Depois de ter empreendido em duas empresas de tecnologia, ao longo dos últimos 12 anos tenho contribuído com o ecossistema brasileiro de startups de diversas formas: participando como convidado em eventos, organizando o livro “Empreendedorismo Inovador: Como criar startups de tecnologia no Brasil”, provendo mentoria e consultoria de negócios para dezenas de startups e empresas, participando de outros livros e postando artigos neste blog.
No recente evento DeepCamp do IPT em parceria com o SEBRAE, a convite de Luciano Avallone, participei do painel sobre Modelos de Negócio DeepTech, moderado por Tatyane Sales num bate-papo junto com Jorge Pacheco (STATE) e Paula Lima (CIETEC).
No painel conversamos desde Proposição de Valor e outros elementos importantes a serem considerados em um modelo de negócios DeepTech, até questões sobre investimentos, laboratórios, inovação aberta na conexão de startups com empresas, propriedade intelectual (patente), licenciamento/transferência de tecnologia e legalização junto aos órgãos regulamentadores.
Este post é dedicado a cientistas, engenheiros, designers, empreendedores e investidores envolvidos com negócios DeepTech, bem como aos que administram laboratórios científicos/técnicos e incubadoras de empresas.
Image: Particle spin occurs in the subatomic world where the laws of quantum physics apply (*1)
O que é DeepTech?
O termo DeepTech, refere-se às startups cujo modelo de negócios é baseado em inovação de alta tecnologia em engenharia ou avanços científicos significativos. Envolve o aproveitamento de tecnologias maduras e emergentes para resolver os maiores problemas que o mundo enfrenta hoje, ao mesmo tempo em atua com objetivos de negócios arrojados e revigora cadeias de valor.
Deeptechs pesquisam, desenvolvem e implantam tecnologias de grande impacto e alto capital, como inteligência artificial, biologia sintética, computação quântica e realidade aumentada.
As tecnologias emergentes são muito promissoras, mas sem uma maneira de focar a tecnologia certa nos desafios mais urgentes, as empresas não podem obter todo o seu valor.
Vale observar que não existe uma tal “tecnologia profunda”, DeepTech trata-se uma abordagem habilitada pela orientação a problemas e a convergência de abordagens e tecnologias, impulsionada pelo ciclo de design-construção-teste-aprendizagem (DBTL – Design-Build-Test-Learn).
Como observou Clayton Christensen, que desenvolveu a teoria da tecnologia disruptiva, poucas tecnologias são intrinsecamente disruptivas ou sustentáveis em si mesmas; em vez disso, a solução e o modelo de negócios construído em torno ou por meio das tecnologias são disruptivos. A mesma ideia se aplica à DeepTech.
As DeepTechs questionam barreiras básicas, obstáculos e pontos cegos na abordagem atual para a solução de problemas. Elas contam com tecnologias emergentes enraizadas na ciência e engenharia avançada que oferecem avanços significativos em relação às tecnologias estabelecidas. Na verdade, aproximadamente 70% dos empreendimentos DeepTech possuem patentes que cobrem a tecnologia que usam, e geralmente exigem pesquisa e desenvolvimento (P&D) e engenharia significativos antes que as empresas possam trazer soluções práticas de negócios ou de consumo do laboratório para o mercado e usá-las para resolver problemas fundamentais.
Atributos complementares dos empreendimentos DeepTechs
São orientados para o problema. Concentram-se em resolver problemas grandes e fundamentais, como fica claro pelo fato de que 97% dos empreendimentos DeepTech contribuem para pelo menos uma das metas de desenvolvimento sustentável da ONU.
Atuam na convergência de tecnologias. Por exemplo, 96% dos empreendimentos DeepTech usam pelo menos duas tecnologias e 66% usam mais de uma tecnologia avançada. Cerca de 70% dos empreendimentos de tecnologia profunda possuem patentes em suas tecnologias.
Desenvolvem principalmente produtos físicos, em vez de software. De fato, 83% dos empreendimentos DeepTech estão envolvidos na construção de um produto físico. Eles estão mudando a equação da inovação de bits para bits e átomos, trazendo o poder dos dados e da computação para o mundo físico.
Estão no centro de um ecossistema DeepTech. Cerca de 1.500 universidades e laboratórios de pesquisa estão envolvidos em DeepTech, e empreendimentos DeepTech receberam cerca de 1.500 doações de governos somente em 2018.
Ecossistema DeepTech
Na imagem que segue pode-se observar que no ecossistema DeepTech cada participante contribuindo com valor.
A Quarta Onda de Inovação
A primeira onda de inovação empresarial moderna começou no século XIX e início do século XX com avanços como o processo Bessemer para fabricação de aço e o processo Haber-Bosch para fabricação de amônia.
Após a Segunda Guerra Mundial, a segunda onda de inovação empresarial moderna – a revolução da informação – deu origem à P&D de grandes empresas, particularmente nos setores de TIC e farmacêutico. Bell Labs, IBM e Xerox PARC tornaram-se nomes conhecidos e oficinas do Prêmio Nobel. Só a Merck lançou sete novos medicamentos importantes durante a década de 1980.
