As empresas lutam para usar a IA para melhorar a maneira como seus negócios operam, um desafio que pode ser mitigado seguindo cinco regras.
There are two faces to the machine-learning component of Inteligência Artificial Algoritmos. Existem as competições de gee-whiz nas quais os dados de dados de dados, recebendo regras fixas, algoritmos de design que desencadeiam uma corrida para resolver aspectos de problemas complexos, como HIV ou previsão de tráfego. As bibliotecas de código aberto foram criadas para abrigar as soluções vencedoras, permitindo que partes delas sejam usadas novamente em concursos futuros. Como a velocidade é crucial, a manipulação de dados automatizada e a identificação de padrões são frequentemente empregados. O ambiente de negócios é inconsistente e cheio de incerteza. Ele muda com frequência e carece das fronteiras relativamente prescritas de uma competição de aprendizado de máquina. Além disso, os problemas de negócios são diversos, desde prever eventos raros, como quebras de equipamentos, a tomar decisões ultraranulares sobre produtos personalizados para clientes individuais.
The other face of machine learning involves the more real-world challenge of how to fix an obsolescent business process or address a business challenge using algorithms and programs. The business environment is inconsistent and full of uncertainty. It changes frequently and lacks the relatively prescribed borders of a machine-learning competition. Moreover, business issues are diverse, ranging from predicting rare events, such as equipment breakdowns, to making ultragranular decisions about personalized products for individual customers.
Not surprisingly then, using machine learning in a business setting has by and large been discouraging. Um estudo 2020 conduzido pela BCG Gamma, pelo Instituto BCG Henderson e MIT Sloan Management Review descobriu que apenas uma em cada dez empresas teve benefícios significativos da IA. Experimente como podem, os cientistas de dados de uma empresa não podem repetir os sucessos de competições de aprendizado de máquina nas operações diárias nas quais a tomada de decisão deve ser prospectiva e confiável. Eles variam desde determinar quais aplicativos de aprendizado de máquina se concentrarem em garantir que um aplicativo seja suficientemente robusto.
To address the divide between the promise of machine learning and the disappointing results in real-time decision making and other business applications, BCG has distilled five rules. They range from determining which machine-learning applications to focus on to ensuring that an application is sufficiently robust.
Targeting Business Value
At many companies, machine learning and AI - O termo guarda -chuva para algoritmos em execução em um Dados e tecnologia A infraestrutura da qual o aprendizado de máquina é o segmento de auto-aprendizado-são vistas como problemas técnicos. Mas, para que a IA tenha valor real em uma organização, tanto seu potencial quanto suas limitações devem ser entendidas pelo lado comercial da empresa, para que as expectativas e os resultados possam ser estabelecidos realisticamente.
Enlarging on that point, global AI expert Kai-Fu Lee, chairman of Sinovation Ventures, argumentou recentemente Que implementações verticais criativas da IA-isto é, aplicativos específicos para os negócios, específicos para a indústria, personalizados para, por exemplo, fabricação de automóveis ou bancos-impulsionarão os ganhos competitivos das empresas e a transformação digital nos próximos anos. Por outro lado, as soluções de IA horizontais e entre indústrias, como adicionar o reconhecimento de imagem pronta para uso a equipamentos médicos ou câmeras, serão cada vez mais valiosos.
Por esse motivo, as empresas devem avaliar o valor comercial tangível da IA através da lente de uma fórmula de 10-20-70. Ou seja, 10% do esforço estará na construção de um modelo adequado de aprendizado de máquina-um conjunto algorítmico de regras ou instruções para ajudar o sistema a aprender por conta própria; 20% envolverão implementação e inovação de dados e tecnologia de alta qualidade; e 70% se concentrarão no desenvolvimento de novos processos de negócios ou na transformação da maneira como as funções de negócios operam. (Consulte a exposição.)
To adopt this formula and get the biggest performance boosts from AI, companies must take a series of tactical and strategic steps keeping five rules in mind. (See the exhibit.)
