O Uso de IA na Gestão de Desempenho Corporativo – Oportunidades e Estratégias

Seja em previsões meteorológicas, sugestões da Netflix, YouTube e Amazon, resultados de busca no Google, assistentes de voz digitais ou reconhecimento facial em smartphones, a inteligência artificial (IA) já se integrou em nossas vidas cotidianas. Esse avanço é impulsionado pelo enorme aumento na capacidade de processamento computacional, assim como pela quantidade de dados disponíveis.

O que é inteligência artificial (IA) e aprendizado de máquina (AM)?

IA, em resumo, descreve a imitação dos processos cognitivos humanos na resolução de problemas por meio de programas de computador. Ela faz uso do aprendizado de máquina (AM), no qual modelos matemáticos são aplicados aos dados para detectar padrões em conjuntos de dados e fazer previsões.

O que torna o AM tão especial é o fato de que ele está constantemente aprendendo e melhorando sem intervenção direta de humanos. Quanto maior o volume de dados e sua qualidade, melhores serão os resultados. Por outro lado, isso também significa que o AM não pode fornecer resultados significativos sem um inventário de dados suficiente.

Aprendizado de Máquina como um Serviço (AM) para planejamento e previsão.

Machine Learning refere-se a um conjunto de serviços e modelos oferecidos na nuvem, sendo os provedores mais proeminentes a Microsoft, Amazon, Google e IBM. Isso torna a tecnologia sofisticada de Aprendizado de Máquina acessível a todos. Ao utilizar o AM, plataformas de Gestão de Desempenho Corporativo (CPM) podem aproveitar a poderosa funcionalidade de AM sem a necessidade de configurar uma infraestrutura extensa.

Uma vez que o planejamento e a previsão são baseados em grandes quantidades de dados históricos, eles são idealmente adequados para serem apoiados por AM e, portanto, podem ser automatizados e acelerados de forma decisiva, pelo menos parcialmente.

Planejamento e previsão preditiva.

Quando o Aprendizado de Máquina está envolvido no planejamento e na previsão, é chamado de planejamento e previsão preditiva.

Sobre esta nota de pesquisa.

Esta nota de pesquisa resume o estado atual do planejamento e previsão preditiva, destaca casos de uso potenciais e fornece orientações práticas de implementação.

O planejamento e previsão preditiva aumenta a produtividade da organização financeira. 

A maioria das empresas que o utilizam alcança benefícios mensuráveis.

O estudo da BARC, “Previsão e Planejamento Preditivos em Ascensão – Hype ou Realidade?”, mostra que atualmente apenas um quarto das empresas utilizam o aprendizado de máquina (AM) e modelos preditivos para o planejamento e previsão. No entanto, cerca da metade dessas empresas afirmam já obter benefícios mensuráveis, enquanto a outra metade espera alcançá-los no futuro. Os resultados do estudo revelam um enorme potencial para o planejamento preditivo do qual muitas outras empresas podem se beneficiar. Recursos limitados ou outros investimentos mais promissores são as razões mais comuns para as empresas não investirem em planejamento preditivo.

Os benefícios do aprendizado de máquina (AM): maior qualidade, menor esforço, novas percepções.

As vantagens de usar o Machine learning no planejamento e previsão são variadas. Quase dois terços das empresas pesquisadas (64%) relatam que a qualidade e a precisão aumentaram. A mesma proporção relata que o esforço necessário diminuiu ao utilizar essa nova abordagem.

Mais da metade das empresas pesquisadas (49%) criam previsões com mais frequência, o que não seria possível sem a ajuda do ML. E uma proporção semelhante (48%) relata que se beneficiam da detecção precoce e previsão de eventos, enquanto 44% necessitam de menos tempo para suas previsões e podem realizá-las com menos antecedência – uma ferramenta poderosa em momentos de turbulência econômica e uma forma de obter vantagem sobre a concorrência.

Mais de 32% das empresas obtêm novas percepções por meio do processamento de volumes maiores de dados, e 29% conseguem aliviar os planejadores de tarefas rotineiras usando o AM.

Cinco etapas para aproveitar com sucesso o poder do aprendizado de máquina no planejamento e na previsão:

1. Definição do objetivo. Os objetivos comerciais e os casos de uso para a aplicação do aprendizado de máquina no planejamento e na previsão devem ser definidos antecipadamente. Isso é essencial para especificar requisitos comerciais, metas concretas e um framework para os próximos passos. O ponto de partida pode ser a questão de quais etapas de planejamento são particularmente demoradas e intensivas em trabalho e, portanto, devem ser automatizadas.

