Mês: junho 2022

por

Data Driven Marketing

Recentemente tive o privilégio de participar como um dos autores do livro “Trends MKT na Era Digital: o Futuro do Marketing“, com o capítulo 4 sobre Data Driven Marketing, organizado por Martha Grabriel, Rafael Kiso e Luciano Kalil. E ainda este mês aceitei o convite da minha amiga Martha para ministrar uma palestra sobre este tema no evento Digitalks Executive que aconteceu presencialmente no auditório da Unibes Cultural em São Paulo e que foi simultaneamente transmitido online, aberto para todos os interessados. Neste post quero fornecer alguns insigths introdutórios esperando contribuir com todos os que estudam ou praticam marketing digital em agências e em empresas.

Introdução

Em 2021 dos quase 20 bilhões foram investidos em publicidade no Brasil pelas grandes agências, 33,5% foram em mídias digitais. Percentual maior que os 26,7% de 2020. Ou seja, o marketing digital cresceu consideravelmente desde seu início de atuação, quando muitas destas agências quase não acreditavam no seu poder.

A evolução do marketing digital

Esta linha do tempo que segue, mostra claramente a evolução do marketing digital e tecnologias relacionadas, ele acompanhou a mudança do comportamento do consumidor e sua relação com as mídias e as marcas. A realidade é que a concorrência aumentou, o consumidor ficou mais exigente e o marketing precisou evoluir para atendê-lo melhor em sua jornada e experiência de consumo.

A evolução dos sistemas de marketing

A partir de 2003 (nos estados unidos e poucos anos depois por outros países, que incluem o Brasil), o marketing digital começou com o envio de e-mails e SMS em lote.

A partir de 2007 surgiram os canais digitais, ou seja, a Web, seguido das Mídias sociais e Mobile, cujo foco do marketing era a personalização.

Em 2010 iniciou uma visão unificada mapeando a jornada do cliente com foco numa análise preditiva, ou seja, mais orientada a dados.

A partir de 2013 a experiência do cliente ganhou relevância, com uma visão omnicanal, buscando maior interação com o cliente.

E de 2016 para cá a orientação a dados, junto com a inteligência artificial possibilitou um engajamento em tempo real, com chatbots, notificações via Apps e outros recursos que permitiram um marketing mais ágil e iterativo, com melhor relação causa-efeito, ROI mais preciso, menos desperdício de chumbo nas campanhas, e como consequência clientes mais satisfeitos e engajados.

O diagrama que segue mostra esta evolução.

Mas afinal o que é data driven marketing?

Data Driven Marketing (DDM), ou Marketing orientado a dados, consiste no uso de estratégias e táticas de marketing, obtidos a partir de insights baseados em grande volume e/ou variedade de dados de consumidores e do mercado, coletados a partir de diversas origens e formatos e analisados apropriadamente via algoritmos adequados.

O desafio de alta complexidade do data driven aos profissionais de marketing tem o potencial incrível de: alcançar o usuário certo, na hora certa, com a mensagem certa, no lugar certo e motivá-lo para uma ação adequada.

Além disso, o DDM fornece ao gestor melhor atribuição de causa-efeito dos resultados das campanhas publicitárias.

A distância entre o desejo e a capacidade de ter um DDM

Uma pesquisa recente da Leap (KPMG & Distrito) aponta que 98% dos executivos brasileiros consideram o uso de dados uma ferramenta essencial para o setor de marketing de crescimento.

Porém vemos que ainda há uma lacuna entre desejo e capacidade, pois ao consultar nas estatísticas de registro.br o número de domínios Internet registrados até 21 de junho de 2022 no Brasil, obtivemos 4.965.192 (aproximadamente 5 milhões). Por outro lado, ao consultar o número de sites que tem o google analytics instalado e operante nesta mesma data, obtivemos apenas 847.681 sites (menos de 1 milhão), ou seja, temos apenas aproximadamente 17% das organizações brasileiras com domínio registrado usando o Google Analytics atualmente. Usou-se o Google Analytis para comparação por saber-se que se trata de uma ferramenta básica, utilizada pela maioria dos profissionais de marketing digital que acompanham as estatísticas (métricas) de acesso e uso dos sites que acompanham. Comparações similares poderiam ser feitas com ferramentas focadas em análises de perfis de mídia social e mobile das empresas.

Além disso, temos uma diferença crescente no tempo entre a coleta de dados e o entendimento sobre eles nas organizações. Nos dois gráficos da imagem que segue, podemos ver claramente esta diferenças. A esquerda vemos uma grande lacuna, cada vez maior na linha do tempo em empresas típicas, e a direita vemos que organizações orientadas a dados e IA, com maior entendimento e por consequência maior e melhor uso dos dados em suas decisões organizacionais.

Marketing tradicional versus orientado a dados

Nas empresas tradicionais os poucos critérios de segmentação usados, geralmente demográficos, são selecionados pelos gestores com base em opinião e dados superficiais.

Em DDM, os critérios de segmentação são muitos, derivados de inteligência baseada em dados, podendo ser qualquer comportamento, característica ou interação, desde que indique um segmento com semelhanças comportamentais específicas e seja preditivo nos resultados. A classificação e priorização dos clientes ocorre em tempo real.

As diferenças podem ser melhor vistas nas linhas e colunas da tabela que segue.

