Em 2006, um ano antes de lançar o iPhone no mercado, Steve Jobs fazia grupos focais na Apple para entender que tipo de smartphone as pessoas queriam. E quando esta pergunta era feita, todos respondiam: “Eu quero um Smartphone com tela grande e teclado grande”... ninguém pediu um telefone touchscreen sem teclado, mas todos pediram uma versão melhor e maior do Blackberry - um feedback que, se seguido, não teria levado a Apple à inovação.
O dever dos inovadores e líderes não é atender aos pedidos e desejos dos clientes - mas é antecipar o que eles vão precisar, sem que eles possam sequer expressar isso.
Como podemos fazer isso? Pois bem, isso se dá através do Sensemaking, que é uma nova prática de lidar com dados, da qual falaremos neste artigo.
Em 2010, embora o iPhone já tivesse lançado (em 2007), o Blackberry ainda era líder de mercado, com 40% do mercado americano e 20% do mercado mundial, o que era realmente impressionante. Mas, embora de 2007 a 2012 o número de usuários de Blackberry tenha aumentado quase 10 vezes (de 8 milhões de dispositivos para 77 milhões), o problema é que, nesse meio tempo, sua participação no mercado caiu drasticamente de mais de 50% do mercado, para menos de 10%... ou seja, olhando apenas as métricas internas (que vinham crescendo ano a ano), a liderança não percebeu que estava crescendo muito mais devagar do que o mercado, devido à adoção generalizada de O Iphone.
Agora você pode estar pensando: mas Andrea, por que dados e “sensemaking” e por que não apenas perguntar ao nosso cliente o que ele quer? Bem, exatamente pelo motivo que expliquei no início deste artigo!
Então agora temos que entender melhor o que é data sensemaking: é basicamente, a partir de sua própria definição, É um processo no qual as pessoas dão sentido aos dados. É a capacidade de extrair insights dos dados, e transformar os dados, que são apenas a matéria-prima, e por si só não nos ajudam a tomar melhores decisões, no ponto de partida de uma boa tomada de decisão (que são os insights).
Sensemaking, termo introduzido por Karl Weick, refere-se a como estruturamos o desconhecido para podermos atuar nele. A criação de sentido envolve uma compreensão plausível - um mapa - de um mundo em transformação; testar este mapa com outras pessoas por meio de coleta de dados, ação e conversação; e então refinar, ou abandonar, o mapa dependendo de quão crível ele é.
A mudança para o complexo ocorre à medida que novas informações são coletadas e novas ações são tomadas. Então, à medida que os padrões são identificados e novas informações são rotuladas e categorizadas, o complexo torna-se simples novamente, embora com um nível mais alto de compreensão.
Agora, quando colocamos isso no contexto de Big Data, já que vivemos grande parte de nossas vidas online, nunca foi tão fácil para as empresas acessar dados comportamentais reais sobre o que as pessoas fazem, quando fazem, como fazem, e com que frequência o fazem. Grandes dados quantitativos podem responder a essas perguntas em tempo real com base em dados observados (não baseados em entrevistas) e revolucionaram a pesquisa de mercado na última década.
No entanto, resta uma questão extremamente importante que está fora do alcance das abordagens de big data: a questão do Por quê? Por que as pessoas se comportam de determinada maneira, compram determinado produto ou serviço ou mantêm determinada crença? Como todos sabemos, é aqui que os “dados densos” gerados pela pesquisa qualitativa ainda têm um papel muito importante a desempenhar do ponto de vista da percepção e da tomada de decisões.
Dito isto, a pesquisa qualitativa naturalmente vem com seu próprio conjunto de pontos fortes e fracos. Entre estes últimos, o mais importante talvez seja a falta de largura ou escala. Afinal, existe um limite para o quanto você pode generalizar com segurança sobre o grupo-alvo mais amplo com base em 10 a 15 entrevistas em profundidade, 2 a 3 grupos focais ou até mesmo em uma comunidade online.
Por essa razão, os melhores projetos de pesquisa sempre buscaram integrar fontes e perspectivas qualitativas e quantitativas, seja sequencialmente ou em um projeto de método misto.