Na onda seguinte, a revolução digital – dois caras em uma garagem (ou um dormitório de Harvard) – liderou a carga de inovação, resultando na ascensão do Vale do Silício e, mais tarde, da Costa Dourada da China como centros globais de tecnologia de computação e comunicação e crescimento econômico. Ao mesmo tempo, o novo campo da biotecnologia, também impulsionado por empreendedores, alimentou grande parte da inovação em produtos farmacêuticos.
A onda agora tomando forma à medida que as barreiras mais antigas à inovação desmoronam abraça um novo modelo e promete ampliar e aprofundar radicalmente a inovação em todos os setores de negócios.
O poder crescente e o custo decrescente da computação e o aumento das plataformas de tecnologia são os contribuintes mais importantes. A computação em nuvem está melhorando constantemente o desempenho e expandindo a amplitude de uso. As biofundições estão se tornando para a biologia sintética o que a computação em nuvem já é para a computação. Plataformas semelhantes estão surgindo em materiais avançados (Kebotix e VSPARTICLE são dois exemplos).
Enquanto isso, os custos continuam caindo, incluindo aqueles relacionados a equipamentos, tecnologia e acesso à infraestrutura.
O uso crescente de padrões, kits de ferramentas e uma abordagem aberta à inovação, juntamente com a disponibilidade cada vez maior de informações e dados, também está desempenhando um papel importante.
Alimentando a Grande Onda: A Abordagem da Deep Tech
Os empreendimentos de tecnologia profunda bem-sucedidos contam com uma abordagem tripla
Eles usam a orientação para problemas para identificar oportunidades e navegar e dominar a complexidade.
As convergências de abordagens e de tecnologias potencializam a inovação, ampliam o espaço de opções e resolvem problemas para os quais não existiam soluções anteriormente.
O ciclo de projeto-construção-teste-aprendizagem (DBTL) reduz os riscos e acelera o desenvolvimento do produto e o tempo de comercialização.
As DeepTechs vivem na convergência de três abordagens
A convergência de tecnologias abre novas oportunidades
Draft de um canvas de Modelo de Negócios DeepTech genérico
Aqui vale lembrar que um modelo de negócios em sua essência deve comunicar de forma sintética como a organização cria, entrega e captura valor. Considera-se que deve acompanhar um plano estratégico bem elaborado, que fará parte de um Plano de Negócios, e que os slides de um pitch devem conter um belo resumo deste plano.
Observação: Cada Negócio DeepTech provavelmente será único, com um modelo de negócios apropriado a ser desenhado de forma apropriada para representá-lo.
Considerações finais
O objetivo deste post foi o de fornecer um resumo introdutório ao tema DeepTech e apresentar uma ideia de sua abrangência. Vide abaixo, links para mais artigos relacionados com empreendedorismo inovador.
Este post foi elaborado a partir de uma tradução adaptada e resumida de um um relatório da consultoria BCG “Deep Tech and the Great Wave of Innovation”, by Antoine Gourevitch, Massimo Portincaso, Arnaud de la Tour, Nicolas Goeldel, and Usman Chaudhry.
Outras referências consideradas neste post:
Livro: “Empreendedorismo Inovador: Como Criar Startups de Tecnologia no Brasil”, 25 autores, Editora Évora.
As inovações de IA continuam a oferecer grandes benefícios aos negócios e as taxas de adoção vão acelerar nos próximos anos. Veja as perspectivas e o impacto.
Este é um artigo um tanto técnico, voltado para líderes e gestores organizacionais envolvidos com a área de Tecnologia da Informação (TI) e Inteligência Artificial (IA).
O Gartner Hype Cycle™ 2022 for Artificial Intelligence (AI) identifica inovações obrigatórias em tecnologia e técnicas de IA que vão além da IA cotidiana que já está sendo usada para adicionar inteligência a aplicativos de negócios, dispositivos e ferramentas de produtividade anteriormente estáticos.
“Notavelmente, o AI Hype Cycle está cheio de inovações que devem gerar benefícios altos ou mesmo transformacionais”, diz Afraz Jaffri, analista diretor do Gartner. “Preste atenção especial às inovações que devem atingir a adoção geral em dois a cinco anos, incluindo IA composta, inteligência de decisão e IA de ponta. A adoção antecipada dessas inovações pode gerar uma vantagem competitiva e valor comercial significativos e aliviar os problemas associados à fragilidade dos modelos de IA”.
As inovações de IA se dividem em quatro categorias
Espera-se que a ampla gama de inovações de IA impacte pessoas e processos dentro e fora de um contexto empresarial, tornando-os importantes para muitas partes interessadas, desde líderes de negócios até equipes de engenharia corporativas encarregadas de implantar e operacionalizar sistemas de IA.
