You are on page 1of 10

PRODUZIDO POR EM PARCERIA COM

Aprendizado de máquina (ML):


o novo campo de testes para a
vantagem competitiva
Uma pesquisa recente conduzida pelo MIT Technology Review Custom e o Google
Cloud revela que, enquanto a maioria das empresas se esforça para aplicar o
aprendizado de máquina (ML), outras estão trabalhando pesado para desenvolver
estratégias para a tecnologia: e já estão percebendo o que é um ROI genuíno.

SUMÁRIO EXECUTIVO
O foco do mundo dos negócios em Vários temas essenciais surgiram de uma análise dos resultados
ML pode parecer um acontecimento da pesquisa.
repentino, mas a agitação em torno
dessa tecnologia vem crescendo •O
 ML está acontecendo agora. A maioria dos entrevistados (60%) já
regularmente desde os primeiros dias implementou estratégias de ML e quase um terço afirmou que está em uma etapa
de big data. de maturidade com suas iniciativas.

O ML está começando a produzir de •O


 ML oferece vantagem de mercado. De acordo com os participantes, um benefício
acordo com o potencial criado por essencial do ML é a capacidade de ganhar margem competitiva, e 26% dos atuais
big data e analítica, transformando executores de ML percebem que já atingiram sua meta.
dados brutos em ferramentas úteis e
previsíveis para a empresa. Líderes • As organizações estão investindo em ML. Entre os atuais executores do ML, quase
de negócios voltados para a inovação 26% informaram que mais de 15% do seu orçamento era dedicado a iniciativas de ML.
estão abraçando o ML como “o próximo
grande negócio”, e já prepararam • Os primeiros a adotar o ML estão percebendo os maiores benefícios potenciais
estratégias e iniciativas de ML dessa tecnologia. O mais esperado benefício entre os executores e planejadores
que prometem benefícios e retornos do ML é a capacidade de estender as iniciativas de análise de dados e aumentar o
reais sobre investimento (ROI). entendimento dos dados. Quase 45% dos entrevistados informam ter tido sucesso para
atingir essa meta. Além disso, mais de metade dos usuários da etapa inicial e da etapa
de maturidade diz que suas iniciativas de ML resultaram em retorno sobre investimento
A pesquisa buscou revelar onde
(ROI) demonstrável.
as organizações estão em termos
de adotar estratégias de ML. Os
© agsandrew – stock.adobe.com

• Os executores do ML estão buscando um amplo conjunto de projetos. Os projetos


entrevistados incluíram os estrategistas
mais comuns entre os atuais executores do ML são reconhecimento, classificação
de ML, representantes de empresas e rotulagem (tagging) de imagem (47%); análise emocional/comportamental (47%);
que planejam executar iniciativas de ML classificação e exploração de texto (47%); e processamento de línguas naturais, ou
nos próximos meses ou anos e aqueles NLP (45%).
que não têm planos de ML para
futuro próximo. A velocidade com a qual os entrevistados conseguem demonstrar o ROI com suas
iniciativas de ML é também notável, o que, conforme mencionado antes, não foi o caso
com a analítica de big data. No grupo em etapa inicial, mais da metade informou que
estavam começando a ver um ROI demonstrável, e no grupo em etapa madura, mais da
metade tinha demonstrado ROI.
1
Metodologia e demografia de pesquisa
A pesquisa foi conduzida online no final de 2016. Os 375 entrevistados qualificados
representavam vários setores, com preponderância para a indústria de tecnologia
(43%), mas também de outros segmentos, incluindo serviços comerciais (13%)
e serviços financeiros (10%). O tamanho das empresas varia de muito pequenas
(lojas com uma pessoa) a grandes (mais de 3.000 funcionários). Quase metade
(48%) dos entrevistados vem de organizações com menos de 50 funcionários;
quase um quarto (22%) é de empresas com 50 a 1.000 funcionários. Pouco menos
de um terço (32%) vem de empresas com mais de 1.000 funcionários; dessas
organizações maiores, quase três quartos é de empresas que empregam mais de
3.000 pessoas.

