Como usar a Inteligência Artificial no Marketing 

Conceitos como Artificial General Intelligence (AGI) ou Artificial Super Intelligence (ASI), que designam as capacidades de uma Inteligência Artificial forte (Strong AI), capaz de executar e até superar qualquer atividade intelectual humana ou reveladores de algum nível de autoconsciência, para já são apenas terreno da ficção científica. Importa então entender, para lá das expetativas inflacionadas que a ficção tem criado, que a Inteligência Artificial nada mais é do que a replicação da capacidade cognitiva do ser humano feita pelas máquinas, isto é, pelos sistemas informáticos. Designada de Artificial Narrow Intelligence (ANI), ou Weak AI, atualmente ainda está circunscrita apenas à execução de tarefas muito específicas como jogar xadrez, reconhecer imagens ou fazer previsões sobre resultados de vendas, por exemplo. 

eBook: 7 Maneiras de Aumentar Vendas com Automação de Marketing

A inteligência artificial (IA) pode ser usada para: 

1. Assistir o ser humano a fazer certas tarefas repetitivas mais rapidamente e melhor, como são exemplo os softwares de tradução e legendagem automática ou os RPA (Robotic Process Automation) – Assisted AI. 

2. Aumentar as capacidades do ser humano, como são exemplo os sistemas de previsão de churn de clientes, chat bots ou mesmo de condução autónoma no seu estado atual – Augmented AI. 

3. Tomar decisões independentes do ser humano, como são exemplo os sistemas de testes adaptativos (multivariate) para otimização de websites, os motores de recomendação de produtos e conteúdos (Amazon, Spotify), ou os sistemas de trading autónomo em bolsa – Autonomous AI. 

Tal como com o ser humano, o processo da inteligência começa pela captação de informação, estímulos, dados do mundo real, através dos vários sentidos, que depois no cérebro são tratados de modo a identificar padrões, criar modelos automáticos, heurísticas, que permitem entender a realidade e prever a probabilidade de acontecimentos futuros, de modo a tomar decisões com base nestes cálculos. 

Lembrando uma citação atribuída a Einstein, “inteligência é a capacidade de adaptação à mudança”, a IA é, portanto, o estudo dos dispositivos computacionais que conseguem percecionar o ambiente e tomar decisões que aumentam as hipóteses de atingir com sucesso os objetivos definidos. 

Machine Learning e AI 

Ao falar em inteligência artificial, temos de entender que se trata sobretudo de um conceito muito abrangente que procura encapsular tudo o que são atividades feitas pelas máquinas, mas que imitam, isto é, fazem a mímica do comportamento humano. Para que estes casos de uso da inteligência artificial possam funcionar, há um conjunto de algoritmos de Machine Learning (ML) capazes de processar, decidir e aprender a partir da análise de grandes conjuntos de dados (Big Data).  

Ao contrário da programação com base em regras lógicas pré-definidas por seres humanos, os algoritmos de Machine Learning conseguem automaticamente: 

1. Descobrir – detetar quais os atributos com maior poder preditivo sobre um determinado resultado. 

2. Decidir – inferir regras a partir dos dados, balancear atributos e sugerir o melhor conjunto de ações a tomar. 

3. Rever – alterar as regras existentes sobre os atributos e seus pesos relativos. 

De um modo geral podemos subdividir as várias abordagens de Machine Learning em função dos objetivos que se pretende atingir e dos métodos usados para que isso aconteça. 

Tipos de Aprendizagem

Estamos perante Aprendizagem Supervisionada, quando temos um objetivo ou tarefa claramente definida e queremos, de um modo geral: 

• fazer previsões de um determinado resultado como o volume de vendas, preços, procura, etc., usando regressões lineares ou logísticas, por exemplo; 
• fazer previsões binárias que indiquem qual a probabilidade de alguém estar ou não doente, de um email ser ou não spam, de um cliente entrar em incumprimento de crédito, de deixar de ser cliente ou não, etc., usando algoritmos de classificação. 

