A digitalização das empresas através da Hiperautomação

A Hiperautomação é um conceito relativamente novo, explorado como tendência pelo Gartner no final de 2019. Como muitos de vocês podem imaginar, a Hiperautomação é proveniente da evolução do que já conhecemos por Automação, mas agrega outras coisas muito importantes além de toda a filosofia de orquestração intrínseca a ela.

Propósito

Algo crucial que precisamos entender e que direcionou o conceito da Hiperautomação, é o propósito por trás disso tudo. A Hiperautomação é centrada nas pessoas. Ela visa alavancar ainda mais o uso e a orquestração de capacidades (assets) digitais com o propósito de assumir grande parte das nossas tarefas operacionais, e ser inteligente para solucionar problemas.

Dentre uma série de assets digitais que podem ser orquestrados dentro de uma jornada de Hiperautomação, dois deles se destacam muito por proporcionarem resultados diretamente alinhados com o propósito em questão:

  • RPA, com alto foco na automação de tarefas humanas, repetitivas ou não; e
  • iBPMS, em que a automação de processos de negócio pode contar com recursos essenciais baseados em Inteligência Artificial (IA) para ajudar nas tomadas de decisão e na resolução de problemas.

 

Assets Digitais

Quando analisamos uma determinada operação, área ou processo de negócio de uma organização, rapidamente chegamos à conclusão de que na grande maioria dos casos tudo é realizado por pessoas, e de maneira bastante artesanal e manual.

Significa dizer que as pessoas normalmente priorizam seus afazeres e realizam o seu trabalho utilizando seus próprios controles (planilhas, tasks, sinalizações de e-mails etc.), comunicam-se uns com os outros das mais diferentes formas (e-mail, WhatsApp, telefone, comunicadores instantâneos etc.), sem falar da necessidade de se operar inúmeros sistemas para consultar ou registrar informações inerentes às suas atividades (ALT+Tab, login, senha, menus de aplicação, acesso a relatórios, consultas, gravações etc.).

O trabalho operacional das pessoas é, sem dúvidas, extremamente árduo. Completamente na contra mão do que prega a Hiperautomação: Ajudar as pessoas operacionalmente e nas suas tomadas de decisão, visando à resolução de problemas.

Sabemos que a tecnologia em si facilita a vida das pessoas, e sabemos também que ela pode ser representada por inúmeros recursos digitais, a que me refiro como assets digitais. Podemos exemplificar os assets digitais de diversas formas e tipos, por exemplo:

  • Canais digitais e modelos de negócios - Uso da mobilidade, monetização por meio de APIs, Blockchain, ativos alavancados...
  • Capacidades digitais - Automação de processos, robotização de atividades humanas, gerenciamento de decisões, gerenciamento de conteúdos digitais, gerenciamento de dados mestre, IA, ML, insights, recomendações analíticas, sistemas...
  • Infraestrutura digital - Integração por meio de APIs, uso de uma arquitetura SOA, aptidão para interoperar em hybrid cloud, middleware escalável, low-code, DevOps...

Combinar as capacidades e os assets digitais que fazem sentido ao dia a dia das pessoas e aos processos da organização é o fator chave. Significa pensar na utilização orquestrada desses recursos, visando facilitar a vida das pessoas, e ao mesmo tempo escalar o negócio exponencialmente através da automação – Hiperautomação.

Jornada

O termo jornada aqui cabe bem, e não há receita de bolo que sirva para qualquer desafio ou qualquer organização. É preciso pensar de forma específica a respeito da cadeia de problemas e de oportunidades existente, e também o que se tem à disposição em termos de assets digitais.

Quando pensamos numa jornada de Hiperautomação, buscamos estender os seres humanos com o apoio do trabalho digital que os assets digitais entregam. E isso não é feito da noite para o dia. É preciso ir experimentando e aprimorando essa evolução ao longo do tempo. Partir de um cenário artesanal e manual para um cenário no estado da arte pode levar algum tempo.

Para refletir

Algumas reflexões que podem significar um estímulo para o início de uma jornada de Hiperautomação:

  • Faz sentido termos muitas atividades repetitivas e operacionais que não demandam decisão sendo feitas por pessoas?
  • A minha operação ou processo disponibiliza um sistema capaz de organizar, priorizar, distribuir e comunicar o trabalho que precisa ser feito pelas pessoas?
  • As pessoas precisam operar muitos sistemas ou ferramentas distintas para realizar suas atividades?
  • A minha operação ou processo falha com alguma frequência devido ao excesso de trabalho imposto às pessoas?
  • As pessoas que atuam na minha operação ou processo sofrem para cumprir regras de negócio e/ou regulamentações?
  • Disponho de recursos digitais que podem ser incorporados no dia a dia das pessoas para que elas trabalhem melhor?

