Gartner: A avaliação dos efeitos financeiros das equipes de dados e IA tornou-se crítica
Em Breve
O problema de avaliar os efeitos financeiros das equipes de dados, IA e ML tornou-se crítico.
No mundo do futuro brilhante da IA, todo mundo só fala sobre os efeitos impressionantes da análise de dados e o que as equipes de dados podem trazer para a mesa em geral. Você já viu esses efeitos na realidade: fluxos de caixa específicos como resultado da implementação de projetos de análise de dados? A resposta é provavelmente ambígua. Assim, o Gartner discutiu o problema de avaliar os efeitos das equipes de dados em seus principais conferência sobre dados e análises este ano.
De acordo com o estudo do Gartner, desde 1975, houve um declínio constante na proporção de empresas que medem o impacto financeiro específico de projetos de análise de dados (crescimento de receita, redução de custo, crescimento de produtividade e redução de risco). Já em 2020, mais de 90% dos investimentos em dados (contra 17% em 1975) foram justificados pelos chamados objetivos estratégicos: criação de inovações, dados como ativo e valor da marca.
E então você pode falar muito sobre como e por que chegamos a isso e o que acontecerá a seguir no cenário de nuvens se acumulando no ambiente macroeconômico global.
Por que a tendência se formou?
Justificar o efeito da análise de dados em termos de objetivos estratégicos é, em muitos casos, bastante normal. O desenvolvimento da indústria nos últimos anos já se tornou óbvio para todos, ao que parece: ChatGPT aqui torna o último tiro o último duvidoso. No momento de um avanço, nenhuma empresa que queira sobreviver quer ficar irremediavelmente para trás.
Justificar o efeito com objetivos estratégicos às vezes é forçado quando você não investe em entender quais efeitos financeiros reais os investimentos em dados podem trazer e como isso pode ser medido. Muitas empresas investem cifras vultosas em projetos de melhoria de processos de negócios baseados em dados, mas, ao mesmo tempo, economizam na criação de uma metodologia para avaliar os efeitos desses projetos (testes AB, análise pós-investimento de projetos de dados, etc.). A cada novo projeto, essas empresas ficam cada vez mais atoladas na armadilha da incerteza; para eles, o risco de falência final de todas as atividades de dados está crescendo, ou a equipe de dados está sobrecarregada sem entender o sucesso de suas atividades.
Ao mesmo tempo, na prática, a introdução de tais metodologias sempre resultou nos maiores efeitos em todos os projetos de dados.
O que vai acontecer à seguir?
O lado sombrio é a crescente vulnerabilidade das equipes de dados em uma situação macroeconômica difícil nos mercados mundiais. Se 90% dos efeitos de alguns tipos de times não podem ser “tocados” porque estão em algum lugar em um futuro brilhante, quando a crise econômica se intensificar, serão esses times os primeiros a serem atingidos. Infelizmente, o início dessa tendência foi amplamente confirmado em 2022, e uma série de grandes demissões em grandes empresas.
O lado positivo é o aumento do interesse em avaliações reais de impacto financeiro. Diante de tudo o que foi exposto, esperamos que em 2024-2025 haja uma reversão de tendência e mais investimentos sejam justificados por um efeito financeiro real.
E isso significará um aumento no interesse por métodos como Reliable ML: como organizar o trabalho das equipes de dados para que o efeito de suas atividades seja mensurável e financeiramente positivo. Para fazer isso, você precisa pensar no design do sistema ML (para não entrar em projetos obviamente não lucrativos ou irrealizáveis), inferência causal (para não cair na armadilha de padrões falsos) e teste AB (para entenda se seu protótipo trará dinheiro ao escalar).
Leia mais notícias relacionadas:
Aviso Legal
Em linha com a Diretrizes do Projeto Trust, observe que as informações fornecidas nesta página não se destinam e não devem ser interpretadas como aconselhamento jurídico, tributário, de investimento, financeiro ou qualquer outra forma. É importante investir apenas o que você pode perder e procurar aconselhamento financeiro independente se tiver alguma dúvida. Para mais informações, sugerimos consultar os termos e condições, bem como as páginas de ajuda e suporte fornecidas pelo emissor ou anunciante. MetaversePost está comprometida com relatórios precisos e imparciais, mas as condições de mercado estão sujeitas a alterações sem aviso prévio.
Sobre o autor
Damir é o líder de equipe, gerente de produto e editor da Metaverse Post, abordando tópicos como AI/ML, AGI, LLMs, Metaverse e Web3-Campos relacionados. Seus artigos atraem um grande público de mais de um milhão de usuários todos os meses. Ele parece ser um especialista com 10 anos de experiência em SEO e marketing digital. Damir foi mencionado em Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto e outras publicações. Ele viaja entre os Emirados Árabes Unidos, Turquia, Rússia e CEI como um nômade digital. Damir formou-se em física, o que ele acredita ter lhe dado as habilidades de pensamento crítico necessárias para ter sucesso no cenário em constante mudança da internet.
Mais artigos
Damir é o líder de equipe, gerente de produto e editor da Metaverse Post, abordando tópicos como AI/ML, AGI, LLMs, Metaverse e Web3-Campos relacionados. Seus artigos atraem um grande público de mais de um milhão de usuários todos os meses. Ele parece ser um especialista com 10 anos de experiência em SEO e marketing digital. Damir foi mencionado em Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto e outras publicações. Ele viaja entre os Emirados Árabes Unidos, Turquia, Rússia e CEI como um nômade digital. Damir formou-se em física, o que ele acredita ter lhe dado as habilidades de pensamento crítico necessárias para ter sucesso no cenário em constante mudança da internet.
