A Wikipedia define a análise preditiva como um conjunto de técnicas estatísticas, – como mineração de dados, análise de negócios e aprendizado de máquina, – “que analisam fatos atuais e históricos para fazer previsões sobre eventos futuros ou desconhecidos”. Tecnologias de computação cada vez mais poderosas e baratas, novos algoritmos e modelos e enormes quantidades de dados sobre quase todos os assuntos levaram a grandes avanços na análise preditiva nas últimas duas décadas.
“A receita mundial para soluções de ‘big data’ e análise de negócios está prevista para chegar a US $ 274,3 bilhões até 2022”, escreveram os economistas Erik Brynjolfsson, Wang Jin e Kristina McElheran em The Power of Prediction, um artigo publicado no início deste ano. Em princípio, esse uso generalizado de análise preditiva deve ter um impacto positivo no desempenho das empresas. “No entanto, esses investimentos ainda não renderam ganhos de produtividade no agregado”, disseram os autores. “No nível da empresa, os gerentes lutam para fechar a lacuna entre a promessa da análise preditiva e seu desempenho. Essas preocupações têm sido difíceis de resolver empiricamente devido à taxa de mudança tecnológica e, ironicamente, à escassez de dados”.
Para lidar com essas preocupações, os autores lançaram um estudo de pesquisa em colaboração com o US Census Bureau para coletar informações sobre o uso de análises preditivas em uma amostra representativa da indústria de manufatura dos EUA, – uma indústria que historicamente é uma das primeiras a adotar a tecnologia de ponta tecnologias.
A cada 5 anos, o Census Bureau realiza uma Pesquisa de Práticas Organizacionais e de Gerenciamento (MOPS) para entender melhor as práticas de gerenciamento e organizacionais nas fábricas dos EUA e seu impacto no crescimento da produtividade. Como parte do estudo, um novo conjunto de perguntas foi adicionado ao MOPS 2015 sobre o uso de análise preditiva e características de local de trabalho relacionadas na indústria de manufatura, – por exemplo: “Com que frequência um estabelecimento normalmente depende de análises preditivas (modelos estatísticos que fornecem previsões em áreas como demanda, produção ou recursos humanos)?”
A taxa de resposta foi de 70,9%, gerando dados sobre mais de 30.000 fábricas. No geral, os dados mostraram que “a adoção de análises preditivas se espalhou pelo setor manufatureiro americano. Mais de 70 por cento de nossa amostra representativa adotou algum nível de análise preditiva já em 2010, com penetração generalizada em todas as regiões e setores, bem como distribuições de tamanho de fábrica e idade.”
A maioria das empresas no estudo baseou-se em métodos analíticos pré-IA amplamente utilizados. Embora a maioria dos artigos de pesquisa e negócios sobre tecnologias de previsão estejam atualmente focados em métodos de IA, como aprendizado de máquina, seu uso foi limitado a um número relativamente pequeno de empresas de manufatura de ponta no período de 2010-2015 coberto pelo estudo. O uso de métodos avançados de IA deverá aumentar nos próximos anos.
Com base em uma análise completa dos dados, o estudo foi capaz de estimar empiricamente o impacto da análise preditiva na produtividade. A análise revelou duas descobertas principais:
- A adoção de análises preditivas está associada a ganhos de produtividade estatisticamente e economicamente significativos. As fábricas que relatam o uso de análise preditiva desfrutaram de ganhos de produtividade de 1% a 3% em média, o que representa cerca de $ 464.000 a $ 918.000 em aumento de vendas. A evidência indica uma relação causal: o uso de analítica preditiva precede os ganhos de desempenho, mas não vice-versa; e o maior uso de análises preditivas leva a maiores ganhos de produtividade.
