Resumo:
Empresas em uma ampla gama de setores estão tentando integrar análises e dados para melhorar suas operações, com resultados bastante diferentes. O que de diferente estão fazendo as que obtiveram melhores resultados? Em geral, estas empresas fizeramam uma avaliação honesta de onde estavam, formaram uma visão de onde queriam estar em três ou quatro anos e procuraram maneiras de acumular vitórias rápidas. Mais especificamente, performaram melhor em cinco áreas: governança, implantação, parcerias, pessoas e disponibilidade de dados.
Vistra, um grande produtor de energia dos EUA, estavam com um problema. Para suas fábricas operarem eficientemente, os trabalhadores tinham que monitorar continuamente centenas de indicadores diferentes, rastreando temperaturas, pressões, níveis de oxigênio e velocidades de bombas e de ventiladores – e precisavam fazer ajustes em tempo real. O processo envolvia uma enorme complexidade, e era demais até mesmo para o operador mais qualificado acertar o tempo todo. Para enfrentar esse desafio, a fábrica instalou uma ferramenta alimentada por IA – um otimizador de taxa de calor – que analisava centenas de entradas e gerava recomendações a cada 30 minutos. Resultado: um aumento de 1% na eficiência. Isso pode não parecer muito, mas se traduz em milhões em economia, bem como em menores emissões de gases de efeito estufa.
Industrias de uma ampla variedade de setores estão tentando integrar análises e dados para melhorar suas operações. A Wayfair, empresa de comércio eletrônico, foi pioneira na transferência de seus dados para a nuvem e no investimento em aprendizado de máquina. Quando ocorreu a pandemia do Covid-19, e as rápidas mudanças na demanda do consumidor se seguiram, ela foi capaz de otimizar a logística dos navios porta-contêineres, ajustando continuamente quais mercadorias eram enviadas para quais portos. Resultado: uma surpreendente redução de 7,5% nos custos de logística de entrada.
No entanto, nem todas as empresas tiveram tanto sucesso quanto a Wayfair. De fato, os melhores desempenhos podem ter mais do que o dobro do impacto na metade do tempo, comparados com a empresa média que implementa inteligência de máquina. Por que algumas empresas se saem muito melhor do que outras?
Para responder a essa pergunta, a McKinsey e o departamento de Inteligência de Máquina para Fabricação e Operações (MIMO) do MIT estudou 100 negócios em setores desde automotivo à mineração. Por meio de entrevistas, pesquisas e questionários, procuraram ter uma idéia de como eles usavam tecnologias digitais, análise de dados e inteligência de máquina (MI); o que eles queriam alcançar; e como acompanhavam seu progresso. Ao analisar 21 indicadores de performance em 9 categorias — estratégia, foco de oportunidade, governança, implantação, parcerias, pessoas, execução de dados, orçamento e resultados — conseguiram dividir as 100 empresas em quatro categorias: líderes, planejadores, executores e organizações emergentes para identificar as relações entre ações tomadas e investimentos realizados, e resultados tangíveis e sustentáveis.
Qualquer empresa com ambições de ganhar com tecnologias digitais avançadas tem a oportunidade de aprender com as melhores abordagens práticas, seja um planejador, um executor ou uma empresa emergente hoje. Examinaremos os números das empresas com maior sucesso para tentar entender as razões do sucesso.
Os segredos por trás dos operadores inteligentes
A corrida para alavancar dados e análises poderia ser vencida com várias ações coordenadas, em vez de qualquer movimento único ousado. Todos os quatro segmentos – líderes, planejadores, executores e empresas emergentes – operam em um espaço dinâmico em que a expectativa está aumentando e o número de casos de uso de aprendizado de máquina continuará a aumentar e se incorporar à rotina dos negócios.
Nem todo mundo deve se esforçar para ser um líder imediatamente; em vez disso, eles devem se esforçar para passar para o próximo estado.
Os líderes são os de melhor desempenho e compreendem cerca de 15% da amostra. Ao investir nos lugares certos, eles obtiveram os maiores ganhos de tecnologias digitais avançadas. Os líderes são muito mais propensos a ter um processo definido para a avaliação e implementação da inovação digital. Eles também são mais propensos a seguir esse processo regularmente e atualizá-lo continuamente. Como resultado, eles alcançaram melhorias significativamente maiores do que o restante em 20 dos 21 principais indicadores de desempenho avaliados e ficaram entre os 25% melhores em todas as nove categorias de desempenho.