A elucubração em torno da Hiperautomação pode ir muito além. As ideias e inovações em torno disso estão diretamente relacionadas com o que conhecemos das nossas operações e processos, e o que dispomos em termos tecnológicos através dos assets digitais.

Um exemplo

Imagine o iBPMS como um asset digital disponível dentro de uma organização, e que em um determinado momento de uma jornada de Hiperautomação, há um processo de negócio automatizado que persiste inúmeros dados operacionais inerentes às tratativas das pessoas que trabalham neste processo.

Poderíamos, por exemplo, utilizar o aprendizado de máquina (ML - Machine Learning) disponível nessa plataforma para que o processo aprendesse com todo o histórico gerado, e que num determinado momento ele fosse capaz de direcionar assuntos específicos para pessoas ou equipes diferentes, ou mesmo resolver casos a partir do conhecimento obtido dos desfechos positivos oriundos de casos resolvidos. Podemos contar com a tecnologia para decidir por nós caso ela tenha um grau de confiança alto a respeito do entendimento de algo, e da recomendação de solução mais apropriada.

Esta nova abordagem permite:

  • Explorar novas oportunidades de automação com a utilização da Inteligência Artificial e ML;
  • Viabiliza a tomada de decisão autônoma e aprimoramentos contínuos nas operações e processos organizacionais;
  • Equilibra tarefas humanas e de máquina para criar uma força de trabalho colaborativa ideal.

 

Conclusão

A Hiperautomação envolve o uso de uma série de capacidades (assets) digitais que servem ao propósito de ajudar as pessoas, e por consequência habilitam a escalabilidade de negócio das organizações. Esses assets digitais representam a digitalização de diversas operações, serviços, funções, processos, ou mesmo plataformas tecnológicas que a organização dispõe. Com essas capacidades disponíveis digitalmente, operações e processos podem orquestrá-las e consumi-las progressivamente, tornando-se cada vez mais digitais.

Nossa missão ao longo desta jornada é estender os seres humanos com o apoio do trabalho digital para que a sua vida melhore, e permitir que os negócios sejam cada vez mais escalados e alavancados.

 

Douglas Katoch

Technical Sales Manager

 

 


Automatizar decisões de forma inteligente é possível, combinando o uso de Machine Learning e regras de negócio

 

As empresas têm conseguido introduzir o poder dos insights analíticos do Machine Learning nas suas operações de negócio, mas integrá-los na automação das decisões necessita implementar uma inteligência artificial explicável (XAI).

Este artigo apresenta o potencial da combinação da escoragem preditiva com a abordagem prescritiva (regras de negócio) para entregar as melhores decisões operacionais. O resultado é um conjunto de regras de negócio que alia uma estratégia de negócio e eventuais restrições regulatórias (lógica determinística) com os insights de um modelo de Machine Learning treinado a partir de dados históricos.

Exemplo prático

No exemplo abaixo, em tempo de execução da regra, um serviço de escoragem considera todos os atributos do cliente que faz parte o contexto da decisão corrente, e a classificação analítica (baixa escoragem de crédito e propensão a desistência baixa ou média) condiciona a aceitação da solicitação daquele cliente.

Se:

  • A classificação do cliente é PLATINUM
  • A escoragem do crédito do cliente é BAIXA
  • Não é verdadeiro que a propensão do cliente a desistir é ALTA

Então,

Aceitar a solicitação do cliente.

Aprendendo a inferir

O Machine Learning é a aplicação de algoritmos de natureza estatística capaz de processar uma grande quantidade de dados contextuais (observações) e dados comportamentais (variáveis resposta), com possibilidade de apreender e inferir um modelo estatístico caracterizado por um conjunto de variáveis inter-relacionadas, que, ao ser estimulado com novos dados, calcula uma escoragem, ou seja, a probabilidade de um determinado fato ocorrer (ou não).

As duas tabelas a seguir apresentam a complementaridade das regras de negócio para o Machine Learning junto a alguns exemplos:

 

 

Casos de uso

Alguns exemplos de casos de uso de automação das decisões operacionais:

BANCOS E SERVIÇOS FINANCEIROS: subscrição e acompanhamento dos empréstimos, adequação dos serviços ao perfil dos clientes, avaliação de risco, investigação regulatória, elegibilidade de serviços e automação dos pagamentos.

SEGURADORAS: Processamento automático de sinistros, subscrição (novas propostas e renovação de apólices), detecção e investigação de fraudes.