Benefícios e desafios do DDM

Entre os benefícios destaca-se:

  1. Personalização (melhores campanhas e CX)
  2. Clareza (mais e melhores dados e entendimento sobre os clientes)
  3. Experiência do cliente
  4. Experiência multicanal (facilitada pela integração dos dados dos canais)
  5. Integração com vendas e TI (colaboração)
  6. Desenvolvimento de produto (entendendo melhor o cliente e suas necessidades)
  7. Facilitação de testes A/B

E como desafios destaca-se:

  1. Equipe (mentalidade e habilidades data driven, treinamento no uso de plataformas e ferramentas, conexão com cientistas e engenheiros de dados, …)
  2. Compromisso (de todo o pessoal de Marketing em todos os níveis)
  3. Integração (dados integrados de alta qualidade)
  4. Disponibilidade de Dados (nem sempre facilmente acessíveis, principalmente em B2B)
  5. Ferramentas e Plataformas adequadas

Aplicações de IA de uso no marketing

Dados são fundamentais para aplicações que se utilizam de algoritmos de aprendizado de máquina (machine learning), aprendizado profundo (deep learning) e outros facilitadores da inteligência artificial (IA) treinados para gerar modelos que são testados. Estes modelos permitem que as aplicações processem novos dados realizando classificações, agrupamentos, predições, etc. Segue uma lista das aplicações mais comuns de DDM que se utilizam da IA no marketing:

  • Chatbots para desenvolvimento de leads, suporte ao cliente e venda cruzada ou upselling.
  • Análise e encaminhamento de chamadas de entrada (inbound call).
  • Comentários do cliente e análise, classificação e resposta de e-mail.
  • Automação de campanha de marketing (incluindo e-mails, geração de página de destino e segmentação de clientes).
  • Análise do mix de marketing.
  • Merchandising de produtos on-line.
  • Precificação
  • Recomendações de produtos ou serviços e ofertas altamente personalizadas.
  • Compra de anúncios digitais programáticos.
  • Pontuação de leads de vendas.
  • Planejamento, compra e execução em mídia social.
  • Análise de sentimento na mídia social.
  • Posicionamento de anúncio de televisão (parcial).
  • Geração de narrativa de análise da web.
  • Operação e otimização do site (incluindo testes A/B e outros).

Considerações finais

O marketing tradicional evoluiu para incluir o digital e ampliar os canais para atender os usuários, clientes e consumidores de forma mais interativa e personalizada. O marketing digital evoluiu para orientado a dados, incluindo as estratégias, técnicas, plataformas e ferramentas, além é claro de pessoas habilitadas para fazer o trabalho com mais agilidade, precisão e métricas. Isso permitiu aos gestores de marketing gerenciarem melhor e explicarem melhor os resultados mais bem sucedidos obtidos em suas campanhas publicitarias. Para conseguir isso é preciso criar uma cultura corporativa e mentalidade de gestão orientada a dados.

Autor

Nei Grando – diretor executivo da STRATEGIUS, é consultor e palestrante em estratégia, inovação, transformação digital, organizações exponenciais e cidades inteligentes; pesquisador em inteligência artificial; conselheiro de empresas e mentor de startups. Autor do blog neigrando.com – Mestre em ciências pela FEA-USP, graduado em TI pela UEM, com MBA em Administração pela FGV e cursos de extensão em Estratégia e Gestão do Conhecimento (FGV) e Inovação e Redes Sociais (ESPM). Teve duas empresas de software e soluções de TI, onde conduziu o desenvolvimento de portais e plataformas digitais de negócios, internet-banking, home broker, CRM, GED, GC e outros. É o organizador e um dos autores do livro “Empreendedorismo inovador”, e autor em outros três. Como professor, ministrou as disciplinas de “Strategic Thinking” e “Planejamento Estratégico” em curso MBA da FIAP, “Intelligence Driven Decision” e “Fundamentos de Inteligência Artificial” em curso MBA da ESPM e como prof. convidado, no curso “Laboratório de Startups” do CIC-ESPM. .

Referências

  • Capítulo 4 do livro “Trends MKT na Era Digital: o Futuro do Marketing“.
  • Estudos do autor para a disciplina Fundamentos de Inteligência Artificial da ESPM.
  • Estudos do autor para a palestra ministrada no evento Digitalks Executive.

Artigos relacionados

por

Planejando a Inteligência Artificial em Marketing

“As empresas devem adotar decisões mais automatizadas sempre que possível. É aqui que se encontram os maiores retornos do marketing de IA.”

Mais um post sobre Inteligência Artificial (IA) aplicada aos negócios, desta vez com foco em Marketing, fornecendo um framework que facilita o entendimento do planejamento aos gestores de marketing e outros interessados em IA.

Os diretores de marketing estão adotando cada vez mais a Inteligência Artificial:

  • Uma análise de 2018 da McKinsey de mais de 400 casos de uso avançados mostrou que o marketing era o domínio em que a IA contribuiria com o maior valor.
  • Uma pesquisa de agosto de 2019 da American Marketing Association revelou que a implementação de IA havia aumentado 27% no ano e meio anterior.
  • E uma pesquisa global da Deloitte em 2020 com os primeiros a adotar a IA mostrou que três dos cinco principais objetivos da IA eram orientados para o mercado: aprimorar produtos e serviços existentes, criar novos produtos e serviços e aprimorar os relacionamentos com os clientes.

Muitas empresas agora usam IA para lidar com tarefas restritas, como:

  • publicação de anúncios digitais (também conhecido como “compra programática”);
  • auxiliar em tarefas amplas, como aumentar a precisão das previsões (pense nas previsões de vendas); e
  • aumentar os esforços humanos em tarefas estruturadas, como atendimento ao cliente.

As empresas também empregam IA em todas as fases da jornada do cliente

Quando os clientes em potencial estão na fase de “consideração” e pesquisando um produto, a IA direcionará os anúncios para eles e pode ajudar a orientá-los na pesquisa.

Vê-se isso acontecer no varejista online de móveis Wayfair, que usa IA para determinar quais clientes têm maior probabilidade de ser persuadidos e, com base em seus históricos de navegação, escolhe produtos para mostrá-los.

