Tomar decisões com base em dados faz sentido instintivamente, e há evidências de que também faz sentido financeiramente. Por exemplo, o McKinsey Global Institute indica que as organizações orientadas por dados, ou Data Driven, têm 23 vezes mais probabilidade de adquirir clientes, seis vezes mais probabilidade de retê-los e 19 vezes mais probabilidade de serem lucrativas como resultado. Estar ciente deste potencial é valioso, mas muitas empresas já entendem que os dados devem embasar as decisões. Entretanto, adquirir essa compreensão e colocá-la em prática são duas coisas muito diferentes. Então, como reverter o jogo e criar uma cultura data driven? Índice1 Quais são os resultados de uma cultura Data Driven? Conheça os cases em destaque no mercado.2 Por que tornar-se Data Driven?3 Saiba garimpar o ouro4 Antes de tornar-se Data Driven, lembre-se do básico5 Crie uma cultura orientada a dados6 Alfabetização em dados: Data Driven na prática7 Como o mundo Data Driven nos ajudou durante o Covid-19?8 O Chief Data Officer, ou CDO, é uma peça importante para tornar-se Data Driven Quais são os resultados de uma cultura Data Driven? Conheça os cases em destaque no mercado. Ao se tornarem Data Driven, as organizações podem obter insights que lhes dão vantagens competitivas. Na verdade, muitas das principais empresas do mundo estão usando dados para impulsionar seu sucesso. Por exemplo, como o Walmart escreveu em um artigo intitulado “5 maneiras através das quais o Walmart usa big data para ajudar os clientes”, ele combina big data e modelos preditivos para antecipar a demanda ao longo do dia. De acordo com a Wired, o McDonald’s adquiriu a Dynamic Yield, uma empresa de análise, por mais de US$ 300 milhões, e já está usando a tecnologia para projetar a demanda do cliente e reduzir o desperdício em suas instalações. E se você já fez compras na Amazon, provavelmente já viu a seção “Frequentemente comprados juntos”, outro ótimo exemplo do uso de insights baseados em dados. O sistema de recomendação personalizada da Amazon analisa informações como seu histórico de compras, o que está em seu carrinho e itens que você visualizou para recomendar produtos adicionais. Assim como no McDonald’s, essa técnica provou ser um grande sucesso. Conforme relatou o Wall Street Journal, os bloqueios geraram um aumento na demanda do consumidor, a ponto de as recomendações baseadas em dados altamente eficazes da Amazon acabarem sobrecarregando seus sistemas. Como resultado, a Amazon abandonou temporariamente as recomendações de produtos. Vamos ver mais um exemplo: Netflix. O feed da Netflix de um usuário é personalizado para ele, por meio de modelos preditivos inseridos com dados como quando eles assistem a um programa, o dispositivo que usam, se eles pausam o programa, se voltam a assistir após uma pausa e muitos outros pontos de dados. Como muitas das empresas mais bem-sucedidas do mundo – de entretenimento a varejo, restaurantes e muito mais – estão usando dados para impulsionar seu sucesso, organizações de todos os portes querem aproveitar os benefícios da inteligência de dados. Mas existe um longo caminho a ser percorrido! Por que tornar-se Data Driven? Como acontece com muitos projetos de mudança impulsionados pela tecnologia, a taxa de falha para aqueles que estão nesta jornada é considerável. De fato, um relatório recente da EY revela que, embora 81% das organizações apoiem ​​a noção de que os dados devem estar no centro de tudo o que fazem, a grande maioria insiste em manter os dados em silos, estrangulando seus esforços. Então, como reverter este cenário? A primeira etapa é entender por que você está procurando tornar-se Data Driven. Muitas organizações se apressam em obter os recursos de BI necessários, sem dedicar tempo se perguntando como o BI se encaixará na cultura da organização. Esta pergunta simples deve desencadear uma avalanche de outros questionamentos, que precisam ser respondidos e pensados cuidadosamente. Quais eventos os levaram a buscar ferramentas ou recursos para começar a utilizar os dados? Afinal, usar dados de maneira eficaz provavelmente mudará a cultura em todas as frentes, então esteja preparado. O papel que a função de BI desempenhará no processo de tomada de decisão, onde residirá essa função e por que, qual será a estrutura de relatório, como isso impactará o papel e a função dos outros departamentos. O artigo da EY sugere que, para a maioria das organizações, esse desejo será entender melhor os clientes e melhorar os