- Quatro complementos de local de trabalho explicam por que algumas empresas obtêm grandes ganhos com a análise preditiva, enquanto outras veem pouco ou nenhum benefício. O estudo descobriu que os ganhos de produtividade da análise preditiva dependem fortemente de quatro complementos-chave da força de trabalho:
1) altos investimentos de capital em TI;
2) uma parcela significativa de funcionários qualificados;
3) alta capacidade gerencial e organizacional; e
4) processos de manufatura de alto volume e fluxo eficiente, ou seja, processos cuja instrumentação e sensores geram quantidades significativas de dados de produção.
“Nosso objetivo não é apenas avaliar os impactos causais do uso da análise preditiva, mas também avançar em um roteiro prático que os gerentes podem seguir para aproveitar melhor essas novas ferramentas”, explicam os autores. “A consciência das restrições organizacionais pode ajudar as empresas a alocar recursos analíticos escassos, visando áreas que têm maior probabilidade de gerar retornos oportunos ou financiar investimentos complementares coordenados com prazos mais bem compreendidos.”
Esses resultados são consistentes com os de estudos anteriores, que constataram da mesma forma que os investimentos em tecnologias de ponta não levarão a uma produtividade e crescimento significativamente maiores, a menos que acompanhados de fatores complementares. Deixe-me concluir discutindo alguns desses estudos.
Wired for Innovation: How Information Technology is Rehaping the Economy, um livro de 2009 com coautoria de Brynjolfsson, observou que “As empresas com os maiores retornos sobre seus investimentos em tecnologia fizeram mais do que apenas comprar tecnologia; eles investiram em capital organizacional para se tornarem organizações digitais. Estudos de produtividade tanto no nível da empresa quanto no nível do estabelecimento (ou planta) durante o período de 1995-2008 revelam que as empresas que viram altos retornos sobre seus investimentos em tecnologia foram as mesmas que adotaram certas práticas de negócios que aumentam a produtividade.”
Mais recentemente, The Productivity J-Curve, um artigo de 2020 com coautoria de Brynjolfsson, discutiu a necessidade sistemática de investimentos complementares para colher os benefícios de tecnologias transformadoras como a IA. O artigo identificou duas fases, investimento e colheita, no ciclo de vida de tecnologias historicamente transformadoras. Essas tecnologias exigem investimentos complementares massivos para que todos os seus benefícios sejam realizados, incluindo novos produtos, processos e modelos de negócios, e a requalificação da força de trabalho. Além disso, quanto mais transformadora a tecnologia, mais tempo leva para chegar à fase de colheita, quando será amplamente adotada por empresas e indústrias. Traduzir avanços tecnológicos em ganhos de produtividade requer grandes transformações na estratégia, organização e cultura das instituições – e isso leva um tempo considerável.
Finalmente, nos últimos anos, a McKinsey tem conduzido pesquisas sobre o estado atual da IA. A pesquisa de 2017 com mais de 3.000 executivos cientes da IA descobriu que apenas 20% dos entrevistados haviam adotado IA na produção em uma parte central de seus negócios. Um tema comum em todo o relatório foi que os mesmos jogadores que eram líderes nas ondas anteriores de digitalização e análise agora lideravam a onda de IA. “Um programa de sucesso requer que as empresas abordem muitos elementos de uma transformação digital e analítica: identifique o caso de negócios, configure o ecossistema de dados certo, crie ou compre ferramentas de IA apropriadas e adapte processos de fluxo de trabalho, recursos e cultura.”
A pesquisa mais recente da McKinsey, The State of AI in 2020, descobriu que uma pequena parcela das empresas de alto desempenho estava obtendo resultados de negócios descomunais com seus investimentos em IA. Três práticas específicas de captura de valor separaram esses executores de IA de alto nível dos demais: eles têm uma estratégia de IA claramente definida que está alinhada com sua estratégia geral de negócios; eles têm uma liderança geral melhor, incluindo campeões engajados e bem informados na diretoria que estão totalmente comprometidos com a estratégia de IA; e eles investem mais de seus orçamentos digitais em IA do que suas contrapartes e planejam aumentar esses investimentos nos próximos anos.