VAREJO: Serviços de atendimento ao cliente com recomendação de produtos e serviços (personalização de oferta up-sell / cross-sell), aplicação dos programas de fidelidade, cálculo de comissões de venda.

INDÚSTRIA: Qualidade e controle da manufatura, investigação dos defeitos, manutenção baseada em condições.

SAÚDE: Processamento dos tratamentos e acompanhamento dos pacientes, processos de correspondência de doadores.

GOVERNO: Cálculo de imposto, aposentadoria, pensões, detecção e investigação de fraudes, processamento de reclamações.

 

Com IBM Operational Decision Manager, os especialistas de negócio utilizam uma plataforma Web para realizar atividades, que não precisam envolver profissionais de Tecnologia da Informação:

  • Criar ou manter regras textuais ‘se... então... senão” e tabelas de decisão, utilizando um vocabulário de negócio;
  • Revisar as lógicas de decisão, se necessário;
  • Validar o que foi alterado, por quem, quando e por qual motivo;
  • Testar, simular, gerenciar e governar os artefatos de decisão;
  • Implantar as manutenções de regras no ambiente de Produção.

 

Se quiser saber mais sobre automação de decisões, pode contar comigo e com a equipe Scala.

Jerome Chartier
Advanced Analytics & Decision Management

 

-----------------------
Fontes:
IBM Impact 2020
IBM Decision Lab, Paris


Serverless: os prós e contras dessa opção de infraestrutura em nuvem

 

Serverless é uma arquitetura nativa da nuvem, que permite às empresas criar e manter seus aplicativos sem preocupação com a infraestrutura de servidores em que esses aplicativos estão rodando (por isso o “less” no nome).

Neste tipo de arquitetura, não é preciso se preocupar com tarefas como o provisionamento de servidor ou cluster, a aplicação de patches ou a manutenção do sistema operacional e do provisionamento de capacidade. As responsabilidades operacionais e de infraestrutura cabem ao provedor de serviços na nuvem, o que na prática aumenta a agilidade e a inovação.

Por que usar?

A arquitetura Serverless permite criar aplicativos modernos com maior agilidade e menor custo. E sem terem que se preocupar com a operação ou tempos de execução, podem se concentrar no produto principal, empregando tempo e energia no desenvolvimento de ótimos produtos, dimensionáveis e confiáveis.

 


Vantagens

  • Custo

O modelo de preços de uma arquitetura Serverless é baseado apenas pela quantidade de computação e recursos utilizados. Caso o sistema esteja ocioso, nenhum custo será associado. Além disso, a maioria dos provedores de nuvem fornece uma camada gratuita de solicitações de função Serverless, sem mencionar outros serviços.

  • Escalas fora da caixa

As infraestruturas Serverless aumentam e diminuem com base na demanda por funções específicas do sistema. Para os desenvolvedores, isso significa menos problemas e uma melhor experiência em picos de uso. Geralmente, os provedores de nuvem definem limites para simultaneidade máxima, de forma a proteger os desenvolvedores de custos descontrolados.

  • Time to Market

Com Serverless, os desenvolvedores passam menos tempo provisionando, dimensionando e gerenciando a infraestrutura, liberando tempo para desenvolver uma lógica comercial de valor agregado. Além disso, o código da função geralmente é mais fácil e rápido de escrever, pois é conciso e deve ser projetado para fazer apenas uma coisa de cada vez.

 

 

Desvantagens

  • Performance

O uso esporádico de serviços Serverless demanda a criação do servidor do zero (na hora de uma nova requisição) o que gera cold-starts da aplicação e ocasiona perda de performance momentânea.

  • Limite de recursos

A computação Serverless não é adequada para algumas cargas de trabalho, como a computação de alto desempenho, devido aos limites de recursos impostos pelos provedores de nuvem.

  • Monitorando e Depurando

Diagnosticar problemas de desempenho ou uso excessivo de recursos numa solução Serverless pode ser mais difícil do que com código tradicional de servidor, porque normalmente não se tem acesso à infraestrutura onde esses serviços são executados.

 

Casos de uso

A abordagem Serverless pode ser usada para uma ampla variedade de casos:

  • Aplicações Web e Mobile

Um dos casos de uso mais comuns para Serverless, tende a criar APIs de back-end que atendem a aplicativos da Web e móveis. As APIs Serverless geralmente são fáceis de criar, gerenciar e funcionam bem em cenários de carga flutuantes.

  • Processamento de fluxo e lote

A natureza orientada a eventos do Serverless é adequada para o processamento de dados. Por exemplo: as funções Lambda (AWS) podem ser designadas para consumir eventos de fluxos de dados ou definidas para processar tarefas em massa. Outro ótimo exemplo de porque o modelo de cobrança por uso é atraente, embora com altas cargas, a computação possa ser mais com Serverless.

