# 1: O que o Machine Learning pode fazer pelo seu negócio e como descobrir isso

Esta é a parte 1 do tutorial em 6 partes, O Guia Passo a Passo do PM para criar produtos baseados em aprendizado de máquina. Siga o link para obter uma visão geral de toda a série.

Investir em ML é como investir em dispositivos móveis há 10 anos - pode transformar seus negócios

A consulta de dados existentes para obter informações é uma disciplina bem conhecida e amplamente adotada. ML, no entanto, é a próxima fronteira na análise de dados. É uma disciplina em que os programas de computador fazem previsões ou extraem insights com base nos padrões que eles identificam nos dados e são capazes de melhorar esses insights com a experiência - sem que os humanos lhes digam explicitamente como fazê-lo. À medida que as organizações têm acesso a mais dados, o aprendizado de máquina permite que eles tirem idéias dos dados em escala, em um nível de granularidade que varia de uma única interação do usuário às tendências mundiais e seu impacto no planeta. O uso dessas informações também pode variar da personalização da experiência de um usuário individual no nível de pixel à criação de novos produtos e oportunidades de negócios que não existem atualmente. Observe que, com o ML, você pode ir além do uso de dados internos - o poder do ML pode ser aprimorado com a união de dados internos com dados externos para gerar novos insights que antes não eram possíveis.

Frank Chen, da A16Z, possui uma excelente cartilha sobre as possíveis aplicações da inteligência artificial, muitas das quais requerem ou exigirão aprendizado de máquina. Algumas dessas aplicações têm aparência futura e ainda não são possíveis com a tecnologia existente, mas fornecem uma grande noção das possibilidades.

Assim como as empresas consumidoras começaram a pensar em investir em dispositivos móveis de 8 a 10 anos atrás, agora é a hora de começar a explorar a ML como uma tecnologia que pode ajudar a gerar resultados de negócios. Para empresas focadas em alavancar as tecnologias de ML existentes, existem vários temas principais para o que o ML permite que você faça. Elas não são exaustivas ou mutuamente exclusivas, mas representam diferentes ângulos de pensamento sobre o possível impacto em seus negócios:

  • Personalização em massa do ambiente, experiência e respostas do sistema de um usuário. Imagine que tudo o que uma pessoa faz ou vê pode ser personalizado especialmente para ela e até antecipar suas necessidades e comportamentos. Isso inclui recomendações para produtos ou serviços, classificados por nível de relevância para eles; experiência ou fluxos personalizados do usuário com base no conhecimento que você tem do usuário, seu comportamento, outras pessoas como ele ou dados externos, incluindo a previsão do que eles gostariam de fazer em seguida etc. Em menor escala, isso pode se traduzir em personalização da experiência em segmentos de usuários em vez de indivíduos.
  • A capacidade de identificar visualmente objetos e automatizar ou personalizar experiências de acordo. Hoje, a tecnologia pode identificar objetos em fotos e vídeos, inclusive na câmera ao vivo. O Pinterest usa isso para sugerir objetos semelhantes / complementares aos de uma foto que o usuário está vendo; O Facebook usa a tecnologia de reconhecimento de rosto para sugerir que os amigos etiquetem uma foto. A Amazon está construindo o checkout automático da loja com base na identificação visual de objetos etc.
  • Recuperação, geração ou processamento automático de conteúdo. O ML permite o processamento conveniente de grandes quantidades de conteúdo no mundo. Os usos comuns são a recuperação de documentos - por exemplo, encontrar todos os documentos relevantes para um caso legal (observe que isso vai além de apenas palavras-chave na pesquisa contextual), classificação de documentos por tópico e palavras-chave, resumo automático do conteúdo, extração de informações pertinentes de grandes quantidades de conteúdo, por exemplo encontrar termos específicos nos contratos do fornecedor etc. "Conteúdo" aqui se aplica a todos os tipos de mídia, não apenas ao texto.
  • Previsões, estimativas e tendências em escala. O ML permite previsões muito caras ou difíceis de fazer de outra maneira. O ML é particularmente útil para fazer previsões que, de outra forma, exigem um alto nível de especialização, como o preço de uma casa, ou são impossíveis de serem feitas por um ser humano, como o conteúdo que será bom nas mídias sociais. As máquinas também podem identificar tendências nos dados muito antes de se tornarem óbvias para os seres humanos.
  • Detecção de atividade incomum ou falhas no sistema. Todo sistema tem falhas e problemas, mas o ML permite não apenas detectar se surgem problemas, mas também se esses problemas são incomuns e alarmantes. Isso é particularmente útil em vários sistemas de monitoramento e segurança.

