Levando inteligência de decisão para a operação

Pneu de estepe preso na traseira de um veículo

As tecnologias de que precisamos para facilitar a tomada de decisão nas empresas já estão aqui. Mas, para aproveitá-las ao máximo, será preciso reunir cientistas e tomadores de decisão, academia e indústria, comunidades de potenciais cientistas de decisão, e inteligência cognitiva e artificial.

Os computadores estão cada vez mais eficientes em derivar decisões a partir de dados, em comparação com os humanos. Tanto que o software já molda o nosso comportamento e assume tarefas que os humanos executavam mal. Isso não quer dizer que as máquinas vão dominar o mundo (deixamos isso para os filmes de ficção científica). Acreditamos de verdade que os humanos continuarão tendo um papel crítico nas decisões, só que um papel diferente! Vamos ilustrar isso com uma história simples.

Joe é o planejador de produção de uma fábrica de pneus. Ele costumava revisar os níveis de estoque o tempo todo e usava a sua experiência para decidir que tipo de pneu produzir a seguir em cada máquina. Embora fosse muito habilidoso, quando Joe olhava o histórico de decisões e seus resultados, sempre notava ineficiências.

Um dia, Joe conheceu Joana, que ficou curiosa para entender o problema dele. Joana tinha acabado de concluir um curso de Ciência de Dados e queria usar análise para ajudar Joe a construir planos de produção mais eficientes. Já na primeira análise sistemática que fez dos dados históricos de produção do Joe, ela percebeu que as ineficiências eram bem maiores do que ele imaginava. Mais um pouco de investigação os levou a concluir que as ineficiências não eram culpa do Joe. O problema era que ele não tinha visibilidade suficiente da demanda futura, e por isso vivia reagindo e tomando decisões que levavam à subutilização dos ativos.

Então decidiram dar um passo adiante, e Joana se motivou a aprender o básico de Aprendizado de Máquina. Pouco depois, ela já conseguia prever a demanda de pneus com algumas semanas de antecedência e com um bom nível de acurácia. Joe ficou super animado, porque Joana o ajudou a reunir todas as informações necessárias para planejar a produção de um mês inteiro. Isso eliminaria não só as ineficiências, mas também o estresse que Joe vinha sentindo com a pressão de tomar decisões de última hora.

Infelizmente, a empolgação não durou muito. Logo perceberam que planejar a produção com antecedência, num horizonte de um mês, era incrivelmente difícil. Havia cenários demais a considerar, e identificar o melhor parecia impossível, até para uma pessoa experiente como Joe.

Analisar milhares de combinações possíveis de SKU e ativo pode ser insuportável para um ser humano, mas não para um computador. Mais uma vez, Joana decidiu seguir em sua jornada de aprendizado. Desta vez, para estudar Pesquisa Operacional.

Depois de alguns meses, Joana havia aprendido o básico de otimização e modelou o planejamento de produção do Joe como um programa inteiro misto. Seguiu-se um período de testes e melhorias no modelo. Por fim, o programa da Joana passou a produzir programações que surpreenderam o Joe. Em vez de se perder em inúmeras combinações, a tarefa dele agora era fazer pequenos ajustes nas programações para levar em conta aspectos subjetivos que o modelo não captura.

Joana estava satisfeita com a sua contribuição. Agora ela espera colocar no ar uma aplicação web que dê mais autonomia ao Joe para interagir com o motor dela, atualizando dados, mudando configurações e analisando cenários.

Joe estava animado ao perceber todos os benefícios de uma programação de produção bem planejada. Agora, ele pensa em expandir a solução para tratar, ao mesmo tempo, os requisitos de estoque e de distribuição.

Essa história ilustra como a democratização da ciência e da tecnologia pode capacitar as pessoas a tomar decisões melhores. Também sugere que os melhores resultados aparecem quando tomadores de decisão e cientistas colaboram de perto.

Além disso, a história mostra a importância (ou até a necessidade) de quebrar silos, neste caso indo da análise descritiva para a preditiva e a prescritiva, e até o desenvolvimento de software, para entregar os melhores resultados.

No fim, é uma história sobre papéis que mudam e se ampliam. Joe agora usa a tecnologia para apoiá-lo no processo de tomar decisões analíticas e baseadas em ciência, em vez de apenas reagir a eventos de forma caótica. Joana quebra silos para se tornar uma cientista de decisão, capaz de comunicar e entender problemas de negócio, lidar com dados, usar análises descritivas, preditivas e prescritivas e desenvolver software para entregar uma solução que realmente apoia o usuário final a decidir melhor.

Embora a história do Joe e da Joana seja fictícia, ela está longe de ser distante da realidade. Veja o white paper sobre o caso de uso da C.H. Robinson para um exemplo real, especialmente as seções Business Process, User Skepticism e User Productivity Improvement (o artigo está em inglês).

Ver mais artigos do blog

Quer levar essa conversa para a sua operação?

Conte o que você tem em mente e a gente conversa sobre o que daria para fazer no seu caso, sem compromisso.