Como a pesquisa era internacional, a maior porcentagem de entrevistados veio


dos Estados Unidos e do Canadá (40%), Europa (13%), Índia (6%) e Reino
Unido (5%), com o restante dividido entre mais de 25 países. Os entrevistados
mais qualificados foram ou executivos de nível C (39%) ou desenvolvedores
empresariais (37%), completados por executivos do nível de vice-presidência
(23%). Entre os participantes de nível C, a maioria foi de diretores executivos,
presidentes e presidentes do conselho das suas empresas (17%), enquanto outros
dirigiam organizações de tecnologia ou TI (11%), a função de analítica (9%) ou a
equipe de segurança (2%). Vice-presidentes, por outro lado, vieram de funções de
negócios (8%), TI (7%), ou analítica/dados (8%).

Em termos de adoção de tecnologia, quase metade dos entrevistados considerou


as culturas da sua empresa como voltadas para a inovação, com culturas “ágeis,
colaborativas, até inovadoras” (49%). 24% descreveram suas organizações como
“crentes”: ou seja, rápidas na adaptação de novas tecnologias, mas ainda à espera
de transformação em geral. Outros 18% viam suas empresas como “agnósticas”:
interessadas em saber mais sobre novas tecnologias, mas cautelosas quanto a
fazer mudanças realmente, e os restantes 11% se consideraram “tradicionalistas”,
geralmente avessos a riscos e mais aptos a usar tecnologias padrão,
já consagradas.

Os benefícios
esperados pelos planejadores do aprendizado de máquina são
diversos daqueles dos atuais executores do ML em um aspecto:
os primeiros acreditam firmemente que ganharão um melhor en-
tendimento do comportamento, das necessidades e desejos do
cliente e de futuros clientes, com 50% dos planejadores do ML
confirmando essa expectativa, em comparação com apenas 35%
dos atuais executores do ML.

2
P9 Se sua organização estiver atualmente usando o ML, o que você está buscando
ganhar?*

50%
Mais análise extensiva de dados; mais percepção.
50%
Vantagem competitiva
46%
Os usuários do ML dizem
Análise de dados mais rápida; mais rapidez para percepção
que eles 45%
estão buscando mais Capacidades de P&D ampliadas (produtos de próxima geração)
análise e percepção de 44%
dados Maior eficiência nos processos internos (operações)
39%
Melhor entendimento do cliente e de potenciais clientes
35%
Redução de custos
31%
Maior eficiência nos processos externos (cadeia de valor)
26%
*Várias respostas permitidas. Todos os percentuais foram arredondados.

Estratégias de analítica e big data


A pesquisa se iniciou com perguntas sobre o uso atual de inteligência tradicional
de negóciosde processamento de analítica online (APBI) e ferramentas de
visualização, tecnologias tradicionais e big data, com analítica Hadoop e baseada
em nuvem. Na grande maioria dos casos (95%), os entrevistados planejavam
implementar um programa BI de processamento analítico online ou já o tinham
feito. A mesma porcentagem de participantes planeja também implementar
tecnologias de big data como Hadoop, ou já executou seus planos. Enquanto
isso, quase todos os participantes (96%) implementaram analítica baseada em
nuvem ou planejavam fazê-lo.

Poucos entrevistados, no entanto, tinham avaliado o ROI de qualquer uma


dessas iniciativas analíticas. Apenas 18% informaram ter medido o ROI
como parte das suas iniciativas de APBI, e menos ainda o fizeram para suas
tecnologias big data (14%) e programas analíticos baseados em nuvem (14%).
Isso não é nenhuma surpresa, de acordo com Philippe Poutonnet, chefe global
de marketing de produtos da Google Cloud Platform.

Estabelecer uma métrica de ROI para tais programas é difícil, afirmou ele.
Algumas empresas – especialmente aquelas cujos modelos de negócios
dependem de coleta e análise de grandes volumes de dados – “simplesmente
sabem que precisam fazer analítica de big data para fornecer uma experiência de
cliente melhor e aumentar sua receita, mas não têm tempo para desenvolver um
© agsandrew – stock.adobe.com

modelo de ROI de trabalho”.

