O Gartner mostra que a Ciência de Dados (Data Science) e Aprendizado de Máquina (Machine Learning) possuem profundos impactos nos negócios e estão rapidamente se tornando fundamentais para a diferenciação e, em algumas vezes, para a sobrevivência. Ser capaz de, em pouco tempo, de categorizar os impactos e comunicar seu potencial ajudará líderes de Data e Analytics a gerarem melhores resultados.
Erick Brethenoux, diretor de Pesquisa do Gartner, explica as cinco categorias desse impacto:
Inovação: Promover um novo pensamento e rupturas de negócios baseados na Ciência de Dados – Com a capacidade de enquadrar problemas complexos de negócios como Aprendizado de Máquina ou problemas de pesquisa de operação, cientistas de dados detêm a chave para revelar melhores soluções para antigos problemas. Eles podem ajudar até mesmo a solucionar problemas e abordagens que eram anteriormente desconhecidas.
Um exemplo, popularizado no filme e no livro Moneyball, mostra como antigas formas de avaliar performance em baseball eram superadas pela aplicação da ciência de dados. Uma equipe de baseball usa as técnicas de Ciência de Dados para superar sua desvantagem financeira. Ela conseguiu isso usando Analytics para identificar jogadores de alta performance que outras equipes tinham negligenciado usando métodos tradicionais, e, portanto, conseguiu contratar esses profissionais a um custo relativamente baixo. O resultado foi que a equipe ganhou de times com jogadores de maior custo.
Outro exemplo é o de uma empresa de entrega de pacote multinacional. A UPS usava Ciência de Dados em seu sistema de Otimização e Navegação Integrada On-Road (ORION) para descobrir como mudar significativamente a rota de seus caminhões de entrega. Com o uso de novos recursos de dados, economizou centenas de milhões de dólares e gerou uma experiência diferenciada a seus clientes.
Exploração: Explorar padrões desconhecidos transformadores em dados – Cientistas de dados devem ser encorajados a fazer "grandes expedições" no uso de informações, mesmo sem ter um objetivo inicial claro. Cientistas de dados de um fornecedor de serviços marítimos japonês constatou, por exemplo, que ao fornecer seus serviços tradicionais para classificação de navios, eles estavam coletando uma base de dados valiosa que possuía grande potencial para outras áreas.
Aplicar a análise certa para esses dados significava que os operadores de navios poderiam reduzir falhas de equipamento e custos de manutenção da vida útil em 10%. Isso permitiu que a organização aumentasse rapidamente sua participação no mercado em 20% ao oferecer esse novo serviço de valor agregado aos clientes.
Protótipo: Desafiar o status quo com novas soluções radicais – A tomada de decisão humana está cada vez mais inadequada em um novo mundo digital com um universo em constante expansão de dados. Ciência de Dados e Aprendizado de Máquina podem resolver problemas complexos que sobrecarregam até mesmo a pessoa mais inteligente. A lista de desafios de negócios ou da área governamental que a Ciência de Dados pode resolver é potencialmente infinita.
Um exemplo disso é um departamento de polícia dos Estados Unidos que precisou de uma forma automatizada e eficiente para atrair insights sobre um enorme volume de dados de crimes. A solução de Analytics fez análises de 'previsões' de crimes para otimizar a implantação de forças policiais, reduzindo, assim, a taxa de homicídio em 35% e a de roubos em 20% ano após ano. O retorno do investimento (ROI) estimado desses impactos era de 863%.
Análises automatizadas de vários sintomas de doença e dados de exames laboratoriais é outra área de grande potencial para adotar aplicações de Ciência de Dados para mudar vidas para melhor.
Refinamento: Aperfeiçoa continuamente processos e produtos existentes – Esta talvez seja a aplicação mais comum da Ciência de Dados. A maioria dos cientistas de dados trabalha na produção de parte de seus negócios e possui modelos estabelecidos para refinar processos e produtos de acordo com as informações que sua organização coleta.
Exemplos comuns seriam a segmentação de marketing, varejistas adotando modelos de precificação dinâmicos ou bancos ajustando seus modelos de risco financeiro. "Um mergulho mais profundo de uma equipe de Ciência de Dados pode descobrir algo interessante sobre o que está realmente acontecendo", diz o analista do Gartner.
Um exemplo recente disso é o case da Zurich Insurance, que reduziu as ineficiências no trato de reclamações de ferimentos usando uma solução de Inteligência Artificial (IA) para automatizar plenamente as avaliações de relatório de danos. Ela alavancou IA para automatizar completamente os relatórios de avaliação médica para que os humanos pudessem focar nas atividades de maior valor agregado tais como negociar com a contraparte. O tempo para avaliar um relatório médico foi cortado de uma hora para somente alguns segundos, gerando uma economia de US$ 5 milhões ao ano.
Combate ao incêndio: Identificar os impulsionadores de certas situações indesejadas – Esta categoria é muito similar à de exploração em termos de seus métodos, mas é aplicada em um contexto diferente. Algumas vezes, as organizações desencadeiam uma iniciativa de Ciência de Dados em resposta a crises na qual os sintomas são óbvios – por exemplo, um aumento nas reclamações de clientes ou uma queda rápida na lucratividade.
Nesses casos, a equipe de Ciência de Dados tem que identificar somente a causa, limitando o alcance da base de dados que ela precisa analisar. Algumas vezes a descoberta de dados básicos ou autosserviço de Business Intelligence (BI) é suficiente, mas geralmente um mergulho mais profundo pela equipe de Ciência de Dados pode descobrir algo interessante sobre o que está realmente acontecendo. Exemplos comuns incluem varejistas online que investigam porque clientes devolvem mercadorias apesar dos preços serem imbatíveis, entregas serem pontuais e a qualidade ser boa, ou os fabricantes realizarem investigações abertas nas flutuações de qualidade.