E bots habilitados para IA de empresas como a Vee24 podem ajudar os profissionais de marketing a entender as necessidades dos clientes, aumentar seu envolvimento em uma pesquisa, empurrá-los na direção desejada, como uma página da web específica e, se necessário, conectá-los a um humano agente de vendas por chat, telefone, vídeo ou mesmo “co-navegação” – permitindo que um agente ajude o cliente a navegar em uma tela compartilhada.

A IA pode agilizar o processo de vendas usando dados extremamente detalhados sobre os indivíduos, incluindo dados de geolocalização em tempo real, para criar ofertas de produtos ou serviços altamente personalizadas. Mais tarde na jornada, a IA auxilia no upsell e na venda cruzada e pode reduzir a probabilidade de os clientes abandonarem seus carrinhos de compras digitais. Por exemplo, depois que um cliente preenche um carrinho, os bots de IA podem fornecer um depoimento motivador para ajudar a fechar a venda, como “Excelente compra! James de Vermont comprou o mesmo colchão”. Essas iniciativas podem aumentar as taxas de conversão cinco vezes ou mais.

Após a venda, os agentes de serviço habilitados para IA de empresas como Amelia (anteriormente IPsoft) e Interactions estão disponíveis 24 horas por dia, 7 dias por semana para fazer a triagem das solicitações dos clientes – e são capazes de lidar com volumes flutuantes de solicitações de serviço melhores do que os agentes humanos. Eles podem lidar com questões simples sobre, digamos, tempo de entrega ou agendamento de uma consulta e podem escalar questões mais complexas para um agente humano.

Em alguns casos, a IA auxilia os representantes humanos analisando o tom dos clientes e sugerindo respostas com diferenciais, orientando os agentes sobre a melhor forma de satisfazer as necessidades dos clientes ou sugerindo a intervenção de um supervisor.

O Framework

A IA de marketing pode ser categorizada de acordo com duas dimensões: nível de inteligência e se é autônomo ou parte de uma plataforma mais ampla. Algumas tecnologias, como chatbots ou motores de recomendação, podem cair em qualquer uma das categorias; é como eles são implementados em um aplicativo específico que determina sua classificação.

Vamos examinar os dois tipos de inteligência primeiro

Automação de tarefas. Esses aplicativos executam tarefas repetitivas e estruturadas que requerem níveis relativamente baixos de inteligência.

Eles são projetados para seguir um conjunto de regras ou executar uma determinada sequência de operações com base em uma determinada entrada, mas eles não podem lidar com problemas complexos, como solicitações de clientes diferenciadas. Um exemplo seria um sistema que envia automaticamente um e-mail de boas-vindas a cada novo cliente. Chatbots mais simples, como aqueles disponíveis através do Facebook Messenger e outros provedores de mídia social, também se enquadram esta categoria. Eles podem fornecer alguma ajuda aos clientes durante as interações básicas, levando os clientes a uma determinada árvore de decisão, mas eles não conseguem discernir a intenção dos clientes, oferecer respostas personalizadas ou aprender com as interações ao longo do tempo.

Aprendizado de máquina. Esses algoritmos são treinados usando grandes quantidades de dados para fazer previsões e decisões relativamente complexas, gerando modelos. Esses modelos podem reconhecer imagens, decifrar textos, segmentar clientes e antecipar como os clientes responderão a várias iniciativas, como promoções. O aprendizado de máquina já impulsiona a compra programática em publicidade online, mecanismos de recomendação de e-commerce e modelos de propensão de vendas em sistemas de gerenciamento de relacionamento com o cliente (CRM). Ele e sua variante mais sofisticada, aprendizado profundo, são as tecnologias mais avançadas em IA e estão rapidamente se tornando ferramentas poderosas de marketing. Dito isso, é importante esclarecer que os aplicativos de aprendizado de máquina existentes ainda executam tarefas restritas e precisam ser treinados com grandes quantidades de dados.

Agora, vamos considerar a IA independente versus a IA integrada

Aplicativos independentes. Esses são mais bem compreendidos como programas de IA claramente demarcados ou isolados. Eles são separados dos canais principais por meio dos quais os clientes aprendem, compram ou obtêm suporte para usar as ofertas de uma empresa ou os canais que os funcionários usam para comercializar, vender ou prestar serviços a essas ofertas. Simplificando, os clientes ou funcionários precisam fazer uma viagem especial além desses canais para usar a IA.

Considere o aplicativo de descoberta de cores criado por Behr, a empresa de tintas. Usando o processamento de linguagem natural do IBM Watson e os recursos do Tone Analyzer (que detectam emoções no texto), a O aplicativo oferece várias recomendações de cores de pintura personalizadas da Behr que são baseadas no humor que os consumidores desejam para seu espaço. Os clientes usam o aplicativo para selecionar duas ou três cores para o cômodo que pretendem pintar. A venda real de tinta é então executada fora do aplicativo, embora permita uma conexão para fazer o pedido da Home Depot.

Aplicativos integrados. Incorporado em sistemas existentes, estas aplicações IA geralmente são menos visíveis aos clientes, profissionais de marketing e vendedores que os utilizam do que os aplicativos independentes. Por exemplo, o aprendizado de máquina que toma decisões em fração de segundo sobre quais anúncios digitais oferecer aos usuários é integrado a plataformas que lidam com todo o processo de compra e colocação de anúncios.

O aprendizado de máquina integrado da Netflix oferece recomendações de vídeo aos clientes há mais de uma década; suas seleções simplesmente aparecem no menu de ofertas que os usuários veem quando acessam o site. Se o mecanismo de recomendação fosse independente, eles precisariam acessar um aplicativo dedicado e solicitar sugestões.