Em muitos outros casos, disse ele, as empresas não realizam ROI porque os
projetos não são bem-sucedidos. “O que a indústria está vendo é que mais de
50% dos projetos de big data falham, e falham de maneira lastimável”, disse
Poutonnet. “As empresas estão gastando muito tempo com as fases de coleta e
preparação de dados, além de tentar descobrir a arquitetura de dados, e acabam
sem tempo para executar os dados.”
3
P10 Se sua organização estiver usando o ML atualmente, o que você realmente ganhou?*

45%
Mais análise extensiva de dados; mais percepção.
45%
Análise de dados mais rápida; mais rapidez para percepção
35%
Os usuários do ML Capacidades de P&D ampliadas (produtos de próxima geração)
dizem que a tecnologia 35%
levou a uma análise Maior eficiência nos processos internos (operações)
de dados e percepção 30%
mais ampliada. Melhor entendimento do cliente e de potenciais clientes
27%
Vantagem competitiva
26%
Redução de custos
23%
Maior eficiência nos processos externos (cadeia de valor)
19%

*Várias respostas permitidas. Todos os percentuais foram arredondados.

Além disso, afirmou ele, executar centenas ou milhares de consultas para descobrir
um padrão ou percepção pode consumir muito tempo. Até mesmo executar uma
simples consulta em sistemas tradicionais pode levar 30 minutos ou mais, um
processo demorado que o aprendizado de máquina baseado em nuvem pode
ajudar a eliminar.

Migrando para o aprendizado de máquina


Uma clara maioria de entrevistados (60%) disse que já tinha implementado uma
estratégia de ML e já estava comprometida com um investimento contínuo em ML.
Outros 18% planejavam implementar uma estratégia de ML nos próximos 12 a
24 meses.

“O aprendizado de máquina é basicamente a forma de um computador encontrar


os pedaços de informação que um humano não pode”, explicou Fausto Ibarra,
diretor de gestão global de produção da Google Cloud Platform. “Quando você
tem seus dados e treina e implementa seus modelos, a máquina pode passar por
terabytes de dados e ficar cada vez mais inteligente – ela basicamente se treina –
e, em última análise, fazer previsões para você.”

Veja, por exemplo, o aplicativo de navegação Waze. O Waze vasculha os dados


para recomendar rotas mais rápidas para os motoristas em milissegundos, com
base em informações de tráfego em tempo real: uma tarefa impossível
usando métodos manuais tradicionais.

Para um participante – um diretor de marketing de uma pequena firma de


tecnologia sediada nos EUA – o ML será um “princípio fundamental” da
empresa. Para outro, um executivo de nível C de uma pequena empresa de
serviços e software orientada para assistência à saúde nos EUA, o ML será uma
“necessidade imprescindível para avançar”.

4
Melhor benefício obtido Na verdade, só 5% informaram não ter interesse em ML e nenhum plano de
dos atuais executores implementar uma estratégia de ML em um futuro próximo. Desse último grupo,
do aprendizado de muitos demonstram frustração por suas organizações não terem conhecimento,
máquina: apoio ou financiamento de ML. “Não temos o entendimento das potenciais

45%
implicações positivas” do ML, observou um entrevistado de uma grande empresa
de investimentos do Reino Unido. “Os gerentes só veem os riscos.” Outros
participantes disseram que simplesmente não entendiam como poderiam aplicar
citam maiores o potencial do ML à sua empresa. “Sei que é possível; mas simplesmente não sei
percepções através de como tirar vantagem disso”, afirmou um entrevistado, um executivo de nível C de
análise de dados uma pequena empresa industrial do México.
mais ampliada
Claramente, no entanto, uma sólida maioria de entrevistados vê o potencial de ML
e estão avançando com seus planos de adotá-lo. Dos 60% que tinham iniciado
uma estratégia de ML,cerca de um terço (32%) estava nas etapas iniciais das
suas estratégias, experimentando um ou vários casos de uso de ML. Quase a
mesma porcentagem de participantes (28%) descreve sua estratégia de ML como
“madura”, com um a cinco casos de uso de ML.

O que é impressionante é a velocidade com a qual os entrevistados conseguem


demonstrar ROI com suas iniciativas de ML, que, conforme mencionado antes, não
foi o caso com a analítica de big data. No grupo em etapa inicial, mais da metade
informou que estavam começando a ver um ROI demonstrável, e no grupo em
etapa madura, mais da metade tinha demonstrado ROI.

