Você está na página 1de 27

PUBLICADO EM HBR.

ORG
NOVEMBRO - DEZEMBRO 2016

eu e x t UMACEuma
TNShIGeHTN CEN n eueuOyN
TE R CO LL T

ticsAge: MachineLearning

PATROCINADO POR
A próxima era do Analytics:
aprendizado de máquina
Quais desafios de gerenciamento e liderança a próxima onda de tecnologia
analítica trará? Este Insight Center em HBR.org foi além do burburinho sobre
o que o aprendizado de máquina pode fazer, para falar sobre como ele
mudará as empresas e a forma como as gerenciamos.

1 Como preparar o aprendizado de máquina da sua empresa


James Hodson

4 O aprendizado de máquina não é mais apenas para especialistas


Josh Schwartz

7 Ensinando um algoritmo para entender o certo e o errado


Greg Satell

11 A Economia Simples da Inteligência de Máquina


Ajay Agrawal, Joshua Gans e Avi Goldfarb

Afinal, 15 robôs e automação podem não assumir seu trabalho de mesa


Dan Finnigan

18 Como saber se o aprendizado de máquina pode resolver seu problema de negócios


Anastassia Fedyk

CONTINUA NA PRÓXIMA PÁGINA

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS.
ANAL o w para tornar sua
TI

H Y CS

empresa uma máquina


Aprendizado pronto
por James Hodson
07 de novembro de 2016

Nos últimos anos, tem havido um aumento impressionante no interesse por sistemas inteligentes aplicados a tudo,

desde o suporte ao cliente até a cura do câncer. Simplesmente espalhar o termo “IA” nas apresentações do argumento

de venda de startups parece aumentar a probabilidade de obter acesso a financiamento. A mídia continuamente relata

queIA vai roubar nossos empregos, e o governo dos EUA parece preocupado sobre a perspectiva de robôs assassinos

superinteligentes, pois trata-se de abordar a maior disparidade de riqueza no

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 1
história do país. Comparativamente, tem havido muito pouca discussão sobre o que inteligência artificial

é, e onde devemos esperar que realmente afete os negócios.

Quando as pessoas falam sobre IA, aprendizado de máquina, automação, big data, computação cognitiva ou aprendizado

profundo, estão falando sobre a capacidade das máquinas de aprender a cumprir objetivos com base em dados e

raciocínio. Isso é extremamente importante e já está mudando os negócios em praticamente todos os setores. Apesar de

todas as afirmações ousadas, permanecem vários problemas centrais no cerne da Inteligência Artificial, onde pouco

progresso foi feito (incluindo aprendizagem por analogia e compreensão da linguagem natural). O aprendizado de

máquina não é mágica, e a verdade é que não temos nem os dados nem o conhecimento necessário para construir

máquinas que tomam decisões rotineiras tão bem quanto seres humanos.

Isso pode ser uma decepção para alguns e, potencialmente, interromper algumas campanhas de
marketing muito caras. Mas a probabilidade de agentes computacionais autodirigidos e superinteligentes
emergirem em um futuro previsível é extremamente baixa - portanto, mantenha-a fora do plano de
negócios anual por enquanto. Dito isso, muito já pode ser alcançado com o maquinário que temos hoje. E é
aí que os gerentes com visão de futuro devem se concentrar.

Nos próximos cinco a 10 anos, os maiores ganhos comerciais provavelmente resultarão do fornecimento das informações

certas às pessoas certas no momento certo. Com base na revolução da inteligência de negócios dos últimos anos, o

aprendizado de máquina turbinará a descoberta de padrões e automatizará a extração de valor em muitas áreas. Os

dados irão impulsionar cada vez mais uma economia em tempo real, onde os recursos são organizados de forma mais

eficiente e a produção de bens e serviços torna-se sob demanda, com taxas de falha mais baixas e previsibilidade muito

melhor. Isso significará coisas diferentes para diferentes setores.

Em serviços, não apenas melhoraremos a previsão de demanda, mas aprenderemos a fornecer o produto

certo de forma hiperindividualizada (a abordagem da Netflix).

No varejo, veremos cadeias de suprimentos mais sofisticadas, uma compreensão mais profunda das preferências do

consumidor e a capacidade de personalizar produtos e experiências de compra on-line e off-line. Os varejistas se concentrarão

na criação de tendências e formação de preferências / construção de marca.

Na fabricação, haverá uma evolução para o monitoramento de sistema completo em tempo real, uma área conhecida

como "detecção de anomalias". Os componentes se tornarão cada vez mais conectados, permitindo fluxos de dados em

tempo real que algoritmos de aprendizado de máquina podem usar para revelar problemas antes que eles aconteçam,

otimizar a vida útil dos componentes e reduzir a necessidade de intervenções humanas.

Na agricultura, os dados serão usados para decidir quais safras crescer, em quais quantidades, em quais locais, e

tornarão o processo de cultivo mais eficiente ano após ano. Isso criará cadeias de abastecimento mais eficientes,

melhores alimentos e um crescimento mais sustentável com menos recursos.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 2
Resumindo, a IA pode estar longe, mas o aprendizado de máquina já oferece um enorme potencial. Então, como os gerentes

podem incorporá-lo à tomada de decisão diária e ao planejamento de longo prazo? Como uma empresa pode se tornarPronto

para ML?

Primeiro, catalogue seus processos de negócios. Procure procedimentos e decisões que são feitos com

frequência e consistência, como aprovar ou negar um pedido de empréstimo. Certifique-se de coletar o máximo

de dados possível sobre como a decisão foi tomada, junto com quaisquer dados usados para tomá-la. E certifique-

se de coletar a própria decisão. No exemplo do empréstimo hipotético, você deseja registrar se o empréstimo foi

aprovado; os dados usados para tomar essa decisão; e qualquer outra informação sobre as circunstâncias por

trás da decisão. (Quem fez isso? Em que hora do dia? Quão confiantes eles se sentiram na decisão?) Esse é o tipo

de dado que pode ser usado para alimentar o aprendizado de máquina no futuro.

Em segundo lugar, concentre-se em problemas simples. A automação e o aprendizado da máquina funcionarão

bem onde o problema está bem definido e bem compreendido e onde os dados disponíveis exemplificam as

informações necessárias para tomar uma decisão. Um bom problema para o aprendizado de máquina é identificar

uma transação fraudulenta. A pergunta “O que deixa os clientes felizes?” é mais vago, mais desafiador e não é o

lugar para começar.

Terceiro, não use o aprendizado por máquina onde a lógica de negócios padrão será suficiente. O aprendizado de

máquina é útil quando o conjunto de regras não é claro ou segue padrões complexos e não lineares. Se você deseja

transparência e confiabilidade, opte pela abordagem mais simples possível que atenda aos seus critérios de desempenho.

