Machine Learning — Ambiguidade de Dados e Interpretações Estratégicas

ISO/IEC 5259–1:2024 — “Os dados utilizados por análises e ML podem ser fornecidos por uma grande variedade de terceiros, e a funcionalidade do modelo de análises e ML pode depender principalmente dos dados usados. Nesse caso, determinar a parte responsável torna-se uma questão crítica se um modelo de ML produzir uma inferência ou previsão imprecisa ou incorreta devido a uma anomalia nos dados coletados de múltiplos sensores ou sistemas. Nesse caso, a organização pode ter um sistema implementado que consiga determinar a causa (dados ou outro fator) se um modelo de ML produzir resultados indesejáveis.”

Além disso, dados para análises e ML podem ser coletados de várias maneiras, incluindo buscas na Internet e postagens em serviços de mídia social. Apesar da conveniência do uso diversificado desses dados, é importante ter cautela devido a problemas sérios que esses tipos de dados podem apresentar, como violações de privacidade.

A governança da qualidade dos dados para análises e ML envolve uma complexidade maior em comparação com questões de qualidade de dados que envolvem apenas uma única fonte de dados. O órgão de governança deve entender que devem ser estabelecidos papéis e responsabilidades claros sobre como os dados para análises e ML devem ser tratados e processados ao longo de todo o ciclo de vida dos dados (DLC), tanto dentro das fronteiras organizacionais quanto entre elas.”

Ambiguidade

Quando diversas áreas de uma organização utilizam a mesma fonte de informação para desenvolver diferentes projeções e estratégias, alguns desafios e dificuldades comuns podem surgir, incluindo:

A inconsistência nas interpretações dos dados por diferentes áreas é um desafio comum em empresas que buscam uma base única de informações para embasar suas decisões estratégicas. Esse problema surge porque cada setor tem seus próprios objetivos, KPIs (indicadores de desempenho) e prioridades, o que naturalmente influencia a maneira como eles analisam e interpretam os dados disponíveis.

Por exemplo, o setor de marketing pode interpretar dados de vendas e comportamento do consumidor como uma oportunidade para expandir o mercado e aumentar o investimento em campanhas, visando o crescimento. Já o setor de operações pode olhar para os mesmos dados com um foco em eficiência, buscando formas de otimizar processos internos para atender à demanda sem aumentar os custos. Ambos os pontos de vista são válidos, mas, quando não alinhados, podem levar a conflitos que impactam a implementação de uma estratégia unificada.

A dificuldade em alinhar resultados estratégicos entre áreas que utilizam dados e análises de maneira independente é um desafio significativo para organizações que buscam coesão e eficiência em sua atuação. Essa falta de alinhamento ocorre porque diferentes áreas podem desenvolver estratégias baseadas em suas próprias análises e projeções, levando a abordagens que, apesar de válidas isoladamente, podem não se complementar em um objetivo organizacional comum.

Embora incipiente, essa relação entre diferentes pontos de vista sobre a estratégia empresarial deve ser orientada pela alta direção da organização. Em muitas situações, interpretações mais técnicas e menos executivas podem distorcer a percepção de oportunidades estratégicas. Para enfrentar esses desafios, é essencial que o foco na governança e nos processos de colaboração esteja direcionado à padronização de metodologias, à integração dos objetivos organizacionais e ao gerenciamento eficaz da qualidade e segurança dos dados.