No entanto, esses resultados podem não ser representativos do mundo


de negócios como um todo. Enquanto empresas voltadas para inovação,
especialmente no setor de tecnologia, podem estar avançadas nas suas
estratégias de ML, Poutonnet observa que a maioria das empresas ainda está
incerta quanto à forma de abordar o ML. “Mesmo quem adotou a abordagem
pode ter estratégias incompletas ou estar nas etapas iniciais da adoção”, declarou
Poutonnet. “Parece que todos estão correndo para implementar o aprendizado de
máquina, mas nem sempre é claro por onde começar."

P13 Que função/departamento/papel é o principal adepto das suas iniciativas de ML?*


Outros
Cientista de
dados 8% Equipe dedicada
25% de ML
6%
Responsabilidade
interfuncional

Alta administração 12%


21%
Analítica de dados/
liderança
Liderança
de TI
14%
14% *Atuais usuários do ML, todos os percentuais foram arredondados.

5
P16 Qual percentual do seu orçamento de TI para 2017 está destinado para ML?*
26%

26%
21%

17%
15%
13%
Os usuários informam
que mais de 15% do
orçamento de TI é
dedicado ao ML
Mais de Entre 5% Menos Entre Não sei/
15% e 10% de 5% 10% e 15% Outro

*Todos os percentuais foram arredondados.

Principais projetos entre os executores atuais


Em termos dos usos pretendidos do ML, os atuais executores citaram quatro
projetos principais: processamento de línguas naturais (NLP) (49%); classificação
e exploração de textos (47%); análise emocional/comportamental (47%) e
reconhecimento, classificação e rotulagem de imagem (43%).

Completando os 10 projetos mais populares entre os executores de ML atuais estavam


recomendações (42%), personalização (41%), segurança de dados (40%), análise de
risco (41%), pesquisa online (41%), e localização e mapeamento (39%).

No próximo ano, a atenção dos atuais executores de ML se deslocará para


automação de agentes/robôs (42% dos participantes), planejamento preditivo
(41%), vendas e direcionamento de comercialização (37%), e assistentes
inteligentes (37%), de acordo com os resultados.

Principais projetos entre os planejadores de


aprendizado de máquina
O quadro muda de alguma forma entre os entrevistados que ainda não
implementaram o ML, mas planejam fazê-lo. Enquanto os atuais executores
e planejadores compartilham um interesse em várias áreas de projetos –
principalmente classificação e exploração de textos, NLP e análise emocional/
comportamental –, os planejadores de ML estão, obviamente, de alguma forma
atrás dos executores atuais de ML.

No próximo ano, por exemplo, os planejadores de ML estão esperando


recomendações (com 56% indicando isso como um projeto provável ML para o ano
seguinte), classificação e exploração de textos (55%), NLP (52%), personalização
(47%), análise emocional e comportamental (46%) e pesquisa online (41%). Os
atuais executores do ML, no entanto, já embarcaram nessas iniciativas, e todas
aparecem na sua lista de projetos para o ano em curso.

Os planejadores de ML estão também atrasados em projetos de ML que


envolvem segurança de dados (44%), localização e mapeamento (43%) e vendas
e direcionamento de comercialização (39 %). Todas essas iniciativas de ML
6
P17 Se sua organização estiver planejando usar o ML, que benefícios você está buscando?*

50%
Melhor entendimento do cliente e de potenciais clientes
50%
Vantagem competitiva
48%
Os planejadores estão Mais análise extensiva de dados; mais percepção.
buscando um melhor 45%
entendimento dos Maior eficiência nos processos internos (operações)
44%
clientes e dos potenciais
Capacidades de P&D ampliadas (produtos de próxima geração)
clientes como razão para 39%
implementar o ML. Análise de dados mais rápida; mais rapidez para percepção
37%
Redução de custos
33%
Maior eficiência nos processos externos (cadeia de valor)
24%
Outros
6%

*Várias respostas permitidas. Todos os percentuais foram arredondados.

estão no horizonte de cinco anos para os planejadores de direcionamento de


comercialização, mas estão no topo da lista dos executores de ML para os projetos
do próximo ano.

Os planejadores de ML estão mais em sintonia com os executores de


direcionamento de comercialização em relação a três outros itens da sua lista dos
10 principais para o ano que vem: planejamento preditivo (53%), automação de
robôs (40%) e assistentes inteligentes (37%). Todos estavam também na lista dos
10 principais para os atuais executores de ML no cronograma do próximo ano.

