Consultando máquinas inteligentes na mídia

Traditional media companies, recognizing that they need to find a path to a brighter future, are just beginning to experiment with robotic process automation (RPA) and artificial intelligence (AI). But few have tapped the full potential of RPA and AI to stabilize their legacy businesses, reduce back-office costs, and create rewarding experiences for their audiences.

RPA and AI are complementary tools—the brawn and brains of performance. In many industries outside of media, companies have improved efficiency through RPA while introducing AI in order to secure a strategic edge. (See “ Alimentando a economia de serviço com RPA e AI , ”BCG Artigo, junho de 2017.)

dentro de Mídia , muitas empresas mais recentes, como Spotify, Netflix e Facebook, há muito tempo adotam essas duas tecnologias - e agora é hora das empresas de mídia mais tradicionais darem o mesmo salto. Para ser lançado no mundo da automação e da inteligência de máquinas, as empresas de mídia podem começar com atividades de rotina de baixo valor e libertar os seres humanos para se concentrar na criação de conteúdo assassino e outras atividades cruciais. Posteriormente, eles podem aproveitar o poder cognitivo das máquinas para trazer insights e velocidade que melhorarão a experiência do público e melhorarão o processo criativo. Esses bots podem abrir bancos de dados e sistemas de gerenciamento de conteúdo, copiar dados entre programas, comparar entradas e executar outras tarefas de rotina. O RPA é ideal para processos repetitivos e orientados por regras que abrangem vários sistemas de TI-é como uma macro em esteróides.

A Role for Machines in Media

In RPA, software robots take over activities traditionally performed by humans. These bots can open databases and content management systems, copy data between programs, compare entries, and perform other routine tasks. RPA is ideal for repetitive, rules-driven processes that span several IT systems—it’s like a macro on steroids.

Os bots têm várias vantagens sobre os seres humanos. Eles trabalham 24-7, raramente cometem erros, aceitam novas tarefas sem reclamação, são fáceis de monitorar e operam quatro a cinco vezes mais rápido que os humanos. Geralmente, eles pagam por si mesmos dentro de um ano e ajudam as empresas a aumentar a produtividade em até 80%, dependendo da quantidade e da complexidade do trabalho manual que estão substituindo.

Para melhor ou pior, o RPA é um band-aid. Ele pode ser colocado em cima dos sistemas de TI existentes sem demorar tempo e integração cara. Mas os bots de software são seguidores rígidos de regras. Eles não aprendem nem melhoram com o tempo. Quando as regras mudam ou conflitam com a realidade e quando ocorrem eventos inesperados, é necessária a intervenção humana. Sempre que as empresas mudam os sistemas subjacentes, elas também precisam modificar os bots que são executados em cima deles. As empresas devem ser disciplinadas na documentação de mudanças nos sistemas e processos o tempo todo, mas especialmente quando estão escalando a RPA.

In addition, RPA decreases the flexibility of the IT architecture. Whenever companies change the underlying systems, they also need to modify the bots that run on top of them. Companies should be disciplined in documenting changes to systems and processes at all times but especially when they are scaling up RPA.

AI, por outro lado, é a realização do comportamento inteligente nos computadores. Os sistemas de IA são sinalizadores e retendo o conhecimento. Eles podem interagir profundamente e intuitivamente com o mundo real e com os seres humanos, tomar decisões em situações ambíguas e aprender com a experiência. O aprendizado de máquina (ML) é um ramo da IA ​​no qual as máquinas aprendem com pouca ou nenhuma intervenção humana. No setor de mídia, por exemplo, as empresas estão usando a IA e o ML para direcionar públicos específicos com publicidade e conteúdo relevantes e automatizar a seleção, anotação e produção de vídeos. (Consulte “Toda a automação adequada ao objetivo no New York Times.”)