Os líderes de dados e análises (D&A) têm mais a ganhar, no entanto, ao usar a perspectiva do Hype Cycle para elaborar suas estratégias de IA para o futuro e usar tecnologias que oferecem alto impacto no presente.
As inovações de IA no Hype Cycle refletem prioridades complementares e às vezes conflitantes em quatro categorias principais:
IA centrada em dados
IA centrada em modelos
IA centrada em aplicativos
IA centrada no ser humano
IA centrada em dados
A comunidade de IA tradicionalmente se concentra em melhorar os resultados das soluções de IA ajustando os próprios modelos de IA, mas a IA centrada em dados muda o foco para aprimorar e enriquecer os dados usados para treinar os algoritmos.
Ao abordar as considerações de dados específicas de IA, a IA centrada em dados interrompe o gerenciamento de dados tradicional, mas as organizações que investem em IA em escala evoluirão para preservar ideias clássicas de gerenciamento de dados e ampliá-las para IA de duas maneiras:
Adicione recursos necessários para o desenvolvimento conveniente de IA por um público focado em IA que não está familiarizado com o gerenciamento de dados.
Use a IA para melhorar e aumentar os clássicos eternos de governança de dados, persistência, integração e qualidade de dados.
As inovações em IA centrada em dados incluem dados sintéticos, grafos de conhecimento, rotulagem de dados e anotações.
Dados sintéticos, por exemplo, são uma classe de dados que são gerados artificialmente em vez de obtidos de observações diretas do mundo real. Os dados podem ser gerados usando diferentes métodos, como amostragem estatisticamente rigorosa de dados reais, abordagens semânticas e redes adversárias generativas ou criando cenários de simulação onde modelos e processos interagem para criar conjuntos de dados de eventos completamente novos.
A adoção está aumentando em vários setores, juntamente com o uso em aplicativos de visão computacional e linguagem natural, mas o Gartner prevê um aumento maciço na adoção de dados sintéticos:
Evita usar informações de identificação pessoal ao treinar modelos de machine learning (ML) por meio de variações sintéticas de dados originais ou substituição sintética de partes de dados
Reduz custos e economiza tempo no desenvolvimento de ML, pois é mais barato e mais rápido de obter
Melhora o desempenho de ML à medida que mais dados de treinamento levam a melhores resultados de treinamento
IA centrada em modelos
Apesar da mudança para uma abordagem centrada em dados, os modelos de IA ainda precisam de atenção para garantir que os resultados continuem a nos ajudar a tomar ações melhores. As inovações aqui incluem IA informada por física, IA composta, IA causal, IA generativa, modelos básicos e aprendizado profundo.
A IA composta refere-se à fusão de diferentes técnicas de IA para melhorar a eficiência do aprendizado e ampliar o nível de representações do conhecimento. Como nenhuma técnica de IA é uma solução mágica, a IA composta fornece uma plataforma para resolver uma ampla gama de problemas de negócios de maneira mais eficaz.
Espera-se que alcance a adoção geral em dois a cinco anos, os benefícios comerciais da IA composta provavelmente serão transformacionais, permitindo novas maneiras de fazer negócios em todos os setores que resultarão em grandes mudanças na dinâmica do setor. Por exemplo, a IA composta:
Leva o poder da IA a um grupo mais amplo de organizações que não têm acesso a grandes quantidades de dados históricos ou rotulados, mas têm experiência humana significativa
Ajuda a expandir o escopo e a qualidade dos aplicativos de IA (ou seja, mais tipos de desafios de raciocínio podem ser incorporados)
AICausal inclui diferentes técnicas, como gráficos causais e simulação, que ajudam a descobrir relações causais para melhorar a tomada de decisões. Embora leve de 5 a 10 anos para que a IA causal alcance a adoção geral, espera-se que os benefícios de negócios sejam altos – permitindo novas maneiras de realizar processos horizontais ou verticais que resultarão em aumento significativo de receita ou economia de custos para uma empresa. Os benefícios causais da IA incluem:
Eficiências ao adicionar conhecimento de domínio a modelos de IA causais de bootstrap com conjuntos de dados menores
Maior aumento de decisão e autonomia em sistemas de IA
Melhor explicabilidade ao capturar relações de causa e efeito fáceis de interpretar
Mais robustez e adaptabilidade ao alavancar relações causais que permanecem válidas em ambientes em mudança
Redução do viés nos sistemas de IA, tornando os vínculos causais mais explícitos
IA centrada em aplicativos
As inovações aqui incluem engenharia de IA, inteligência de decisão, sistemas operacionais de IA, ModelOps, serviços de IA em nuvem, robôs inteligentes, processamento de linguagem natural (NLP), veículos autônomos, aplicativos inteligentes e visão computacional.
Espera-se que a inteligência de decisão e a IA de ponta alcancem a adoção geral em dois a cinco anos e tenham benefícios comerciais transformacionais.
A inteligência de decisão é uma disciplina prática usada para melhorar a tomada de decisões ao entender e projetar explicitamente como as decisões são tomadas e como os resultados são avaliados, gerenciados e aprimorados por meio de feedback.
