Por Anton Gora, engenheiro e desenvolvedor de novos produtos da Cianet
O estrategista e filósofo chinês Sun Tzu (544 a.C. a 496 a.C.) antecipou em mais de dois mil e quinhentos anos a essência deste texto. Num trecho da sua obra mais conhecida, A arte da guerra, ele escreveu: “Sobressai-se na solução das dificuldades quem as resolve antes que apareçam”. Absolutamente distante das possibilidades que a Inteligência Artificial (IA) e o Machine Learning (ML) nos trouxeram nos últimos anos, ele previu a tendência corporativa para a redução do churning, a fidelização e o aumento da base de clientes das empresas modernas, com uma diferença: hoje você pode fazer isso numa fração do tempo que o pensador oriental precisava para alcançar o sucesso — e sem perder recursos.
Já existem dois grupos distintos e muito claros no mercado: o das empresas que estão desenvolvendo alguma forma de tecnologia baseada em ML/IA e o daquelas que a usam no aperfeiçoamento do seu core business. O insumo para isso a maioria delas já têm: informação. Agora, é preciso evoluir na maneira de lidar com ela. O que esses dados dizem? Quem pode processá-los? Mais do que fornecer nome, endereço e renda de quem contrata, eles podem mostrar a realidade do negócio de uma forma quase científica e permitir a tomada de decisões certas em momentos críticos.
Tomemos os integradores e provedores de internet (ISPs) como exemplo. A contratação dos serviços oferecidos por essas empresas se dá por meio de assinatura. A base de clientes, geralmente na casa dos milhares, impede que se dedique muito tempo aos usuários de forma individualizada, mas qualquer cancelamento precisa ser evitado (ou revertido). Como identificar quais clusters de assinantes têm menor tolerância a falhas? Quais ações podem minimizar a possibilidade de rescisões contratuais? Responder a essas perguntas é uma maneira de fazer previsão de churn.
Para isso, a empresa deve avançar por algumas etapas: recolhimento de dados, carregamento das informações em um serviço de previsão e a elaboração das tendências. Com um arquivo CSV e serviços de análises online já é possível começar. Os modelos de churn serão montados como árvores de decisão, onde cada nó estará associado a uma pergunta sobre um valor que o cliente percebe sobre a empresa. Cada resposta, que fica posicionada como os galhos, conduz às “folhas” que estão associadas à possibilidade de saída dos usuários. A partir delas é possível identificar quais são os potenciais de churn rate (taxa de cancelamento). Esses números podem representar mais do que o simples fato de que certos clientes perderam o interesse em serem atendidos pela empresa. São um indicativo de que o negócio deixou de crescer. Por isso é tão importante analisá-los e, principalmente, agir.
A mesma inovação que permite ser mais analítico e assertivo, favorece a transformação da própria relação com o cliente. Com o machine learning aplicado a todo o processo, a jornada dele dentro da empresa é mais personalizada, eliminando uma das queixas mais frequentes dos contratantes de serviços: a baixa qualidade do atendimento. Aos poucos, as máquinas vão adquirir a capacidade de compreender as preferências do público e, por meio de interfaces como chatbots e aplicativos autônomos, oferecer soluções para problemas que ainda não aconteceram. O fator surpresa da predição e contorno de falhas vai melhorar a experiência, dispensando a necessidade de interação com atendentes mal preparados e pouco engajados com a retenção do usuário.
Tudo isso, porém, não elimina por completo a necessidade do ser humano no processo. A inteligência artificial permite que as máquinas e sistemas aprendam, ou seja, ainda precisaremos de quem as ensine. Esse laço vai permanecer unindo as duas pontas do processo. Só que vai ficar bem menos embaraçado.
Já existem dois grupos distintos e muito claros no mercado: o das empresas que estão desenvolvendo alguma forma de tecnologia baseada em ML/IA e o daquelas que a usam no aperfeiçoamento do seu core business. O insumo para isso a maioria delas já têm: informação. Agora, é preciso evoluir na maneira de lidar com ela. O que esses dados dizem? Quem pode processá-los? Mais do que fornecer nome, endereço e renda de quem contrata, eles podem mostrar a realidade do negócio de uma forma quase científica e permitir a tomada de decisões certas em momentos críticos.
Tomemos os integradores e provedores de internet (ISPs) como exemplo. A contratação dos serviços oferecidos por essas empresas se dá por meio de assinatura. A base de clientes, geralmente na casa dos milhares, impede que se dedique muito tempo aos usuários de forma individualizada, mas qualquer cancelamento precisa ser evitado (ou revertido). Como identificar quais clusters de assinantes têm menor tolerância a falhas? Quais ações podem minimizar a possibilidade de rescisões contratuais? Responder a essas perguntas é uma maneira de fazer previsão de churn.
Para isso, a empresa deve avançar por algumas etapas: recolhimento de dados, carregamento das informações em um serviço de previsão e a elaboração das tendências. Com um arquivo CSV e serviços de análises online já é possível começar. Os modelos de churn serão montados como árvores de decisão, onde cada nó estará associado a uma pergunta sobre um valor que o cliente percebe sobre a empresa. Cada resposta, que fica posicionada como os galhos, conduz às “folhas” que estão associadas à possibilidade de saída dos usuários. A partir delas é possível identificar quais são os potenciais de churn rate (taxa de cancelamento). Esses números podem representar mais do que o simples fato de que certos clientes perderam o interesse em serem atendidos pela empresa. São um indicativo de que o negócio deixou de crescer. Por isso é tão importante analisá-los e, principalmente, agir.
A mesma inovação que permite ser mais analítico e assertivo, favorece a transformação da própria relação com o cliente. Com o machine learning aplicado a todo o processo, a jornada dele dentro da empresa é mais personalizada, eliminando uma das queixas mais frequentes dos contratantes de serviços: a baixa qualidade do atendimento. Aos poucos, as máquinas vão adquirir a capacidade de compreender as preferências do público e, por meio de interfaces como chatbots e aplicativos autônomos, oferecer soluções para problemas que ainda não aconteceram. O fator surpresa da predição e contorno de falhas vai melhorar a experiência, dispensando a necessidade de interação com atendentes mal preparados e pouco engajados com a retenção do usuário.
Tudo isso, porém, não elimina por completo a necessidade do ser humano no processo. A inteligência artificial permite que as máquinas e sistemas aprendam, ou seja, ainda precisaremos de quem as ensine. Esse laço vai permanecer unindo as duas pontas do processo. Só que vai ficar bem menos embaraçado.
PT 
EN 
