Data Science Advisory
Quer inovar ou solucionar problemas com ciência de dados em sua organização e não sabe como? Use nosso passo-a-passo.
Data science pode responder muitas questões, antecipar tendências e problemas antes que aconteçam. Pode evoluir previsões, otimizar reposição e estoques, estimar o crescimento de mercado, analisar curvas de vendas, sugerir mix de produtos ótimos, segmentar e classificar automaticamente clientes e produtos ou ainda otimizar campanhas de marketing, planos de produção e logística.
Mas, como começar essa jornada? Nosso primeiro passo para ajudá-lo é mergulhar em sua organização, entendendo quais são os principais desafios de negócio e seu nível de maturidade nas dimensões de tecnologia e ciência de dados. Nosso serviço de advisory aporta metodologia e nossa experiência em ciência de dados, você entra com sua experiência nos negócios para entendermos juntos quais dos seus desafios poderiam ser alavancados com os dados hoje disponíveis na sua empresa. Juntos, construimos um programa, um roadmap de evolução, alinhado, consensual, consistente e de impacto.
- Negócio: entramos na operação do seu negócio para levantar o real benefício econômico/financeiro de cada oportunidade listada. Além disso, identificamos a complexidade e o esforço para abordar cada desafio nas dimensões processos, estrutura e pessoas;
- Tecnologia: além da dimensão negócio, nos identificamos a complexidade da mudança tecnológica em infraestrutura, arquitetura e aplicações necessárias para abordar cada um dos desafios de negócio mapeados;
- Ciência de dados: por fim, identificamos quais são os dados, sua disponibilidade, qualidade, volume, bem como qual é a experiência organizacional para atacarmos cada oportunidade.
Como resultado, geramos um mapa de oportunidades com avaliação de esforço (eixo x), impacto (eixo y) e investimento (tamanho) em diferentes áreas da organização (cor):
Cada uma destas oportunidades é detalhada em uma ficha de oportunidade, como, por exemplo:
Iniciativa: Modificar Metodologia de Previsão de Demanda
Objetivo: Modificar metodologia de uma abordagem bottom-up para metodologia top-down de previsão, baseada na desagregação histórica por categoria-cor.
Disfunções:
- Metodologia bottom-up ‘infla’ a previsão;
- Não há tempo para ajuste da previsão;
- Previsão não é avaliada na receita.
Oportunidades:
- Reduzir o viés de previsão com metodologia combinada bottom-up e top-down;
- Incluir verificação de consistência do número em receita com marketing
Ganhos qualitativos:
- Maior integração vertical através da discussão de um plano único em volume e receita.
Resultados esperados:
- Redução dos viés de previsão.
Acompanhamento
Após a finalização desta etapa, podemos participar da evolução organizacional em ciência de dados de diferentes formas:
Criação de uma estrutura de evolução
Instituímos uma estrutura de gestão com processos, estrutura, papéis e responsabilidades, pauta, dinâmica de atuação e fóruns periódicos nos quais podemos atuar como facilitadores ou então assessores externos em transformação organizacional, ciência de dados e tecnologia. Nessa estrutura, garantimos a execução adequada das iniciativas planejadas no programa, reduzindo riscos e acelerando a geração de valor.
Formação em gestão de projetos para transformação digital
Podemos estruturar e capacitar de líderes e equipes de projetos em diferentes metodologias, como: gestão de projetos para ciência de dados, design thinking, rapid prototyping ou outras metodologias para solução criativa de problemas. Além disso, abordamos técnicas de facilitação de grupos multi-funcionais para garantir maior probabilidade de sucesso a cada um dos projetos individuais.
São diferentes exemplos de iniciativas que podem surgir do nosso serviço de Advisory, como aplicações de:
- Processamento de linguagem natural: desde a criação de bots em interfaces de chat automático até a interação via voz com o consumidor, o processamento de linguagem natural reduz o atrito entre organização e consumidor de forma eficiente. Além disso, aplicações de análise automática de documentos, combinadas com a classificação automática e machine learning podem automatizar processos nos quais elevado número de documentos não estruturados estão presentes, como por exemplo, avaliação de fornecedores, processamento de notas, avaliação de currículos, processos jurídicos etc.
- Análise de sentimento: em tempos de redes sociais e avaliação de produtos on-line, reagir tempestivamente a revisões, críticas ou sugestões pode fazer a diferença entre uma marca idônea ou arranhada. A análise de sentimento ajuda a filtrar e qualificar revisões, textos, críticas em grandes massas, possibilitando trazer produtividade para esse processo.