Os fabricantes de sistemas de CRM incorporam cada vez mais recursos de aprendizado de máquina em seus produtos. Na Salesforce, o pacote Sales Cloud Einstein tem vários recursos, incluindo um sistema de pontuação de leads baseado em IA que classifica automaticamente os leads de clientes B2B pela probabilidade de compra.

Fornecedores como a Cogito, que vende IA que treina vendedores de call center, também integram seus aplicativos ao sistema CRM da Salesforce.

Combinando os dois tipos de inteligência

Combinar os dois tipos de inteligência e dois tipos de estrutura produz os quatro quadrantes do framework: aplicativos autônomos de aprendizado de máquina, aplicativos integrados de aprendizado de máquina, aplicativos autônomos de automação de tarefas e aplicativos integrados de automação de tarefas.

Entender em quais quadrantes os aplicativos se enquadram pode ajudar os profissionais de marketing a planejar e sequenciar a introdução de novos usos.

Uma abordagem escalonada

Acredita-se que os profissionais de marketing verão o maior valor ao buscar aplicativos integrados de aprendizado de máquina, embora sistemas simples baseados em regras e de automação de tarefas possam aprimorar processos altamente estruturados e oferecer potencial razoável para retornos comerciais.

Observe, no entanto, que hoje em dia a automação de tarefas está cada vez mais combinada com aprendizado de máquina – para extrair dados-chave de mensagens, tomar decisões mais complexas e personalizar comunicações – um híbrido que abrange quadrantes.

Os aplicativos independentes continuam a ter seu lugar onde a integração é difícil ou impossível, embora haja limites para seus benefícios. Portanto, recomenda-se os profissionais de marketing a, com o tempo, integrar a IA aos sistemas de marketing atuais, em vez de continuar com os aplicativos independentes. E, de fato, muitas empresas estão caminhando nessa direção geral; na pesquisa Deloitte de 2020, 74% dos executivos globais de IA concordaram que “a IA será integrada a todos os aplicativos corporativos dentro de três anos”.

Começando

Para empresas com experiência limitada em IA, uma boa maneira de começar é construindo ou comprando aplicativos simples baseados em regras.

Muitas empresas buscam uma abordagem “rastejar-caminhar-correr”, começando com um aplicativo independente de automação de tarefas não voltado para o cliente, como aquele que orienta os agentes de serviço humano que se envolvem com os clientes.

Depois que as empresas adquirem habilidades básicas de IA e uma abundância de dados de mercado e clientes, elas podem começar a mudar da automação de tarefas para o aprendizado de máquina. Um bom exemplo do último é a IA de seleção de roupas da Stitch Fix, que ajuda seus estilistas a selecionar ofertas para os clientes e se baseia em suas preferências de estilo autorrelatadas, os itens que mantêm e devolvem, e os comentários que fizeram.

Esses modelos se tornaram ainda mais eficazes quando a empresa começou a pedir aos clientes que escolhessem entre as fotos do Style Shuffle, criando uma fonte valiosa de novos dados.

Novas fontes de dados – como transações internas, fornecedores externos e até aquisições em potencial – são algo que os profissionais de marketing devem procurar constantemente, uma vez que a maioria dos aplicativos de IA, especialmente o aprendizado de máquina, exige grandes quantidades de dados de alta qualidade. Considere o modelo de precificação baseado em aprendizado de máquina que a empresa de fretamento de jato XO usou para aumentar seu EBITDA em 5%: A chave era acessar fontes externas para dados sobre o fornecimento de jatos particulares e fatores que afetam a demanda, como grandes eventos, a macroeconomia, a atividade sazonal e o clima. Os dados que o XO usa estão disponíveis publicamente, mas é uma boa ideia também buscar fontes proprietárias sempre que possível, porque os modelos que usam dados públicos podem ser copiados pelos concorrentes.

À medida que as empresas se tornam mais sofisticadas no uso da IA ​​de marketing, muitas automatizam totalmente certos tipos de decisões, tirando totalmente os humanos do circuito. Com decisões repetitivas e de alta velocidade, como as exigidas para a compra de anúncios programáticos (em que os anúncios digitais são veiculados quase instantaneamente aos usuários), essa abordagem é essencial.

Em outros domínios, a IA só pode apresentar recomendações a uma pessoa diante de uma escolha – por exemplo, sugerir um filme a um consumidor ou uma estratégia a um executivo de marketing. Tomada de decisão humana é normalmente reservado para as questões mais importantes, como se deve continuar uma campanha ou aprovar um anúncio de TV caro.

As empresas devem tomar decisões mais automatizadas sempre que possível. Acredita-se que é aqui que os maiores retornos da IA ​​de marketing serão encontrados.

Desafios e riscos

A implementação até mesmo dos aplicativos de IA mais simples pode apresentar dificuldades.

A IA de automação de tarefas autônoma, apesar de sua sofisticação técnica inferior, ainda pode ser difícil de configurar para fluxos de trabalho específicos e exige que as empresas adquiram habilidades de IA adequadas. Trazendo qualquer tipo de IA em um fluxo de trabalho exige integração cuidadosa de tarefas humanas e de máquina para que a IA aumente as habilidades das pessoas e não seja implantada de maneiras que criem problemas. Por exemplo, enquanto muitas organizações usam chatbots baseados em regras para automatizar o atendimento ao cliente, bots menos capazes podem irritar os clientes. Pode ser melhor ter esses bots ajudando agentes humanos ou conselheiros em vez de interagir com os clientes.

À medida que as empresas adotam aplicativos mais sofisticados e integrados, surgem outras considerações. Incorporar IA em plataformas de terceiros, em particular, pode ser complicado. Um caso em questão é oferecido pelo Olay Skin Advisor da Procter & Gamble, que usa aprendizado profundo para analisar selfies que os clientes tiraram, avaliar sua idade e tipo de pele e recomendar produtos apropriados. Ele está integrado a uma plataforma de e-commerce e fidelidade, Olay.com, e melhorou as taxas de conversão, taxas de rejeição e tamanhos médios de cesta em algumas geografias.

