O panorama da tomada de decisão orientada por análise

Pessoas conversando em uma mesa de reunião com um notebook

Nas organizações, as pessoas tomam decisões o tempo todo. Elas vão das pequenas, repetitivas e de curto prazo às menos frequentes, estratégicas e de grande impacto. Em todos os casos, o melhor caminho para decisões sábias (ou ótimas, quando dá para quantificá-las) é aproveitar ao máximo os dados disponíveis.

A pergunta, então, é: o que é preciso para usar dados no apoio à tomada de decisão?

Entendendo o panorama

Usar dados para apoiar a tomada de decisão é um processo que pode ser dividido em três grandes etapas, normalmente tratadas com análise descritiva, preditiva e prescritiva.

Etapa 1: entender o comportamento atual do sistema

Tradicionalmente, espera-se que quem decide seja uma pessoa com muita experiência, porque ela tem uma compreensão ampla do negócio. Quando se trata de decisões orientadas por análise, a experiência é substituída por dados, dos quais extraímos (tanto quanto possível) essa compreensão ampla.

Por exemplo, suponha que o Sr. Mip queira visitar um amigo que mora no meio de um grande centro urbano. Se o Sr. Mip for um motorista de entregas que trabalha nessa cidade há dez anos, ele certamente consegue chegar à casa do amigo sem ajuda. Mas, se ele for novo na cidade, precisa começar coletando dados para identificar rotas possíveis. Dá para ir de ônibus? E de metrô? Carro por aplicativo é uma opção? E ir dirigindo? Quais são os horários de pico? Vai chover? Há restrições de trânsito? Quais são as regras de estacionamento? O Sr. Mip precisa aprender o máximo possível sobre o sistema de transporte da nova cidade.

Etapa 2: prever o comportamento futuro do sistema

Como as decisões só afetam o comportamento de um sistema no futuro (a decisão que você toma hoje não muda o que aconteceu ontem), é crucial entender como o sistema evolui. Só assim dá para planejar com antecedência. Além disso, quanto mais à frente conseguimos prever o comportamento do sistema, melhor conseguimos nos planejar para ele. Pode parecer óbvio, mas você se impressionaria ao saber como até organizações bem estabelecidas tendem a ignorar isso.

Por exemplo, se o Sr. Mip soubesse pela previsão do tempo que há uma grande chance de chuva forte no começo da noite, e sabendo que o trânsito costuma travar nesse horário, ele poderia considerar outros horários, outras rotas ou outros meios de transporte antes de sair para a casa do amigo.

Etapa 3: analisar todas as opções viáveis para tomar a melhor decisão

Tomar a melhor decisão é algo bem delicado, que merece uma reflexão mais profunda.

Quando falamos da melhor, assumimos implicitamente que existe uma forma de comparar duas alternativas quaisquer e decidir qual é a melhor. Mas isso nem sempre é possível.

Por exemplo, suponha que o Sr. Mip tenha duas opções:

  • Ir de ônibus, o que leva 25 minutos e custa US$ 8; ou
  • Pegar um carro por aplicativo, o que leva 8 minutos e custa US$ 25.

Qual é a melhor? A resposta é: depende. Matematicamente, essas duas alternativas não são comparáveis, a menos que atribuamos pesos às dimensões de custo e de tempo. Mas, dependendo do contexto, decidir os pesos pode virar um problema por si só.

Além disso, mesmo quando todas as alternativas são comparáveis, pode haver várias soluções igualmente boas. Por exemplo, se dinheiro e tempo forem igualmente importantes para o Sr. Mip, ou seja, se receberem o mesmo peso, então ir de ônibus ou de carro por aplicativo não faz diferença no exemplo acima.

Também pode haver aspectos bem subjetivos de uma decisão, difíceis de capturar de forma quantitativa. Por exemplo, mesmo que dinheiro e tempo sejam igualmente importantes para o Sr. Mip, ele pode ter preocupações ambientais e achar que o ônibus é uma alternativa mais sustentável.

Por fim, supondo que temos uma forma quantitativa de comparar alternativas, como normalmente temos em problemas práticos da indústria, o número de opções pode ser um grande desafio. Num extremo, pode haver nenhuma ou pouquíssimas alternativas por causa de um grande número de requisitos complexos, o que costuma ser um problema muito difícil de resolver. No outro extremo, o número de alternativas pode ser astronômico, e aí fica difícil identificar as boas. Nos dois casos, os computadores ajudam muito, e a análise avançada (ou inteligência artificial) encontra ótima aplicação.

Um novo paradigma para a tomada de decisão

Como vimos, há muita coisa envolvida em analisar todas as opções viáveis para tomar a “melhor” decisão em um problema. Felizmente, a análise de dados conta com metodologias e tecnologias para lidar com esses desafios. Ainda assim, precisamos aceitar que mesmo as soluções de análise avançada quase nunca são perfeitas. Afinal, o mundo real é cheio de ambiguidades, e ambiguidade não combina com perfeição.

Antes de a análise de dados (ciência de dados, aprendizado de máquina, pesquisa operacional etc.) ficar popular, organizações de muitos setores, como transporte, bens de consumo, manufatura, saúde e entretenimento, usavam os dados nas suas decisões estratégicas, táticas e operacionais de forma bem improvisada. Ou seja, as organizações dependiam só da inteligência cognitiva de pessoas experientes.

Esse cenário começou a mudar drasticamente conforme a ciência progrediu, a tecnologia evoluiu e as grandes organizações passaram a obter um valor enorme de abordagens sistemáticas (incluindo algoritmos avançados) para extrair decisões ótimas dos dados a que têm acesso.

O Google, a Amazon e outras prosperaram não por dar informação aos clientes, mas por dar a eles atalhos para decisões e ações.

Harvard Business Review, Analytics 3.0 (tradução nossa)

Decisões mais sábias

Pelas seções anteriores, deve estar claro que a análise de dados, sozinha, nem sempre basta para levar a decisões sábias. Na verdade, a análise de dados é principalmente inteligência artificial (para deixar claro, estamos falando de IA prática, como discute Mike Watson no seu blog). Mas a ambiguidade do mundo real exige também inteligência cognitiva.

Há dois cenários principais em que a inteligência cognitiva pode contribuir para o processo de decisão. O primeiro é o próprio desenvolvimento das soluções de análise. Por exemplo, a inteligência humana é crucial na modelagem, porque as pessoas entendem o contexto do negócio e conseguem explorar características de problemas desafiadores para desenhar a solução. O segundo cenário é a implantação e o uso das soluções. Por exemplo, quando as recomendações do software não podem ser colocadas em prática de imediato. Isso pode acontecer por causa de aspectos subjetivos do problema que o modelo não captura. Nesses casos, a intervenção humana (ou seja, a inteligência cognitiva) é necessária.

No cenário ideal, funciona assim: as pessoas controlam o panorama geral, tanto do lado do desenvolvimento quanto da implantação. Mas, à medida que a análise de dados evolui e se torna superior em certas tarefas, as pessoas delegam essas tarefas às máquinas e usam o tempo extra para enfrentar o próximo nível de complexidade, que a inteligência artificial ainda não dá conta de resolver.

Pense na analogia entre dirigir um carro de câmbio manual e um de câmbio automático. Dirigir um carro automático exige muito menos raciocínio, porque a inteligência artificial cuida de acompanhar a velocidade e trocar as marchas. Com isso, o motorista pode prestar mais atenção na estrada. E, se o carro fosse totalmente autônomo, o motorista poderia até ler um livro sobre IA no caminho para o trabalho!

Conclusão

Começamos pelo panorama geral e aos poucos nos aprofundamos em alguns dos principais desafios de tomar decisões orientadas por análise no mundo real. Apontamos ineficiências e vantagens de usar análise avançada em contextos práticos, destacando os papéis importantes que as pessoas têm a cumprir, tanto do lado do desenvolvimento quanto do lado do uso de uma solução de análise.

Resumindo, estamos convencidos de que a transformação digital não é substituir pessoas por máquinas, e sim sincronizar com sabedoria a inteligência cognitiva e a artificial.

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.