazíamos antes. Possuímos a facilidade de utilizar infraestruturas gigantes escaláveis disponíveis na Cloud, a um preço muito acessível. Isso minimiza a preocupação na decisão de investimento – afinal, posso experimentar, refazer e mudar de uma forma ágil, fácil e acessível.
Saber colocar as questões certas é a pedra basilar na utilização de data science, a partir daí saberemos exatamente que dados recolher e transformá-los em estruturas acionáveis cujos resultados sejam realmente importantes para a sustentação e crescimento do negócio.
