Apresentamos a Ciência corporativa do Tableau

Os projetos de IA precisam de experiência em dados e conhecimento na área para serem bem-sucedidos

Apesar dos medos e dos equívocos diante da possibilidade da IA substituir as pessoas, existem muitos problemas comerciais em que as máquinas mais inteligentes não são páreo para o discernimento humano. Por exemplo, um setor de vendas pode usar modelagem preditiva para determinar as oportunidades de vendas adicionais e vendas cruzadas mais lucrativas. Um algoritmo pode oferecer previsões sobre a probabilidade de compra de um cliente, mas não teria o conhecimento fundamental de alguém que gerencia o relacionamento comercial. Um executivo de conta entenderia os objetivos do cliente e quais produtos podem ajudá-lo a atingir esses objetivos, ou pode ter aprendido em experiências anteriores que é improvável que uma determinada solução leve a uma decisão de compra.

Esses tipos de variantes exigem discernimento humano além do que um algoritmo pode oferecer sozinho. Juntos, a experiência humana, o discernimento e a consciência contextual combinados com o rigor, a automação e a escalabilidade de informações geradas por máquina impulsionam melhores resultados comerciais. Em outro exemplo, um varejista quer saber qual produto adicionar às suas lojas para aumentar os lucros em uma determinada região. Um profissional de negócios entende como fatores como relações com fornecedores, tendências regionais e outras implicações qualitativas e impactantes podem afetar a tomada de decisão, detalhes que uma máquina talvez nunca entenda ou aplique corretamente.

As organizações se esforçam muito tentando recrutar “unicórnios” que possuam conhecimento de ciência de dados e experiência na área, mas os profissionais que se enquadram nessa descrição são muito raros. Existem diversas questões fundamentais em que as técnicas da ciência de dados são o fator mais importante. Porém, a Ciência corporativa traz muitas dessas técnicas para mais pessoas, para que elas também possam aproveitar as previsões em suas análises sem precisar de formação técnica avançada.

A Ciência corporativa busca adequar o método e o especialista ao problema. Quando as equipes de ciência de dados assumem novos projetos comerciais, muitas vezes sentem dificuldades pela falta de contexto e conhecimento na área. Sem o contexto certo, essas equipes gastam muito tempo tentando identificar os dados corretos para resolver o problema e, depois, selecionando, limpando e preparando esses dados para análise. Como a IA e a ML dependem muito dos dados, isso é fundamentalmente um problema de dados. Dessa maneira, é importante ter uma boa correspondência entre o problema que está sendo resolvido e os dados certos.

A proximidade dos especialistas da área com os problemas que suas organizações enfrentam e o conhecimento especializado sobre a linha de dados comerciais oferece uma vantagem no desenvolvimento, na validação e na implantação de modelos preditivos para que as decisões desses especialistas sejam mais pontuais, eficientes e impactantes.

Uma abordagem iterativa de revisão e de reimplantação economiza tempo, reduz custos e otimiza habilidades exclusivas

Os ciclos tradicionais da ciência de dados e do aprendizado de máquina podem ser longos, e a reta final costuma ser a parte mais desafiadora, usando mais recursos como tempo, esforço e custo. A implantação e integração de modelos personalizados tradicionais é complexa e exige que estatísticos e cientistas de dados tornem as soluções consumíveis e acionáveis ​​pelos usuários finais. Quando o tempo de lançamento no mercado é um fator importante, capacitar as pessoas para criar e iterar modelos preditivos em questão de dias e semanas (não meses) maximiza os recursos e ajuda na obtenção de um melhor retorno sobre o investimento.

Para especialistas comerciais que precisam se basear em dados e previsões para tomar decisões informadas, é muito valioso poder controlar diversos aspectos em todo o processo de construção do modelo e confiar nos dados em relação a cada caso de uso. Especialmente quando a abordagem da construção do modelo é iterativa e focada na melhoria contínua da precisão das previsões. Essa abordagem ajuda as pessoas a agir enquanto os dados ainda são relevantes. Às vezes, até mesmo a tentativa de construir um modelo faz com que uma equipe teste os dados até alcançar algum valor.

Com a Ciência corporativa, o objetivo é mover um KPI, não aperfeiçoar um modelo até que ele seja o mais preciso. Ao facilitar um processo mais iterativo de revisão e reimplantação do que os ciclos tradicionais de ciência de dados, a Ciência corporativa elimina barreiras para que pessoas com o contexto do negócio criem modelos e usem previsões com rapidez. Mais pessoas podem extrair valor mais rapidamente dessas técnicas de análise avançada e tomar decisões mais inteligentes quando e onde for necessário. Isso pode trazer grandes economias ou lucros para um caso de uso específico.