Um entrevistado, um executivo de nível C de uma construtora de médio porte dos


EUA, disse que a empresa planejava usar o ML para estoque e vendas. Outro
participante, vice-presidente de planejamento de vendas e operações de uma
empresa de produtos de consumo dos EUA, afirmou que sua empresa estava
planejando aplicar o ML às atividades de planejamento de oferta e procura, além
de processamento de pedidos.

O último entrevistado ressaltou que muitas empresas usam sistemas tradicionais


de planejamento das necessidades materiais (MRP) e planejamento de recursos
da empresa (ERP) para automatizar esses processos, e acrescentou: “Nós
estamos aparentemente sempre aperfeiçoando nossos relatórios para identificar

26%
os itens mais críticos a resolver. A falta de definições de dados mestre apropriadas
e outras discrepâncias infestam o processo, e o melhor resultado vem de seres
humanos que conferem e reconferem e acompanham os itens mais importantes
de quem está planejando
durante todo o processo.” O trabalho é muito manual, dependendo de planejadores
implementar o ML
que despejam e-mails com milhares de linhas para decifrar os itens não resolvidos
informam que os
e evitar a exaustão de estoques e interrupções do suprimento.
adeptos provavelmente
virão da alta Com um aplicativo de ML, continuou o entrevistado, esse trabalho podia ser feito
administração. pelo sistema e os planejadores poderiam responder a mensagens de exceção
7
“Isso é o que está fazendo os líderes não
dormirem à noite: como colher dados e
compreendê-los para ter vantagem
competitiva.”
–Fausto Ibarra, diretor de gestão global de produção da Google Cloud Platform.

enviadas do aplicativo. “Seres humanos cometem muitos erros nessas tarefas, e


muitos deles são por causa de problemas de envio de informação que eles não
observaram”, disse o participante. O ML “também pode ajudar o planejamento da
demanda procurando lacunas na previsão relativa a histórico muito recente”.

Considerando a rapidez como as iniciativas de ML bem-sucedidas conseguem


proporcionar retorno de investimento, é essencial para os planejadores manter o
estímulo e lutar para reduzir o tempo de implementação.

Benefícios para os atuais executores


De todos os benefícios do ML esperados, aumentar a percepção através de análise
de dados mais extensa é o que os atuais executores do ML estão mais interessados
em obter (50%) ou têm certeza de ter obtido (45%). “Isso é o que é mais fácil de obter
para todos: usar dados desestruturados – imagens, e-mail, avaliações de produtos,
visitas de serviço ao cliente – e tentar entendê-los”, disse Poutonnet.

Em outros casos, os benefícios previstos do ML não se alinhavam necessariamente


ao que os entrevistados realmente realizaram a partir das suas estratégias de ML.
Os executores do ML estavam, de alguma forma, menos seguros de ter melhorado
suas capacidades de P&D, inclusive percepções de criação de produtos de
próxima geração (44% esperavam esse benefício, enquanto 35% informaram ter
obtido o benefício); aumento da velocidade da análise de dados (45% esperado,
35% obtido), ou ganho de eficiência do processo interno (39% esperado, 30%
obtido). Isso pode representar uma progressão natural da curva de aprendizagem
do ML, já que as empresas são obrigadas a usar as técnicas de ML para as quais
podem não ter as habilidades internas.

Benefícios para os planejadores do aprendizado


de máquina
As expectativas de benefícios do ML foram semelhantes, na maioria dos casos,
entre os atuais executores de ML e os entrevistados que ainda estavam nas
fases de planejamento da sua estratégia de ML: análise de dados mais extensa e
maior número de percepções (45%); análise mais rápida de dados e percepções
mais rápidas (37%); melhores capacidades de desenvolvimento e pesquisa,
8
inclusive percepções de criação de produtos de próxima geração (39%); e maior
eficiência de processos internos (44%). No entanto, os benefícios esperados
pelos planejadores de ML divergem daqueles dos atuais executores de ML em
um aspecto: estes últimos acreditam com veemência que também terão ganho
um melhor entendimento do comportamento, das necessidades e dos desejos do
cliente e de potenciais clientes, com 50% dos planejadores de ML confirmando
essa expectativa, em comparação com apenas 35% dos atuais executores de ML.