  • Internet das Coisas

Os dispositivos que se conectam à Internet para ler ou gravar dados são um excelente caso de uso para Serverless. Serviços como Alexa e eletrodomésticos como o iRobot são usuários Serverless conhecidos.

  • Manipulação de imagens e vídeos

Com Serverless é possível criar serviços de imagem e vídeo com melhor desempenho para qualquer aplicativo. Você pode usar também para fazer redimensionamentos dinâmicos de imagens ou alterar a transcodificação de vídeo para diferentes dispositivos de destino.

Os aplicativos contam cada vez mais com reconhecimento de imagem para melhorar a experiência do usuário: por exemplo, um aplicativo de comércio eletrônico que permite aos clientes fotografar a frente do cartão de crédito em vez de digitar os números manualmente.

Esta arquitetura faz sentido em vários tipos de cenários, porém tem que ter cuidado na hora de escolher este tipo de abordagem para sua solução, verificando muito bem os objetivos e principalmente as desvantagens de partir para o uso de Serverless.

Gabriel Asakawa
Gerente de Inovação

--------

Fontes:

https://en.wikipedia.org/wiki/Serverless_computing

https://www.ibm.com/cloud/learn/faas#toc-faas-and-i-mdyazIsb

https://www.bmc.com/blogs/serverless-faas/

https://www.serverless.com/learn/use-cases/

 


Análise de dados para previsão de demanda: Modelando o Futuro

 

A previsão de demanda é algo crítico para empresas no mundo inteiro e em todas as indústrias, como manufatura, bens de consumo, varejo, farmacêutica, automotiva, eletrônicos e finanças, entre outros.

Sua função é crítica porque não apenas diminui ineficiências no supply chain, como afeta todas as partes da empresa. A previsão de demanda, por exemplo, determina a quantidade de matéria-prima a ser comprada, a quantidade de produtos a ser produzida, o número de produtos a ser entregue, o número de pessoas a se contratar ou o número de plantas a se construir.

 

ESTIMATIVAS

A análise preditiva permite não apenas estimar a demanda, mas também entender o que impulsiona as vendas e como os clientes provavelmente se comportarão sob certas condições.

Já a previsão de demanda é a estimativa de uma provável demanda futura de um produto ou serviço, enquanto o planejamento da demanda é um processo mais amplo que começa com a previsão, mas não se limita apenas a ele.

MAIOR PRECISÃO

Chegar o mais próximo possível da realidade é a chave para melhorar a eficiência em toda a cadeia de suprimentos. Mas, como alcançar a maior precisão possível? É aí que entram a previsão estatística tradicional e os algoritmos de aprendizado de máquina.

A previsão estatística tradicional é a abordagem mais popular para prever as vendas. As soluções de planejamento de demanda, baseadas em técnicas estatísticas, se integram perfeitamente ao Excel e aos sistemas existentes de Enterprise Resource Planning (ERP), sem a necessidade de conhecimento técnico adicional. Os sistemas consideram a sazonalidade e as tendências do mercado e a partir disso aplicam vários métodos para ajustar os resultados.

ABORDAGEM AMPLA

Para ajudar a descobrir o que pode acontecer no futuro, o software de análise preditiva executa o seguinte conjunto de operações:

 

  • Agrega os dados históricos de diferentes fontes, incluindo sistemas de ERP e Customer Relationship Management (CRM).
  • Faz a limpeza e tratamento dos dados.
  • Determina qual algoritmo de previsão se adapta melhor ao produto.
  • Constrói modelos preditivos para identificar resultados prováveis ​​e descobrir relações entre vários fatores.

 

As ferramentas de análise preditiva permitem que as empresas combinem informações da empresa com importantes indicadores econômicos, eventos promocionais, mudanças climáticas e outros fatores que afetam as preferências do cliente e as decisões de compra. Facilita a identificação de novas oportunidades de mercado e gera insights mais granulares sobre a demanda futura.

 

DESAFIO

A previsão de demanda é uma tarefa desafiadora. Porém, com a adoção de ferramentas de análise preditiva, pode-se reduzir a lacuna entre antecipação e realidade. Contudo, por mais inteligente que seja a solução de previsão, as principais decisões ainda estão no capital humano.

Os especialistas do setor precisam definir quais fatores devem ser considerados em seus modelos preditivos. A lógica humana ainda é necessária para avaliar a relevância dos resultados produzidos pelos modelos preditivos e para extrair os insights obtidos pelos sistemas.