A inteligência de decisão ajuda a:
Reduzir a dívida técnica e aumentar a visibilidade e melhorar o impacto dos processos de negócios, aprimorando materialmente a sustentabilidade dos modelos de decisão das organizações com base no poder de sua relevância e na qualidade de sua transparência, tornando as decisões mais transparentes e auditáveis
Reduzir a imprevisibilidade dos resultados das decisões capturando e contabilizando adequadamente os fatores de incerteza no contexto de negócios e tornando os modelos de decisão mais resilientes
Edge AI refere-se ao uso de técnicas de IA incorporadas em terminais, gateways e servidores de borda da Internet das Coisas (IoT), em aplicativos que variam de veículos autônomos a análises de streaming. Os benefícios empresariais incluem:
Eficiência operacional aprimorada, como sistemas de inspeção visual de fabricação
Experiência aprimorada do cliente
Redução da latência na tomada de decisões, com o uso de análises locais
Redução de custos de conectividade, com menos tráfego de dados entre a borda e a nuvem
Disponibilidade de solução persistente, independentemente da conectividade de rede
IA centrada no ser humano
Esse grupo de inovações inclui confiança em IA, gerenciamento de risco e segurança (TRiSM), IA responsável, ética digital e kits de criação e ensino de IA.
Quando a IA substitui as decisões humanas, ela amplifica resultados bons e ruins. A IA responsável permite os resultados certos ao resolver dilemas enraizados na entrega de valor versus tolerar riscos. IA responsável é um termo abrangente para aspectos de fazer escolhas éticas apropriadas aos negócios ao adotar a IA, incluindo valor comercial e social, risco, confiança, transparência, justiça, mitigação de preconceitos, explicabilidade, responsabilidade, segurança, privacidade e conformidade regulatória. A IA responsável levará de 5 a 10 anos para alcançar a adoção geral, mas terá um impacto transformacional nos negócios.
A ética digital é uma tendência de curto prazo (dois a cinco anos) que provavelmente terá um alto impacto nos negócios. A ética digital compreende os sistemas de valores e princípios morais para a condução das interações eletrônicas entre pessoas, organizações e coisas. Essas questões, especialmente no que se refere à privacidade e preconceito, continuam sendo motivo de preocupação para muitos. As pessoas, cada vez mais conscientes de que suas informações são valiosas, ficam frustradas com a falta de transparência, uso indevido e violações. As organizações estão agindo para mitigar os riscos em torno do gerenciamento e da proteção de dados pessoais, enquanto os governos estão implementando uma legislação mais rígida.
Muitas organizações ainda ignoram a ética digital, porque acham que ela não se aplica ao seu setor ou domínio, mas o Gartner prevê que até 2024, 30% das grandes organizações usarão uma nova métrica de “voz da sociedade” para atuar em questões sociais e avaliar o impacto no desempenho de seus negócios. As organizações precisarão integrar a ética digital em suas estratégias de IA para reforçar sua influência e reputação entre clientes, funcionários, parceiros e sociedade.
Resumidamente
O Gartner Hype Cycle™ de 2022 para Inteligência Artificial apresenta inovações “imperdíveis” que devem gerar amplos benefícios para qualquer organização.
Essas inovações vão além das técnicas cotidianas de IA já usadas para adicionar inteligência a aplicativos de negócios, dispositivos e ferramentas de produtividade anteriormente estáticos.
Preste atenção antecipada às inovações que devem atingir a adoção geral em dois a cinco anos, incluindo IA composta, inteligência de decisão e IA de ponta.
Referência
Traduzido e levemente adaptado de What’s New in Artificial Intelligence from the 2022 Gartner Hype Cycle, by Jackie Wiles – Gartner, 2022.
Sou pesquisador do Núcleo Decide pela FEA-USP / CNPq, onde desde 2020 estamos pesquisando sobre o uso da inteligência artificial na tomada de decisões das organizações, e professor da disciplina Fundamentos da Inteligência Artificial na pós-graduação da ESPM. Nesse sentido, os temas sobre tomada de decisão, estratégia, inovação, marketing e inteligência artificial fazem parte do meu escopo de pesquisa, estudo, ensino e consultoria.
Ao pesquisar sobre estes temas, encontrei o artigo “Artificial Intelligence (AI) in Strategic Marketing Decision-Making: A research agenda”, de Merlin Stone e outros autores, vide referência, o qual traduzi, resumi e adaptei, como segue. Acredito que o texto pode ser útil a todo gestor de marketing que queira ser mais orientado a dados em suas decisões e deseje utilizar a IA como aliada na busca por agilidade e resultados melhores em suas atividades.
Introdução
Este artigo enfoca a evolução da prática de marketing e, em particular, a possível aplicação da inteligência artificial (IA) à tomada de decisões estratégicas de marketing.