Quarto, se um processo for complicado, use o aprendizado da máquina para criar sistemas de suporte à decisão.

Se o objetivo não for muito claro para definir com relação aos dados, tente criar resultados intermediários para ajudar

suas equipes a serem mais eficazes. Você pode pensar no aprendizado de máquina como parte do caminho hierárquico

de tomada de decisão, e isso gerará uma melhor compreensão do problema no futuro.

A questão é que há muito que pode ser feito sem a necessidade de cavar muito fundo. A maioria de sua força de

trabalho continuará a ter um emprego, e você pode ajudá-los a serem mais produtivos e a trabalhar de forma

mais interessante e exigente (leia:mais valioso) tarefas digitalizando mais partes mecânicas do seu negócio. Por

enquanto, a inteligência artificial não pode transformar o desempenho de uma empresa de ruim para bom, mas

possofaça alguns aspectos de um Boa o negócio ótimo.

Se você ficar sem frutas mais fáceis - embora aposto que não -, pode ser hora de considerar a formação de uma

equipe para atacar problemas mais complexos com o aprendizado da máquina. Seja paciente, pois este

investimento não terá retorno imediato. Se você decidir criar essa equipe, seja aberto, envolva-se com a

comunidade de pesquisa e estará contribuindo para a construção da economia de amanhã.

James Hodson é o CEO da AI for Good Foundation, Presidente do Financial Data Science Association, e um dos primeiros
pesquisadores em Inteligência Artificial e Finanças no Laboratório de IA do Instituto Jozef Stefan.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 3
ANAL uma c O aprendizado de hine não
TI S

M YC

é mais apenas para especialistas


por Josh Schwartz
26 DE OUTUBRO DE 2016

Se ainda não estiver usando o aprendizado profundo, você deve usar. Essa foi a mensagem do lendário engenheiro do Google

Jeff Dean no final de sua palestra no início deste ano em uma conferência sobre pesquisa na web e mineração de dados. Dean

estava se referindo ao rápido aumento na precisão dos algoritmos de aprendizado de máquina, impulsionado pelo progresso

recente no aprendizado profundo, e ao potencial ainda inexplorado desses algoritmos aprimorados para mudar o mundo em

que vivemos e os produtos que construímos.

Mas os avanços no aprendizado profundo não são a única razão pela qual este é um grande momento para o aprendizado de

máquina. Tão importante quanto isso é que, nos últimos cinco anos, o aprendizado de máquina se tornou muito mais acessível

para não especialistas, abrindo acesso a um vasto grupo de pessoas.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 4
Para a maioria dos desenvolvedores de software, historicamente existiram muitas barreiras para o início do aprendizado na

máquina, principalmente as bibliotecas de software projetadas mais para pesquisadores acadêmicos do que para engenheiros de

software, bem como a falta de dados suficientes. Com aumentos maciços nos dados sendo gerados e armazenados por muitos

aplicativos, porém, o conjunto de empresas com conjuntos de dados nos quais algoritmos de aprendizagem de máquina

poderiam ser aplicados se expandiu significativamente.

Paralelamente, nos últimos anos, assistimos a uma proliferação de estruturas de aprendizado de máquina de ponta e

comercialmente utilizáveis, incluindo as de grande sucesso scikit-learn Biblioteca Python e versões bem divulgadas de

bibliotecas como Tensorflow pelo Google e CNTK pela Microsoft Research. Nos últimos dois anos, os principais

provedores de nuvem AmazonWeb Services e Google Cloud Services lançaram serviços específicos de aprendizado de

máquina - plataformas de aprendizado de máquina como um serviço e máquinas de unidade de processador gráfico

otimizadas para o trabalho de aprendizado de máquina.

O efeito líquido dessas novas tecnologias é que uma pessoa interessada em usar o aprendizado de máquina não

precisa entender a ciência dos algoritmos de aprendizado profundo para fazer experiências com técnicas de ponta.

Tutoriais e código público existem para aplicativos tão diversos quantoGeração de arte baseada em IA,

tradução de linguagem, e legendagem de imagem automatizada.

A acessibilidade deste código cria um ciclo virtuoso. O uso por não especialistas cria uma demanda ainda maior por

sistemas mais fáceis de usar e revela novas aplicações de aprendizado de máquina, o que inspira mais pesquisas e

desenvolvimento por especialistas.

E essas novas tecnologias afetam quem trabalha no aprendizado da máquina também. Ao contratar para cargos de aprendizado

de máquina aplicado, habilidades quantitativas excepcionais são essenciais, mas a educação direta em aprendizado de máquina

em si se tornou menos importante.

De muitas maneiras, essa mudança na acessibilidade imita a progressão que vimos no desenvolvimento de software

como um todo. Nos últimos 50 anos, o desenvolvimento de software migrou gradualmente de linguagens de “baixo

nível” - linguagens altamente técnicas que se relacionam intimamente com a arquitetura subjacente de um computador

- para linguagens de alto nível com barreiras de entrada significativamente menores. Da mesma forma, a implantação

de software migrou de máquinas e data centers hospedados para serviços baseados em nuvem, com reduções

massivas no tempo e capital necessários para implantar um novo sistema.

Essas mudanças não tornaram apenas os desenvolvedores de software mais eficientes; eles permitiram que um conjunto muito

mais amplo de pessoas desenvolvesse software e abrisse empresas de software. Os bootcamps de software agora treinam

engenheiros ativos em questão de meses, e as startups podem transformar ideias em produtos em alguns ciclos de

desenvolvimento.

Tudo isso não quer dizer, é claro, que não haja lugar para especialistas - como na engenharia de software, quantidades

incontáveis de progresso científico ainda precisam ser feitas no aprendizado da máquina. Mas, pela primeira vez na

história, é possível, por exemplo, para uma pessoa com conhecimento de programação, mas sem experiência em

aprendizado de máquina, criar em uma tarde uma rede neural que pode ler dígitos escritos à mão.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 5
Tente para você mesmo.

Josh Schwartz é chefe de engenharia e ciência de dados da Chartbeat.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 6
etentando um algoritmo para
ETHICS

T
entender o que é certo e
Errado
por Greg Satell
15 DE NOVEMBRO DE 2016

No dele Ética a Nicômaco, Aristóteles afirma que é um fato que "todo conhecimento e toda busca visa
algum bem", mas então continua: "O que então queremos dizer com o bem?" Isso, em essência, resume o
dilema ético. Todos concordamos que devemos ser bons e justos, mas é muito mais difícil decidir o que
isso implica.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 7
Desde a época de Aristóteles, as questões que ele levantou têm sido continuamente discutidas e debatidas. Das

obras de grandes filósofos comoKant, Bentham, e Rawls até os coquetéis modernos e as sessões de boato no

dormitório tarde da noite, as questões são incessantemente refletidas e discutidas, mas nunca chegam a uma

conclusão satisfatória.