Four Steps to Take Before Introducing Bots and AI

Even companies with legacy technology architectures can roll out automation and AI, and many media companies have started. (See “Media and the Machine.”) Before proceeding, they should take four steps:

• Clear Vision and KPIs. One effective approach is to set top-down targets that are then broken down by departments. This ensures the strategic alignment of AI and automation projects as well as the development of expertise and capabilities in individual parts of the company.
• Talent and Outsourcing Strategy in Light of AI Scarcity. A key part of the strategy should be a framework for how and when to use external vendors. Vendors play a distinct role in an AI world because they need to train their AI tools using data, which often includes sensitive client information. Media companies need to work with these vendors in ways that strengthen rather than sacrifice competitive advantage while increasing their internal capabilities.
• Identification of Processes to Automate. Companies should identify established processes that can be broken down into discrete tasks. This common-sense requirement is sometimes challenging at organizations whose processes were built in an analog world and rely on the expertise of individual contributors. It can also be tricky when newer digital processes are in flux.
• Coleta e estratégia de dados. Ao construir um mecanismo de personalização e recomendação para os consumidores, por exemplo, dados demográficos gerais e amplos são muito menos valiosos do que os dados sobre as identidades, interesses e intenções de compra de curto prazo. (Ver " Companies should pull together a sufficient quality and quantity of granular data to feed into the machines and a strategy to acquire data from second and third parties. In building a personalization and recommendation engine for consumers, for example, broad, general demographic data is much less valuable than data about users’ identities, interests, and near-term purchasing intentions. (See “ As empresas de mídia devem reimaginar seus dados para um mundo digital , ”BCG Artigo, setembro de 2017.)

Três abordagens para implementar bots e ai

Organizações de mídia têm três opções para introduzir automação e inteligência de máquina, dependendo da sua ambição e a extensão de sua infraestrutura legada: || 3713

• RPA Overlay. Rather than replacing old systems, companies can use RPA to extend the life of their existing infrastructure. RPA can automate what is sometimes called “revolving chair processes,” activities that require humans to move back and forth among legacy back-office systems.
• AI-Supported Automation. AI can take over specific repetitive tasks currently completed by humans, delivering results more quickly and with higher quality. It can also perform tasks such as making recommendations on Netflix or Spotify much faster than humans. In this support role, the AI engine generally covers specific self-contained tasks rather than managing an entire process. Even in these contexts, there is typically a human in the loop to monitor performance.
• RPA e AI combinados. Como complementos, RPA e AI também podem trabalhar juntos. As empresas podem atingir o rápido retorno da RPA e o potencial avançado da IA. O YouTube, por exemplo, conta com o ML para identificar possíveis vídeos extremistas e relacionados ao terror. Um sistema RPA bloqueia esses vídeos e os direciona para um humano para confirmar que a máquina tomou a decisão certa. Com o tempo, um sistema de IA pode assumir mais etapas nesse processo, pois começa a imitar a tomada de decisão humana. Para a RPA, as empresas precisam identificar processos padronizados que os robôs podem assumir a escala e outros processos que ainda são padronizados, mas menos fáceis de escalar, porque, por exemplo, podem ser destinados a segmentos de clientes específicos.

For RPA and AI to succeed, the right environment is vital. For RPA, companies need to identify both standardized processes that robots can take over at scale and other processes that are still standardized but less easy to scale because, for example, they may be aimed at specific customer segments.

O grau de dificuldade envolvido na implementação da IA ​​é maior que no RPA, exigindo uma compreensão detalhada do significado e da qualidade dos dados disponíveis. As empresas precisam identificar dados relevantes e os sistemas que o mantêm. Eles então precisam acessar, coletar e armazenar esses dados para que possam ser alimentados em algoritmos de tomada de decisão. As emissoras têm trabalhado duro para introduzir a TV endereçável, na qual anúncios direcionados são inseridos em programas de TV. Mas como eles não têm acesso a dados sobre a demografia e os interesses de seu público, eles estão em desvantagem. As emissoras de farsos, no entanto, dependem do gerenciamento de dados baseado em IA para processar e triangular dados de dispositivos conectados e terceiros para criar perfis de famílias e indivíduos. Esse exercício de coleta de dados criativo permite que eles segmentem anúncios para públicos específicos. (Consulte a exposição.)

