Inteligência causal: A chave para impulsionar o desempenho da IA nos negócios

As soluções de Inteligência Artificial (IA) e Aprendizado de Máquina (ML) estão ganhando grande força nas empresas. Nos últimos anos, as empresas gastaram quantias cada vez maiores de dinheiro investindo em soluções ‘black-box’ na esperança de desenvolver algoritmos de ponta que as ajudarão a trabalhar melhor, de forma mais inteligente e eficiente. 

Considere, por exemplo, o recente hype em torno do AutoML - o Soluções automatizadas de aprendizado de máquina, fáceis de usar, com maior precisão do que os modelos tradicionais de ML e implementação mais rápida em tempo real. Desde que o Facebook exaltou o AutoML como a espinha dorsal de suas soluções de IA/ML em abril de 2016, o Google, o Salesforce, a Amazon e a Microsoft lançaram suas próprias soluções personalizadas de AutoML. 

A principal vantagem de soluções como o AutoML é óbvia: elas permitem que os usuários implementem rapidamente soluções de IA/ML de baixo custo e prontas para a produção. No entanto, assim como outros sistemas de IA ‘caixa preta’, também existem falhas significativas no uso dessas soluções para a tomada de decisões automatizadas. 

Esses sistemas normalmente modelam os resultados usando aprendizado de máquina - a menos que sejam alimentados com grandes data. Eles mapeiam os recursos do usuário em segmentos específicos (como estado de saúde ou situação financeira, por exemplo) sem explicar o motivo.

Isso é altamente problemático, não apenas por causa da falta de transparência, mas porque a execução desse mapeamento automático de usuários corre o risco de alimentar o algoritmo de tomada de decisão com possíveis vieses, herdados de preconceitos humanos e artefatos de coleta ocultos no treinamento data. Isso pode levar a decisões injustas ou erradas.

Para evitar esse problema, os tomadores de decisões de negócios devem alimentar esses sistemas ‘back-box’ com conjuntos de data mais confiáveis, que podem ser refinados por meio do desenvolvimento de sua Inteligência Causal, a compreensão das relações de causa e efeito entre o que os clientes fazem e como isso afeta seus negócios. 

Como funciona a Inteligência Causal

A causalidade não é um conceito novo. Tradicionalmente, a causalidade tem sido inferida por meio de testes A/B e análise de semelhança entre os grupos de teste e controle. O problema com essa abordagem, no entanto, é que quanto maior o número ou a complexidade das intervenções, mais difícil é selecionar grupos de controle semelhantes e mímicos. 

Os modelos gráficos causais, por outro lado (modelos gráficos probabilísticos que codificam as suposições sobre o processo de geração do data), resolver esse problema. Um dos modelos gráficos causais mais populares é a Rede Bayesiana. Ela se parece com uma teia de aranha ou rede de conexões que revelam o efeito de cada variável sobre as outras.

(Acima: Um exemplo de rede bayesiana mostrando como vários fatores afetam as vendas)

Para explicar como ela funciona, considere uma situação em que o senhor esteja consolidando o retorno sobre o investimento em marketing. Para várias marcas de FMCG, considerando que a maior parte das vendas ocorre off-line, em uma loja de varejo, uma rede bayesiana pode identificar conexões inter e intra entre esforços internos de marketing digital e off-line, preço, concorrência, fatores externos, como mercados de commodities, e vendas off-line. Três tipos de insights podem então ser extraídos: 

1. Descritivo (por exemplo, as avaliações da Amazon foram diretamente responsáveis por 10.000 euros de receita incremental).

2. Preditivo (por exemplo, investir 10% a mais em publicidade CPM pode gerar 3.000 EUR a mais de receita incremental).

3. Prescritivo (Por exemplo, com o mesmo orçamento, o Facebook pode receber um investimento 30% maior e o investimento em e-mail pode ser reduzido em 5%).

Identificação de relações de causa e efeito

Crucialmente, a Casual Intelligence também ajuda os tomadores de decisão a entender o ‘porquê’ em seu data. 

As relações de causa e efeito podem ser mais difíceis de detectar do que o senhor imagina. Muitos analistas supõem que uma relação de causa e efeito é quando dois fatores são aparentemente influenciados um pelo outro ao longo do tempo; ambos podem parecer aumentar e diminuir de maneira semelhante. Entretanto, esse é um termo errôneo. Essas tendências podem ser puramente coincidentes, e uma correlação não implica uma relação causal. Isso é o que os estatísticos chamam de ‘correlação espúria’ - ela não existe necessariamente. 