produtos e serviços. A partir dessa necessidade básica, você pode começar a implementar sua estratégia. Saiba garimpar o ouro É tentador pensar que as organizações estão lutando contra a falta de dados, mas a realidade é que a maioria delas tem mais do que o suficiente para tomar decisões criteriosas. O problema é que estas informações, na maioria das vezes, são mal gerenciadas e exploradas. Os pesquisadores do MIT consideram isso como a base de sua pirâmide e consiste não apenas em dados bem gerenciados, mas também em um firme compromisso dos líderes de adquirir uma mentalidade orientada a dados. Alguns líderes defendem a existência de um núcleo central especializado em dados para garantir que os padrões, métodos e ferramentas comuns sejam usados ​​para a coleta e gerenciamento de informação. Esta iniciativa também aumenta a probabilidade de a inteligência de negócios ter uma presença a nível de conselho que sustenta a tomada de decisão orientada a dados na organização. Isso garante que os insights estejam disponíveis aos times quando eles precisarem. É apenas nesse estágio que os dados se tornam um ativo essencial para sua organização, sustentando sua estratégia e aprofundando o envolvimento com os clientes. O pico da pirâmide, então, permite que você pegue seus recursos de dados recém-descobertos e crie modelos de negócios e gráficos de novos territórios. Antes de tornar-se Data Driven, lembre-se do básico Chato, mas importante: antes de alçar voos mais altos, você deve garantir que sua base esteja adequada, e esse é o tipo de trabalho manual que muitas organizações ignoram. A realização de um inventário de dados simples costuma ser um trabalho que os executivos relutam em realizar, resultando

Os dados estão em todos os lugares e a ciência de dados (Data Science) está ganhando cada vez mais força, aceitando os desafios do tempo e oferecendo novas soluções algorítmicas. Participar dessa revolução é extremamente empolgante! Observar todos os movimentos, mudanças, novas possibilidades e também fazer parte deles. No entanto, se você é um novato nesse assunto, isso significa que você ainda tem um longo caminho a percorrer para se tornar um especialista, e assim como qualquer cientista, você terá que passar por uma série de tentativas e erros antes de alcançar a expertise necessária. Mas com este post, vamos tentar facilitar essa tarefa para você. Aprenda a maneira mais eficaz de entender o universo de Data Science. Índice1 O que é Data Science?2 Como a Data Science surgiu?3 Conheça o universo de Data Science4 Afinal, o que o Data Scientist faz?5 Estatística, matemática e álgebra linear: por que são importantes para Data Science?6 Preciso aprender programação para trabalhar com Data Science?7 Quais habilidades não técnicas um Data Scientist deve ter?8 Como as empresas estão usando Data Science? O que é Data Science? De um modo geral, a Data Science — ou ciência de dados, em português — não é um domínio único: é mais parecido com uma combinação de vários conceitos que se concentram na análise de dados e na busca das melhores soluções baseadas neles. Inicialmente, essas tarefas eram realizadas por experts em matemática ou estatística, mas os especialistas em dados começaram a usar o Machine Learning e a inteligência artificial, criando essa nova abordagem de análise de dados que conhecemos. Essa nova forma de analisar os dados, acabou sendo muito mais rápida, eficaz e extremamente popular. Então, no fim das contas, a Ciência de Dados se tornou tão popular por sua capacidade de englobar a coleta de grandes matrizes de dados estruturados e não estruturados e transformá-los em formatos legíveis e de simples visualização. Como a Data Science surgiu? A história da ciência de dados se correlaciona com a do armazenamento de dados. Antes da era digital, os dados eram armazenados em nossas cabeças, em tabletes de argila ou em papel, o que fazia com que analisar estes dados fosse uma tarefa extremamente demorada. Em 1956, a IBM lançou o primeiro computador comercial com um disco rígido magnético, o 305 RAMAC. Toda a unidade exigia um enorme espaço físico, pesava mais de uma tonelada e, por US$ 3.200 por mês, as empresas podiam alugar a unidade para armazenar até 5 MB de dados. Mais tarde, os preços por gigabyte caíram de US$ 2,64 bilhões em 1965 para US$ 4,9 em 2017. Além de serem mais baratas, o armazenamento de dados também passou a ocupar muito menos espaço Essa combinação de custo e tamanho drasticamente reduzidos no armazenamento