Uma dessas abordagens de métodos mistos que achamos que merece muito mais atenção na comunidade de pesquisa é um método conhecido como “criação ativa de sentido”.
Mas no mundo atual do Big Data, há um problema: são dados demais! E é aqui que o poder da IA entra em ação.
Vejamos um exemplo de como a I.A. está revolucionando a pesquisa de mercado: imagine se uma marca tivesse a capacidade não apenas de monitorar o sentimento atual do consumidor, mas também de prever o sentimento futuro? Imagine se uma marca pudesse reunir todos os dados atuais do consumidor disponíveis e filtrá-los de uma forma que lhes permitisse ver padrões e prever tendências futuras? As vantagens disso quando se trata de estratégia e desenvolvimento de produtos seriam insondáveis.
A realidade é que isso não é uma ideia muito improvável. A rápida adoção de tecnologias emergentes, como inteligência artificial (IA) e aprendizado de máquina em pesquisa de mercado, mudou completamente a forma como coletamos e analisamos dados. Portanto, à medida que essas tecnologias se desenvolvem, é perfeitamente possível que elas tenham a capacidade de prever as tendências de consumo em um futuro não tão distante. A pesquisa de mercado acelerou a uma velocidade incrível nos últimos anos. Costumava ser a norma que a pesquisa levasse semanas ou até meses para ser concluída - cujos resultados informariam o planejamento dos próximos 6 a 12 meses. Mas no mundo de um ciclo de notícias 24 horas por dia, 7 dias por semana e consumo de mídia social 24 horas por dia, as empresas não têm mais esse tipo de tempo à sua disposição.
Quando se trata de volume de dados, você pode pensar que quanto mais dados, melhor. Mas o fato é que muitos dados são simplesmente impossíveis de analisar. Com milhões de consumidores e milhões de fontes de dados cada, o grande volume de dados que podem ser minerados é impressionante. Mas se você não consegue entender isso, é como se não tivesse nenhum dado. É aqui que a IA entra em jogo.
A IA transforma completamente a velocidade com que os dados podem ser analisados. Ele divide os dados em informações facilmente digeríveis, analisando-os e apresentando-os de uma forma que forneça informações ricas, detalhadas e úteis. A IA pode reunir milhões de pontos de dados em meros segundos – um trabalho que seria impossível para um ser humano realizar manualmente. E é particularmente útil quando se trata de análise de sentimento em perguntas abertas – algo que pode ser um dos aspectos que mais consomem tempo na revisão de dados.
Usar a IA dessa maneira está rapidamente se tornando padrão da indústria. Mas o verdadeiro potencial está em como podemos aproveitar a IA para prever o futuro. Quando combinada com a tecnologia de aprendizado de máquina, a IA aprende à medida que avança, ficando cada vez mais inteligente, dia após dia. Ao analisar os milhões de pontos de dados de milhões de pessoas em todo o mundo, ele começa a perceber padrões. E são esses padrões que podem ser a chave para prever insights futuros.
É por causa dessas vantagens que vemos cada vez mais investimentos em IA. No entanto, 65% dos executivos não conseguem explicar como seus modelos de IA tomam decisões. E isso é estranho. Isso está de acordo com os resultados de uma nova pesquisa da empresa global de análise FICO e Corinium, que entrevistou 100 analistas de nível C e executivos de dados para entender como as organizações estão implantando a IA e se estão garantindo que a IA seja usada de forma ética.
As descobertas concordam com uma pesquisa recente do Boston Consulting Group com 1.000 empresas, que descobriu que menos da metade daquelas que alcançaram a IA em escala tinham implementações de IA totalmente maduras e “responsáveis”. A adoção tardia da IA responsável desmente o valor que essas práticas podem trazer. Um estudo da Capgemini descobriu que clientes e funcionários recompensarão as organizações que praticam IA ética com maior lealdade, mais negócios e até mesmo disposição para defendê-los – e, por sua vez, punir aqueles que não o fazem.
Essa é uma grande lacuna que precisa ser preenchida, pois não se trata apenas de extrair grandes insights da IA, mas de entender como chegamos lá e como isso não é… ou é.