No entanto, tem sido mais difícil integrá-lo com lojas de varejo e Amazon, terceiros que respondem por uma alta porcentagem das vendas de Olay. O Skin Advisor não está disponível no extenso site da loja de Olay na Amazon, dificultando a capacidade da marca de oferecer uma experiência de cliente assistida por IA integrada.

Finalmente, as empresas devem manter os interesses dos clientes em mente. Quanto mais inteligentes e integrados os aplicativos de IA, mais preocupações os clientes podem ter sobre privacidade, segurança e propriedade de dados. Os clientes podem ficar nervosos com os aplicativos que capturam e compartilham dados de localização sem seu conhecimento ou sobre alto-falantes inteligentes que podem estar espionando. Em geral, os consumidores mostraram disposição (até mesmo ânsia) de trocar alguns dados pessoais e privacidade em troca do valor que aplicativos inovadores podem oferecer.

As preocupações com aplicativos de IA como Alexa parecem ser diminuídas pela apreciação de seus benefícios. Portanto, a chave para os profissionais de marketing, à medida que expandem a inteligência e o alcance de sua IA, é garantir que seus controles de privacidade e segurança sejam transparentes, que os clientes tenham algo a dizer sobre como seus dados são coletados e usados ​​e que obtenham valor justo da empresa em troca. Para garantir essas proteções e manter a confiança dos clientes, os CMOs devem estabelecer conselhos de revisão de ética e privacidade – com especialistas em marketing e jurídicos – para examinar projetos de IA, especialmente aqueles que envolvem dados de clientes ou algoritmos que podem ser tendenciosos, como pontuação de crédito.

Considerações finais

Enquanto marketing, IA é uma grande promessa, pede-se aos CMOs que sejam realistas sobre suas capacidades atuais. Apesar do hype, a IA ainda pode realizar apenas tarefas específicas, não executar uma função ou processo de marketing inteiro. No entanto, já está oferecendo benefícios substanciais aos profissionais de marketing – e de fato é essencial em algumas atividades de marketing – e seus recursos estão crescendo rapidamente.

Acredita-se que a IA acabará transformando o marketing, mas é uma jornada que levará um bom tempo. A função de marketing e as organizações que a suportam, TI em particular, precisarão prestar atenção a longo prazo para construir recursos de IA e abordar quaisquer riscos potenciais. Pede-se aos profissionais de marketing que comecem a desenvolver uma estratégia hoje para aproveitar as vantagens da funcionalidade atual da IA ​​e seu provável futuro.

Planejar o uso da IA é desafiador, mas viável com o apoio de bons parceiros.

Conte comigo em seus projetos. Sobre mim: aqui. Contato: aqui.

Um abraço, @neigrando

Referência

Este texto partiu do conteúdo traduzido e adaptado com base no post original em inglês, da Harvard Business Review (HBR) “How to Design an AI Marketing Strategy”, de Thomas H. Davenport, Abhijit Guha e Dhruv Grewal (2021)

Artigos relacionados

por

Guia de Transformação com Inteligência Artificial

“A inteligência artificial é a elucidação do processo de aprendizado humano, a quantificação do processo de pensamento humano, a explicação do comportamento humano e a compreensão do que torna a inteligência possível. É o passo final do homem para se entender, e espero participar dessa nova, mas promissora ciência.” – Kai-Fu Lee (1983), autor do livro “AI Super-Powers: China, Silicon Valley and the New World Order” (New York Times bestseller), lançado em 2018.

“Inteligência Artificial (definição): A teoria e o desenvolvimento de sistemas computacionais capazes de realizar tarefas que normalmente requerem inteligência humana, como percepção visual, reconhecimento de fala, tomada de decisão e tradução entre idiomas.” – Dicionário Oxford

Esta série de artigos que eu tenho postado sobre o uso da IA em Negócios fornece a líderes, gestores e profissionais de negócios uma base de conhecimentos que facilita o entendimento do tema e os prepara para uma relação mais próxima com os profissionais de tecnologia e realização de projetos em suas empresas.

Como liderar sua empresa na era da IA

A tecnologia de IA (Inteligência Artificial) agora está pronta para transformar todos os setores, assim como a eletricidade fez 100 anos atrás. Espera-se que até 2030, forneça um crescimento econômico estimado em 13 trilhões de dólares. Embora já tenha criado um tremendo valor em empresas líderes em tecnologia, como Google, Baidu, Microsoft e Facebook, muitas das ondas adicionais de criação de valor estão indo além do setor de software.

Este artigo trata-se de um pequeno guia de orientação para transformação da empresa utilizando o potencial da Inteligência Artificial (IA). Trata-se da tradução e adaptação do texto original que é baseado em insights obtidos de Andrew Ng, da empresa Landing AI, ao liderar equipes do Google Brain e o Baidu AI Group, onde ele desempenhou papéis de liderança na transformação do Google e do Baidu em grandes empresas de IA.

Observação: O guia é direcionado à grandes empresas, mas que pode ser adaptado para uso em empresas menores, com o uso de plataformas de computação cognitiva, inteligência artificial e aprendizado de máquina automatizado (AutoML) como serviço em nuvem – o que requer menos infraestrutura e profissionais para começar.

Veja as recomendações em 5 passos:

1. Execute projetos piloto para ganhar impulso

É mais importante que seus primeiros projetos de IA sejam bem-sucedidos do que os projetos de IA mais valiosos. Eles devem ser significativos o suficiente para que os sucessos iniciais ajudem sua empresa a se familiarizar com a IA e também convença outras pessoas da empresa a investir em outros projetos de IA; eles não devem ser tão pequenos que outros considerem triviais. O importante é fazer o volante girar para que sua equipe de IA possa ganhar impulso.