Pense na atribuição de cotas de vendas: as atribuições geográficas e as metas mudam o tempo todo. O mesmo modelo de atribuição de cotas de um ano não funcionará no ano seguinte, porque os dados para o modelo evoluem continuamente. E se um líder de vendas regional vetar o modelo sugerido porque tem o objetivo de fazer ainda mais negócios na região? Isso torna muito valiosa a capacidade de dinamizar ou iterar rapidamente o modelo, resultando em novas oportunidades de receita nesses territórios de vendas.

Ao capacitar analistas e usuários corporativos com o autoatendimento seguro do aprendizado de máquina, a Ciência corporativa otimiza as habilidades exclusivas e a experiência na área de mais pessoas. Isso também reforça o papel integral das equipes de ciência de dados, liberando essas equipes para concentrar esforços em projetos fundamentais e urgentes, em grande escala. Esse tipo de soluções alimentadas pela IA também pode criar um ambiente experimental para analistas e usuários corporativos avançados, que buscam descobrir novos casos de uso que não são prioridades para as equipes de ciência de dados. Com mais pessoas analisando um grande número de casos de uso e impulsionadores de resultados, a probabilidade de entregar um modelo bem-sucedido aumenta muito. Os especialistas na área têm autonomia para criar modelos sem programação e orientados por aprendizado de máquina para suprir suas necessidades, produzindo análises comerciais específicas que não exigem o nível de profundidade que os profissionais de dados utilizam.

É importante perceber que, embora as soluções da Ciência corporativa possam ajudar a resolver a lacuna de habilidades de analistas e cientistas de dados, elas não podem substituí-los. Os profissionais de ciência de dados continuarão a fornecer modelos personalizados, análises estatísticas etc.. Entretanto, eles farão parceria com especialistas comerciais mais frequentemente para validar os dados usados ​​em modelos de aprendizado de máquina. Essa maior colaboração entre as equipes continua sendo fundamental para o sucesso e o desempenho dessas soluções.

A democratização da ciência de dados de forma responsável exige orientação para identificar e mitigar os vieses e o uso antiético.

Expandir as análises alimentadas por IA para mais pessoas tem muitos benefícios, mas também alguns riscos potenciais. Os vieses são inerentes aos dados e às tecnologias e, a menos que sejam mitigados, podem ser perpetuados nas previsões e recomendações e até causar danos. A tecnologia de reconhecimento facial é um exemplo bem conhecido de uma convergência de pontos falhos, em que dados tendenciosos de treinamento, tecnologia e previsões trouxeram resultados prejudiciais para as comunidades negras. (Este é um dos motivos  por que não permitimos tecnologia de reconhecimento facial em nossa política de utilização aceitável.)

O profissional de negócios de uma empresa de médio porte não pensa necessariamente nessas coisas durante a sua análise. Para começar, a documentação robusta do modelo pode apresentar mais transparência por trás das previsões e das recomendações e facilitar o rastreamento. Entender o que contribuiu para a previsão, quais colunas nos dados e onde estão os impulsionadores pode ajudar a identificar vieses nos conjuntos de dados e modelos.

Orientações adicionais podem detectar vieses embutidos, monitoramento de modelo e explicações em linguagem natural das variáveis ​​que influenciam as previsões, ajudando as pessoas a criar modelos mais éticos. No  Einstein Discovery, o produto pede aos usuários que selecionem variáveis ​​e campos sensíveis que podem incluir os vieses, como raça, idade, estado civil e local de residência. Pela detecção indireta, também são procurados campos correlacionados no conjunto de dados, em que há potencial para vieses se um campo, mas não o outro, for removido. Outra métrica importante é o impacto distinto. Por exemplo, ver se o resultado do modelo difere entre diferentes gêneros ou códigos postais. Para muitos setores regulamentados, essa é uma métrica usada para manter os modelos de aprendizado de máquina confiáveis.

A demanda por habilidades em dados cresce a cada dia e, com ela, uma imensa oportunidade de ajudar pessoas e organizações a aprender e resolver problemas de uma maneira mais eficaz. Embora algumas abordagens se concentrem no desenvolvimento ou na implementação de soluções de IA completamente automatizadas, essa abordagem limitada provavelmente não oferecerá o valor que deveria. Remover a habilidade humana, a consciência contextual e a experiência ao democratizar a IA e as técnicas de ciência de dados não é apenas contraproducente, mas irresponsável.

A Tableau sempre acreditou no potencial humano. Liberar o potencial humano é parte do DNA da Tableau, e isso foi incorporado em nossa plataforma de análise visual líder do setor. Atualmente, com a Ciência corporativa do Tableau, esse tipo de inovação utiliza IA e ML para continuar com a tradição de capacitar pessoas com as ferramentas e as funcionalidades corretas para fazer e responder perguntas, descobrir ideias e resolver problemas. Com a incorporação do Einstein Discovery no Tableau, uma solução de Ciência corporativa, estamos colocando o aprendizado de máquina nas mãos de mais pessoas e democratizando técnicas avançadas da ciência de dados para ajudá-las a tomar decisões melhores e mais rápidas.