É um engano pensar que a tecnologia, isoladamente, constitua um fator disruptivo capaz de solucionar os desafios das empresas. O que faz dela algo inovador é sua aplicação centrada no cliente. Falamos sobre isso no primeiro post desta série de artigos e retomamos agora, pois é importante esclarecer que a transformação digital é, sim, sobre foco no cliente, mas é também sobre tecnologias digitais como facilitadoras de transformações em determinado contexto e realidade, desde que devidamente alimentadas por inputs adequados.
Há inúmeros casos de novas tecnologias revolucionando e desafiando completamente instituições tradicionais ou substituindo produtos obsoletos, já que os consumidores passaram a valorizar a facilidade de uso e a modernidade em detrimento de serviços antiquados ou desatualizados. Não basta apenas replicar um serviço existente em formato digital, mas é preciso transformar esse serviço em algo significativamente melhor.
Solução definitiva
É um erro, no entanto, pensar que a tecnologia, isoladamente, será capaz de promover as evoluções que seu negócio precisa. O sucesso dessas iniciativas incide em mudar também os processos de negócios e a cultura corporativa. E a forma como se captura, analisa e gerencia o principal combustível da transformação digital: os dados.
Um exemplo claro é a aplicação de machine learning. Durante algum tempo – e talvez ainda aconteça – ventilou-se a ideia de que um algoritmo dessa natureza seria sempre capaz de gerar insights valiosos a partir de qualquer base de dados, o que dispensaria um tratamento mais cuidadoso das especificidades de cada negócio. Um grande erro.
Algoritmos de machine learning são, de fato, ferramentas muito poderosas e versáteis na exploração de dados e na geração de insights, desde que estruturados com conhecimento sólido do negócio em foco – com clareza sobre as perguntas a serem respondidas – e baseado em uma exploração responsável das bases de dados. A grande verdade é que um algoritmo de machine learning contará a história que os dados permitem contar. Se forem alimentados com dados que não fazem sentido, provavelmente trarão resultados inferiores àqueles obtidos a “olho nu”.
Na UniSoma
Em seus projetos de machine learning, a UniSoma adota uma abordagem de trabalho em fases. A primeira é dedicada à exploração das bases de dados, buscando entender sua capacidade de geração de informações úteis. A partir dessa primeira análise, pode-se chegar à conclusão de que os dados disponíveis são suficientes para as explicações ou predições buscadas; ou que é necessário agregar novos dados, de outras origens, para enriquecer ou possibilitar a análise. Ou, ainda, que não há volume ou qualidade suficiente e, portanto, a empresa deverá empenhar esforços para acumular as informações de forma estruturada, viabilizando análises futuras. Apenas com o sucesso desta primeira fase é que se pode pensar em mecanizar os algoritmos a fim de transformá-los em ferramentas de uso contínuo.
Utilizando essa metodologia, a empresa desenvolveu recentemente um algoritmo de machine learning capaz de identificar fraudes no transporte de carga. Um sistema de alertas que, combinando informações de regiões, tipo de carga, tipo de veículo, perfis psicológicos dos colaboradores e conteúdo das trocas de mensagens com a torre de controle, classifica e atribui uma chance porcentual de ocorrência de um determinado tipo de evento (problema mecânico, acidente, roubo de carga, etc). Ao considerar o histórico e os eventos atuais, o algoritmo aprende e se autocalibra para melhorar a acuracidade das previsões constantemente.
A tecnologia, por si só, não é capaz de afetar um setor ou serviço. A real disrupção consiste em aplicar essas soluções de maneira centrada no cliente, cuidando para que elas sejam alimentadas por dados de qualidade – e então, consigam produza resultados realmente revolucionários e impossíveis de serem executados por qualquer mente humana.
* Por Luciano Moura, Diretor de Negócios da UniSoma