de dados é o que torna possível a análise de Big Data de hoje. Com custos de armazenamento ultra baixos, a construção da infraestrutura de Data Science para coletar e extrair insights de uma grande quantidade de dados se tornou uma abordagem lucrativa para as empresas. Além disso, com a introdução de dispositivos de  IoT  que constantemente geram e transmitem dados dos usuários, as empresas estão coletando-os em um número cada vez maior de atividades, criando uma quantidade enorme de ativos de informações de alto volume, alta velocidade e alta variedade (ou os “três Vs de big data“). A maioria dessas atividades (por exemplo, e-mails, vídeos, áudio, mensagens de bate-papo, postagens em mídias sociais) gera dados não estruturados, que hoje representam quase 80% do total de dados corporativos e crescem duas vezes mais rápido que os dados estruturados na última década. Esse crescimento maciço de dados transformou drasticamente a maneira como os dados são armazenados e analisados, porque as ferramentas e abordagens tradicionais não estavam equipadas para lidar com os “três Vs de big data”. Desta forma, novas tecnologias foram desenvolvidas com a capacidade de lidar com o volume e a variedade cada vez maior de dados, a uma velocidade mais rápida e a um custo cada vez menor. Essas novas ferramentas também têm efeitos profundos sobre como os cientistas de dados fazem seu trabalho – permitindo que eles monetizem o enorme volume de dados executando análises e construindo novos aplicativos que antes não eram possíveis. Conheça o universo de Data Science Data Science trabalha com estatística, métodos analíticos e tecnologias como machine learning, deep learning, inteligência artificial, análise de probabilidade e modelos preditivos e redes neurais, por exemplo, são aplicados na solução de problemas reais. Todas estas tecnologias são muito populares e, por mais que estejam de alguma forma relacionadas, não são a mesma coisa! Portanto, antes de pular de cabeça em qualquer um destes conceitos, precisamos entender a diferença entre eles. Inteligência Artificial É a criação de máquinas inteligentes que funcionam e reagem como seres humanos. A Inteligência Artificial como estudo remonta a 1936, quando Alan Turing construiu as primeiras máquinas com Inteligência Artificial. Apesar de uma história bastante longa, hoje a IA na maioria das áreas ainda não é capaz de substituir completamente o ser humano. Machine Learning É uma ferramenta de criação para extrair conhecimento dos dados. Nos modelos de Machine Learning, os dados podem ser treinados de forma independente ou em etapas: treinamento com um professor, ou seja, ter dados preparados por humanos ou treinamento sem um professor, trabalhando com dados espontâneos. Deep Learning É a criação de redes neurais com várias camadas em áreas onde são necessárias análises mais rápidas ou avançadas que o aprendizado de máquina tradicional não consegue lidar. Big Data Trabalha com grandes quantidades de dados não estruturados. As especificidades da esfera são ferramentas e sistemas capazes de suportar alto volume de dados. Data Science É a adição de significado a matrizes de dados, visualização, coleta de informações e tomada de decisões com base nesses dados. Os especialistas de campo usam alguns métodos de Machine Learning e Big Data – computação em nuvem, ferramentas para criar um ambiente de desenvolvimento virtual e muito mais. Afinal, o que o Data Scientist

O Customer Success é uma metodologia com foco no sucesso do cliente, e está cada vez mais se tornando um dos fatores de grande importância em todos os tipos de negócios. O cliente deve estar no centro de sua estratégia, para isso é preciso garantir que eles alcancem os resultados desejados ao usar seu produto ou serviço. Portanto, o Customer Success é um gerenciamento de clientes focado no relacionamento, que alinha as metas do cliente e do fornecedor para obter resultados mutuamente benéficos. Ao aplicar o Customer Success os resultados podem ser: Menor rotatividade, entrega de valor com eficiência, clientes evangelizadores da sua marca, aumento em oportunidades de upsell, dentre outros benefícios. Índice1 Como surgiu o Customer Success?2 Customer Success x SAC: qual é a diferença?3 Quais são as principais métricas medidas no Customer Success?4 Benchmarks de métricas de Customer Success5 O que você precisa saber antes de implementar um time de Customer Success?6 Conheça as ferramentas de feedback para implementar com seu time de