Hoje, ao entrarmos na “era cognitiva” das máquinas pensantes, o problema do que deve orientar nossas ações

está ganhando importância renovada. Se acharmos tão difícil denotar os princípios pelos quais uma pessoa

deve agir com justiça e sabedoria, como vamos codificá-los nas inteligências artificiais que estamos criando? É

uma pergunta para a qual precisamos encontrar respostas em breve.

Projetando um Ambiente de Aprendizagem

Todos os pais se preocupam com as influências às quais seus filhos estão expostos. Que programas de TV eles

estão assistindo? Que videogames eles estão jogando? Eles estão saindo com o pessoal errado na escola?

Tentamos não abrigar excessivamente nossos filhos porque queremos que aprendam sobre o mundo, mas não

queremos expô-los muito antes que tenham maturidade para processá-lo.

Na inteligência artificial, essas influências são chamadas de "corpus de aprendizado de máquina". Por exemplo, se você

quiser ensinar um algoritmo a reconhecer gatos, você o expõe a milhares de imagens de gatos e coisas que não são

gatos. Eventualmente, ele descobre como saber a diferença entre, digamos, um gato e um cachorro. Assim como

acontece com os seres humanos, é aprendendo com essas experiências que os algoritmos se tornam úteis.

No entanto, o processo pode dar errado, como no caso de Tay da Microsoft, um bot do Twitter que a empresa

lançou na plataforma de microblog. Em menos de um dia, Tay deixou de ser amigável e casual (“Humanos são

super legais”) para completamente assustador (“Hitler estava certo e eu odeio judeus”). Foi profundamente

perturbador.

Francesca Rossi, um pesquisador de IA da IBM, aponta que muitas vezes codificamos princípios relativos às influências em

normas sociais, como a idade que uma criança precisa ter para assistir a um filme com classificação R ou se ela deve

aprender a evolução na escola. “Precisamos decidir até que ponto os princípios legais que usamos para regulamentar os

humanos podem ser usados para as máquinas”, ela me disse.

No entanto, em alguns casos algoritmos podem nos alertar sobre o viés em nossa sociedade que talvez não

soubéssemos, como quando Google “vovó” e ver apenas rostos brancos. “Há um grande potencial para as máquinas nos

alertarem sobre o viés”, observa Rossi. “Precisamos não apenas treinar nossos algoritmos, mas também estar abertos à

possibilidade de que eles possam nos ensinar sobre nós mesmos.”

Desvendando dilemas éticos


Um experimento de pensamento que intrigou os eticistas por décadas é o problema no carrinho. Imagine que você vê

um bonde correndo pelos trilhos e está prestes a atropelar cinco pessoas. A única maneira de salvá-los é puxar uma

alavanca para mudar o carrinho para um conjunto diferente de trilhos, mas se você fizer isso, uma pessoa que estiver

nos outros trilhos será morta. O que você deveria fazer?

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 8
Sistemas éticos baseados em princípios morais, como o de Kant Imperativo Categórico (aja apenas de acordo

com a máxima pela qual você pode, ao mesmo tempo, desejar que se torne uma lei universal) ou

Primeira lei de Asimov (um robô não pode ferir um ser humano ou, por inação, permitir que um ser humano

sofra algum dano) são totalmente inúteis aqui.

Outra alternativa seria adotar o princípio utilitarista e simplesmente fazer o que resulta em maior bem ou
menor dano. Então ficaria claro que você deveria matar uma pessoa para salvar as cinco. No entanto, a
ideia de matar alguém intencionalmente é problemática, para dizer o mínimo. Embora apliquemos o
princípio em alguns casos limitados, como no caso do dever de um oficial do Serviço Secreto de proteger o
presidente, essas são raras exceções.

O surgimento da inteligência artificial está nos forçando a levar dilemas éticos abstratos muito mais a sério, porque

precisamos codificar princípios morais de forma concreta. Um carro que dirige sozinho deve correr o risco de matar seu

passageiro para salvar um pedestre? Até que ponto um drone deve levar em consideração o risco de danos colaterais ao

matar um terrorista? Os robôs deveriam tomar decisões de vida ou morte sobre os humanos? Teremos que tomar

decisões concretas sobre o que deixaremos para os humanos e o que codificaremos no software.

Essas são perguntas difíceis, mas Rossi da IBM aponta que as máquinas podem nos ajudar com elas. Os

ensinamentos de Aristóteles, muitas vezes referidos comoÉtica da virtude, enfatize que precisamos aprender o

significado das virtudes éticas, como sabedoria, justiça e prudência. Portanto, é possível que um sistema de

aprendizado de máquina poderoso nos forneça novos insights.

Normas culturais vs. valores morais


Outra questão que teremos que enfrentar é que teremos que decidir não apenas que princípios éticos para

codificar em inteligências artificiais, mas também Como as eles são codificados. Conforme observado acima, na

maioria das vezes, “Não matarás” é um princípio estrito. Além de alguns casos raros, como o serviço secreto ou

um soldado, é mais como uma preferência que é muito afetada pelo contexto.

Freqüentemente, há muita confusão sobre o que é verdadeiramente um princípio moral e o que é meramente uma norma

cultural. Em muitos casos, como acontece com os direitos LGBT, os julgamentos da sociedade com relação à moralidade

mudam com o tempo. Em outras, como ensinar criacionismo em escolas ou permitir a venda de álcool, achamos razoável

deixar que diferentes comunidades façam suas próprias escolhas.

O que torna uma coisa um valor moral e outra uma norma cultural? Bem, essa é uma pergunta difícil até mesmo para os

mais elogiados eticistas humanos, mas precisaremos codificar essas decisões em nossos algoritmos. Em alguns casos,

haverá princípios rígidos; em outros, apenas preferências baseadas no contexto. Para algumas tarefas, os algoritmos

precisarão ser codificados de forma diferente de acordo com a jurisdição em que operam.

A questão torna-se especialmente espinhosa quando algoritmos têm que tomar decisões de acordo com normas

profissionais conflitantes, como cuidados médicos. Quanto deve ser o custo levado em consideração

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 9
quando se trata de decisões médicas? As seguradoras devem opinar sobre como os algoritmos são
codificados?

É claro que esse não é um problema completamente novo. Por exemplo, as empresas que operam nos Estados Unidos precisam

obedecer aos padrões de contabilidade GAAP, que se baseiam em regras rígidas, enquanto as que operam na Europa seguem os

padrões de contabilidade IFRS, que são orientados por princípios gerais. Provavelmente acabaremos com uma situação

semelhante no que diz respeito a muitos princípios éticos em inteligências artificiais.