Características sugeridas para os primeiros projetos de IA:

  • Idealmente, deve ser possível para uma equipe de IA nova ou externa (que pode não ter profundo conhecimento de domínio sobre sua empresa) fazer parceria com suas equipes internas (que têm profundo conhecimento de domínio) e criar soluções de IA que comecem a mostrar tração em 6-12 meses.
  • O projeto deve ser tecnicamente viável. Muitas empresas ainda estão iniciando projetos que são impossíveis usando a tecnologia de IA de hoje; ter engenheiros de IA confiáveis ​​fazendo a devida diligência em um projeto antes do início aumentará sua convicção em sua viabilidade.
  • Tenha um objetivo claramente definido e mensurável que crie valor comercial.

Sucesso em um primeiro projeto piloto, trará a confiança necessária para projetos maiores e mais complexos.

2. Crie uma equipe interna de IA

Embora parceiros terceirizados com profundo conhecimento técnico em IA possam ajudá-lo a ganhar esse impulso inicial mais rapidamente, a longo prazo será mais eficiente executar alguns projetos com uma equipe interna de IA. Além disso, você desejará manter alguns projetos dentro da empresa para construir uma vantagem competitiva mais exclusiva.

É importante ter a adesão da liderança para construir essa equipe interna. Durante a ascensão da internet, a contratação de um CIO foi um ponto de virada para muitas empresas terem uma estratégia coesa de uso da internet. Em contraste, as empresas que realizaram muitos experimentos independentes – desde marketing digital até experimentos de ciência de dados e lançamentos de novos sites – não conseguiriam alavancar os recursos da Internet se esses pequenos projetos-piloto não conseguissem escalar para transformar o resto da empresa.

Na era da IA, um momento chave para muitas empresas será novamente a formação de uma equipe de IA centralizada que possa ajudar toda a empresa. Essa equipe de IA pode ficar sob a função de CTO, CIO ou CDO (Chief Data Officer ou Chief Digital Officer) se tiver o conjunto de habilidades certo. Também poderia ser liderado por um CAIO (Chief AI Officer) dedicado. As principais responsabilidades da unidade de IA são:

  • Construir uma capacidade de IA para dar suporte a toda a empresa.
  • Executar uma sequência inicial de projetos multifuncionais para dar suporte a diferentes divisões/unidades de negócios com projetos de IA. Depois de concluir os projetos iniciais, configurar processos repetidos para entregar continuamente uma sequência de projetos valiosos de IA.
  • Desenvolver padrões consistentes para recrutamento e retenção.
  • Desenvolver plataformas para toda a empresa que sejam úteis para várias divisões/unidades de negócios e que provavelmente não sejam desenvolvidas por uma divisão individual. Por exemplo, considere trabalhar com o CTO/CIO/CDO para desenvolver padrões de armazenamento de dados unificados.

Muitas empresas são organizadas com várias unidades de negócios subordinadas ao CEO. Com uma nova unidade de IA, você será capaz de integrar o talento de IA às diferentes divisões para conduzir projetos multifuncionais.

Novas descrições de cargos e novas organizações de equipe surgirão. Uma maneira de organizar o trabalho de equipes é em funções como engenheiro de aprendizado de máquina, engenheiro de dados, cientista de dados e gerente de produto de IA, o que é diferente da era pré-IA. Um bom líder de IA poderá aconselhá-lo sobre a configuração dos processos corretos.

Atualmente, há uma guerra por talentos de IA e, infelizmente, a maioria das empresas terá dificuldade em contratar um estudante ou graduado em doutorado em IA de Stanford, por exemplo. Como a guerra de talentos é basicamente de soma zero no curto prazo, trabalhar com um parceiro de recrutamento que pode ajudá-lo a construir uma equipe de IA.

3. Forneça amplo treinamento de IA

Nenhuma empresa hoje tem talento interno de IA suficiente. Enquanto as reportagens da mídia sobre altos salários de IA são exageradas (os números citados na imprensa tendem a ser discrepantes), é difícil encontrar talento em IA. Felizmente, com o aumento do conteúdo digital, incluindo MOOCs (cursos online abertos e massivos), como Coursera, e-books e vídeos do YouTube, é mais econômico do que nunca treinar muitos funcionários em novas habilidades, como IA. O CLO inteligente (Chief Learning Officer) sabe que seu trabalho é selecionar, em vez de criar conteúdo, e então estabelecer processos para garantir que os funcionários concluam as experiências de aprendizado.

Se você tiver orçamento para contratar consultores, o conteúdo presencial deve complementar o conteúdo online. Isso é chamado de pedagogia da “sala de aula invertida” que resulta em aprendizado mais rápido e uma experiência de aprendizado mais agradável. Contratar alguns especialistas em IA para fornecer algum conteúdo pessoalmente também pode ajudar a motivar seus funcionários a aprender essas técnicas de IA.

A IA proverá novos empregos diferentes. Você deve dar a todos o conhecimento de que precisam para se adaptar às suas novas funções na era da IA. A consulta com um especialista permitirá que você desenvolva um currículo personalizado para sua equipe. No entanto, um plano de educação inicial pode ser assim:

3.1. Executivos e líderes empresariais seniores: (⩾4 horas de treinamento)

META – Permita que os executivos entendam o que a IA pode fazer pela sua empresa, comecem a desenvolver a estratégia de IA, tomem decisões de alocação de recursos apropriadas e colaborem sem problemas com uma equipe de IA que está apoiando projetos de IA valiosos. CURRÍCULO:

  • Compreensão empresarial básica da IA, incluindo tecnologia básica, dados e o que a IA pode e não pode fazer.
  • Compreensão do impacto da IA ​​na estratégia corporativa.
  • Estudos de caso sobre aplicativos de IA para setores adjacentes ou para o seu setor específico.