Aprendizagem não supervisionada acontece quando não temos um objetivo específico, ou uma variável clara a trabalhar e queremos explorar os dados, de modo: 

• a identificar conjuntos de dados que tenham características próximas (clustering) para segmentação de clientes e potenciais clientes, por exemplo; 
• ou de modo a processar um conjunto enorme de dados muito rapidamente e em tempo real, para conseguir obter recomendações de filmes no Netflix, ou para fazer análise de sentimento nas redes sociais, por exemplo, usando para isso técnicas de redução da dimensionalidade.  

Aprendizagem por reforço acontece quando damos à máquina um objetivo a atingir e esta faz as mudanças que melhoram a capacidade de atingir esse objetivo, aprendendo com as respostas que vai obtendo em tempo real do ambiente externo. Exemplos destes tipos de objetivos podem ser o de melhorar a escrita dos títulos de um email ou otimizar a audiência de um anúncio de Facebook para aumentar as conversões. 

Para além destes grandes grupos, a categoria de ML que tem vindo a ter uma preponderância crescente na evolução da IA, pelo impacto acelerado e precisão dos resultados que se conseguem obter, é o Deep Learning.  

Esta tipologia de ML usa sobretudo redes neuronais, as quais recorrem a mecanismos de funcionamento semelhantes aos do cérebro humano, construindo sucessivamente representações abstratas de um conjunto de dados, separando esses mesmos dados em diferentes camadas de abstração ou de transformação, para depois procurar padrões e desenvolver uma compreensão sobre determinada questão ou produzir os resultados esperados. 

Os mecanismos autónomos de scoring de leads ou de definição de preços de um produto ou serviço, como é o caso dos bilhetes de viagens aéreas, são bons exemplos de casos de uso de Deep Learning. O adjetivo “deep” refere-se às múltiplas camadas em que funcionam estas redes, que fazem com que na prática seja muito difícil explicar os resultados obtidos através destas técnicas, por isso serem designadas de caixas negras (black boxes). 

Como trazer a Inteligência Artificial para o meu negócio? 

Todos os dias já usados imensas aplicações de AI sem que nos apercebamos, o Google termina as nossas frases, o Facebook determina qual é o nossa newsfeed, Amazon prevê a nossa próxima compra, Spotify aprende qual a música que gostamos, o Google Maps guia-nos até ao nosso destino, a Alexa e a Siri respondem às nossas questões, desbloqueamos os PC e iPhones com um scan da nossa cara. Enquanto consumidores não queremos saber qual a tecnologia que está por trás disto, mas valorizamos a conveniência e personalização que proporciona. 

No marketing, a inteligência artificial tem vindo a permitir prever procura e receita, otimizar as cadeias de abastecimento, otimizar a disposição de produtos em loja, a executar estratégias de dynamic pricing, upsell e cross sell, oferecer recomendações personalizadas, bem como segmentar os clientes em tempo real de forma dinâmica.  

Enquanto pessoas de negócios, temos de ter a consciência que estas tecnologias de Inteligência Artificial estão a acelerar o marketing em direção a um futuro de automação inteligente. A Inteligência Artificial tem o poder de transformar as nossas carreiras e empresas, mas muitos gestores ainda não sabem como traduzir a estratégia de negócio em oportunidades de implementação de AI e muitos marketers não sabem por onde começar ou têm medo do desconhecido.  

Por isso mesmo é importante percebermos que o retorno sobre um investimento em IA pode ser calculado através de medidas de “hard ROI” tais como: 

• Redução de custos – que advém da diminuição de downtimes, fraudes, riscos operacionais ou custos de transação. 
• Aumentos de produtividade – com o melhoramento da capacidade de decisão humana e execução mais rápida de tarefas repetitivas. 

• Aumento de receitas – com a criação de novos produtos e serviços e a capacidade de vender mais e melhor. 