Definindo um padrão mais alto

A maioria dos especialistas em IA com quem conversei pensa que precisaremos estabelecer padrões morais mais

elevados para as inteligências artificiais do que para os humanos. Naturalmente, não esperamos que as pessoas

forneçam uma lista de influências e uma explicação de sua lógica para cada decisão que tomarem, a menos que algo dê

terrivelmente errado. Mas vamos exigir essa transparência das máquinas.

“Com outro ser humano, geralmente presumimos que eles têm capacidades de raciocínio de bom senso e padrões éticos

semelhantes. Isso não é verdade para as máquinas, por isso precisamos mantê-las em um padrão mais alto ”, diz Rossi.

Josh Sutton, chefe global, dados e inteligência artificial, emPublicis.Sapient, concorda e argumenta que tanto a trilha

lógica quanto o corpus de aprendizagem que leva às decisões de máquina precisam ser disponibilizados para exame.

No entanto, Sutton vê como também podemos optar por menos transparência em algumas situações. Por exemplo, podemos nos

sentir mais confortáveis com algoritmos que fazem uso de nossos dados comportamentais e de geolocalização, mas não

permitem que humanos acessem esses dados. Afinal, os humanos sempre podem ser tentados. As máquinas são melhores em

seguir parâmetros estritos.

Claramente, essas questões precisam de mais reflexão e discussão. Os principais participantes da indústria, como

Google, IBM, Amazon e Facebook,recentemente estabeleceu uma parceria para criar uma plataforma aberta entre as

principais empresas de IA e partes interessadas na academia, governo e indústria para avançar a compreensão e

promover as melhores práticas. No entanto, esse é apenas um ponto de partida.

Por mais difundida que a inteligência artificial deva se tornar em um futuro próximo, a responsabilidade recai sobre a

sociedade como um todo. Simplificando, precisamos levar os padrões pelos quais as inteligências artificiais operam tão

seriamente quanto aqueles que governam como nossos sistemas políticos funcionam e como são as crianças

são educados.

É uma responsabilidade da qual não podemos nos esquivar.

Greg Satell é um palestrante e consultor popular. Seu primeiro livro,Mapping Innovation: A Playbook for Navigating a
Disruptive Age, será lançado em 2017. Siga o blog dele em Tonto Digital ou no twitter @DigitalTonto.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 10
E T he Economia Simples de
NOM
CO ICS

Inteligência de Máquina
por Ajay Agrawal, Joshua Gans e Avi Goldfarb
17 de novembro de 2016

O ano de 1995 foi anunciado como o início da “Nova Economia”. A comunicação digital foi configurada
para mercados de alto nível emudar tudo. Mas os economistas em geral não acreditaram no hype. Não é
que não tenhamos reconhecido que algo mudou. Foi quando reconhecemos que as velhas lentes da
economia continuavam úteis para observar as mudanças que estavam ocorrendo. A economia da “Nova
Economia” poderia ser descrita em um alto nível: a tecnologia digital causaria uma redução no custo de
busca e comunicação. Isso levaria a mais pesquisa, mais comunicação e mais atividades que vão junto
com pesquisa e comunicação. Isso é essencialmente o que aconteceu.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 11
Hoje estamos vendo hype semelhante sobre inteligência de máquina. Mas, mais uma vez, como economistas, acreditamos que

algumas regras simples se aplicam. As revoluções tecnológicas tendem a envolver algumas atividades importantes que se

tornam baratas, como o custo da comunicação ou a busca de informações. A inteligência da máquina é, em sua essência, uma

tecnologia de previsão, portanto, a mudança econômica se concentrará em uma queda no custo da previsão.

O primeiro efeito da inteligência da máquina será reduzir o custo de bens e serviços que dependem de previsão.

Isso é importante porque a previsão é uma entrada para uma série de atividades, incluindo transporte,

agricultura, saúde, manufatura de energia e varejo.

Quando o custo de qualquer insumo cai tão abruptamente, há duas outras implicações econômicas bem

estabelecidas. Primeiro, vamos começar a usar a previsão para realizar tarefas onde antes não fazíamos. Em

segundo lugar, o valor de outras coisas que complementam a previsão aumentará.

Muitas tarefas serão reformuladas como problemas de previsão

À medida que a inteligência da máquina reduz o custo da previsão, começaremos a usá-la como uma entrada para coisas

que nunca havíamos feito antes. Como exemplo histórico, considere os semicondutores, uma área de avanço tecnológico

que causou uma queda significativa no custo de um insumo diferente: a aritmética. Com semicondutores, podíamos

fazer cálculos baratos, de modo que as atividades para as quais a aritmética era uma entrada-chave, como análise de

dados e contabilidade, tornaram-se muito mais baratas. No entanto, também começamos a usar a aritmética barata para

resolver problemas que não eram historicamente problemas de aritmética. Um exemplo é a fotografia. Mudamos de

uma abordagem orientada para o filme e baseada na química para uma abordagem orientada para o digital e baseada

na aritmética. Outras novas aplicações para aritmética barata incluem comunicações, música e descoberta de drogas.

O mesmo vale para previsão e inteligência de máquina. À medida que o custo da previsão cai, não apenas as

atividades que eram historicamente orientadas para a previsão se tornarão mais baratas - como gerenciamento de

estoque e previsão de demanda - mas também usaremos a previsão para resolver outros problemas para os quais a

previsão não foi historicamente uma entrada.

Considere a navegação. Até recentemente, a direção autônoma era limitada a ambientes altamente controlados,

como armazéns e fábricas, onde os programadores podiam antecipar a gama de cenários que um veículo pode

encontrar e podiam programar algoritmos de decisão do tipo if-then-else de acordo (por exemplo, "Se um objeto

se aproximar o veículo e, em seguida, reduza a velocidade ”). Era inconcebível colocar um veículo autônomo em

uma rua da cidade porque o número de cenários possíveis em um ambiente tão descontrolado exigiria a

programação de um número quase infinito de declarações if-then-else.

Inconcebível, isto é, até recentemente. Depois que a previsão tornou-se barata, os inovadores reformularam a direção

como um problema de previsão. Em vez de programar infindáveis declarações if-then-else, eles simplesmente pediram

à IA para prever: "O que um motorista humano faria?" Eles equiparam veículos com uma variedade de sensores -

câmeras, lidar, radar, etc. - e então coletaram milhões de quilômetros de dados de condução humana. De

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 12
ligando os dados ambientais de entrada de sensores na parte externa do carro às decisões de direção feitas
pelo humano dentro do carro (direção, frenagem, aceleração), a IA aprendeu a prever como os humanos
reagiriam a cada segundo de dados recebidos sobre seu ambiente . Assim, a previsão é agora um
componente principal da solução para um problema que antes não era considerado um problema de
previsão.