Customer Success7 Estratégias de Customer Success em período de pandemia COVID-19 Como surgiu o Customer Success? Serviços sob demanda baseados em assinaturas são uma tendência que veio para ficar. Este tipo de negócio entrega aos clientes mais poder do que nunca, e as tecnologias se tornam cada vez mais integradas e imersivas em nossas vidas cotidianas. Portanto, simplesmente entregar um produto pelo qual os clientes estão dispostos a pagar não é mais suficiente. Logo, surge a necessidade de provar continuamente ao cliente que ele está fazendo a escolha certa ao negociar com você. Os clientes querem alcançar o resultado desejado e ter uma experiência satisfatória durante as interações com sua empresa. E este é o motivo pelo qual mais e mais empresas reorientaram os esforços para fortalecer o relacionamento existente com os clientes, investindo no sucesso do cliente. A ideia de Customer Success está diretamente relacionada ao mundo SaaS (Software as a Service), que diz respeito a aplicações online que podem ser usadas no computador, tablet ou celular, de maneira simples e remota. O próprio conceito surgiu através do culminar de três mudanças de paradigma no mundo SaaS: uma apreciação da economia da experiência, a chegada da era baseada na nuvem digital e o modelo de assinatura. Sendo assim, o advento da era digital na nuvem coincidiu perfeitamente com a crescente adoção da Internet. Isso permitiu que as pesquisas entre clientes e mecanismos de feedback que trabalhavam com os sistemas de CRM se tornassem cada vez mais recorrentes. Os primeiros defensores do Customer Success e da centralização do cliente perceberam que, embora as ferramentas de CRM existentes pudessem ajudar na coleta de dados e melhorar sua experiência, ainda lhes faltava um elemento-chave: a voz do cliente. Os primeiros líderes da indústria de SaaS lutaram a favor da retenção. Rapidamente, eles perceberam que os modelos de negócios tradicionais não funcionavam mais em um mundo de serviços de assinatura baseado em nuvem, repleto de produtos e preços cada vez mais competitivos. As ofertas tradicionais de plataformas tornavam a troca para um concorrente muito cara e difícil; empecilhos não enfrentados por clientes de serviços de assinatura baseada na nuvem. Portanto, em um setor totalmente dependente de assinaturas renováveis, todo o poder está nas mãos de seus clientes. Percebendo isso, as empresas começaram a investir no gerenciamento de relacionamentos com clientes individuais para garantir valor por meio de resultados bem-sucedidos. Estas iniciativas abriram o caminho para os esforços de Customer Success que ainda estavam por vir. As primeiras iniciativas para levar sucesso ao cliente foram focadas unicamente no combate e na redução do churn (o indicador que mede o índice de evasão dos clientes, ou seja, a taxa de cancelamento), comumente chamado de Customer Success 1.0. O problema desta abordagem é que, com o foco na retenção de clientes, os resultados bem-sucedidos ficam em segundo plano. Fazer o mínimo para impedir que os clientes saiam, dificilmente é a receita para o sucesso, mas muitas organizações conhecidas já caíram nessa armadilha. A necessidade de o Customer Success evoluir além da interação inicial abriu caminho para o que a McKinsey chama de Customer Success 2.0. Desta voz, o foco não era somente em reduzir a rotatividade, mas em impulsionar o crescimento e a retenção. Embora pareça uma melhoria, isso ainda não coloca os resultados do cliente em primeiro lugar. E, se mal administrado, pode minar a confiança de um cliente na empresa e prejudicar o relacionamento existente. As lições ao longo do surgimento do conceito de Customer Success mostraram uma clara necessidade de trabalhar ao lado dos clientes e garantir que seus objetivos não apenas proporcionem momentos de prazer, mas também um valor mensurável de forma consistente. Devemos nos tornar melhores alunos do comportamento do cliente para garantir que, de sua perspectiva, somos os únicos com quem eles desejam fazer negócios. Garantindo, assim, o seu sucesso e, consequentemente, o nosso. Este é o melhor caminho a seguir em uma economia de experiências que está em constante mudança. Portanto, para aprimorar este processo, é preciso ter sempre em mente que ajudar seus clientes a obter sucesso com seu produto não é apenas benéfico para os clientes. Também é benéfico para o seu resultado. Como Jason Lemkin, empreendedor e investidor em SaaS, disse em 2015: “O sucesso do cliente é onde 90% da receita está”. Com isto, ele atestou que é mais fácil gerar receita por meio de vendas adicionais ou vendas cruzadas de clientes existentes do que sair e encontrar novos clientes. Para esclarecer, o objetivo aqui não é extrair o máximo de dinheiro possível de seus clientes. Em vez disso, você deve alinhar seus preços com o valor que os clientes estão recebendo. Desta forma, os clientes enxergam resultados reais e ficam continuamente impressionados com a experiência que seu produto possibilita, e inevitavelmente contarão a outras pessoas e empresas sobre você, tornando-os verdadeiros evangelizadores da marca. Customer Success x SAC: qual é a diferença? Customer Success é sobre uma empresa ser proativa, enquanto o SAC, ou Serviço de Atendimento ao

Você já ouviu falar na 4ª Revolução Industrial, ou Indústria 4.0? Para entender este conceito, é preciso lembrar-se das Revoluções Industriais que já marcaram a história. Todas elas quebraram algum paradigma nos modelos de produção da época nas quais elas aconteceram. Índice1 Conheça a história das Revoluções Industriais2 O que é a indústria 4.0, ou 4ª Revolução Industrial?3 Princípios da Industria 4.04 Quais são as principais tecnologias da indústria 4.0?5 A Indústria 4.0 no Brasil6 Benefícios e desafios da Indústria 4.07 O reflexo da Indústria 4.0 na força de trabalho8 Modelos de negócio da Indústria 4.09 Como a pandemia do Coronavírus está acelerando a evolução da Indústria 4.0 Conheça a história das Revoluções Industriais Para entender como a Indústria 4.0 ganhou a dimensão que tem hoje, uma olhada em seus antecessores pode nos dar uma perspectiva de como essa revolução, em particular, é diferente. A primeira Revolução Industrial foi mecânica e sua maior colaboração para a produção em massa foi a máquina a vapor. Ela aconteceu entre os anos de 1760 e 1840 no Reino Unido e foi um marco para o fim da manufatura e disseminação da maquinofatura, isto é, a produção industrial propriamente dita. Isso ajudou muito a agricultura e o termo “fábrica” ​​se tornou bastante popular. Uma das indústrias que se beneficiaram muito com essas mudanças é a indústria têxtil e foi a primeira a adotar esses métodos. Constituiu também uma grande parte da economia britânica na época. A segunda Revolução Industrial, por sua vez, foi elétrica e incrementou as máquinas, equipamentos e aparelhos eletrônicos à manufatura. Ela se estendeu desde a segunda metade do século XIX até meados do período da Segunda Guerra Mundial. O petróleo, o aço e uma série de desenvolvimentos da indústria química também impactaram este período. A “eletrificação” das fábricas contribuiu bastante para o aumento de suas taxas de produção. Já quando mencionamos a terceira Revolução Industrial, estamos falando sobre um período que vivemos na pele. Por isso, é um conceito bastante familiar. Este fenômeno aconteceu em meados do século XX até os anos 2000, quando o auge da bolha da internet, a automação e a tecnologia da informação assumiram posições de destaque. É frequentemente chamada de Revolução Digital, ou Era da Informação, e surgiu da mudança de sistemas analógicos e mecânicos para sistemas digitais. A terceira revolução foi, e ainda é, um resultado direto do enorme desenvolvimento em computadores e tecnologia da informação e comunicação. O que é a indústria 4.0, ou 4ª Revolução Industrial? A Revolução Industrial na era digital é definida por uma fase de mudanças rápidas e radicais. A atenção não é mais voltada para a massa de consumidores, mas para o comprador individual, que determina a dinâmica da produção com suas escolhas. A 4ª Revolução Industrial leva a automação dos processos de fabricação a um novo nível, introduzindo tecnologias de produção que, mesmo em massa, sejam personalizadas e flexíveis. Isso significa que as máquinas operarão de forma autônoma, ou cooperarão com os humanos na criação de sistemas orientados ao cliente, que trabalhem constantemente para sua automanutenção. A ideia é fomentar tecnologias que tornem a máquina uma entidade independente, capaz de coletas e analisar dados por si só. Isso se torna possível com a introdução de auto otimização no setor. Desta forma, os usuários podem se comunicar com os computadores em vez de operá-los. Por isso, é comum dizermos que a 4ª Revolução Industrial ou Indústria 4.0 se refere a cooperação entre os meios físico, digital e biológico. Princípios da Industria 4.0 Alguns princípios são responsáveis por caracterizar os projetos da Indústria 4.0. Estas características