Regra 1. O aplicativo de IA deve corresponder aos resultados relacionados aos negócios desejados
Even within a single category, there are numerous options for the types of raw data to feed a machine-learning algorithm. For instance, if the system is intended to create a sales forecast, data about product prices can be input using absolute currency value; however, discount versus reference prices can often be more relevant, particularly when demand elasticity is a priority. On the other hand, if cannibalization is a concern, relative price differences among similar products sold by other companies may matter more. Many of these data transformations can now be obtained via open-source libraries, such as AutoML. But often companies choose that option instead of devoting the time needed upfront to fully understand the input data required by the specific business problem.
Collaboration with the people most responsible for dealing with the business issue at hand is essential to building the right features into the system. For example, a retailer that sells luxury fashion products (primarily women’s handbags and clothing) recently wanted to generate a list of high-potential customers. But since relatively few purchases of luxury products are made, an AI system using traditional classification information—demographic profiles or purchase history by category, price, or shopping location—would not likely produce helpful results.
After lengthy discussions with sales and marketing experts, the retailer developed an AI model using such data as people who visited a store just after the release of a new product or people who browsed the retailer’s website and afterwards visited a store to make a purchase. Adding these wrinkles to the data input into the AI system resulted in a list of potential customers that was 20 percentage points more effective at predicting actual shopping behavior than a similar list of customers identified using standard approaches. Additionally, the people singled out by the machine-learning system spent 80% more money on the retailer's products than those in the other group.
Rule 2. Use External Data to Amplify the Business Impact
Many companies mistakenly assume that data generated internally is sufficient to drive machine-learning models. This is akin to thinking that a company can operate in isolation from the world around it—which is not an option in today's dynamic landscape. Of course, collecting exhaustive, accurate, and relevant external data for machine learning requires a lot of effort, but it also provides a clear competitive advantage because it allows for decision making based on dynamic changes in the environment.
For instance, in an engagement with a major airline, BCG was asked to build a forecasting tool to predict consumer demand across different routes as travel picks up post-pandemic. Rather than relying solely on the carrier's reams of historical data, we looked at external information as well, including travel search patterns across demographics, transaction data across airlines, actual and likely travel restrictions in specific regions, and consumer economic activity by region. With this data, machine-learning forecasts of the number of passengers per route were 20% more accurate than those provided by older predictive systems, resulting in improved flight and crew planning and some $60 million in cost savings in 2020. The airline's AI system drove a decision support tool that helped optimize routes according to real-time demand by airport, route, destination, day, and time and helped airline personnel react to scheduling changes and match flight and crew planning to shifting demand.
For AI to have real value, both its potential and its limitations must be understood by the business side, so that expectations and outcomes can be realistically established.
Regra 3: Conquistar a complexidade, dividindo o modelo de IA em suas menores partes
No mundo das competições de aprendizado de máquina, a complexidade reina. Os cientistas de dados montam sistemas algorítmicos vastos e impenetráveis para mostrar como uma máquina pode ser inteligente. O problema é que esses sistemas são relativamente inúteis por lidar com os problemas que uma empresa pode enfrentar. Em vez de tentar replicar os sucessos dessas competições, as empresas podem colocar a agilidade de um modelo de IA para funcionar, projetando submodelos mais simples e interpretáveis direcionados à lógica de negócios de problemas relativamente circunscritos. Os sistemas de recomendação típicos, como os usados pela Netflix ou Amazon, analisarão os hábitos de compra e navegação das pessoas e produzirão uma ampla lista de itens sugeridos que possam corresponder aos interesses de um indivíduo. Nessas configurações, o consumidor dificilmente percebe se algumas das recomendações estiverem totalmente fora da base, e isso raramente afetará se ele ou ela acaba fazendo uma compra ou continuando a se envolver com o site. Mas, em um ambiente B2B, onde um vendedor deve fazer recomendações precisas e relevantes ou perder o cliente, há pouco espaço para várias sugestões equivocadas. O primeiro identifica o escopo do projeto - por instância, se o pedido inicial indica que o cliente requer manutenção ou uma nova instalação. Um segundo algoritmo identifica quais categorias de produtos são necessárias para concluir o projeto. E um terceiro algoritmo identifica qual SKUS melhor atende aos requisitos específicos do projeto. É importante ressaltar que essa hierarquia de recomendações suporta naturalmente o discurso de vendas: primeiro o projeto específico, depois outras atividades de construção relacionadas ao projeto e, finalmente, os produtos individuais necessários para executar essas partes adicionais do trabalho. Essa abordagem de aprendizado de máquina aumentou as vendas do distribuidor em cerca de 2%.