A fronteira entre humanos e computadores na tomada de decisões está mudando. Hoje, a IA é cada vez mais implantada em operações de marketing, por exemplo, identificação de riscos, gerenciamento de resposta do centro de contato, bem como em publicidade de marketing, incluindo análise e direcionamento de clientes, design e seleção de publicidade para corresponder aos clientes-alvo, precificação para maximizar o rendimento de clientes individuais. Num futuro próximo, espera-se que a IA seja empregada na tomada de decisões estratégicas, por exemplo, quais modelos de negócios usar, quais estratégias seguir, quais mercados segmentar, quais produtos comercializar, quais canais de comunicação e distribuição usar, quais estratégias de preços e posicionamento competitivo seguir etc. No entanto, o uso da IA na estratégia de marketing não tem sido muito discutido no domínio público. Contatos com a indústria indicam que algumas empresas avançaram muito nessa área, mas esses projetos são mantidos em sigilo e tratados como fonte de vantagem competitiva.
Ressalta-se, neste ponto, que o foco não está na substituição da tomada de decisão humana nas decisões estratégicas, mas na criação de um mecanismo de tomada de decisão de maior qualidade, usando IA, para que os profissionais de marketing tenham acesso a informações mais rápidas, completas e opções mais elaboradas para escolher e a criação do quadro teórico associado.
Hoje a IA é vista principalmente como um suporte às grandes decisões de negócios e não como um tomador de decisão – exceto em alguns casos operacionais, mas atribuem isso ao fato de que a IA atualmente constituída é relativamente fraca, em comparação com o que será a forte IA do futuro.
Este artigo tem como perspectiva negócios business-to-consumer (B2C) e das empresas que vendem aos consumidores através de outros negócios (conhecidos como B2B2C).
Os benefícios
Espera-se que os benefícios da aplicação da IA à tomada de decisões estratégicas de marketing incluam:
Maior velocidade de tomada de decisão, especialmente em resposta à disponibilidade de novos dados ou ameaças competitivas emergentes, permitindo que as empresas capturem os benefícios de posições de mercado mais fortes mais cedo.
Identificação de dados perdidos.
Aumento da racionalidade, particularmente por meio da remoção ou redução do viés cognitivo por parte dos tomadores de decisão.
Criação de uma base comum para a tomada de decisões.
Incorporação do aprendizado da experiência.
Maior qualidade na gestão dos projetos de marketing.
Exemplos de aplicação
Existem maneiras pelas quais a IA pode ser usada em diferentes áreas de tomada de decisão e planejamento de marketing. Nem sempre há uma separação clara entre estratégia de marketing e estratégia de negócios. Tampouco há uma separação clara entre a estratégia geral de marketing e a estratégia para os diferentes elementos do mix de marketing. Por exemplo, as decisões sobre os canais de marketing têm aspectos estratégicos, bem como aspectos táticos, principalmente porque as abordagens digitais alteram o equilíbrio entre os canais e os papéis que os diferentes canais desempenham. Essas decisões podem afetar todos os aspectos do marketing.
Segue uma amostra de possíveis mudanças que o digital fez em diferentes atividades de marketing, pois a digitalização do marketing é uma pré-condição para que os dados sejam disponibilizados para a IA, e exemplos de possíveis implantações da IA. São considerados a IA no Marketing Estratégico, a IA no Mix de Marketing e a IA na Gestão do Marketing, com diversos subtópicos.
IA no Marketing Estratégico
Estratégia geral – mercados-alvo, mix de marketing para cada um, objetivos, KPIs, metas etc.
Permite que as informações para a tomada de decisões sejam reunidas e automatizadas rapidamente, e os resultados de diferentes estratégias sejam analisados mais rapidamente para que a estratégia possa ser revisada em uma abordagem de experimentação com testes e aprendizado.
Exemplos:
Avaliando rapidamente diferentes resultados com base em estratégias alternativas.
Auxiliando na tomada de decisões rápidas para escolher aquelas com maior probabilidade de produzir melhores resultados.
Modelo de negócio de gestão de clientes
Refere-se a quais clientes a empresa deseja adquirir, reter, desenvolver (up-sell e cross-sell) e alienar, com quais receitas e custos resultantes, para atingir seus objetivos estratégicos, em vez de atender às metas de determinados elementos do mix de marketing isoladamente.
Exemplos:
Usando tecnologia como aprendizado de máquina para ajudar a “alcançar” públicos semelhantes.
Quantificando e explorando as consequências de diferentes modelos de negócios.
Marca geral e proposta
Dependendo se a empresa está envolvida em muitos tipos diferentes de produtos e mercados, pode se aplicar a toda a empresa ou a partes dela, mas em um nível mais alto do que produtos e serviços individuais – com diferentes abordagens de marca adotadas em diferentes canais.
Exemplo:
Identificando resultados de investimentos de marca, recomendando investimentos futuros e estratégia de canal.
Desenvolvimento de novas fontes de receita
Refere-se ao desenvolvimento de receita usando uma forma ou a introdução de um novo produto ou serviço que é, de alguma forma, diferente das formas existentes – pode envolver qualquer ou todos os elementos do mix de marketing e diferentes mercados.
Exemplo:
Identificando fluxos de receita para a base de clientes existente e para novos mercados para acelerar o lançamento.
Gestão de ecossistemas, parcerias, terceirização e redefinição da cadeia de valor
Como empresas e parceiros (fornecedores e fabricantes), que trabalham em estreita colaboração, são organizados para garantir que a estratégia geral de marketing (e negócios) da empresa seja desenvolvida e entregue, e como os ganhos de trabalhar juntos são compartilhados.
Exemplo:
Identificando as partes mais produtivas do ecossistema e as lacunas no desenvolvimento do ecossistema.
Estratégia competitiva – quem são os principais concorrentes, visando a vitória e a defesa
Como os concorrentes diretos e indiretos são identificados, suas estratégias descobertas e compreendidas e como a empresa cria estratégias para evitar, sempre que possível, os efeitos negativos da concorrência.
Exemplo:
Identificando sinais fracos de concorrência iminente.
Identificando pontos fracos na estratégia própria e da concorrência.
Gestão de recursos
Permite que os custos e benefícios gerais de diferentes estratégias sejam medidos e analisados mais rapidamente para ajustar os recursos – nos períodos de pico de demanda.
Exemplo:
Analisando os dados para identificar riscos, recompensas e resultados/ possíveis cenários de planejamento.
IA no Mix de Marketing
Marca
O lócus das marcas de muitas empresas mudou do mundo real para o virtual, com muitas marcas de muitas outras sendo fortemente afetadas pelo que se fala sobre elas no mundo virtual.
Exemplos:
Acompanhando a mudança da imagem da marca usando evidências da web, principalmente das mídias sociais.
Encontrando evidências das causas da mudança de marca e perda de participação de mercado.
Produtos
A entrada do cliente no design do produto (design colaborativo) pode ser obtida muito mais rapidamente.
Os clientes podem projetar seus próprios produtos com mais facilidade. Os projetos podem ser testados e revisados mais rapidamente, enquanto os problemas podem ser identificados e corrigidos com mais rapidez e facilidade usando uma variedade de canais digitais e ferramentas de colaboração.
Exemplos:
Sintetizando a entrada de clientes.
Simulando resultados de novos designs de produtos de formulações.
Proposição
A proposta pode ser mais sintonizada com os mercados-alvo e o envolvimento dos clientes com diferentes propostas podem ser entendidos mais rapidamente, com alterações iterativas feitas e testadas para obter mais feedback.
Exemplo:
Identificando quais proposições funcionam melhor por meio de feedback e testes do cliente.
Preço
Os preços podem ser adaptados mais facilmente para diferentes clientes. O gerenciamento de rendimento pode ser aplicado em novas áreas.
Exemplo:
Redefinindo as estratégias de preços com base nos resultados de diferentes abordagens de gerenciamento de rendimento.
Publicidade
A publicidade em site/mobile/digital está gradualmente usurpando a publicidade em mídia física convencional, permitindo maior rastreabilidade e melhor avaliação do retorno do investimento. Isso está levando a uma indefinição da distinção entre publicidade digital e outros métodos de comunicação de marketing. A automação aplicada à publicidade por meio de abordagens programáticas e semelhantes está aumentando muito a oportunidade de aplicar abordagens de IA.
Exemplo:
Escolha/design de textos, imagens e vídeos para atender segmentos de mercado e indivíduos em diferentes canais e plataformas.
Marketing direto
O marketing direto se expandiu para fora da mídia convencional de correio e telefone para incluir praticamente todas as comunicações de marketing, especialmente digital e CRM, de modo que de alguma forma aparece em todo o marketing, seja iniciado pela empresa ou seus clientes. As indicações, sempre valiosas, se transformaram em recomendações para muitas empresas.
Exemplo:
Escolhendo qual forma/combinações de tipos de contato/canais/conteúdo que é apropriado para diferentes mercados-alvo e indivíduos.
Venda pessoal
A venda pessoal agora tem um suporte de informações muito mais forte, enquanto sistemas aprimorados de gerenciamento de vendas, às vezes integrados a sistemas de gerenciamento de resposta, permitem direcionamento, prospecção e gerenciamento de clientes e prospects muito mais eficazes.
Exemplos:
Fornecendo resposta personalizada aos indivíduos.
Analisando os resultados.
Recomendando diferentes maneiras de personalizar.
Relações públicas
O boca a boca eletrônico está substituindo a exposição na mídia convencional, não apenas por meio de redes sociais, mas por todos os aspectos do diálogo na web e em dispositivos móveis – e muitas vezes se desenvolvendo rapidamente e em tempo real. Em alguns setores, as avaliações online tornaram-se críticas para determinar se um produto será vendido, enquanto os influenciadores sociais se tornaram uma parte muito importante do marketing em alguns setores, como viagens, roupas, cosméticos e automotivo.
Exemplo:
Identificando padrões de boca a boca, razões para eles, ações sugeridas e sentimento subjacente.
