Um número crescente de empresas está implantando modelos preditivos sofisticados alimentados por inteligência artificial e aprendizado de máquina, e muitas estão usando-os para informar decisões críticas.
No entanto, mesmo os modelos mais avançados não conseguiram prever a chegada da pandemia de COVID-19 ou a invasão da Ucrânia pela Rússia – que servem como lembretes contínuos das limitações que acompanham a tentativa de prever o futuro.
Limites de modelagem preditiva em ambientes complexos
Os modelos preditivos são baseados em dados de eventos passados e usados para projetar resultados futuros, mas devem evoluir para dar conta de situações e ambientes complexos.
Eventos que são inerentemente imprevisíveis não são precedidos por quaisquer outros pontos de dados, criando um viés na saída do modelo para resultados “seguros e previsíveis”.
As empresas que baseiam suas operações nesses resultados são inevitavelmente pegas de surpresa quando circunstâncias imprevistas surgem e os resultados podem ser prejudiciais.
Interrupções da cadeia de suprimentos
A atual crise da cadeia de suprimentos fornece um exemplo notável dos perigos enfrentados pelas empresas que depositam muita fé na modelagem preditiva.
As cadeias de suprimentos, em particular, são voltadas para a previsibilidade e a maioria não é resiliente a interrupções.
O A escassez de fornecimento de produtos que deixou os consumidores em pânico no início da pandemia e a atual escassez de microchips que agora assola os fabricantes são dois dos mais recentes sucessos de uma cadeia de suprimentos global que sofreu interrupções contínuas. Ainda assim, eles provavelmente não serão os últimos.
Desafios complexos proliferam
O cenário de negócios e o mundo estão cada vez mais definido pelo imprevisível.
Os desafios que antes eram complicados agora se tornaram ambientes complexos.
À medida que os desafios complexos proliferam, o ambiente de negócios está evoluindo para um ambiente totalmente caótico.
As empresas que dependem de modelos preditivos para impulsionar a tomada de decisões em um ambiente caótico devem desenvolver resiliência organizacional porque os modelos sempre refletem as organizações que os alavancam.
Quando se trata da cadeia de suprimentos crise — resiliência adicional pode ser obtida com a construção de um modelo de cadeia de suprimentos distribuída. Um modelo de cadeia de suprimentos distribuída pode mitigar os impactos negativos da interrupção em qualquer lugar.
Construindo Planos de Contingência para Contabilizar o Complexo
Embora os dados históricos possam não ser suficientes para criar modelos que possam prever a interrupção antes que ela ocorra, as empresas ainda podem realizar experimentos para prever o impacto de possíveis interrupções na busca de melhores experiências.
As empresas podem então usar os resultados desses experimentos para construir planos de contingência para garantir o sucesso e estar melhor preparado quando o inesperado ocorrer inevitavelmente.
À medida que a complexidade aumenta, a quantidade de dados gerados por empresas modernas também aumentará.
Eventualmente, as organizações terão uma quantidade tão grande de dados que derivam valor acionável de suas informações que será quase impossível sem um método e uma plataforma que podem encurralar tudo para encontrar valor.
Enter Prescriptive Modeling
Predi a modelagem ativa ainda pode servir a algumas empresas hoje. Ainda assim, em última análise, deve ser um trampolim para uma abordagem de modelagem prescritiva – que não apenas projete possibilidades, mas também identifique respostas apropriadas.
Os humanos evoluíram para operar em um mundo que é complicado, mas linear. Consequentemente, quando encontramos problemas genuinamente complexos, tendemos a abordá-los de forma linear.
No entanto, os dados podem nos ajudar a desenvolver soluções personalizadas de negócios e tecnologia, dando-nos a capacidade de testar nosso ambiente.
Preparando seu modelo para a complexidade
Ao invés de noções preconcebidas, a experimentação nos permite arregaçar as mangas e agir de acordo com as probabilidades que levam em conta para o inesperado. Quanto mais dados pudermos aproveitar, mais poderemos aprender sobre os níveis de complexidade que moldam nosso ambiente e agir de acordo.
Em resumo, modelos prescritivos que não são baseados apenas em dados históricos nos dão a capacidade de perceber o ambiente como ele realmente é e não como era.
Quando os líderes de negócios dedicam tempo para testar minuciosamente os resultados do modelo com base em entradas que refletem um estado caótico, a complexidade se revela.
Novo Relacionamentos com dados
No entanto, essa abordagem não vem naturalmente. Na maioria dos casos, isso exigirá que as organizações reavaliem seu relacionamento com seus dados. Aqui estão três maneiras de fazer isso:
1. Aceite a possibilidade de projeções fracassadas.
Ao realizar atividades de modelagem, muitas vezes me lembro do ditado: “Todos os modelos estão errados; alguns são úteis.” Nem mesmo os modelos mais sofisticados produzirão previsões totalmente precisas porque os dados do passado os alimentam constantemente.
Em vez de tratar os resultados do modelo como evidência concreta do que está por vir, eles devem ser vistos como indicadores do que é possível .
2. Conduza testes A/B para se concentrar em objetivos específicos.
Ao usar modelos para informar decisões críticas, os líderes devem testar uma série de entradas para entender onde as otimizações podem ser feitas .
Uma empresa que segue um caminho pode usar o status quo operacional como um controle e, em seguida, testar as entradas que refletem mudanças hipotéticas – processos internos, pessoas ou alguma outra métrica – para ver quais caminhos diferentes se abrem up.
Quanto mais entradas uma organização puder testar, mais insights ela poderá obter sobre os pontos fortes e fracos de suas operações.
3. Confie nos resultados das atividades de modelagem.
Às vezes, mesmo as empresas que se envolvem em testes não conseguem tomar as decisões corretas – geralmente porque recorrem a agir com base em noções preconcebidas em vez de os dados em mãos.
O caso dos dados com falhas graves
Quando os líderes já investiram em um plano baseado em um resultado esperado, eles podem estar mais inclinados a confiar em seus instintos do que no resultado de um modelo, sugerindo que seu plano tem falhas graves.
No entanto, mantendo a paciência e coletando continuamente mais dados para informar seus modelos, eles podem ter uma noção mais precisa da verdadeira natureza do ambiente em que estão operando e fazer planos mais inovadores para navegar nele.