3.2. Líderes de divisões que realizam projetos de IA: (⩾12 horas de treinamento)

META – Os líderes de divisão devem ser capazes de definir a direção dos projetos de IA, alocar recursos, monitorar e acompanhar o progresso e fazer as correções necessárias para garantir a entrega bem-sucedida do projeto. CURRÍCULO:

  • Compreensão empresarial básica da IA, incluindo tecnologia básica, dados e o que a IA pode e não pode fazer.
  • Conhecimento técnico básico de IA, incluindo as principais classes de algoritmos e seus requisitos.
  • Compreensão básica do fluxo de trabalho e processos de projetos de IA, funções e responsabilidades em equipes de IA e gerenciamento de equipe de IA.

3.3. Estagiários de engenharia de IA: (⩾100 horas de treinamento)

META – Engenheiros de IA recém-treinados devem ser capazes de coletar dados, treinar modelos de IA e entregar projetos de IA específicos. CURRÍCULO:

  • Profundo conhecimento técnico de machine learning e deep learning; compreensão básica de outras ferramentas de IA.
  • Compreensão das ferramentas disponíveis (código aberto e de terceiros) para construir sistemas de IA e dados.
  • Capacidade de implementar o fluxo de trabalho e os processos das equipes de IA.
  • Além disso: educação contínua para manter-se atualizado com a evolução da tecnologia de IA

4. Desenvolva uma estratégia de IA

Uma estratégia de IA orientará sua empresa para a criação de valor e, ao mesmo tempo, construirá fossos defensáveis. Assim que as equipes começarem a ver o sucesso dos projetos iniciais de IA e formar uma compreensão mais profunda da IA, você poderá identificar os lugares onde a IA pode criar mais valor e concentrar recursos nessas áreas.

Alguns executivos pensarão que desenvolver uma estratégia de IA deve ser o primeiro passo. A experiência diz que a maioria das empresas não será capaz de desenvolver uma estratégia de IA ponderada até que tenha alguma experiência básica com IA, que o progresso parcial nas etapas 1 a 3 fornecerá.

A maneira como você constrói fossos defensáveis ​​também está evoluindo com a IA. Aqui estão algumas abordagens a serem consideradas:

Crie vários ativos de IA difíceis que estejam amplamente alinhados com uma estratégia coerente: a IA está permitindo que as empresas construam vantagens competitivas exclusivas de novas maneiras. Os escritos seminais de Michael Porter sobre estratégia de negócios mostram que uma maneira de iniciar um negócio defensável é construir vários ativos difíceis que estão amplamente alinhados com uma estratégia coerente. Assim, torna-se difícil para um concorrente replicar todos esses ativos simultaneamente.

Aproveite a IA para criar uma vantagem específica para o seu setor: em vez de tentar competir “geralmente” em IA com empresas líderes de tecnologia, como o Google, recomendo tornar-se uma empresa líder de IA em seu setor, onde o desenvolvimento de recursos exclusivos de IA permitirá você para obter uma vantagem competitiva. Como a IA afeta a estratégia da sua empresa será específica do setor e da situação.

Desenhe estratégias alinhadas com o ciclo de feedback positivo do “círculo virtuoso da IA”: em muitos setores, veremos o acúmulo de dados levando a um negócio defensável:

Por exemplo, os principais mecanismos de pesquisa da Web, como Google, Baidu, Bing e Yandex, têm um enorme ativo de dados mostrando quais links um usuário clica após diferentes consultas de pesquisa. Esses dados ajudam as empresas a criar um produto de mecanismo de pesquisa mais preciso (A), o que, por sua vez, as ajuda a adquirir mais usuários (B), o que, por sua vez, resulta em ter ainda mais dados de usuários (C). Esse ciclo de feedback positivo é difícil aos concorrentes invadirem.

Os dados são um ativo fundamental para os sistemas de IA. Assim, muitas grandes empresas de IA também têm uma estratégia de dados sofisticada. Os principais elementos da sua estratégia de dados podem incluir:

Aquisição de dados estratégicos: sistemas úteis de IA podem ser construídos com qualquer ponto de 100 dados (“small data”) a 100.000.000 pontos de dados (“big data”), e ter mais dados é melhor. As equipes de IA estão usando estratégias muito sofisticadas e de vários anos para adquirir dados, e estratégias específicas de aquisição de dados são específicas do setor e da situação. Por exemplo, o Google e o Baidu têm vários produtos gratuitos que não monetizam, mas permitem que eles adquiram dados que podem ser monetizados em outros lugares.

Armazéns de dados unificados: se você tiver 50 bancos de dados diferentes sob o controle de 50 VPs ou divisões diferentes, será quase impossível para um engenheiro ou software de IA obter acesso a esses dados e “conectar os pontos”. Em vez disso, considere centralizar seus dados em um ou no máximo um pequeno número de data warehouses.

Reconhecer quais dados são valiosos e quais não são: não é verdade que ter muitos terabytes de dados automaticamente significa que uma equipe de IA poderá criar valor a partir desses dados. Esperar que uma equipe de IA crie valor magicamente a partir de um grande conjunto de dados é uma fórmula que vem com uma grande chance de falha. tragicamente alguns CEOs investirem demais na coleta de dados de baixo valor, ou mesmo adquirem uma empresa para seus dados apenas para perceber que os muitos terabytes de dados da empresa-alvo não são úteis. Evite esse erro trazendo uma equipe de IA no início do processo de aquisição de dados e permita que eles o ajudem a priorizar quais tipos de dados adquirir e salvar.