É fácil cair na armadilha de identificar ‘correlações espúrias’, e muitos tomadores de decisão acabam tomando decisões com base nessas suposições imprecisas. Esses erros são tão comuns que O Financial Times chama as correlações espúrias de “a kryptonita” da corrida de IA de Wall Street.

Entretanto, os modelos de Causal Intelligence permitem que os usuários determinem as relações com mais precisão. Ao entender como uma variável afeta outra, os usuários podem ter uma compreensão mais firme de como e por que determinados números ou resultados mudaram e prever (com mais precisão) se uma correlação continuará ou permanecerá estática.

Aplicações comerciais da inteligência causal

A necessidade de Causal Intelligence varia de acordo com o setor, a maturidade da adoção de IA/ML e a quantidade de intervenção humana que gera e valida as previsões. No entanto, o processo pode ajudar as empresas de todos os setores a desenvolver sua compreensão de três áreas principais:

• Retorno do investimento em marketing (MROI)

Tradicionalmente, os profissionais de marketing refinam o mix de mídia ideal ou os orçamentos de marketing com os Modelos de Mix de Marketing (MMMs). Esses modelos tendem a ser modelos macroeconômicos clássicos, sem dúvida) que enfatizam as correlações lineares entre os investimentos em canais de mídia.

Isso fazia sentido quando os profissionais de marketing consideravam um único funil como a verdade absoluta - uma jornada linear do cliente desde a conscientização até a consideração e a compra. Mas, à medida que Allan Thygesen, do Google, explicou que o funil não existe mais graças aos ‘momentos ricos em intenção’. Não há duas jornadas de clientes iguais e os pontos de contato podem ser unidos na forma de uma rede ou teia de aranha. Os modelos causais podem ajudar as empresas a estimar o efeito desses pontos de contato interconectados nas vendas de forma escalonável e robusta.

• Desenvolvimento de ativos criativos

Muitas empresas agora se concentram na geração de audiences segmentados para ativação de marketing. Mas o que acontece com o criativo que é oferecido a eles? É visualmente atraente o suficiente para chamar a atenção deles?

A IPG Media Brands publicou um relatório em 2019, que testou o impacto dos criativos na eficácia do anúncio. O estudo mostrou que o tamanho, a forma, as cores dominantes primárias ou secundárias e os logotipos aumentaram a CTR em 2 vezes, em média. As implicações dessa inferência causal podem melhorar significativamente o ROAS, bem como a experiência do consumidor, por meio da exibição de anúncios mais atraentes em vez dos menos atraentes.

• Medição da promoção

As marcas de FMCG geralmente dependem de promoções para impulsionar as vendas e se aproximar dos consumidores. Entretanto, elas continuam a medir o impacto dessa promoção com base em correlações espúrias em vez de relações de causa e efeito. Em vez disso, deveriam estabelecer um exame abrangente da causalidade inerente entre as necessidades do produto para determinar os efeitos de “halo” e “canibalização”, além de isolar o efeito das atividades e investimentos relacionados à promoção dos fatores temporais.

Três convicções para ter sucesso

Trazer maior transparência sobre como os modelos de IA/ML funcionam e expor as justificativas para as previsões feitas por esses modelos pode ajudar os tomadores de decisão a traçar as próximas etapas. Para começar a implementar e gerar valor incremental a partir da Inteligência Causal, eles podem começar agora, seguindo três convicções:

1. Comece a coletar data mais abrangente: Não se limite ao data que o senhor já tem. Juntamente com todas as partes interessadas comerciais e tecnológicas, defina todos os fatores internos e externos que possam influenciar o desempenho de seu produto no mercado. Em seguida, o senhor pode começar a coletar o data e consolidar todas as fontes de data.

2. Combinar IA/ML e inteligência humana: Ao mapear os caminhos/conexões entre diferentes fatores, uma rede pode ser construída com base em estatísticas puras. Mas lembre-se de validar e ajustar a rede com a contribuição dos principais especialistas em negócios para reduzir o viés e identificar conexões tabu. 

3. Mantenha os usuários finais e as partes interessadas envolvidos desde o início: A Causal Intelligence consome muito tempo, dada a ampla gama de pontos data usados, além de incorporar as contribuições de especialistas em negócios humanos. Essas partes interessadas e os usuários finais precisam estar envolvidos na jornada desde o início.