O julgamento se tornará mais valioso


Quando o custo de um insumo básico despenca, geralmente afeta o valor de outros insumos. O valor sobe para

complementos e desce para substitutos. No caso da fotografia, o valor dos componentes de hardware e software

associados às câmeras digitais aumentou à medida que o custo da aritmética caiu devido ao aumento da

demanda - queríamos mais deles. Esses componentes eram complementos da aritmética; eles foram usados

juntos. Em contraste, o valor dos produtos químicos relacionados ao filme caiu - queríamos menos deles.

Todas as atividades humanas podem ser descritas por cinco componentes de alto nível: dados, previsão, julgamento,

ação e resultados. Por exemplo, uma visita ao médico em resposta à dor leva a: 1) raios-x, exames de sangue,

monitoramento (dados), 2) diagnóstico do problema, como “se administrarmos o tratamento A, então prevemos o

resultado X , mas se administrarmos o tratamento B, então preveremos o resultado Y ”(previsão), 3) opções de pesagem:“

dada a sua idade, estilo de vida e situação familiar, acho que você se sairia melhor com o tratamento A; vamos discutir

como você se sente sobre os riscos e efeitos colaterais ”(julgamento); 4) administração do tratamento A (ação) e 5)

recuperação completa com pequenos efeitos colaterais (desfecho).

À medida que a inteligência da máquina melhora, o valor das habilidades de previsão humana diminuirá porque a

previsão da máquina fornecerá um substituto mais barato e melhor para a previsão humana, assim como as máquinas

faziam para a aritmética. No entanto, isso não significa desgraça para trabalhos humanos, como muitos especialistas

sugerem. Isso porque o valor das habilidades de julgamento humano aumentará. Usando a linguagem da economia, o

julgamento é um complemento da previsão e, portanto, quando o custo da previsão cai, a demanda por julgamento

aumenta. Queremos mais julgamento humano.

Por exemplo, quando a previsão é barata, o diagnóstico será mais frequente e conveniente e, portanto,

detectaremos muito mais condições tratáveis em estágio inicial. Isso significará que mais decisões serão tomadas

sobre o tratamento médico, o que significa maior exigência de aplicação da ética e do suporte emocional, que são

prestados pelo ser humano. A linha entre julgamento e previsão não é bem definida - algumas tarefas de

julgamento serão até reformuladas como uma série de previsões. Ainda assim, no geral o valor

das habilidades humanas relacionadas à previsão cairá, e o valor das habilidades relacionadas ao julgamento aumentará.

Interpretar a ascensão da inteligência da máquina como uma queda no custo da previsão não oferece uma

resposta para todas as perguntas específicas de como a tecnologia funcionará. Mas produz duas implicações

principais: 1) um papel expandido de previsão como uma entrada para mais bens e serviços, e 2) uma mudança no

valor de outras entradas, impulsionada pela extensão em que são complementos ou substitutos da previsão.

Essas mudanças estão chegando. A velocidade e a extensão com que os gerentes devem investir em recursos

relacionados ao julgamento dependerão da rapidez com que as mudanças cheguem.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 13
Ajay Agrawal é o professor Peter Munk de empreendedorismo na Rotman School of Management da Universidade de Toronto.
Ele também é Pesquisador Associado do National Bureau of Economic Research em Cambridge, MA, co-fundador do The Next 36,
fundador do Creative Destruction Lab e Diretor Acadêmico do Center for Innovation and Entrepreneurship.

Joshua Gans é professor de gestão estratégica na Rotman School of Management. Seu último livro,O Dilema da
Disrupção, é publicado pela MIT Press.

Avi Goldfarb é o professor Ellison de marketing na Rotman School of Management, University of Toronto. Ele também é
Pesquisador Associado do National Bureau of Economic Research, Chief Data Scientist no Creative Destruction Lab e
Editor Sênior da Marketing Science.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 14
Ro afinal, bots e automação
HIRI N
G

podem não assumir seu

trabalho de mesa
por Dan Finnigan
22 de novembro de 2016

Apesar de falar sobre automação de empregos em praticamente todos os setores, a questão não parece mais ser

se trabalhos serão automatizados, mas sim qual empregos estão em maior risco e como devemos nos preocupar

com as mudanças. Mas essa ansiedade é realmente baseada na realidade?

Vamos ser claros: Pessoas está com medo. De acordo comRelatório de Nação de Procuradores de Emprego divulgado pelo Jobvite no início deste ano,

55% dos que procuram emprego estão pelo menos um pouco preocupados com a automação de empregos. Mas acontece que

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 15
os responsáveis pela contratação ainda não chegaram. Jobvite'sRelatório de nação do recrutador também afirma que apenas 10% dos

recrutadores antecipam a automação de alguns empregos nos próximos 2–3 anos (em comparação com os 25% de 2015).

Estamos entrando na segunda onda do processo de automação de empregos, a Automação 2.0. Vimos tarefas físicas

previsíveis e repetíveis (pense em empilhadeiras no chão de fábrica ou trabalho na linha de montagem) serem

automatizadas. Mas agora, assim como os recrutadores previram, automatizar a próxima onda de trabalho cognitivo

(pense em diagnosticar doenças ou revisar documentos legais) será muito mais difícil, retardando o processo até

descobrirmos como fazê-lo.

Não precisamos temer essa nova onda, entretanto - porque os humanos ocupam um espaço que as máquinas provavelmente

nunca ocuparão. Eles gerenciam uns aos outros, assumem a responsabilidade pelas ações e entendem a dinâmica das relações

de trabalho de uma forma que um algoritmo simplesmente não consegue (pelo menos no futuro previsível). A Automação 2.0

irá, sem dúvida, mudar o mercado de trabalho, mas de uma forma a que possamos nos adaptar.

As realidades da automação 2.0

Nunca iremos automatizar todos os trabalhos que já existem. Os seres humanos são implacáveis em sua capacidade

de inventar novas maneiras de servir aos outros, por isso sempre teremos novos trabalhos. Um recenteEstudo da

McKinsey mostra que realmente existem tarefas que apenas os humanos podem fazer no futuro previsível,

particularmente em áreas como educação e saúde. Entre eles, estão o gerenciamento de outros, a aplicação de

expertise - como conhecimento do mercado de ações ou um talento especial para mensagens criativas - e a interação

com os principais interessados. Ainda existem aspectos de muitos trabalhos que não podem ser automatizados, então

vamos respirar fundo por um segundo.

É importante reconhecer que, inevitavelmente, automatizaremos partes de quase todos os trabalhos. Já vimos isso

acontecer em operações de manufatura, serviços de alimentação e varejo. À medida que avançamos para a arena do

trabalho cognitivo, a ideia será a mesma: veremos a automação de muitas tarefas previsíveis, escalonáveis e repetíveis.