Criar efeito de rede e vantagens de plataforma: Finalmente, a IA também pode ser usada para construir fossos mais tradicionais. Por exemplo, plataformas com efeitos de rede são negócios altamente defensáveis. Eles geralmente têm uma dinâmica natural de “o vencedor leva tudo” que força as empresas a crescer rápido ou morrer. Se a IA permitir que você adquira usuários mais rapidamente do que seus concorrentes, ela poderá ser aproveitada para construir um fosso que seja defensável por meio da dinâmica da plataforma. Mais amplamente, você pode usar a IA como um componente-chave da estratégia de baixo custo, alto valor ou outras estratégias de negócios.

5. Desenvolva comunicações internas e externas

A IA afetará significativamente seus negócios. Na medida em que afeta seus principais interessados, você deve executar um programa de comunicação para garantir o alinhamento. Aqui está o que você deve considerar para cada público:

Relações com investidores: As principais empresas de IA, como Google e Baidu, agora são empresas muito mais valiosas, em parte por causa de seus recursos de IA e do impacto que a IA tem em seus resultados. Explicar uma tese clara de criação de valor para a IA em sua empresa, descrever seus crescentes recursos de IA e ter uma estratégia de IA ponderada ajudará os investidores a valorizar sua empresa adequadamente.

Relações Governamentais: Empresas em setores altamente regulamentados (carros autônomos, assistência médica) enfrentam desafios únicos para manter a conformidade. Desenvolver uma história de IA convincente que explique o valor e os benefícios que seu projeto pode trazer para um setor ou sociedade é um passo importante na construção de confiança e boa vontade. Isso deve ser combinado com comunicação direta e diálogo contínuo com os reguladores à medida que você lança seu projeto.

Educação do usuário: a IA provavelmente trará benefícios significativos para seus clientes, portanto, certifique-se de que as mensagens apropriadas de marketing e roteiro de produto sejam divulgadas.

Talento/Recrutamento: Devido à escassez de talentos de IA, uma marca forte do empregador terá um efeito significativo na sua capacidade de atrair e reter esse talento. Os engenheiros de IA querem trabalhar em projetos interessantes e significativos. Um esforço modesto para mostrar seus sucessos iniciais pode percorrer um longo caminho.

Comunicações Internas: Como a IA hoje ainda é pouco compreendida e a Inteligência Artificial Geral especificamente foi exagerada, há medo, incerteza e dúvida. Muitos funcionários também estão preocupados com o fato de seus empregos serem automatizados pela IA, embora isso varie muito de acordo com a cultura (por exemplo, esse medo aparece muito mais nos EUA do que no Japão). Comunicações internas claras, tanto para explicar a IA quanto para abordar as preocupações desses funcionários, reduzirão qualquer relutância interna em adotar a IA.

Uma nota histórica, importante para o seu sucesso

Compreender como a internet transformou as indústrias é útil para navegar na ascensão da IA. Há um erro que muitas empresas cometeram ao navegar na ascensão da internet que espero que você evite ao navegar na ascensão da IA.

Aprendemos na era da internet que: Shopping + Site ≠ empresa de internet

Mesmo que um shopping center construísse um site e vendesse coisas nele, isso por si só não transforma o shopping em uma verdadeira empresa de internet. O que define uma verdadeira empresa de internet é: você organizou sua empresa para fazer as coisas que a internet permite que você faça muito bem?

Por exemplo, empresas de internet se envolvem em testes A/B abrangentes, nos quais lançam rotineiramente duas versões de um site e mede qual funciona melhor. Uma empresa de internet pode até ter centenas de experimentos rodando ao mesmo tempo; isso é muito difícil de fazer com um shopping físico. As empresas de Internet também podem publicar um novo visual ou produto toda semana e, assim, aprender muito mais rápido do que um shopping center que atualiza seu design apenas uma vez por trimestre. As empresas de Internet têm descrições de cargos exclusivas para funções como gerente de produto e engenheiro de software, e essas funções têm fluxos de trabalho e processos exclusivos para o modo como trabalham em conjunto.

O aprendizado profundo, uma das áreas de IA que mais cresce, está mostrando paralelos com a ascensão da internet.

Hoje sabemos que: Qualquer empresa típica + tecnologia Deep Learning ≠ empresa de IA

Para que sua empresa se torne ótima em IA, você terá que organizá-la para fazer as coisas que a IA permite que você faça muito bem.

Para que sua empresa seja ótima em IA, você deve ter:

  • Recursos para executar sistematicamente vários projetos valiosos de IA: as empresas de IA têm tecnologia e talento terceirizados e/ou internos para executar sistematicamente vários projetos de IA que agregam valor direto ao negócio.
  • Compreensão suficiente da IA: Deve haver uma compreensão geral da IA, com processos apropriados para identificar e selecionar sistematicamente projetos valiosos de IA para trabalhar.
  • Direção estratégica: a estratégia da empresa está amplamente alinhada para ter sucesso em um futuro alimentado por IA.

Considerações finais

Um programa de transformação de IA pode levar de 2 a 3 anos, mas você deve esperar resultados concretos iniciais dentro de 6 a 12 meses. Ao investir em uma transformação de IA, você ficará à frente de seus concorrentes e aproveitará os recursos de IA para avançar significativamente em sua empresa.

Transformar sua empresa em uma empresa de IA é desafiador, mas viável com o apoio de bons parceiros.

Conte comigo em seus projetos. Sobre mim: aqui. Contato: aqui.

Um abraço, @neigrando

Referência

Este texto partiu do conteúdo traduzido e adaptado com base no post original em inglês “AI Transformation Playbook – How to lead your company into the AI era”-driven Strategy in Data and AI”, de Andrew Ng.

Artigos relacionados