Fazer previsões é (e sempre foi) uma das tarefas mais árduas e ingratas que um decisor realiza em sua rotina corporativa.

Essa visão futura é insumo imprescindível nas decisões que precisam ser tomadas em processos cada vez mais dinâmicos e incertos, e que determinam o sucesso ou fracasso das organizações em um mundo de competitividades cada vez mais acirradas, ou seja, em um ambiente VUCA – Volatility, Uncertainty, Complexity, Ambiguity.

Não deveria ser novidade, mas é precisamente nesse tipo de ambiente que as metodologias e ferramentas de Inteligência Artificial (IA), impulsionadas por Advanced Analytics, concentram seu melhor uso, sua performance mais significativa.

Conseguimos avançar bem, a ponto de modelos estatísticos e algoritmos computacionais de aprendizado (machine learning) apontarem previsões cada vez mais aderentes à realidade – demanda é o caso mais comum disso.

Se planejar as ações de curto, médio ou longo prazo, em ambientes dessa natureza, sem o uso de Advanced Analytics, representava um esforço hercúleo para executivo antes da pandemia, o que nos aguarda nesse momento sem espelhos históricos que possam ser utilizados em modelos preditivos?

Nesse contexto, estariam os executivos que contam somente com percepções empíricas, no mesmo patamar de clareza daqueles que utilizam as atuais ferramentas de IA?

Com certeza não. É verdade que modelos preditivos que antes entregavam resultados aderentes, aprendendo com as tendências e sazonalidades de uma série histórica enfrentam dificuldades com esse período.

E como não sabemos bem o que está por vir, pode ser que a história gerada nestes meses de pandemia também atrapalhe a acuracidade desses modelos no futuro próximo.

Seja como for, um modelo de predição, por melhor que seja, já deveria ser entendido como mais um artefato de apoio às decisões e não como o único. A melhor estratégia sempre foi a de combiná-los com outras fontes de informações.

No planejamento de vendas, por exemplo, o ferramental mais adequado para suportá-lo é combinar a predição feita por modelos estatísticos, ou algoritmos de machine learning, com um fluxo de trabalho de colaborações de agentes em vários níveis da empresa.

Assim, é possível melhorar a história contada pelos dados do passado, com as informações do que se passa no mercado agora, seja com indicadores econômicos, seja com conhecimentos específicos de uma região, de uma campanha publicitária, ou de uma nova política de preços.

Já as ferramentas de IA para prescrição, usualmente na forma de otimizadores matemáticos, têm seu uso impulsionado no meio de tantas incertezas.

Como dependem menos dos dados históricos e mais dos cenários correntes, podem ser utilizados para melhorar as decisões.

Assim como os ambientes colaborativos no caso preditivo, a simulação de cenários otimizados ganha força, no caso da prescrição, em momentos como os que vivemos atualmente.

A dinâmica de uso de um otimizador baseia-se na geração de um cenário para decisões, em que são configurados os dados mestres e transacionais, para que o algoritmo de inteligência computacional aponte o melhor plano de ação.

Se o leitor conhece um pouco dessa técnica, sabe que uma das grandes vantagens no uso desse tipo de ferramenta analítica é que o tratamento das complexidades e a consideração das (infindáveis) variáveis envolvidas nas decisões são feitas de forma muito ágil, liberando tempo precioso para que o decisor possa analisar vários cenários.