- Big data: pessoas conectadas continuamente via celular ou então sensores IoT geram grandes quantidades de dados que só podem ser tratadas com novas tecnologias de processamento, o big data. Exemplos de aplicações são a otimização de rotas via telemetria de veículos ou manutenção preditiva via telemetria de máquinas.
- Modelos preditivos: pode-se argumentar que toda decisão organizacional está baseada em uma previsão, seja ela explícita ou não. Uma das áreas mais prolíficas de aplicação de ciência de dados e machine learning é a previsão. Utilizando grandes quantidades de dados, esta abordagem permite identificar padrões complexos reduzindo o erro e permitindo melhores decisões. Aplicações se estendem da previsão de demanda/vendas à previsão de inadimplência e comportamento do consumidor.
- Simulação: em uma economia instável, a simulação permite a preparação organizacional para diferentes contextos. Entre as aplicações estão simulação de Monte Carlo para estimativa de riscos financeiros, simulação de eventos discretos para fluxos produtivos ou logísticos, simulação de dinâmica de sistemas aplicada à dinâmica de inovações ou então simulação multi-agentes para simulação do mercado.
- Otimização: não é incomum buscar-se a decisão que minimiza o custo, maximiza a receita, o resultado ou o nível de serviço, respeitando restrições operacionais. Para esse tipo de problema aplicam-se modelos de programação linear, não linear, inteira e mista. Tradicionalmente aplicados à planos de produção, distribuição e estoques, estes modelos tem sido combinados com modelos preditivos para se otimizar alavancas de receita, resultando em atributos ótimos de portfolio ou mix ótimo de preço e promoções.
- Machine learning e deep learning: com aplicações sobretudo no reconhecimento de imagem e voz, algoritmos de aprendizagem profunda podem ser utilizados para, por exemplo, identificação e classificação de consumidores, identificação automática de falhas ou risco de crédito.
Através do ciclo de evolução em ciência de dados, diferentes problemas podem ser resolvidos, com o objetivo de gerar receita, reduzir riscos ou custos. Eis alguns:
- Soluções descritivas: estas soluções ajudam a organização a descrever sua realidade com maior eficiência. Em um mundo enxurrado por dados, a capacidade de identificar a real situação do negócio com foco no cliente final é um desafio. São modelos descritivos que nos permitem, por exemplo, identificar automaticamente lojas, consumidores, regiões, produtos cujo comportamento tenha mudado e merecem, portanto, ação organizacional. Além destes, modelos descritivos modernos são capazes de rastrear o comportamento do consumidor na internet e redes sociais, colocando o termômetro organizacional no seu principal foco, além de classificar potenciais consumidores com relação ao seu futuro comportamento (risco de inadimplência).
- Soluções de diagnóstico: uma vez identificados potenciais problemas ou situações anormais, são soluções diagnósticas automáticas, baseadas em técnicas de correlação, que permitem identificar as razões, os por quês da situação em questão. Exemplos envolvem a identificação automatizada de razões de uma venda fora do normal, custos elevados ou eficiência deteriorada.
- Soluções preditivas: entendido o por quê, decidir pode exigir então uma visão de possíveis futuros da organização. Para essa função pode-se contar com soluções preditivas baseadas em aprendizagem de máquina que auxiliam, a partir de um conjunto de variáveis de cenário, a prever possíveis futuros organizacionais. As principais aplicações destas soluções envolvem inteligência de mercado, previsão de demanda, manutenção preditiva, sugestão de compra para o consumidor.
- Soluções prescritivas: com cenários montados, resta tomar um conjunto de decisões que otimize uma função de resultado. É nessa função que soluções de simulação e otimização são úteis, nos sugerindo o conjunto de decisões mais adequado para a situação e o contexto em mãos. Exemplos destas soluções envolvem otimização do mix de marketing, otimização da produção, estoques e da malha logística.
- Soluções de planejamento: com um conjunto de cenários e de decisões em mãos, é importante entender o impacto financeiro no resultado organizacional. Para isso, torna-se necessário integrar as soluções descritas anteriormente na solução de planejamento organizacional. Com isso, fecha-se o ciclo de tomada de decisão, capaz de maximizar resultado e minimizar riscos.
- Inovações: além das soluções citadas, pode-se experimentar com ciência de dados agregando funcionalidades de valor para o cliente no produto ou serviço da organização. Neste caso, além de contar com a plataforma tecnológica, pode-se também contar com a metodologia de inovação do nosso laboratório. Exemplo de inovações envolvem agregar inteligência cognitiva, por exemplo novas formas de interação, entre o consumidor e o seu produto, reconhecimento de imagens etc.
Conte com a CTI Global para inovar e solucionar problemas com Data Science: