Machine learning é um conjunto de ferramentas que vai significativamente mudar a maneira de todos os negócios operarem, tecnológicos ou não. Um exemplo prático é uma boa maneira de introduzir os conceitos. Recentemente, numa conferência um dos speakers contou-me, em privado, um caso real passado nos EUA numa empresa de serviços online do sector financeiro.

A maioria das suas receitas provém de contratos de subscrição de serviços renováveis. Um dos maiores problemas da equipa de vendas era prever a probabilidade de renovação desses contratos. A equipa estava demasiado sobrecarregada e alguns dos clientes eram menos visitados do que deviam. O critério de priorização era apenas o volume de negócios, pelo que havia a perceção que algumas contas consumiam demasiados recursos e outras de menos. Mas não havia alternativas óbvias.

Por iniciativa de um engenheiro de TI surgiu um projeto de Machine Learning. O objetivo seria classificar todas as contas com uma probabilidade de renovação alta, média ou baixa dando um insight valioso à direção de vendas para planeamento. O projeto foi aprovado com um prazo de seis meses.

O primeiro passo foi o que mais tempo consumiu: procurar e tratar toda a informação histórica que existia nas diferentes bases de dados e sistemas internos e externos. Do perfil do cliente aos dados financeiros e performance do negócio, à quantidade de contactos com a empresa e emails trocados a métricas sobre as interações com suporte.

Seguiram-se semanas de simulações identificando as variáveis relevantes e a correlação entre si e, finalmente, o resultado foi apresentado: um modelo com 70% de precisão. A equipa comercial esteve próxima desta última fase do processo, ajudando a entender dependências e a excluir casos isolados. O modelo foi usado no trimestre seguinte e permitiu subir a taxa de renovação de clientes, aumentando as receitas sem que a equipa comercial crescesse.

O referido engenheiro recebeu uma promoção e autonomia para criar uma equipa e alocar recursos para melhorar o modelo. Cerca de um ano depois foi despedido por ter acelerado os custos para um valor incomportável, por perseguir um valor de precisão de 99%.

Esta história verídica ilustra as oportunidades e desafios de Machine Learning para a generalidade dos negócios. Este termo refere-se a um conjunto amplo de técnicas que permitem classificar dados para detetar padrões e fazer previsões ou tomar decisões. Tanto para dirigir veículos autónomos, como para prever o tempo ou otimizar um negócio. No entanto há três fatores que qualquer empresa deve ter presente para abordar o Machine Learning:

  • Começar por definir objetivos e métricas. Que variável (ou variáveis) a otimizar, e até onde. Parece óbvio, mas a realidade diz o contrário. Para a maior parte dos cenários, modelos com 70% ou 80% de precisão são suficientes para relevantes vantagens competitivas. Atingir modelos com altíssimas precisões tem custos exponencias de dinheiro e tempo;
  • Os dados são um tesouro precioso. Todos eles, mesmo os que hoje parecem inúteis. O grande esforço de projetos de Machine Learning (cerca de 60 a 70% de tempo) é gasto em recolha, tratamento e homogeneização de dados. A empresa do futuro é aquela que tem mais dados, seguros e disponíveis para serem processados. Ou seja, para gerarem uma vantagem competitiva;
  • O Machine Learning não substitui os especialistas de cada área. Pelo contrário, é uma ferramenta para eles alavancarem o seu máximo potencial. Há variáveis não qualitativas difíceis de capturar nos modelos, e um expert na sua área de conhecimento será aquele que melhor pode distinguir entre correlação e causalidade. Ou seja, saber onde aplicar o Machine Learning e a vantagem que vai gerar, bem como entender os resultados.