To illustrate, a B2B distributor in the construction materials and equipment sector wanted to build an AI-based product recommender system for its sales teams serving small to midsize subcontractors. Typical recommender systems, such as those used by Netflix or Amazon, will analyze people’s purchasing and browsing habits and produce a broad list of suggested items that might match an individual's interests. In these setups, the consumer hardly notices if a few of the recommendations are totally off base, and this will rarely affect whether he or she ends up making a purchase or continuing to engage with the website. But in a B2B setting, where a salesperson must make accurate and relevant face-to-face recommendations or possibly lose the customer, there is little room for multiple misguided suggestions.
With these constraints in mind, the B2B company adopted a three-step AI algorithm. The first one identifies the scope of the project—for instance, whether the initial order indicates that the client requires maintenance or a whole new installation. A second algorithm identifies which product categories are needed to complete the project. And a third algorithm identifies which SKUs best meet the project's specific requirements. Importantly, this hierarchy of recommendations naturally supports the sales pitch: first the specific project, then other building activities related to the project, and finally the individual products needed to execute those additional parts of the job. This machine-learning approach increased the distributor’s sales by about 2%.
Regra 4: O aprendizado de máquina deve ajudar na tomada de decisões de negócios concretas
Machine-learning systems are often judged by how accurate their view of the future is, but perfect predictions do not necessarily produce optimal decisions. Instead, performance should be measured against the incremental value that the company gains from decisions driven by the system. Generating a demand forecast without an associated decision support tool that adjusts supply to demand will not add maximum value.
É aqui que os algoritmos de otimização entram na figura. Um mecanismo de otimização usa a base de conhecimento da IA para sugerir decisões que melhor se adequam a um objetivo, como melhorar as margens, limitar os custos ou atender aos prazos específicos. Os algoritmos de otimização exploram todas as decisões possíveis e identificam as que terão mais impacto ao mesmo tempo em que acomodam restrições de negócios. Eles permitem que os usuários criem ferramentas de simulação e planejamento que abrem um diálogo entre o sistema de IA e as pessoas do lado comercial da empresa; Isso, por sua vez, geralmente leva à adoção de análises avançadas que expandem ainda mais o conhecimento da empresa sobre suas operações e as melhores maneiras de obter desempenho ideal. Em seu nível mais básico, o componente de aprendizado de máquina fornece previsões da melhoria de vendas de volume por produto gerado por diferentes campanhas de desconto e publicidade, levando em consideração a época do ano, a extensão da cobertura promocional, atividade do concorrente e atratividade do produto. Mas essas previsões têm pouco valor sem decisões associadas sobre os tipos e a programação de planos promocionais por varejista e produto que podem potencialmente produzir um lucro máximo acima do investimento no sistema de IA. problemas. Os algoritmos de otimização no programa de IA da empresa podem lidar facilmente com esses cálculos, enquanto os gerentes de negócios podem se concentrar na avaliação do custo e eficácia de várias decisões sobre os planos promocionais. Com esse sistema em equipamento, a empresa de produtos de consumo teve um aumento de 10 a 20 pontos no retorno promocional do investimento, dependendo da localização e tamanho da campanha.
A consumer products company recently installed an AI system to assess its promotional programs in stores. At its most basic level, the machine-learning component provides forecasts of the volume sales improvement per product generated by different discounting and advertising campaigns, taking into account time of year, extent of the promotional coverage, competitor activity, and product attractiveness. But these forecasts have little value without associated decisions about the types and scheduling of promotional plans per retailer and product that could potentially produce a maximum profit above the investment in the AI system.
Building a promo plan like this is cumbersome, first because of the huge number of possibilities and second because of the operational constraints it must satisfy regarding promotion intensity, interaction with other marketing activities, brand strategic plans, retailer contracts, and other legal issues. The optimization algorithms in the company's AI program can easily handle these computations, while business managers can focus on evaluating the cost and efficacy of various decisions about the promotional plans. With this system in gear, the consumer products company enjoyed a 10- to 20-point increase in promotional return on investment, depending on the location and size of the campaign.
A colaboração com as pessoas mais responsáveis por lidar com a questão dos negócios em questão é essencial para criar os recursos certos no sistema.
Regra 5: Evite os resultados de aprendizado de máquina que parecem precisos, mas não podem ser úteis
Ao liderar um negócio, você age hoje para criar o crescimento de amanhã. Da mesma forma, ao criar um sistema de aprendizado de máquina, é um erro se concentrar na precisão de seus resultados passados, relacionados a condições anteriores da empresa e não são necessariamente relevantes para contextos e problemas que podem surgir no futuro. Melhor ainda, talvez, seja inserir um conjunto robusto de informações na fase de desenvolvimento. Muitas vezes, os resultados da IA são defeituosos porque os dados são muito finos e míopes, abatidos, por exemplo, apenas de processos de fabricação ou campanhas de marketing que permaneceram essencialmente inalterados por pelo menos alguns anos. Os algoritmos reunidos a partir desses dados provavelmente omitirão o conhecimento sobre possíveis nuances e variações que podem governar o processo de negócios - e refletir apenas um passado relativamente inerte. Para mitigar esse problema, os algoritmos devem ser combinados desde o início com uma representação completa dos processos de negócios da Companhia, detalhes que só podem ser obtidos de pessoas do lado comercial que gerenciam operações diárias. O motor integra todas as regras empíricas do piso de fábrica tão intuitivamente que o sistema agora é usado para testar hipóteses para possíveis mudanças nessas regras. Quando adotados, as alterações enriquecem ainda mais o próprio banco de dados de treinamento do sistema, permitindo posteriormente recomendações ainda mais refinadas e perspicazes. Com esse conjunto de IA robusto e de auto-aprendizado, a empresa atingiu níveis recordes de desempenho, incluindo um ganho de 15% na produção em um setor que comemora quando a produtividade aumenta apenas 3%. Por esse motivo, para realmente aproveitar o poder do aprendizado de máquina, as empresas devem construir equipes multidisciplinares que fundam a tecnologia e as operações para que a organização possa aproveitar o melhor de dois mundos: cientistas de dados com fortes especialistas em conhecimento e negócios que entendem o que podem alcançar com o aprendizado de máquina. Essas equipes poderão fazer uso ideal da IA para ganho de negócios e, no processo, permitirá que a empresa aproveite a face menos nerd, mas mais trabalhosa, do aprendizado de máquina - aquele que pode ter o maior impacto no desempenho dos negócios. Inscreva -se
A better approach is to assess the future credibility and usefulness of the system’s conclusions by running sensitivity analyses against all types of possible conditions that could affect the company’s short- and long-term performance. Even better, perhaps, would be to input a robust set of information in the development stage. Often AI results are faulty because the data is too thin and myopic, culled, for instance, solely from manufacturing processes or marketing campaigns that have remained essentially unchanged for at least a few years. Algorithms assembled from this data will likely omit knowledge about possible nuances and variations that may govern the business process—and only reflect a relatively inert past. To mitigate this problem, algorithms should be combined from the outset with a well-rounded representation of the company’s business processes, details that can only be obtained from people on the business side who manage day-to-day operations.
The value of this approach is evident from an AI suite that we installed for a client operating large-scale industrial facilities. The engine integrates all the empirical rules from the factory floor so intuitively that the system is now used to test hypotheses for potential changes in those rules. When adopted, the changes further enrich the system's own training database, subsequently allowing for even more refined and insightful recommendations. With this robust, self-learning AI suite, the company has reached record performance levels, including a 15% gain in output in an industry that celebrates when productivity is up just 3%.
The five rules we offer require significant collaboration between data scientists and so-called domain experts on the business side of the company. For that reason, to truly harness the power of machine learning, companies should build multidisciplinary teams that meld technology and operations so that the organization can enjoy the best of two worlds: data scientists with strong business-side knowledge and business experts who understand what they can achieve with machine learning. These teams will be able to make optimal use of AI for business gain and, in the process, allow the business to take advantage of the less geeky but more workaday face of machine learning—the one that can ultimately have the biggest impact on business performance.
