Como as principais empresas usam o aprendizado de máquina

No ano passado, a mania de aprendizado de máquina varreu o mundo dos negócios. De acordo com Arthur Samuel, o cientista da computação que cunhou o termo há meio século, o aprendizado de máquina é definido como o subcampo da ciência da computação que emprega grandes conjuntos de dados e algoritmos de treinamento para “dar aos computadores a capacidade de aprender sem serem explicitamente programados”.

Muitos executivos têm uma sensação intuitiva de que o aprendizado de máquina será uma mudança de paradigma tão importante quanto a Internet e o computador pessoal. Uma pesquisa recente realizada pela PwC indicou que 30% dos líderes empresariais acreditavam que a IA seria a maior disrupção em seu setor em cinco anos. Somente em 2016, mais de US$ 5 bilhões em financiamento de risco inundaram startups de aprendizado de máquina. O McKinsey Global Institute observa que o aprendizado de máquina tem “ampla aplicabilidade a muitas atividades comuns de trabalho”, incluindo reconhecimento de padrões, geração e compreensão de linguagem natural e otimização de processos.

Por que o aprendizado de máquina é importante agora

O hype recente é impulsionado por três desenvolvimentos principais, que reduziram a barreira de entrada para organizações em todos os setores e estágios que desejam aplicar o aprendizado de máquina:

• Mais dados e armazenamento mais barato: o aumento das ferramentas baseadas em nuvem e a queda no custo de armazenamento de dados por meio de serviços como o Amazon Redshift significam que mais dados do que nunca são gerados e armazenados rotineiramente por aplicativos essenciais aos negócios.
• Bibliotecas de código aberto: bibliotecas de aprendizado de máquina amplamente disponíveis, como TensorFlow do Google e scikit-learn, tornam os algoritmos de ponta mais acessíveis a um público mais amplo de cientistas de dados e engenheiros de software generalistas.
• Maior potência: o desenvolvimento de plataformas baseadas em nuvem e hardware personalizado otimizado para aprendizado de máquina significa que esses aplicativos podem ser executados mais rapidamente e com menor custo, aumentando sua adequação a diversas necessidades de negócios.

Em resumo, há evidências convincentes para investir em aprendizado de máquina. Mas como as organizações realmente usam essa tecnologia? De que maneiras o aprendizado de máquina é implantado hoje para ajudar as empresas a criar valor, reduzir custos e impulsionar o ROI?

Neste artigo, compartilhamos estudos de caso que ilustram como empresas de todos os tamanhos empregam aprendizado de máquina para abordar cinco casos de negócios principais: aquisição de usuários, suporte ao cliente, previsão, prevenção de fraudes e gerenciamento de pessoas.

1. Aquisição de usuários

Em linhas gerais, o funil de aquisição de clientes para uma empresa típica de consumidor ou empresa tem três etapas: segmentar sua base de clientes para entender e atender às suas necessidades, envolvê-los com a mensagem certa no momento certo e convertê-los em usuários do seu produto.

O aprendizado de máquina tem sido amplamente utilizado por startups e grandes corporações em todo o funil de aquisição de usuários. A Amazon é um exemplo-chave aqui – em sua carta de 2017 aos acionistas, o CEO Jeff Bezos comentou sobre as maneiras como o aprendizado de máquina contribui para a experiência da Amazon.com “abaixo da superfície”, fornecendo recomendações de produtos e negócios com base nas preferências do usuário. Mas segmentar usuários e mostrar a eles produtos relevantes é apenas o primeiro passo: muitos varejistas usam aprendizado de máquina para ajustar a marca, a cópia e os preços promocionais em tempo real para maximizar a probabilidade de uma venda para qualquer cliente.

Na frente empresarial, a Salesforce lançou recentemente o Einstein, um produto que examina dados de CRM para fornecer recomendações personalizadas para aumentar a chance de um determinado cliente em potencial converter de um discurso de vendas, chegando a sugerir o momento certo para enviar um email.

2. Suporte ao Cliente

Claro, a aquisição de clientes é apenas o primeiro passo. Seja para o comércio eletrônico ou para a empresa, reter usuários e limitar a rotatividade requer fornecer suporte ao cliente oportuno e eficaz.

Dezenas de marcas agora fazem uso de aprendizado de máquina para melhorar a experiência de suporte ao cliente. Por exemplo, o supermercado brasileiro Ocado usou as APIs de aprendizado de máquina do Google para criar um sistema personalizado que mede o sentimento das consultas de suporte ao cliente e move as respostas negativas para o topo da sugestão de suporte. O resultado é que a Ocado responde a mensagens urgentes quatro vezes mais rápido, criando uma oportunidade valiosa para reconquistar clientes com alto risco de se tornarem detratores.