Mas embora os computadores possam fazer a análise mecânica, até eles têm limites. Em vez de trabalho físico, essas tarefas

estarão relacionadas a coisas como coleta de dados ou processamento de algoritmos. Meu próprio médico não fala comigo a

menos que esteja sentado na frente de um terminal. Muito do que ele costumava fazer como parte mecânica do atendimento aos

pacientes agora é automatizado. Na educação, muitas das tarefas diárias que afetavam professores agora podem ser atribuídas

aos computadores. Na verdade, todo o ensino universitário pode ser ministrado online. Isso significa que não precisamos de

médicos ou professores? Não.

À medida que essa próxima onda de automação ocorrer, ela revelará o valor real dos seres humanos no trabalho. Os

seres humanos têm uma compreensão das nuances dinâmicas inerentes às relações de trabalho e a capacidade de

responder e se adaptar a essas nuances; as máquinas provavelmente não chegarão lá. É aqui que gerentes e mentores

fortes se destacam. Os humanos podem fornecer julgamento e responsabilizar uns aos outros

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 16
por suas ações. Isso é por queum único acidente fatal com um carro que dirige sozinho nos lembra que as máquinas, com todos

os seus excelentes atributos, não podem ser culpadas ou aceitar responsabilidades.

Embora os temores sobre a Automação 2.0 não sejam tão fundados quanto pensávamos, o movimento terá um impacto

significativo no mercado de trabalho. Como a tecnologia permite que os especialistas descarreguem tarefas rotineiras e análises,

eles ganham tempo para cuidar do outro trabalho quenão pode ser automatizado - o trabalho que o torna exclusivamente

necessário. Nesse sentido, as pessoas que realizam trabalho cognitivo especializado se tornarão significativamente mais

produtivas.

Já está acontecendo. Estamos vendo médicos que podem supervisionar com eficácia o tratamento de centenas de

pacientes porque têm computadores. Estamos vendo advogados que podem atender com eficácia centenas de

clientes porque têm tecnologia para auxiliar em pesquisas e análises.

Mas, como as pessoas nessas profissões aproveitam a tecnologia para aplicar seus conhecimentos, provavelmente não

precisaremos de tantos deles. E aqueles que tiverem sucesso irãotenho ser pessoas extremamente bem preparadas para atuar em

um ambiente de trabalho tecnológico e automatizado. Na verdade, eles podem nem mesmo precisar ir tão longe em sua formação

especializada para realizar essas tarefas. Com as habilidades tecnológicas certas e com a automação em ação, estamos

aprendendo que assistentes médicos e paralegais podem fazer o mesmo trabalho com menos investimento.

Essas mudanças não são negativas, mas as pessoas preocupadas com o impacto da automação do trabalho

cognitivo em suas carreiras não conseguem enfiar a cabeça na areia. Se pudermos continuar a inovar e aceitar a

tecnologia no mercado de trabalho e incorporar melhor as habilidades tecnológicas em nossa educação

sistema, então continuaremos a criar os tipos de oportunidades lucrativas que somente os humanos podem

efetivamente aproveitar.

Dan Finnigan é o CEO da Jobvite.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 17
ANAL o Queremos saber se o
TI

H Y CS
aprendizado de máquina pode

resolver seu problema de negócios


por Anastassia Fedyk
25 de novembro de 2016

“IA”, “big data” e “aprendizado de máquina” são palavras-chave da moda, e você pode estar curioso para saber

como eles se aplicam ao seu domínio. Você pode até ter startups batendo em sua porta, lançando-lhe seu novo

produto “alimentado por IA”. Então, como você pode saber quais problemas em sua empresa são passíveis de

aprendizado de máquina? Para decidir, você precisa pensar sobre o problema a ser resolvido e os dados

disponíveis e fazer perguntas sobre viabilidade, intuição e expectativas.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 18
Comece distinguindo entre problemas de automação e problemas de aprendizado. O aprendizado de máquina pode ajudar a

automatizar seus processos, mas nem todos os problemas de automação exigem aprendizado.

A automação sem aprendizado é apropriada quando o problema é relativamente simples. Esses são os tipos de

tarefas em que você tem uma sequência clara e predefinida de etapas que está sendo executada por um ser

humano, mas que poderia ser transferida para uma máquina. Esse tipo de automação vem acontecendo nas

empresas há décadas. A triagem de dados de entrada de um provedor de dados externo para erros potenciais

bem definidos é um exemplo de um problema pronto para automação. (Por exemplo, os fundos de hedge filtram

automaticamente os dados ruins na forma de um valor negativo para o volume de negociação, que não pode ser

negativo.) Por outro lado, codificar a linguagem humana em um conjunto de dados estruturado é algo muito

pequeno também ambicioso para um conjunto de regras simples.

Para o segundo tipo de problema, a automação padrão não é suficiente - eles exigem o aprendizado dos dados. E agora nos

aventuramos na arena do aprendizado de máquina. O aprendizado de máquina, em sua essência, é um conjunto de métodos

estatísticos destinados a encontrar padrões de previsibilidade em conjuntos de dados. Esses métodos são ótimos para determinar

como certos recursos dos dados estão relacionados aos resultados nos quais você está interessado. O que esses métodos não

podem fazer é acessar qualquer conhecimento fora dos dados que você fornece. Por exemplo, pesquisadores da Universidade de

Pittsburg no final da década de 1990algoritmos de aprendizagem de máquina avaliados para prever taxas de mortalidade por

pneumonia. Os algoritmos recomendavam que os hospitais enviassem para casa pacientes com pneumonia que também sofriam

de asma, estimando que o risco de morte por pneumonia fosse menor. Descobriu-se que o conjunto de dados alimentado nos

algoritmos não levava em consideração o fato de que os asmáticos haviam sido enviados imediatamente para a terapia intensiva,e

tinha se saído melhor apenas devido à atenção adicional.

Então, quais são os bons problemas de negócios para métodos de aprendizado de máquina? Essencialmente, quaisquer problemas que:

(1) requerem predição em vez de inferência causal; e (2) são suficientemente autocontidos ou relativamente

isolados de influências externas. O primeiro significa que você está interessado em entender como, em média,

certos aspectos dos dados se relacionam entre si, e não nos canais causais de seu relacionamento. Lembre-se de

que os métodos estatísticos não trazem para a mesa a intuição, teoria ou conhecimento de domínio dos analistas

humanos. A segunda significa que você está relativamente certo de que os dados que você fornece ao seu

algoritmo de aprendizagem incluem mais ou menos tudo o que existe para o problema. Se, no futuro, o que você

está tentando prever mudar inesperadamente - e não corresponder mais aos padrões anteriores nos dados - o

algoritmo não saberá o que fazer com isso.

Exemplos de problemas de aprendizado de boa máquina incluem prever a probabilidade de um certo tipo de

usuário clicar em um certo tipo de anúncio ou avaliar até que ponto um trecho de texto é semelhante a textos

anteriores que você viu.