De uma perspectiva estratégica, o ML pode gerar vários tipos de resultados de negócios:

  • Experiência e funcionalidade aprimoradas para seus clientes. O caso de uso mais comum é a personalização em massa - encontrar os produtos com maior probabilidade de serem relevantes para seus clientes com mais rapidez e eficiência, por exemplo suas melhores correspondências em sites de namoro, músicas que eles podem gostar em sites de música, produtos que possam estar interessados ​​em comprar etc. O outro caso de uso está usando previsões para obter informações sobre entidades ou situações que eles não teriam de outra forma. Isso pode ser geral - por exemplo, O Zestimate de Zillow valoriza uma casa da mesma forma, independentemente de quem está olhando para ela ou personalizado para o cliente individual - por exemplo, a classificação que um usuário provavelmente atribuirá a um filme que não viu, de acordo com seus gostos específicos.
  • Funções internas, processos e lógica de negócios. O aprendizado de máquina pode poupar tempo e tornar seu investimento em recursos mais eficaz quando se trata de processos e decisões de negócios. Por exemplo: Uma empresa de empréstimos gostaria de priorizar seu alcance para possíveis solicitantes de empréstimos. Ele precisa determinar quem deseja um empréstimo o suficiente para aceitá-lo, se oferecido, mas ainda é provável que seja capaz de pagá-lo. Priorizar os clientes com maior crédito não é necessariamente a resposta, já que esses clientes geralmente têm muitas opções e têm menor probabilidade de conversão, portanto, é necessário um modelo mais complexo.
  • Expansão para novas verticais e novos produtos. Os dados podem ajudá-lo a abrir oportunidades de negócios completamente novas - criar novos produtos para seus clientes existentes ou atender segmentos ou clientes que você não atendeu antes. Por exemplo: a Netflix pode atender estúdios, que não eram o público-alvo principal, vendendo informações a partir de seus dados sobre quais temas e linhas de enredo funcionam para quais públicos; A Zillow pode ajudar os promotores imobiliários a entender quais recursos de construção obterão o maior retorno sobre o investimento, etc.

A decisão sobre qual área abordar primeiro deve depender do potencial impacto nos negócios, bem como da complexidade do problema e do custo para atingi-lo.

“Precisamos fazer algo com nossos dados” é uma estratégia, não uma ciência de dados, um problema

Muitas empresas procuram contratar cientistas de dados, as pessoas que constroem modelos de ML, porque "devemos fazer algo com nossos dados". Já ouvi muitos executivos de empresas importantes dizerem "vemos nossos concorrentes comprando dados e precisamos fazer isso para permanecermos competitivos" e depois contratamos alguns cientistas de dados na esperança de criar alguma mágica. Isso me leva a um grande equívoco sobre ML.

ML não é uma varinha mágica para o seu negócio. O primeiro desafio da ML é descobrir o impacto nos negócios que a tecnologia pretende gerar. O ML é uma solução - você precisa primeiro definir o problema: quais são os resultados comerciais que espera alcançar com o ML? Que benefício o ML pode oferecer aos seus clientes? ML é um martelo - mas se você não tem um prego, um martelo não é particularmente útil. Para ampliar ainda mais o clichê, o ML é um conjunto muito variado de martelos, e o tipo de unha que você possui determinará qual martelo você escolherá e como o usará. O problema exato que você está tentando resolver ditará tudo: como o resultado será usado, o que seu modelo deve prever e como deve ser calibrado, quais dados você coleta e processa, quais algoritmos você testa e muitas outras perguntas.