Mais recentemente, os “bots” de conversação estão agora fazendo a triagem de solicitações de suporte sem a ajuda de um operador humano – usando linguagem natural alimentada por máquina para fornecer uma primeira resposta que pode atender a solicitações de rotina, como a emissão de etiquetas de devolução. Além de reduzir os custos de suporte em até 30%, os chatbots podem aumentar a satisfação do cliente respondendo mais rapidamente, e o escopo de seus recursos aumentará à medida que suas habilidades de compreensão melhorarem. Com impressionantes 44% dos consumidores dos EUA preferindo interagir com chatbots em vez de humanos, as empresas voltadas para o consumidor que investem em aprendizado de máquina terão uma tremenda vantagem.

3. Previsão

No back office, uma grande variedade de organizações está começando a usar o aprendizado de máquina para criar modelos de previsão mais robustos, granulares e precisos.

Em 2016, o Walmart realizou uma competição na plataforma de recrutamento de ciência de dados Kaggle, pedindo aos candidatos que usassem dados históricos de 45 lojas para construir um modelo que previsse vendas por departamento para cada loja. A gigante de seguros AIG montou uma equipe de ciência de dados de 125 pessoas para construir modelos de aprendizado de máquina, com o objetivo de melhorar a capacidade da empresa de antecipar sinistros e prever resultados.

Até mesmo o conglomerado global de óculos Luxottica coloca o aprendizado de máquina para trabalhar na previsão da demanda: adiciona 2.000 novos estilos à sua coleção todos os anos e usa aprendizado de máquina e dados de lançamentos anteriores para prever o desempenho de vendas.

4. Segurança e Detecção de Fraude

Em 2016, a fraude custou ao varejista médio de comércio eletrônico mais de 7% da receita total. Salários para funcionários de gerenciamento de fraude, estornos e transações legítimas que são negadas devido a falsos positivos contribuem para essa despesa.

O aprendizado de máquina está começando a demonstrar seu potencial como uma ferramenta poderosa para monitorar de forma inteligente milhões de transações em tempo real, reduzindo o desperdício de fraudes. O PayPal é líder nessa área: eles usaram ferramentas de código aberto e seu vasto acervo de dados de transações para construir um mecanismo de inteligência artificial do zero, com o objetivo principal de reduzir o número de alarmes falsos produzidos por seus modelos de fraude mais antigos.

Os humanos ainda estão no circuito para treinar o modelo e resolver ambiguidades, mas o resultado inicial foi surpreendente: desde a implementação de seu novo modelo, o PayPal reduziu sua taxa de falsos positivos pela metade. Para empresas que buscam uma solução luva branca, startups como a Sift Science podem consumir os dados de uma empresa e aplicar sinais de fraude de toda a sua rede de clientes corporativos, garantindo que as técnicas mais recentes de fraudadores sejam capturadas rapidamente.

5. Gestão de Pessoas

Contratar, gerenciar e reter pessoas de alta qualidade é a raiz de todas as competências empresariais. Uma das partes mais onerosas da contratação é filtrar centenas ou milhares de currículos para montar uma lista para entrevistas; mais da metade dos recrutadores dizem que esta é a parte mais difícil de seu trabalho. Esse problema está sendo abordado por startups como a Restless Bandit, que faz um sistema de gerenciamento de candidatos usado por empresas como Adidas e Macy's para filtrar currículos com base nas decisões que os gerentes de contratação tomaram no passado.

Fundamentalmente, esses algoritmos podem ser treinados para ignorar preconceitos humanos inconscientes e até sinalizar linguagem tendenciosa nas descrições de cargos – o que significa que o aprendizado de máquina tem o potencial de identificar candidatos diversos e de alto desempenho que podem ser ignorados pelos recrutadores humanos em uma primeira passagem. Na frente de retenção, o aprendizado de máquina pode aumentar a orientação de grandes gerentes e ajudar os funcionários a ter um melhor desempenho, gerando conselhos de carreira específicos e imparciais, com base em funcionários anteriores com perfis semelhantes.

Com impressionantes 44% dos consumidores dos EUA preferindo interagir com chatbots em vez de humanos, as empresas voltadas para o consumidor que investem em aprendizado de máquina terão uma tremenda vantagem.

O impacto do aprendizado de máquina crescerá

Neste artigo, analisamos algumas das maneiras mais significativas pelas quais o aprendizado de máquina pode criar valor direto e imediato para uma variedade de organizações. Seria um erro ver o aprendizado de máquina como algum tipo de panacéia corporativa – em última análise, o desempenho de um sistema de aprendizado de máquina é tão bom quanto os dados nos quais ele é treinado, e as principais decisões de uma empresa geralmente são “casos de ponta” que requerem uma medida de julgamento humano e experiência anedótica para avaliar.

Em vez de se deslumbrar com o potencial abstrato do aprendizado de máquina, os executivos devem abordar a questão de investir nessa tecnologia fazendo um balanço de seus principais desafios de negócios e comparando-os com a principal capacidade do aprendizado de máquina: extrair sentido e significado de uma tonelada de dados . Dada a diversidade de estudos de caso acima, as chances de que as técnicas de aprendizado de máquina possam ajudar podem ser maiores do que o esperado.