Machine learning melhora execução estratégica, aponta MIT

O aprendizado de máquina, ou machine learning (ML), está mudando a forma como os líderes usam as métricas para impulsionar o desempenho dos negócios, a experiência do cliente e o crescimento.

Um grupo pequeno, mas crescente, de empresas está investindo em machine learning para aumentar as tomadas de decisão estratégicas com os principais indicadores de desempenho (KPIs). Pesquisa realizada pelo MIT sugere que a tecnologia está literalmente, e figurativamente, redefinindo como as empresas criam e medem valor.

Os KPIs tradicionais sempre tiveram um perfil de retrospectiva, um viés de relatório, mas ao apresentar variáveis ocultas que antecipam o “desempenho-chave”, o aprendizado de máquina está tornando os KPIs mais preditivos e prescritivos.

Com KPIs voltados para o futuro, os líderes progressistas podem tratar as medidas estratégicas como combustível de dados para treinar algoritmos de aprendizado de máquina, otimizando processos de negócios. Essa mudança, transformando KPIs de produtos analíticos em insumos de dados, está em um estágio inicial, mas é promissora, revela o MIT.

Companhias que já estão colocando em prática o aprendizado de máquina – investindo em machine learning e usando a tecnologia ativamente para atrair clientes – diferem radicalmente das empresas que ainda não estão investindo em machine learning. Estas são muito mais propensas a:

• Desenvolver uma visão única e integrada do seu cliente-alvo.
• Ter a capacidade de detalhar para ver os dados subjacentes do KPI.
• Verificar relatórios de KPI com frequência.

Essas diferenças dependem do tratamento de dados como um ativo corporativo valioso, revelou a análise do estudo.

Benefícios do machine learning

Quase três quartos dos entrevistados acreditam que os atuais KPIs funcionais da sua organização seriam mais bem alcançados com um maior investimento em tecnologias de automação e aprendizado de máquina. As entrevistas com 4,7 mil executivos seniores identificaram uma variedade de práticas inovadoras de machine learning.

Sem exceção, as empresas com as iniciativas mais intrigantes e ambiciosas de machine learning foram as que tiveram o compromisso mais sério – cultural e organizacional – de gerenciar os dados como um ativo corporativo valioso.

Kelly Watkins, vice-presidente de marketing global do Slack, está explorando soluções de aprendizado de máquina. Para o Slack, um KPI essencial determina quais empresas que usam o aplicativo de colaboração de local de trabalho gratuito da empresa são boas candidatas para a conversão em assinaturas pagas para recursos premium.

“Este é um esforço conjunto de marketing, produtos e vendas”, revelou ela. “Podemos treinar algoritmos de pontuação para realmente ter uma noção, com base em vários critérios”, disse.

A executiva também prevê a implementação de aprendizado de máquina para lidar com tarefas de rotina atualmente executadas por funcionários do Slack. Ela diz que sua intenção é “permitir que as pessoas usem suas mentes para resolver problemas estratégicos e busquem, de forma mais consistente, insights nos dados que possam mudar a estratégia e a execução, aumentando seu modo diário de operação”. Em suma, Watkins vê um futuro no qual machine learning transforma a eficiência e a estratégia.

Os recursos de aprendizado de máquina estão se tornando rapidamente uma medida básica da capacidade para uma empresa competir. Para melhorar essas capacidades, os executivos devem considerar três questões:

1. Você está fazendo os níveis corretos de investimento em dados, governança e confiabilidade?

As tomadas de decisão orientadas por dados e a aprendizagem automática começam com dados. A qualidade questionável dos dados prejudicará ou corromperá as iniciativas de aprendizado de máquinas. Você está tratando os dados como um ativo corporativo valioso?

2. Sua organização tem incentivos para usar o aprendizado de máquina para lidar com problemas comerciais prementes?

Pilotos internos são um bom lugar para começar. Mas escalar essas iniciativas é fundamental. Se os pilotos forem bem-sucedidos, quais incentivos permitirão uma adoção mais ampla na empresa? Se os pilotos falharem, a sua cultura penaliza ou suporta falhas razoáveis?

3. Seus KPIs são mais voltados para o futuro ou para o passado?

Quais seriam suas reuniões estratégicas se seus KPIs fossem mais voltados para o futuro? Como você pode usar o aprendizado de máquina para criar KPIs mais adaptativos que melhorem sua capacidade de prever e prescrever seu desempenho futuro?