Há ainda outros fatores de retorno (“soft ROI”) que podem ser tão ou mais importantes que estes, tais como a satisfação e retenção de clientes e colaboradores, a capacitação e melhoramento das competências tecnológicas da força de trabalho, o aumento do valor da marca e da própria avaliação de valor da empresa. 

Mas para que se obtenham estes resultados é necessário saber por onde começar. Quais então os critérios que devem presidir à seleção de projetos de investimento em AI?  

Os projetos têm que ser avaliados mediante o seu potencial de retorno e a sua complexidade técnica. Projetos com elevado impacto e reduzida dificuldade de execução devem ser prioritários. Por outro lado, se um projeto de AI apresenta uma grande complexidade e um retorno diminuto, então não deve fazer parte dos primeiros esforços de uma empresa em direção à implementação de inteligência artificial.  

O ideal, portanto, é concentrar esforços na resolução de pequenos problemas, que consigam gerar valor rapidamente, tais como tarefas repetitivas que não compensam continuar a ser feitas por um humano e cujo risco de falhas e erros pela sua execução manual pode acarretar consequências graves. 

Depois de selecionados os projetos certos é necessário: 

1. Definir políticas de data governance – é aqui que se consegue perceber a que dados temos acesso, qual a qualidade desses dados, quem e como podem ser utilizados, quais os níveis de privacidade e segurança, qual o modelo de recolha e tratamento de dados. 

2. Integrar as várias fontes de dados (ERP, CRM, CMS, etc.) e criar um ecossistema normalizado de dados, que defina standards, permita a capacidade de serem interoperáveis – o que tecnicamente muitas vezes se designa por data lake. 

3. Avaliar as capacidades e competências de capital humano que temos na nossa organização, investir no upskill de algumas pessoas, investir na contratação de serviços e especialistas que nos ajudem a executar com sucesso projetos data driven. 

4. Desenvolver uma cultura de experimentação rápida, que abraça o erro como forma fundamental de aprendizagem, que está centrada no cliente e usa os dados para informar as decisões estratégicas e construir soluções que melhorem a proposta de valor e transformem continuamente o modelo de negócio. 

Gerir um sistema de AI é bastante diferente de gerir um qualquer outro software adquirido a um fornecedor especializado ou criado de raiz através programação lógica customizada por seres humanos.  

Tendo em conta que os sistemas baseados em IA operam no domínio das probabilidades, estes devem ser continuamente treinados, monitorizados e avaliados no que diz respeito ao seu desempenho. Desta forma, as organizações que implementem sistemas baseados em IA podem proteger-se contra os danos associados à deprecação, enviesamento e divergência face aos objetivos originais, que naturalmente afetarão qualquer modelo de AI. É necessário manter a performance, previsibilidade e precisão dos modelos, sob pena de se enfrentarem consequências prejudiciais ao negócio e para a sociedade. Por isso, as organizações têm de auditar permanentemente as suas capacidades de criação, posse e operação de sistemas avançados de AI. 

Trace o caminho para o sucesso com especialistas em MarTech e IA

O mundo do Marketing e da Tecnologia estão a evoluir a um ritmo frenético. Com a Inteligência Artificial a invadir o dia das empresas, cada vez mais é importante contar com especialistas que garantem que as inovações são integradas no seio dos negócios. Além disso, para que a tecnologia contribua para o sucesso do negócio, é importante que haja uma estratégia que guie a implementação, adoção e evolução dos sistemas.

Enquanto especialistas em MarTech e IA, a Liminal oferece uma visão integrada, que une Tecnologia, Marketing e Estratégia, garantindo a adoção e a implementação bem sucedida das tecnologias de marketing, quer seja através da escolha imparcial dos sistemas certos para responder aos desafios da sua empresa, da adequação dos processos e fluxos em sistemas já existentes ou do desenho de uma estratégia de CRM & Automação que contribua para o crescimento do negócio.