Promoção de vendas
A eficácia das promoções de vendas pode ser avaliada muito mais rapidamente do que nunca, enquanto os canais online facilitam a distribuição de incentivos de compra como cupons, descontos e outros incentivos.
Exemplos:
Identificando quais promoções funcionam melhor e mais rapidamente com quais clientes/segmentos de mercado.
Identificando quais ofertas devem ser usadas e quando.
Conteúdo
O aumento do número de canais e a importância dos conteúdos (texto, áudio, imagem, vídeo) na persuasão e influência dos clientes tem vindo a destacar-se, sobretudo pela possibilidade de personalizar todo o tipo de conteúdo para segmentos de mercado e agora clientes individuais, suportado pela capacidade de pesquisar, classificar e analisar todos os tipos de conteúdo. O rápido aumento do conteúdo de vídeo, facilitado por melhorias significativas na largura de banda móvel, com mais vindo com o advento do 5G, é um desafio e uma oportunidade, multiplicado pelo uso de mensagens para comunicar conteúdo. A realidade estendida (virtual e aumentada) está mudando a abordagem do conteúdo, permitindo a combinação de experiências reais e digitais. A narrativa de marcas e produtos está sendo muito mais usada, em parte porque suporta o desenvolvimento de conteúdo muito mais rico que pode ser usado em todos os canais de comunicação. No entanto, uma questão que permanece controversa é até que ponto o uso da IA pode apoiar e incentivar a criatividade e aumentar os retornos dela.
Exemplos:
Servindo conteúdo para os clientes e prospects certos no momento certo e analisar os resultados de servi-lo.
Personalizando o conteúdo para segmentos e clientes-alvo.
Gestão de clientes (aquisição, retenção, desenvolvimento, atendimento ao cliente, experiência do cliente)
Como o estoque do cliente é construído para produtos específicos ou grupos deles, desde as metas estabelecidas até as técnicas usadas para alcançar os resultados desejados e acompanhar o cumprimento do compromisso e das promessas do cliente após a transação.
Exemplos:
Otimizando os níveis de estoque em tempo real e ajudando o cliente a reagir à demanda de diferentes segmentos.
Automatizando a interação com o cliente (bots)
Distribuição
A web tornou-se um canal de distribuição muito importante para muitos produtos e serviços baseados em informação, bem como alguns produtos físicos e, em muitos mercados, o canal dominante para comunicação de marketing, de modo que as decisões de distribuição e comunicação ficam intimamente ligadas uma à outra, com os clientes que procuram uma resposta imediata às suas solicitações, ou um método simples para comprar quando estiverem prontos.
Exemplos:
Otimizando canais.
Identificando canais ausentes.
Melhorando os tempos de transação e agilize o atendimento.
IA na Gestão do Marketing
Pessoas
Os profissionais de marketing, vendas e serviços podem ser muito mais bem informados sobre o que precisam saber para vender e comercializar melhor, e os resultados de seu trabalho podem ser obtidos e distribuídos com mais facilidade. Eles também podem se beneficiar profissionalmente com mais treinamento em novas ferramentas de marketing digital e como aplicar a tecnologia pessoalmente.
Exemplos:
Identificando quais informações devem ser usadas para apoiar diferentes tipos de decisão.
Identificando onde os gerentes não estão usando as informações corretas, não têm acesso às informações corretas ou estão interpretando erroneamente as informações que possuem.
Fornecendo ferramentas e estruturas para melhor usar as oportunidades criadas pela nova tecnologia de IA.
Análise de marketing
Usar os enormes volumes de dados agora disponíveis para algumas empresas e clientes cada vez mais impacientes por respostas rápidas visando mensagens de saída e resposta rápida a mensagens de entrada pode ser muito mais preciso e oportuno. O tempo tornou-se extremamente importante para capturar a intenção de compra, pois os clientes podem estar no mercado por um período muito curto, pois fazem suas comparações e chegam a suas conclusões usando as montanhas de conteúdo disponíveis das empresas e de seus concorrentes.
Exemplo:
Acelerando a análise e sua aplicação – tanto do ponto de vista interno “reativo” quanto do ponto de vista dos clientes que acessam informações relevantes para uma compra.
Pesquisa de mercado
A pesquisa de mercado está cada vez mais on-line, enquanto a obtenção de informações de feedback iniciado pelo cliente e análise de sentimentos (com as permissões apropriadas) estão fornecendo uma nova fonte de informações aos profissionais de marketing sobre como seus clientes atuais e potenciais pensam, sentem e agem.
Exemplos:
Obtendo e analisando de conjuntos de dados maiores.
Analisando resultados de pesquisas, especialmente quando combinados em diferentes estudos.
Segmentação de mercado
Devido à sua crescente complexidade, a segmentação de mercado está se tornando cada vez mais automatizada. Os resultados de mudanças recentes nas metas e implantação de diferentes elementos do mix de marketing para produzir taxas de resposta e vendas adequadas.