Se, por exemplo, dados do ano anterior são utilizados em etapas manuais para mapear a sazonalidade em regiões e grupos de produtos como parte do planejamento de vendas, um objetivo pode ser analisar e prever essa sazonalidade por meio do aprendizado de máquina. Isso reduziria significativamente o trabalho manual no processo de planejamento e forneceria aos planejadores dados nos quais eles poderiam construir e aprimorar planos com sua perspectiva e conhecimento individuais.

O objetivo definido também determina quais modelos de aprendizado de máquina podem ser utilizados e quais dados são necessários para o modelo.

2. Aquisição e preparação de dados: Geralmente, esta é a etapa mais demorada, pois o escopo e a qualidade dos dados são cruciais para alcançar resultados ótimos. Dependendo do caso de uso, dados externos podem ser necessários além dos dados internos para aproveitar fatores de influência importantes para as previsões.

Continuando com o exemplo do planejamento de vendas baseado em séries temporais, geralmente não é suficiente usar apenas dados do ano anterior, pois, dependendo do método de previsão, regularidade da sazonalidade e outros parâmetros, é necessário ter um mínimo de 20 a 50 pontos de dados. No caso do planejamento baseado em meses, isso equivale a dois a quatro anos. Se o sistema de planejamento fornecer apenas dados do ano anterior, dados de anos anteriores devem ser fornecidos para um treinamento adequado do modelo. Se os dados tiverem que ser ajustados para impactos pontuais, como os da pandemia de COVID-19, pode ser necessário retroceder ainda mais no tempo. E se, por exemplo, as linhas de produtos tiverem mudado no período analisado, elas devem ser harmonizadas para torná-las adequadas ao modelo de AM.

Além disso, valores extremos nos dados brutos frequentemente precisam ser removidos para obter resultados ótimos, e valores ausentes devem ser substituídos por interpolação. Essas operações computacionais relativamente simples também podem ser apoiadas por modelos de AM no contexto de previsão e planejamento preditivo.

3. Modelagem de dados: Quando os dados brutos são fornecidos, eles devem ser transformados e transferidos para uma forma ou modelo aos quais as funções de planejamento e previsão preditiva podem ser aplicadas.

O exemplo dado de planejamento de vendas baseado em séries temporais coloca demandas relativamente simples nos dados a serem fornecidos e na maneira como eles precisam ser moldados e modelados.

No entanto, o escopo da aquisição de dados e a complexidade da modelagem de dados se tornam muito maiores se um modelo baseado em drivers for usado em vez de modelos de previsão de séries temporais. É aí que começa a busca demorada e intensiva em computação por drivers relevantes, pois cada driver potencial e suas combinações devem ser examinados quanto à sua adequação.

Por exemplo, se a influência dos dias da semana no volume de vendas deve ser investigada e simulada, os dados devem estar disponíveis em um nível de granularidade suficiente e agrupados e modelados adequadamente. Em muitos casos, a preparação e modelagem de dados são processos altamente interativos, caracterizados por tentativa e erro, pois nem sempre é claro antecipadamente como os dados brutos devem ser estruturados para o modelo ideal e quais dados adicionais são necessários.

4. Treinamento: Nesta fase, os modelos matemáticos são treinados. Dependendo do caso de uso, diferentes modelos matemáticos são usados, sendo os mais comuns e úteis.

Os dados são divididos em conjuntos de dados de treinamento e teste. Para previsões de séries temporais, o conjunto de treinamento geralmente é composto pelos dados mais antigos disponíveis e o conjunto de teste é composto pelos dados mais recentes disponíveis para simular uma previsão. 

Um modelo aprende certas características dos dados de treinamento, como sazonalidade, tendências e feriados. Para determinar a precisão, o modelo é então validado com dados de teste conhecidos. Para otimizar a precisão, os parâmetros podem ser ajustados de acordo.

Para apoiar a otimização da precisão, o modelo matemático selecionado e sua precisão em relação ao caso de uso podem ser apresentados. A precisão do método de previsão selecionado é determinada durante a fase de treinamento, comparando-se o nível de dados calculados com os dados de teste. A precisão fornece informações sobre o quão adequados os diferentes modelos são para o caso de uso em questão. Ao prever séries temporais, ferramentas de ponta suportam a comparação automatizada de uma infinidade de modelos e sugerem o mais adequado para o usuário.

5. Saída de dados e pós-processamento: Os valores previstos estão idealmente disponíveis imediatamente para análises e comparação com dados históricos. No CPM, você geralmente deseja armazenar os resultados diretamente em seu modelo de planejamento. Isso permite que você veja imediatamente o impacto das novas previsões ou alterações em um orçamento, não apenas em detalhes completos, mas também com uma visão do efeito sobre o lucro e a perda, o balanço patrimonial e – talvez o mais importante – sobre o fluxo de caixa.

As principais plataformas de CPM com funcionalidade de AM oferecem suporte a todos esses passos, desde a aquisição de dados até a saída, em um ambiente integrado e fácil de usar.