Aproveitando o que a inteligência artificial e a humana oferecem, podemos visualizar e planejar um futuro melhor para o nosso negócio.

 

Rogério Rocha, Data Scientist


A fantástica economia das APIs

A fantástica economia das APIs

Como num Lego, várias aplicações podem ser incorporadas ao ecossistema digital para transformar os negócios

Por Stefanini Scala

 

A conectividade e a digitalização nos trouxeram uma série de comodidades, como pedir comida por aplicativo. O pagamento é processado por uma empresa de meios de pagamento, o restaurante aciona o motoboy, que provavelmente estará conectado a uma plataforma de serviço de entrega como iFood, Loggi, Rappi ou Uber Eats. Essa conexão entre todas as pontas só é possível por meio de APIs, sigla para Application Programming Interface.

Uma API é criada quando uma empresa tem a intenção de que usuários ou outros criadores de software utilizem ou desenvolvam produtos associados ao seu serviço.

UM SERVIÇO DENTRO DE OUTRO SERVIÇO

O Google Maps é um dos grandes exemplos na área de APIs. Já observou que ele aparece sempre que você clica na página de um hotel ou do Airbnb? Assim, fica mais fácil saber a localização e como chegar aos principais pontos de interesse, antes de realizar a reserva para sua viagem de férias. Funciona como um serviço dentro do outro, que beneficia a todos.

Exemplos práticos como esses mostram que vivemos na era da API Economy, que nada mais é do que monetizar funcionalidades e microsserviços que se tornaram necessários no processo de transformação digital.

Conforme a digitalização foi acontecendo, várias empresas decidiram focar em seu core business e investir, por meio de parceiros, no desenvolvimento de microoperações que atuam de maneira autônoma. É como um mosaico de funcionalidades, cada uma para uma necessidade específica, com o objetivo de oferecer uma melhor experiência ao cliente.

 

 

Como a nova economia preza pelo melhor uso da tecnologia para transformar o modelo de negócios, as APIs vieram para “plugar” novos serviços que fazem sentido para os clientes, tornando-se o grande motor da transformação digital.

Como num Lego, várias aplicações de terceiros – muitas desenvolvidas por startups - podem ser incorporadas para que o consumidor escolha a experiência que quiser. Isso mostra que softwares isolados podem se integrar a soluções customizadas para melhor atender o cliente, além de reduzir custos.

GRANDE OPORTUNIDADE

Hoje, o grande diferencial não é a técnica utilizada na construção de um produto ou serviço, mas a ideia capaz de transformar uma necessidade ou um problema numa grande oportunidade. No segmento financeiro, existe um grande movimento para integrar novas funcionalidades a plataformas digitais. A partir da implementação do Open Banking, os titulares das contas correntes podem escolher com quem desejam compartilhar as suas informações.

Por meio das APIs, as fintechs e empresas de tecnologia podem criar uma variedade de serviços financeiros que não estão contemplados no portfólio de produtos dos bancos tradicionais. E, assim, sem perder o "time to market”, as startups se aliam às instituições financeiras para oferecer uma experiência diferenciada ao cliente.

Com a entrada em vigor da Lei Geral de Proteção de Dados (LGPD), prevista para agosto deste ano, e com a evolução de novas tecnologias para troca segura de informações, como o Blockchain, a tendência é que a API Economy ganhe um forte impulso, estimulando que negócios tradicionais abram suas aplicações e se conectem a outras para criação de novos serviços, que poderão ser oferecidos em qualquer dispositivo móvel, wearables, carros ou geladeiras.

API FIRST

Segundo estudo do IDC, até 2021, 70% dos CIOs fornecerão conectividade ágil por meio de APIs, impulsionados pelas necessidades das áreas de negócio. Em 2023, serão desenvolvidos e implantados mais de 15 milhões de aplicações e serviços digitais em nuvem na América Latina.

Já a McKinsey prevê a geração de US$ 1 trilhão através da redistribuição de receitas de setores para ecossistemas, o que torna a API Economy estratégica para transformar um negócio ou organização em uma plataforma.

Se até pouco tempo o que mais se ouvia entre os desenvolvedores era Mobile First, agora o termo da vez é API First, ou seja, a aplicação precisa se comunicar com outros sistemas, independentemente da plataforma ou da linguagem.

Como diz Cesar Taurion, Head Digital Transformation of Kick Ventures e Founder GHubee: “Estamos vendo a junção de uma sociedade data-driven, onde os dados ocultos hoje são revelados e nos mostram correlações surpreendentes, que modificam nossa maneira de ver o mundo.  Precisamos criar aplicações modernas que reflitam este novo olhar sobre a tecnologia”.

Douglas Katoch
Technical Sales Manager