foram colocadas em pauta pelo Dr. Siegfried Dais e pelo Prof. Dr. Henning Kagermann. Estes estudiosos alemães presidiram um grupo de trabalho após a apresentação do relatório de recomendações para a implementação da iniciativa estratégica chamada, a partir de então, de Indústria 4.0. Os princípios são: Descentralização Com a tomada de decisão estando sob a responsabilidade da própria máquina, os sistemas desenvolvem a habilidade de agir sem que haja dependência da intervenção humana. Eles se auto ajustam e avaliam as necessidades da fábrica por conta própria. Interoperabilidade É a ideia da comunicação entre os sistemas, pegando emprestados conceitos dos Sistemas Ciber-físicos e da Internet das Coisas (IoT). Neste princípio, humanos e fábricas inteligentes utilizam a internet e a computação em nuvem para realizar a troca de informações de forma dinâmica. Virtualização A virtualização propõe que as fábricas inteligentes possuam uma cópia virtual criada por sensores de dados interconectados, que monitoram processos físicos. Além disso, modelos de plantas virtuais podem otimizar processos através de simulações que são realizadas antes da implementação deles, já aplicando o melhor cenário. Orientação a serviços De acordo com este princípio, softwares são orientados a disponibilizarem soluções como serviços, conectados com toda a indústria através da computação em nuvem. Tempo real A capacidade de coletar e analisar dados em tempo real permite a tomada de decisão instantânea, tendo em vista a entrega do conhecimento derivado destas análises de forma imediata. Modularidade Este princípio prevê a capacidade de acoplar e desacoplar módulos de acordo com a necessidade da fábrica. A adaptação flexível decorrente desta iniciativa permite a otimização da infraestrutura e dos custos da fábrica inteligente. Quais são as principais tecnologias da indústria 4.0? A Indústria 4.0 é baseada nas tecnologias por trás da manufatura digital, que devem ser adotadas pelas empresas para obter todas as vantagens desse fenômeno. Vamos lembrar, por exemplo, tecnologias digitais, Internet das Coisas (IoT), Big Data, computação em nuvem e robótica. Sistemas ciber-físicos, Internet das coisas, Smart Factory e Internet de serviços são os quatro termos mais comuns citados em publicações de pesquisa acadêmica relacionadas ao setor. Sistemas ciber-físicos Você consegue imaginar uma fábrica onde robôs, veículos guiados automatizados, sensores, controladores, matérias-primas, produtos e bancos de dados se comuniquem? Estes são os sistemas ciber-físicos no contexto da Indústria 4.0. Além dessa conexão, eles são orquestrados automaticamente através de uma inteligência central, que monitora e controla as operações em todos os níveis. Também conhecidos como CPSs

Nós sabemos que os humanos aprendem através de suas experiências passadas, e que máquinas seguem as instruções que recebem de humanos. Mas e se os humanos pudessem treinar as máquinas para aprender através de dados do passado e fazer o que os humanos podem fazer, mas com mais rapidez? Bom, isso é chamado Machine Learning. Apesar de a tradução do termo ser, praticamente, “aprendizado de máquinas”, o conceito é muito mais profundo do que simplesmente aprendizado. O Machine Learning também engloba que uma máquina entenda e raciocine. Existe uma nuvem de conhecimento acerca do Machine Learning e seu surgimento, dado que esta tecnologia foi fundamental para o surgimento da inteligência artificial, por exemplo. Hoje, vamos explorar este universo! Índice1 Conheça a história do Machine Learning2 Como o Spotify usou machine learning para se diferenciar?3 Como aplicar um algoritmo de Machine Learning?4 Machine Learning e Big Data andam de mãos dadas5 De que forma os algoritmos de Machine Learning podem ser agrupados?6 Qual é a diferença entre Machine Learning e Inteligência Artificial?7 Deep learning: outra abordagem em forma de algoritmo8 As principais promessas do Deep Learning Conheça a história do Machine Learning Arthur Samuel (1901-1990) foi pioneiro na pesquisa em inteligência artificial. De 1949 até o final da década de 1960, ele se destacou fazendo com que computadores pudessem aprender com suas próprias experiências. Seu veículo para isso era o jogo de damas. Isso ocorreu porque, para Samuel, os jogadores de damas tinham um alto volume de possibilidades, tendo que tomar uma série de decisões entre boas jogadas e ruins. Para isso, Samuel usou o programa Guia de Damas de Lee para a escolha de