Tudo o que você achava que sabia sobre modelagem analítica mudou

Nota do Editor: O seguinte é um post convidado de David Baker, COO e cofundador da Cordial.

As notícias do último ano foram difíceis para as pessoas no negócio de construção de modelos analíticos. Alguns telefonemas no cenário mundial terão esse efeito. Mas quem acredita que é possível prever um resultado específico deve visitar as mesas de jogo de Las Vegas. No caminho, eles fariam bem em considerar as palavras de Peter Drucker, que disse: "Tentar prever o futuro é como tentar dirigir por uma estrada rural à noite sem luzes enquanto olha pela janela traseira".

Drucker estava certo. É tolice acreditar que um modelo pode prever o futuro – uma lição que aprendi pela primeira vez na Idade das Trevas da década de 1990, quando o processo levava semanas e ninguém achava legal ser um quant. É claro que, naqueles dias, tínhamos relativamente poucos pontos de dados e, portanto, nossa imagem de um consumidor típico tinha uma semelhança impressionante, embora unidimensional, com o construtor de modelos. Mas daqui a alguns anos, até 2020, de acordo com um relatório , cada pessoa no planeta gerará 1,7 megabytes de novas informações por segundo. Para colocar isso em perspectiva, a Audible estima que uma hora de áudio representa cerca de 28 megabytes de espaço de armazenamento, o que significa que a pessoa média em 2020 gerará o equivalente a uma hora de áudio de alta qualidade em cerca de 16,5 segundos.

O que significa ter tanta informação do consumidor? Indiscutivelmente, o fluxo de informações está prestes a passar de um gotejamento para um poderoso oceano, mas mesmo essa analogia minimiza o quão transformador é esse momento. Não estamos falando de novos insights sobre o mesmo velho consumidor. Estamos olhando para a chegada de um consumidor totalmente novo, com o qual os profissionais de marketing devem se envolver por meio do aprendizado de máquina. O que pode ser desafiador, porque o aprendizado de máquina muda tudo o que já sabemos – e muito mais que ainda temos que aprender – sobre a prática da modelagem analítica.

Democratização da decisão

Muitos profissionais de marketing pensam na pilha de marketing como um data warehouse pesado que precisa de coordenação. Mas a pilha também é uma forma de pensar a democratização da tomada de decisão. Quanto mais informações os profissionais de marketing ingerirem, mais perguntas poderão fazer. Com mais perguntas, os profissionais de marketing podem criar mais cenários. À medida que exploram mais cenários, os profissionais de marketing democratizam as decisões incrementais. Isso não significa que todos tomam uma decisão, significa simplesmente que existem níveis na empresa que possuem direitos de decisão para diferentes decisões e, mais importante, esses níveis podem ser expandidos e coordenados conforme a necessidade de mais decisões surgir.

Um recente A entrevista com o diretor de tecnologia de marketing do eBay oferece um vislumbre de como o aprendizado de máquina democratiza a tomada de decisões no momento. Para o eBay, o desafio é personalizar um mercado com bilhões de itens à venda e 167 milhões de compradores ativos. A solução da empresa foi capacitar os profissionais de marketing do eBay a criar negócios como bem entendessem, mas depois colocar esses negócios em grupos específicos para que um modelo de aprendizado de máquina pudesse alavancar o histórico de navegação do usuário, juntamente com outros dados presumivelmente, para prever qual negócio um cliente acharia mais atraente.

A equipe de marketing do eBay está prevendo o futuro? Absolutamente não. O que eles estão fazendo com o aprendizado de máquina é dar a si mesmos um número exponencialmente maior de mordidas na proverbial maçã. Pense desta forma: o velho ditado é falhar rápido, presumivelmente porque você encontrará o sucesso muito mais cedo. Mas uma maneira melhor de afirmar esse velho ditado daqui para frente é: "Falhe com mais inteligência". Os negócios que os profissionais de marketing do eBay criam ainda são um sucesso e um fracasso - sempre serão porque a previsão não é a perfeição -, mas a empresa em geral no eBay está acertando e perdendo muito mais rápido do que costumava, o que significa que também está aprendendo a uma taxa exponencialmente mais rápida.

Mas lembre-se, a democratização é uma via de mão dupla

Os clientes também têm acesso a ferramentas de aprendizado de máquina. Já confiamos no aprendizado de máquina para organizar nossas caixas de entrada, sugerir os filmes que assistimos e gerenciar nossas casas. Em breve, o aprendizado de máquina escreverá nossas respostas e, eventualmente, o lado do consumidor de muitos compromissos também será automatizado ou, no mínimo, suportado pelo aprendizado de máquina. Então, o que acontece quando as ferramentas de aprendizado de máquina de um profissional de marketing entram em conflito com aquelas empregadas pelos consumidores? A resposta curta é que não sabemos. Mas se você quiser contexto para entender o dinamismo da democratização, veja seu aplicativo de navegação.

As funções de mapeamento em nossos telefones são mais do que meros criadores de rotas. Hoje, esperamos que nossos telefones nos digam a rota mais rápida dadas as condições de tráfego predominantes. Os aplicativos de navegação são adaptativos por natureza, o que é necessário porque os padrões de tráfego são fluidos e as condições ambientais evoluem (por exemplo, impacto climático nas rotas e no tráfego).

Claro, há um número finito de rotas porque uma determinada cidade tem uma quantidade finita de espaço. Os engajamentos com os quais os profissionais de marketing estão preocupados são exponencialmente mais complexos. Essa complexidade aumentará à medida que a decisão democratizada se tornar ainda mais incorporada ao comportamento do consumidor. O que significa que você pode construir uma empresa para falhar de forma mais inteligente, mas você deve se lembrar de que quem está do outro lado desse envolvimento também está falhando de forma mais inteligente. Os negócios do eBay, por exemplo, veem enormes benefícios em relevância, graças ao aprendizado de máquina. Mas, do lado do cliente, uma ferramenta de aprendizado de máquina semelhante pode filtrar as compras por impulso, porque esse modelo aprendeu o seguinte sobre um consumidor individual: o arrependimento das compras por impulso.

Mas quando o modelo, articulado via aprendizado de máquina, preverá o futuro?

Nunca. A modelagem analítica não é sobre a grande revelação preditiva. É uma disciplina construída para decisões incrementais, gerenciamento de riscos e criação de cenários para reagir às condições do mercado. O aprendizado de máquina abre novos recursos na modelagem analítica, mas os profissionais de marketing devem se lembrar do aviso de Drucker sobre prever o futuro. O aprendizado de máquina não lhe dirá o que está por vir nessa estrada escura, mas lhe dará exponencialmente mais opções para reagir ao que quer que o futuro lhe reserve quando você chegar lá. Mais importante ainda, o aprendizado de máquina não é algo a ser temido, na verdade, apenas acelera o que os profissionais de marketing já são bons – pensamento criativo e entrega de ótimas experiências aos seus clientes, e esse é realmente o objetivo final em que devemos manter nossos olhos.