Os maus exemplos incluem a previsão de lucros com a introdução de uma linha de produtos completamente nova e revolucionária

ou a extrapolação das vendas do próximo ano a partir de dados anteriores, quando um novo concorrente importante acabou de

entrar no mercado.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 19
Depois de verificar se seu problema é adequado para aprendizado de máquina, a próxima etapa é avaliar se você

tem os dados certos para resolvê-lo. Os dados podem vir de você ou de um provedor externo. No último caso,

certifique-se de fazer perguntas suficientes para ter uma boa noção do escopo dos dados e se eles

provavelmente se ajustam ao seu problema.

Digamos que você tenha determinado que seu problema é o clássico problema de aprendizado de máquina e tenha os

dados para resolver esse problema. A última etapa do processo é a verificação da intuição. Sim, intuição: os métodos de

aprendizado de máquina, embora proprietários e aparentemente mágicos, são estatísticas. E estatísticas

posso ser explicado em termos intuitivos. Em vez de confiar que o brilhante método proposto funcionará
perfeitamente, faça muitas perguntas.

Fique confortável com a forma como o método funciona. A intuição do método aproximadamente faz sentido? Ele se

encaixa, conceitualmente, na estrutura do ambiente ou problema específico com o qual você está lidando? O que torna

esse método especialmente adequado para o seu problema? Se você estiver codificando um conjunto de etapas, talvez

modelos sequenciais ou árvores de decisão sejam uma boa escolha. Se você precisar separar duas classes de resultados,

talvez uma máquina de vetores de suporte binário seja mais adequada para atender às suas necessidades.

Com a compreensão, vêm as expectativas mais realistas. Depois de fazer perguntas e receber respostas suficientes para

ter uma compreensão intuitiva de como a metodologia funciona, você verá que está longe de ser mágica. Todo ser

humano comete erros e todo algoritmo também está sujeito a erros. Para todos, exceto o mais simples dos problemas,

existevai ser momentos em que as coisas dão errado. O mecanismo de previsão de aprendizado de máquina para fazer

as coisas certasna média mas cometerá erros com segurança. Erros acontecerão e, na maioria das vezes, acontecerão de

maneiras que você não pode prever.

Portanto, a última etapa é avaliar até que ponto você pode permitir exceções ou erros estatísticos em seu

processo. O seu problema é o tipo de problema em que acertar 80% das vezes é o suficiente? Você pode lidar com

uma taxa de erro de 10%? 5%? 1%? Existem certos tipos de erros que nunca deveriam ser permitidos? Seja claro e

direto sobre suas necessidades e expectativas, tanto com você quanto com seu provedor de soluções. E quando

vocês dois estiverem confortavelmente na mesma página, vá em frente. Armado com conhecimento,

compreensão e expectativas razoáveis, você está pronto para colher os benefícios

de aprendizado de máquina. Apenas seja paciente.

Anastassia Fedyk é um Ph.D. Candidato em economia de negócios pela Harvard Business School. Sua pesquisa se concentra em

finanças e economia comportamental.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 20
RESUMO DO WEBINAR

Liderança e inovação em
Big Data
APRESENTADOR:

Michael Schrage, Fellow, Iniciativa da MIT Sloan School na Economia Digital

MODERADOR:
Angelia Herrin, Editora, Projetos Especiais e Pesquisa, Harvard Business Review

Visão geral
À medida que dispositivos, sensores e novas plataformas de tecnologia geram cada vez mais big data, as organizações

têm novas oportunidades de obter insights importantes que podem estimular a inovação, trazer novos produtos e

serviços ao mercado e criar uma vantagem competitiva. Mas, a menos que as organizações comecem a tratar os dados

como um ativo-chave tão importante quanto seus ativos financeiros, essas oportunidades serão perdidas.

Para sobreviver e prosperar na era do big data, as organizações devem implementar novos modelos de
governança, criar painéis de informações compartilhadas por toda a empresa, estimular um ambiente de
"experimento e escala" e cultivar uma cultura que incorpore dados às atividades cotidianas da empresa .
E a mensagem precisa vir de cima: o tipo de transformação baseada em dados de que a maioria das
empresas precisa exigirá o comprometimento do C-suite.

Contexto
Michael Schrage discutiu como os líderes podem promover a inovação por meio de big data e análises.

Principais vantagens

Para criar um novo valor, as organizações devem tratar os dados como um ativo.

Em muitos casos, as organizações usam análises para otimizar as fontes existentes de valor, em vez de aproveitar

dados e análises para inovar e criar novo valor. Para criar um novo valor, as organizações devem tratar os dados como

um ativo, assim como o capital e os recursos humanos.

Nos próximos 12 a 18 meses, as organizações podem esperar coletar de 10 a 1.000 vezes mais dados. À medida que os ativos de

dados crescem, existem oportunidades para criar novo valor por meio de processos mais eficientes, novo valor

proposições, experiências aprimoradas do cliente e muito mais. As organizações devem se perguntar como

venderiam ou comercializariam para clientes e clientes potenciais de forma diferente, se tivessem 100 vezes mais

dados sobre eles.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 21
INSIGHT CENTER A PRÓXIMA IDADE DA ANALÍTICA

“As organizações devem esperar de 10 a 1.000 vezes mais dados nos


próximos 12 a 18 meses. Para tornar os dados mais valiosos, as
organizações devem considerar como definir, medir e avaliar a criação
de valor dentro e fora da empresa. ” —Michael Schrage

Análises objetivas, como KPIs e painéis, apóiam a inovação e a criação de valor.


Dados e análises objetivas podem ser aplicados a uma variedade de atividades de negócios, como retenção de

clientes, upsell e agrupamento e identificação de novos produtos e serviços. Tanto os KPIs quanto os painéis

oferecem suporte a análises objetivas.

Para aproveitar os dados para resultados importantes, as empresas devem alinhar as interfaces de programação

de aplicativos (APIs) com os KPIs. Também é importante pensar em painéis relacionados à inovação e à criação

de novo valor. As principais questões incluem a aparência desses painéis e quais KPIs eles incluiriam.

De uma perspectiva organizacional, organizações em silos levam a KPIs em silos. Schrage sugere ver os
dados como um “solvente” que quebra silos e cria ciclos virtuosos dentro das organizações. Insights
coletados de análises relacionadas à retenção de clientes, por exemplo, podem informar análises
relacionadas à inovação.

Big data requer “pequenos experimentos”.


Quando um insight é identificado nos dados, a próxima etapa é determinar quais testes validarão se o insight é

verdadeiro ou não. É necessária mais e melhor experimentação. Isso significa socializar experimentos em toda a

empresa. Novos dados devem facilitar a colaboração em torno de experimentos focados na criação de novo

valor.