jogadas, desta forma, o programa escolheria rapidamente quais eram consideradas as melhores, de acordo com critérios de especialistas em damas. Em 1961, Ed Feigenbaum e Julian Feldman estavam aprofundando suas pesquisas sobre inteligência artificial e pediram para Samuel informações sobre a melhor jogada do seu programa, como apêndice do artigo que estava sendo formulado por eles. Samuel usou essa solicitação como uma oportunidade para desafiar o campeão estadual de damas de Connecticut, quarto melhor jogador do país. E o programa de Samuel venceu! Como este havia sido um dos primeiros exemplos de computação não numérica, as ideias e cadeias de instruções de Samuel, foram utilizadas para o surgimento dos primeiros computadores IBM. As instruções lógicas desses computadores foram desenvolvidas graças a sua iniciativa pioneira. Rapidamente, este modelo foi adotado por todos os projetistas de computadores, por ser útil para a maioria dos cálculos não numéricos. A importância do trabalho de Samuel foi amplamente reconhecida somente após sua aposentadoria da IBM, em 1966. Isso ocorreu, em parte, porque ele não gostava das políticas necessárias para que sua pesquisa fosse seguida com mais vigor. Ele também foi realista sobre a grande diferença entre o que foi realizado na compreensão dos mecanismos intelectuais e o que será necessário para alcançar a inteligência no nível humano. Antes de seu trabalho de Machine Learning, Samuel era engenheiro elétrico e, simultaneamente, trabalhava na IBM como engenheiro e gerente de pesquisa em engenharia e ciência. Entretanto, seu nome é reconhecido pelo seu pioneirismo em Machine Learning. Em 1959, o engenheiro e pesquisador introduziu o conceito na comunidade científica como “um campo de estudo que dá aos computadores a habilidade de aprender sem terem sido programados para tal”. Contudo, foi a partir do advento da internet que o Machine Learning passou a tomar forma. Isto foi possível devido a alta quantidade de informações coletadas e armazenadas na web, uma vez que foi preciso criar meios para organizar todo este conteúdo de forma automatizada. E claro, um dos pilares do Machine Learning é justamente a análise de dados em busca da detecção de padrões. Como o Spotify usou machine learning para se diferenciar? Para exemplificar o Machine Learning na prática, podemos falar um pouco sobre o algoritmo do Spotify! Já reparou como o app tem deixado de ser uma simples ferramenta de streaming e vem se tornando uma espécie de DJ pessoal? O Spotify é um excelente exemplo do uso de Machine Learning como forma de se diferenciar no mercado, atendendo expectativas cada vez mais altas dos seus consumidores. Playlists personalizadas, como “suas descobertas da semana”, “seu radar de novidades” e os “Daily Mixes” ajudam a personalizar a experiência de ouvir música de acordo com o que você gosta. Mas como a plataforma consegue prever o que você está querendo escutar? Como aplicar um algoritmo de Machine Learning? Através de técnicas de Machine Learning, é possível saber o que o usuário está ouvindo e determinar quais músicas podem ser de sua preferência. Essa decisão pode ser tomada com base em algumas características da música, como seu tempo, gênero, intensidade e o timbre da voz de quem a canta, por exemplo. Para simplificar o exemplo, podemos usar apenas a relação entre tempo e intensidade, onde “tempo” fica no eixo X e “intensidade”, no eixo Y. As variações de tempo oscilam entre “calmo” e “acelerado”, enquanto as variações de intensidade oscilam entre “suave” e “crescente”. De acordo com as preferências do ouvinte, vamos supor que ele prefere as músicas com o tempo acelerado e a intensidade crescente, enquanto tende a pular ou dar dislike em músicas com o tempo calmo e a intensidade suave. Agora, depois de analisar as escolhas do ouvinte, já conhecemos o que ele gosta. Com o algoritmo treinado, vamos supor que o ouvinte foi exposto a uma nova música: um rock and roll! Esta música tem o tempo acelerado e a intensidade crescente, então fica no grupo de preferências do ouvinte. Olhando para os dados pré-coletados, você consegue adivinhar se o ouvinte vai gostar da música ou não? Exatamente: ele amou a nova música. Então, observando as escolhas passadas do ouvinte, o algoritmo foi capaz de classificar a música inédita com muita facilidade. Entretanto, vamos expor o ouvinte a uma música neutra: nem tão suave, não crescente; nem tão calma, nem tão acelerada. Aqui é onde o algoritmo vai começar a brilhar.