These tasks can be challenging, particularly for media companies such as broadcasters that do not have a direct relationship to their audience. Broadcasters have been working hard to introduce addressable TV, in which targeted ads are inserted into TV programs. But because they do not have access to data on the demographics and interests of their audience, they are at a disadvantage. Farsighted broadcasters, however, rely on AI-based data management to process and triangulate data from connected devices and third parties to build profiles of households and individuals. This creative data collection exercise allows them to target ads to specific audiences.

Many use cases in media organizations are ripe for RPA and AI, including topic monitoring and recommendation, text-to-speech and voice interfaces, dynamic pricing, service activation, and campaign management. (See the exhibit.)

comparado com a informatização das redações que não precisam de uma vez, a introdução da Introdução de RPA e AI em mídia. As primeiras etapas são identificar vários casos de uso promissores como pilotos, definir metas de negócios e KPIs para cada piloto e, em seguida, estabelecer medidas para adquirir os dados e recursos tecnológicos para atingir esses objetivos. À medida que as empresas investigam mais profundamente a automação e a inteligência, descobrem que as tecnologias mudam a natureza e a economia do trabalho e, consequentemente, têm implicações significativas para a maneira como as empresas devem organizar e prestar seus serviços. A IA, por exemplo, é essencialmente uma atividade de teste e aprendizado na qual as máquinas aprendem com os resultados anteriores. E os funcionários que trabalham ao lado das máquinas devem adotar uma abordagem iterativa semelhante. Essa maneira de trabalhar pode ser um desafio para as configurações hierárquicas das redações, estúdios de transmissão e outras operações da mídia. Até que mais pessoas sejam treinadas na IA, a questão permanece como - não - para trabalhar com esses fornecedores. Idealmente, as organizações de mídia devem limitar o acesso dos fornecedores a dados exclusivos e de alta qualidade. Ao mesmo tempo, eles podem comprar ou licenciar soluções prontas para uso apenas em áreas de commodities, como RH, finanças e otimização de atendimento ao cliente, desde que monitorem continuamente a segurança cibernética e a força de conformidade dos fornecedores. (Ver "

In moving beyond pilots, the degree of difficulty rises. As companies delve more deeply into automation and intelligence, they discover that the technologies change the nature and economics of work and consequently have significant implications for how companies should organize and deliver their services. AI, for example, is essentially a test-and-learn activity in which machines learn from past results. And the employees working alongside the machines must adopt a similar iterative approach. This way of working may be challenging to the hierarchical setups of newsrooms, broadcast studios, and other media operations.

Vendor management is more critical in AI than in traditional technology areas because these companies have hired so many of the scarce AI professionals. Until more people are trained in AI, the issue remains how—not whether—to work with these vendors. Ideally, media organizations should limit vendors’ access to high-quality, unique data. At the same time, they can buy or license off-the-shelf solutions only in commodity areas such as HR, finance, and customer service optimization, as long as they continually monitor the cybersecurity and compliance strength of the vendors. (See “ O dilema de construção ou compra em AI , ”BCG Artigo, janeiro de 2018.)

Em última análise, as empresas de mídia podem estar indo para um imperativo "automação e inteligência" - similares para os mantras "Mobile First" ou "Digital First" de apenas alguns anos atrás. As organizações de mídia devem se preparar para este novo mundo construindo entendimento e capacidades. No processo, eles libertarão os humanos para fazer o que fazem de melhor, o que é contar histórias atraentes, criar experiências envolventes do cliente e fazer conexões com seu público.

The good news is that machines can provide step-change improvements in efficiency, performance, and insights. In the process, they will free humans to do what they do best, which is to tell compelling stories, create engaging customer experiences, and make connections with their audiences.