Outra importante observação: tanto os atuais executores de ML quanto os


planejadores concordam que uma vantagem essencial do ML é a capacidade de
ganhar margem competitiva, com 41% do primeiro grupo e 45% do segundo grupo
expressando essa crença. 27% dos atuais executores de ML acham que atingiram
sua meta. “Isso é o que está fazendo os líderes não dormirem à noite: como
colher dados e compreendê-los para ter vantagem competitiva”, disse Ibarra. “O
aprendizado de máquina está permitindo que as empresas façam emergir o valor
inexplorado dos seus dados.”

Orçamentos do aprendizado de máquina


Os resultados da pesquisa indicam que o ML exige recursos substanciais, e os
atuais executores do ML demonstraram seu compromisso de alocar verbas para
uma estratégia contínua de ML. Enquanto um terço dos entrevistados (32%) disse
que 10% ou menos do seu orçamento de TI foi destinado para empreendimentos
de ML, um número menor (26%) informou que mais de 15% do orçamento de TI foi
dedicado a iniciativas de ML. Outros 13% disseram que alocaram entre 10 e 15%
do orçamento de TI para o ML.

Poutonnet recomenda que uma grande porção do orçamento seja alocada para
adquirir capacidade de ML: “O potencial do aprendizado de máquina é enorme, e
os cientistas de dados têm o poder para liberar isso.”

P20: Que função/departamento/papel terá a principal responsabilidade das suas iniciativas


de ML?*
Outros
15%
Alta administração
22%

Analítica de dados/
liderança

Equipe dedicada
13%
de ML
19%
Liderança de TI
Cientista de dados 15%
16% *Planejadores de ML; todos os percentuais foram
arredondados

9
Liderando a carga de aprendizado de máquina
Com o custo e as complexidades do ML, essas iniciativas exigem um adepto que
possa comunicar a visão do que o ML pode alcançar e o que requer em termos de
recursos, habilidades e tecnologias para uma implementação de sucesso.

Não é de surpreender que os entrevistados tenham informado que tanto os altos


executivos (21%) ou um cientista de dados (25%) eram mais comumente os
adeptos do ML entre os atuais executores do ML. Em poucas instâncias, um líder
de TI (14%) ou a equipe de analítica de dados (14%) assumiram essa função, ou
foi atribuída a uma equipe interfuncional (12%). Poucas organizações participantes
entre as atuais executoras do ML – apenas 6% – tinham formado uma equipe
dedicada de ML para assumir essa responsabilidade.

Para os planejadores do ML, os adeptos do ML tinham ainda mais probabilidade


de ter origem da alta administração (22%), e mais desses entrevistados tinham
formado uma equipe dedicada de ML entre esse grupo (19%). Os cientistas de
dados estavam menos aptos a assumir essa função (16%) e os líderes de TI (15%)
e de analítica de dados (13%) continuavam com menos probabilidade de serem
adeptos do ML.

Olhando à frente
Está claro que os primeiros usuários do ML estão ou estarão ganhando vantagem
de mercado e avançando rapidamente à frente dos seus colegas que estão ficando
para trás. Mesmo para aqueles que não definiram onde deve estar o ML nas suas
empresas e como aplicá-lo, é essencial estar atento a essa tecnologia.

Na maioria dos casos, ainda estamos nos primeiros dias para o ML e muitas
perguntas ainda persistem. Mas os primeiros a adotar o ML deixam claro que a
relevância da empresa e a capacidade de competir vão depender cada vez mais do
trabalho com máquinas para interpretar e aprender com dados.

Sobre a MIT Technology Review Custom


Com mais de 115 anos de excelência em jornalismo de tecnologia, a MIT Technology Review Cus-
tom é o braço da empresa de mídia internacional MIT Technology Review que cria e distribui con-
teúdo personalizado. Nossas soluções completas incluem tudo: de conhecimento de escrita, edição
e design a várias opções para apoio promocional. Trabalhando junto dos clientes, nossa equipe
editorial de especialistas em personalização desenvolve um gama de conteúdo de alta qualidade,
oferecendo-o para usuários quando e onde eles o querem: em experiência digital, impressa, online e
presencial. Tudo é personalizado para atender às metas de marketing de conteúdo do cliente e para
posicioná-los como líderes de pensamento alinhados com a autoridade em tecnologia que importa.
Copyright © 2017, MIT Technology Review. Todos os direitos reservados.

www.technologyreview.com/media

10