“As organizações precisam de uma mudança fundamental de paradigma. A


inovação não será mais baseada em um pipeline de P&D, mas em um modelo de
'experimento e escala'. As experiências são o futuro da inovação empresarial. ”
- Michael Schrage

A liderança de dados exige governança de dados.


A supervisão de dados é o próximo desafio de liderança para as organizações. A governança explícita de dados é necessária para

determinar quem tem acesso aos dados, quem pode fazer experiências com eles e muito mais. As observações relacionadas à governança

de dados incluem:

• Os administradores de dados são uma nova categoria de colegas. A função de administrador de dados envolve o planejamento,

implementação e gerenciamento da origem, uso e manutenção de ativos de dados em uma organização.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 22
INSIGHT CENTER A PRÓXIMA IDADE DA ANALÍTICA

Os administradores de dados permitem que as organizações assumam o controle e governem todos os tipos e formas de

dados e suas bibliotecas ou repositórios associados.

• A governança de dados desempenha um papel importante no crescimento da empresa. Empresas de grande crescimento e valor têm C-

suites comprometidas com os dados como um ativo e com o gerenciamento de dados.

• Os grupos de trabalho de governança de dados devem ser unificados em torno da ideia de que os recursos de dados podem ser

transformados em um novo valor. Os grupos de trabalho de governança de dados criam a visão para a organização. É

importante ter membros comprometidos com a colaboração, compartilhamento de dados, proteção de dados do cliente e

desenvolvimento de dados como um ativo. Schrage não recomenda que os CFOs administrem grupos de trabalho de

governança de dados, pois eles podem sobrecarregar o capital como um ativo.

FIGURA 1: ELEMENTOS DE GOVERNANÇA DE DADOS

Conforme os volumes de dados aumentam, a importância de uma cultura de dados corporativos aumenta.

Para promover uma cultura empresarial de “valor dos dados”, as organizações geralmente precisam fazer

melhorias comportamentais, culturais e operacionais. Exemplos dessas mudanças incluem:

• Desenvolvimento de API. Para gerar valor, as pessoas esperam compartilhar conjuntos de dados em toda a organização.

APIs são essenciais para fazer isso.

• Teste de ideias “instintivas” com experimentos baseados em dados. Muitos gerentes seniores tomam decisões com base

na "intuição", em vez de usar experimentos para desafiar suas percepções. As ideias baseadas na intuição não são

ruins, mas devem ser acompanhadas por hipóteses de negócios testáveis. Como Schrage observou, “Muitas boas

ideias evaporam no contato com o mundo real.” Os dados ajudam a extrair sinais do ruído.

• Implementar incentivos para promover o compartilhamento de informações. Se os dados são igualados ao poder, algumas pessoas

tendem a acumulá-los. Para promover o compartilhamento de informações em uma grande empresa de telecomunicações, a Schrage

criou uma competição interna chamada "fomos roubados" e "ladrão da semana". Esses programas recompensavam as pessoas por

“roubarem” dados de outras partes da organização para criar novo valor.

• Revisão dos critérios de avaliação de desempenho. Os funcionários podem ser avaliados sobre o quão bem eles compartilham dados,

bem como em que grau sua tomada de decisão é conduzida por fontes de dados mais ricas ao longo do tempo.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 23
INSIGHT CENTER A PRÓXIMA IDADE DA ANALÍTICA

Outros pontos importantes

Auto-quantificação. Schrage acredita que as pessoas que se dedicam ao autodesenvolvimento todos os dias terão uma

vantagem no mercado de trabalho. As pessoas precisam ser mais introspectivas sobre as maneiras como agregam valor no local

de trabalho e devem usar os dados como um espelho para se verem de maneira diferente. Por exemplo, no final do dia, os

funcionários podem analisar o conteúdo de seus e-mails e textos usando um Wordle. Ser orientado por dados e autoconsciente

são os dois lados da mesma moeda.

Dados e apetite de risco. As organizações podem usar os dados para repensar seu apetite pelo risco. Insights derivados de dados são

uma forma de criar “grades de proteção” que podem aumentar o conforto com o risco. As principais decisões de “apostar na empresa”

devem sempre ser baseadas em dados.

Cientistas de dados. Algumas organizações colocam cientistas de dados em um centro de excelência, enquanto outras os

implantam em grupos diferentes. Independentemente de onde os cientistas de dados “vivam” na organização, deve-se esperar

que eles colaborem com os negócios e sirvam como um recurso, como um bom especialista financeiro. Os cientistas de dados

ajudam as equipes a atingir seus objetivos, utilizando os dados como um ativo.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 24
DO NOSSO PATROCINADOR

O SAS continua a fomentar a inovação por meio de análises preditivas em todos os setores. Organizações líderes estão trazendo

a próxima era de análise trabalhando com SAS para análise de streaming em tempo real, análise em memória, análise de

autoatendimento para usuários de negócios e aplicativos de aprendizado de máquina que resolvem os problemas de negócios

atuais e impulsionam suas organizações para frente. Frequentemente procurado por qualidade, escalabilidade,

e compatibilidade de suas soluções com plataformas open-source, recorra ao SAS para fazer seu novo possível acontecer
com analytics.

Comece a jornada para seu novo possível com estas próximas etapas sugeridas:

Este relatório da O'Reilly Media aborda aplicativos modernos para aprendizado


A EVOLUÇÃO DA ANALÍTICA: OPORTUNIDADES
de máquina, incluindo sistemas de recomendação, análise de streaming,
E DESAFIOS PARA A APRENDIZAGEM DA
MÁQUINA NA EMPRESA➜ aprendizado profundo e computação cognitiva. Inclui detalhes sobre as
experiências de duas empresas que superaram com sucesso os desafios
organizacionais e tecnológicos para adotar o aprendizado de máquina e
embarcar em sua própria evolução analítica.

Este relatório explora como as organizações voltadas para o futuro estão começando
RELATÓRIO DE MELHORES PRÁTICAS DO TDWI:
não apenas analisar seus dados, mas também agir sobre eles para
OPERACIONALIZAÇÃO E INCORPORAÇÃO DE
derivar valor para o negócio, levando em consideração as dimensões
ANÁLISES PARA AÇÃO➜
organizacionais e técnicas, como infraestrutura, cultura, dados e
processos. Ele aborda os desafios e como as organizações os estão
superando e fornece recomendações para operacionalizar com sucesso
a análise na organização.

PATROCINADO POR

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 25
SAS e todos os outros nomes de produtos ou serviços SAS Institute Inc. são marcas registradas ou marcas comerciais da SAS Institute Inc. nos EUA e em
outros países. ® indica registro nos EUA. Outras marcas e nomes de produtos são marcas comerciais de suas respectivas empresas. 108855_G51732.0417

Você também pode gostar