Exemplo:
A IA pode ajudar com uma segmentação mais precisa, inclusive permitindo mudanças em tempo real na estratégia.
Dados e sistemas
Os processos de marketing podem ser migrados para os sistemas, cada vez mais rodando na “nuvem” e permitindo que o marketing e a equipe colaborem e melhorem sua eficácia e velocidade de processos como fluxo de trabalho e gerenciamento de projetos. Os sistemas permitem um acesso muito melhor aos dados necessários para a tomada de decisões, desde sobre clientes individuais até decisões estratégicas e, em seguida, para medição, revisão e cálculo do retorno do investimento. A personalização e o marketing baseado em localização deixaram de se tornar palavras de ordem e passaram a ser negócios de rotina para as equipes de marketing mais eficazes. No entanto, eles representam riscos de privacidade significativos, pois os requisitos de proteção de dados se tornaram um foco central para o gerenciamento de marketing. Enquanto isso, os requisitos de integração de dados de diferentes fontes para maximizar a eficácia do marketing, particularmente a integração de suas plataformas de gerenciamento de dados (sistemas centralizados para coletar e analisar grandes conjuntos de dados de fontes diferentes) com suas plataformas de demanda (sistemas que permitem aos compradores de publicidade digital coordenarem suas atividades, incluindo licitações) são essenciais para acompanhar os concorrentes.
Exemplos:
Identificando oportunidades para melhorar os retornos da implantação de sistemas.
Identificando novas maneiras de acelerar o fluxo de trabalho e uma colaboração para auxiliar no desenvolvimento da velocidade de lançamento no mercado e maior conformidade.
Gerenciamento de recursos de marketing
A automação de marketing permite que os processos de marketing sejam gerenciados de forma mais eficaz, pois o retorno do investimento para diferentes despesas de marketing é calculado e previsto com mais precisão do que os canais tradicionais.
A otimização do gerenciamento de recursos é fundamental com os negócios sendo mais esticados do que nunca por um mercado hipercompetitivo.
Gerenciamento de conteúdo
Gerenciar o crescente volume e variedade de conteúdo requer a manutenção de vários sistemas, e personalizar constantemente o conteúdo para as necessidades e casos de uso de situações específicas é particularmente importante, dada a crescente possibilidade de expor o cliente errado ao conteúdo errado.
A correspondência de conteúdo com o cliente final certo (no momento certo) usa significativamente mais recursos de marketing, portanto, o retorno do custo adicional de melhoria do gerenciamento de conteúdo deve ser medido e aplicado.
Exemplos:
Otimizando para clientes individuais.
Disponibilizando ferramenta que agiliza a entrega de conteúdos e melhora a sua otimização.
Gerenciando pessoas de marketing
Isso está relacionado a como os profissionais de marketing são recrutados, treinados, desenvolvidos, direcionados e avaliados como profissionais de marketing. Isso é particularmente importante em um cenário de tecnologia digital em rápida mudança, que exige um conjunto de habilidades totalmente novo dos canais e disciplinas tradicionais de marketing.
Exemplo:
Identificando os profissionais de marketing mais produtivos e auxiliando na resolução de problemas associados à tomada de decisão de outros.
Modelo operacional de marketing
Com a digitalização, o modelo operacional de marketing está mudando. Um dos melhores exemplos disso é o surgimento da publicidade programática, que está ajudando as empresas que usam a tecnologia a ir além do gerenciamento manual da publicidade para usar a tecnologia para alcançar o nirvana de atribuir o valor correto às diferentes intervenções publicitárias, dada a posse e uso das ferramentas de análise certas para alcançar o público-alvo certo automaticamente.
Exemplo:
Otimizando o funcionamento eficiente do modelo, incluindo o uso de aprendizado de máquina para tomar decisões em tempo real sobre públicos e níveis de investimento apropriados.
Finanças de marketing
É essencial identificar de onde vêm a receita e o lucro crucial ao operar em um complexo negócio multicanal e multiproduto/serviço. Dada a redução das barreiras à entrada online, a crescente velocidade de mudança no mercado, para garantir que um negócio está agindo de forma sustentável é preciso apurar muito mais rapidamente. Novas medidas estão sendo usadas, não apenas as financeiras clássicas, que levam em conta, abordagens de portfólio e tração digital.
Exemplo:
Identificando os retornos com precisão com mais rapidez e imparcialidade do que a análise humana.
Considerações Finais
O uso da IA em Marketing aos poucos tem evoluído de operacional para tático e estratégico. Gestores de marketing precisam acompanhar esta evolução, assim como a evolução do marketing tradicional com o digital, e a orientação de suas decisões por dados.
Este post trata-se de uma tradução reduzida e adaptada do artigo acadêmico original (em inglês): “Artificial Intelligence (AI) in Strategic Marketing Decision-Making: A research agenda”, por Merlin Stone, Eleni Aravopoulou, Yuksel Ekinci, e outros autores – de 2020.
Blog do Nei 