Os planejadores compreendem cerca de um quarto do conjunto de dados. Os planejadores geralmente têm fortes habilidades com pessoas e considerável experiência em execução de dados; eles são metódicos e focados em fazer os investimentos certos. Em muitos casos, porém, isso ainda não valeu a pena, embora alguns estejam prestes a se juntar aos líderes. Embora alguns planejadores sejam capazes de realizar implementações bem-sucedidas, vários não conseguiram decifrar o código para dimensionar os casos de uso que realmente importam. Outros estão lutando para escapar do “purgatório piloto” descrito pela McKinsey em 2018
Executores, que representam aproximadamente um terço dos entrevistados, exploram a crescente oferta de expertise e trabalham com parceiros para criar soluções específicas direcionadas às oportunidades mais promissoras. Em seguida, eles implementam essas soluções o mais amplamente possível. Os Executores estão orientados para resultados. Eles podem e têm alcançado ganhos significativos, apesar de construírem menos infraestrutura do que os líderes ou planejadores. Por outro lado, às vezes encontram dificuldades para unir esforços díspares em um desempenho empresarial abrangente.
As empresas emergentes, cerca de um quarto do pool, têm o menor nível de maturidade e tiveram os menores ganhos; muitos estão apenas começando. Algumas empresas emergentes relatam sucesso moderado com casos de uso selecionados, mas outras estão achando difícil até mesmo descobrir onde investir. Poucos têm estratégia, habilidades ou infraestrutura para ir muito além.
Cinco maneiras de ficar esperto sobre inteligência de máquina
Em geral, descobriu-se que as empresas que tiveram sucesso na implantação de tecnologias digitais avançadas fizeram uma avaliação honesta de onde estavam em termos dos 9 indicadores de desempenho. Com base nisso, elas foram capazes de formar uma visão de onde queriam estar em 3 ou 4 anos. Ao mesmo tempo, elas identificaram alguns casos de uso promissores para obter ganhos rápidos. Mais especificamente, a pesquisa identificou cinco áreas em que os melhores desempenhos se destacam.
Governança.
A inteligência de máquina é uma prioridade estratégica para empresas líderes. Muitas construíram centros de excelência dedicados para apoiar seus esforços de implementação, seja dentro de unidades de negócios ou como uma função centralizada para apoiar toda a organização, garantir padrões e acelerar a implantação. Um suporte dedicado e centralizado também ajuda a manter seus programas digitais no caminho certo e documenta como seu portfólio está progredindo. Os líderes são muito mais propensos do que as empresas de baixo desempenho a terem um processo definido para a avaliação e implementação da inovação digital. Por exemplo, a empresa farmacêutica Bayer usa um processo de governança bem documentado para implantar vários aplicativos em uma fábrica, que depois são implantados em sua rede, resultando em um aumento de receita.
No entanto, os líderes também reconhecem que a mudança é inevitável neste espaço em rápida mudança. A maioria dos líderes neste conjunto de dados refina e aprimora continuamente seus processos, enquanto os executores e planejadores geralmente ficam paralisados, o que limita a capacidade de escalar com sucesso.
Implantação.
As organizações líderes aplicam a MI de forma mais ampla e usam abordagens mais sofisticadas. Por exemplo, cada líder implementou o MI em previsão, otimização de manutenção, logística e transporte. Os líderes também são muito mais propensos a adotar abordagens avançadas, como a aplicação da visão de máquina à garantia de qualidade do produto. Uma empresa biofarmacêutica, a Amgen, descobriu que as operações do sistema de inspeção visual representavam grandes oportunidades para automatizar e alavancar as tecnologias de IA.
A Amgen está desenvolvendo um sistema de inspeção visual totalmente validado usando IA que aumentará a detecção de partículas em 70% e reduzirá as falsas rejeições em 60%.
Enquanto aplicações como essas podem ter um impacto tremendo, essas empresas também percebem que qualquer impacto de longo prazo requer puxar múltiplas alavancas em conjunto, e que uma implantação ampla em toda a empresa é fundamental.
Parcerias.