Na sua essência, “que problema estamos resolvendo?” É uma questão de negócios, o que significa que a definição é de responsabilidade dos gerentes de produto e líderes de negócios, não dos cientistas de dados. Os cientistas de dados e outras partes interessadas devem estar absolutamente envolvidos na definição - apenas não jogue a pergunta neles e espere que eles voltem com respostas. Se você tiver dados com os quais não sabe o que fazer, faça entrevistas com os clientes e faça ideias com outras pessoas da organização. Os cientistas de dados podem ajudá-lo a explorar seus dados, idealizar e iterar, mas, a menos que possuam muita experiência em problemas de espaço, seria difícil que eles apresentassem o caso de negócios por conta própria. Para maximizar o valor da ML para os negócios, você precisa de uma colaboração contínua entre gerentes de produto e cientistas de dados, onde é responsabilidade dos gerentes de produto garantir que os problemas resolvidos sejam os mais impactantes para os negócios.

Como descompactar como o ML pode impulsionar seus negócios

Embora as possibilidades do ML sejam infinitas, há algumas perguntas que você pode fazer para descobrir como a tecnologia pode ser aplicada à sua organização. aqui estão alguns exemplos:

Processos internos

  • Onde as pessoas da minha empresa hoje aplicam conhecimento para tomar decisões que podem ser automatizadas, para que suas habilidades possam ser melhor aproveitadas em outro lugar?
  • Quais são os dados que as pessoas na minha empresa normalmente buscam, coletam ou extraem manualmente de determinados repositórios de informações e como isso pode ser automatizado?
  • Qual é o conjunto de decisões que as pessoas da minha empresa tomam? É possível que essas decisões possam ser tomadas por uma máquina se ela ingerir magicamente todos os dados que meu pessoal possui?

Produtos e experiência para clientes existentes

  • Quais partes das interações com meus clientes são personalizadas por pessoas e podem ser personalizadas por máquinas?
  • Tenho uma segmentação clara de meus clientes com base em suas preferências, comportamentos e necessidades? Meu produto / experiência é personalizado para cada segmento?
  • Posso personalizar a experiência de cada cliente com base no que sei sobre eles ou na interação deles com meu site / aplicativo / produto? Como eu poderia criar uma experiência melhor, mais rápida ou mais agradável para eles?
  • Especificamente, quais são as decisões e escolhas que estou pedindo aos meus clientes para tomar hoje? Essas decisões podem ser automatizadas com base em algum conhecimento que eu já tenho ou poderia ter?
  • Como posso identificar melhor as experiências boas e ruins dos clientes? Posso detectar problemas que afetarão negativamente a experiência ou a satisfação do cliente antes que eles aconteçam ou se espalhem?

Novos setores ou clientes

  • Tenho algum dado que possa ser útil para outras partes interessadas no setor ou em setores adjacentes? Que tipo de decisão pode ajudar essas partes interessadas a tomar?

Todos acima

  • Quais são as métricas ou tendências que, se eu pudesse prever corretamente, teriam um impacto significativo na minha capacidade de atender meus clientes ou de outra forma competir no setor, por exemplo, previsão de demanda para determinadas categorias de produtos, flutuações de custo etc.?
  • Quais são as principais entidades sobre as quais coleto dados (pessoas, empresas, produtos etc.)? Posso casar esses dados com dados externos (de fontes públicas, parceiros etc.) de uma maneira que me diga algo novo ou útil sobre essas entidades? Útil para quem e como? Por exemplo: identifique os clientes em potencial quando eles estão à beira de procurar seu produto, entenda como os fatores externos afetam a demanda em seu setor e reagem de acordo, etc.

Faça um brainstorming de algumas dessas perguntas (e outras) com sua equipe e as principais partes interessadas da organização. Se você não sabe por onde começar - comece em algum lugar. Apenas experimentar alguns dados pode ajudar você e sua equipe a descobrir para onde você pode ir a partir daí.

Na parte 2, discutiremos todos os termos técnicos de ML que os PMs precisam entender, como a escolha da tecnologia é afetada pela definição do seu problema e algumas das armadilhas da modelagem a serem observadas que causam impacto nos seus negócios.

Se você achou esta postagem interessante, clique no coração verde abaixo para me informar ou compartilhar com outra pessoa que possa achar útil? Isso totalmente faria o meu dia!