Parcerias são comuns, geralmente com universidades, startups, fornecedores de tecnologia existentes e consultores externos. Os líderes, no entanto, trabalharam com uma gama maior de parceiros, e de forma mais intensa, a fim de maximizar a velocidade e o aprendizado. Por exemplo, Colgate-Palmolive e Pepsico/Frito-Lay, duas empresas de produtos de consumo trabalharam com um fornecedor de sistemas, Augury, e implantaram diagnósticos de integridade de máquinas orientados por IA em suas linhas de produção; em um caso, isso evitou uma interrupção de oito dias. A Analog Devices, uma empresa de semicondutores, colaborou com o MIT para desenvolver um novo controle de qualidade de MI que permitiu identificar quais execuções de produção e ferramentas podem ter uma falha. Isso significava que os engenheiros da empresa só precisavam revisar 5% dos dados do processo que tinham antes.
Os líderes, apesar de suas maiores capacidades, realmente confiaram mais em parceiros externos para acelerar ainda mais seu aprendizado e tempo para impactar.
Pessoas.
Empresas líderes tomam medidas para garantir que o maior número possível de partes interessadas tenha as habilidades e os recursos necessários para empregar abordagens digitais avançadas, em vez de manter essa experiência como algo restrito aos especialistas. Mais da metade treina seus funcionários de linha de frente em fundamentos de Inteligência Artificial por exemplo, em comparação com apenas 4% das outras empresas. O McDonald’s, uma rede global de restaurantes de serviço rápido, usou a Inteligência Artificial para melhorar uma ampla gama de tarefas operacionais, desde a previsão da resposta dos clientes até a previsão do movimento em tempo real. A empresa adotou uma abordagem híbrida para isso: seu centro corporativo de excelência testa e desenvolve novas abordagens antes de transformá-las em ferramentas fáceis de usar que são amplamente disponibilizadas. Esse sistema ajuda os membros da equipe no campo a entender a importância dos bons dados e a aprimorar suas habilidades de identificação de problemas.
Ficou claro que os líderes veem o uso de dados e análises como algo profundamente integrado à forma como operam, em vez de mantê-los isolados e restritos a alguns funcionários.
Disponibilidade de dados.
Os líderes tornam os dados acessíveis. Todos os líderes em nossa pesquisa dão acesso a dados aos funcionários de linha de frente, em comparação com 62% dos demais. Os líderes também adquirem dados de clientes e fornecedores e 89% compartilham seus próprios dados. Empresas líderes são quase duas vezes mais propensas do que as outras a permitir acesso remoto aos dados e armazenar uma fração significativa de seus dados na nuvem. Em resumo, a democratização dos dados é um aspecto crítico para o uso efetivo de análises. Um bom exemplo vem da Cooper Standard, fornecedora automotiva. Ela exige que as equipes abordem a estratégia de dados no início do processo de desenvolvimento de novas aplicações de Inteligência Artificial; isso garante que todos os casos de uso sejam construídos em dados robustos e bem gerenciados. Essa democratização de dados contrasta fortemente com muitas empresas onde a informação é poder e é guardada zelosamente.
Construindo blocos para a transformação digital
Descobrimos que as cinco áreas — governança, implantação, parcerias, pessoas e dados — eram mais eficazes quando integradas a um manual, muitas vezes coordenado por um centro de excelência. Mas, primeiro, as empresas precisam de uma avaliação honesta de seu ponto de partida nas nove dimensões. A partir daí, um plano de transição pode começar a tomar forma. Mesmo que seja difícil, ele atribui metas realistas de médio prazo que respondem pelas barreiras à mudança – talento qualificado, capacidade de investimento e infraestrutura crítica, como a migração de dados de sistemas legados para a nuvem. Embora a ambição possa ser ilimitada, as etapas não podem ser muito pequenas – a maioria dos líderes começou usando dados e ferramentas simples para tomar decisões, depois passou para técnicas mais avançadas à medida que construíam maturidade e familiaridade com seus dados.
Apesar dos avanços recentes e significativos em MI, a escala total da oportunidade está apenas começando a se desdobrar. E isso nos leva a mais uma diferença importante entre os líderes e os demais: dinheiro. Os líderes gastaram de 30 a 60% a mais e esperavam aumentar seus orçamentos em 10 a 15%, enquanto os outros relataram pouco ou nenhum aumento. Isso significa que o intervalo entre os líderes e os demais pode realmente aumentar.
Dependendo do ponto de partida, o caminho de cada empresa será diferente. Mas em termos do que funciona, os líderes estão mostrando o caminho.
Fonte: https://hbr.org/2022/02/what-makes-a-company-successful-at-using-ai
