Homem e máquina: o machine learning é o futuro do serviço
* Por Alexsandro Labbate
Embora o aprendizado de máquinas (machine learning) tenha estado na agenda da tecnologia nos últimos vinte anos, somente em tempos mais recentes seus potenciais benefícios em termos de gerenciamento de serviço de campo foram melhor compreendidos.
Embora o aprendizado de máquinas (machine learning) tenha estado na agenda da tecnologia nos últimos vinte anos, somente em tempos mais recentes seus potenciais benefícios em termos de gerenciamento de serviço de campo foram melhor compreendidos.
Parte integrante da inteligência artificial (IA), o machine learning (ML) utiliza a IA para analisar os dados de desempenho de uma empresa e então toma decisões capazes de torná-la mais eficiente. O interesse pela IA tem crescido nos últimos anos, com líderes tecnológicos como Elon Musk e Mark Zuckerberg, utilizando o aprendizado de máquinas para aprimorar a tecnologia existente.
No Brasil esse fascínio não é diferente e alguns brasileiros têm se destacado em iniciativas envolvendo o conceito de machine learning. O Brasil é, atualmente, um dos países com maior número de profissionais em grau máximo (considerados masters) em aprendizado de máquinas pelo Kaggle, um dos principais sites do mundo orientado à organização de competições de machine learning. O país fica atrás apenas dos Estados Unidos, China e Rússia. Além disso, o machine learning já é aplicado no Brasil em recomendações para os consumidores como filmes, viagens, músicas e ofertas de produtos e serviços.
O entusiasmo pelo machine learning em organizações de serviços aumentou profusamente, embora seus poderosos benefícios ainda não sejam completamente compreendidos pela massa. Empresas em todo o mundo começam a enxergar o ML como um "serviço de previsão", pelo qual todos os tipos de dados macro e micro ambientais - tais como padrões climáticos e habilidades de um técnico específico, por exemplo -, podem ser perfeitamente conectados e analisados para fornecer previsões precisas baseadas no histórico.
E, enquanto tudo isso pode ser feito sem qualquer esforço de interpretação por parte dos profissionais que trabalham em organizações de serviços, a visão útil oferecida pode criar uma vantagem competitiva significativa.
Machine learning: a renderização do homem à máquina é redundante?
Pelo contrário. De fato, a combinação das previsões do machine learning com as pesquisas operacionais realizadas pelos líderes empresariais fornece um nível de inteligência comercial mais profundo e altamente valioso, permitindo uma tomada de decisão estratégica mais embasada, além de melhorar a produtividade e o desempenho. Então, como exatamente o machine learning pode alavancar novas oportunidades para as organizações de serviço em campo? Quando se trata de oferecer valor de negócio por meio do aprendizado de máquinas, as principais oportunidades giram em torno de melhor planejamento e de um agendamento mais preciso.
1. Previsões de padrões de tráfego
As organizações de serviços mais inovadoras já estão introduzindo a capacidade de encaminhar seus técnicos de acordo com os padrões de tráfego preditivos. Com base em dados históricos, como os padrões de tráfego de feriados, é possível direcionar os profissionais para trabalhos específicos quando o tráfego estiver menos congestionado nesses locais. Isso já garante uma grande economia de tempo e custos, sem mencionar as melhorias na experiência do cliente ao reduzir atrasos nos horários de chegada do técnico e a necessidade de longas janelas de espera. Além disso, as previsões derivadas do machine learning também podem proporcionar às empresas que fornecem serviços de reparação e instalação a domicílio indicações mais precisas em torno da duração estimada dos trabalhos, permitindo que o agendamento e a produtividade sejam otimizados.
2. Previsão do tempo
Muitos institutos de meteorologia já desenvolveram modelos de previsão do tempo que permitem prever padrões de clima baseados em informações históricas e outros fatores sazonais. Da mesma forma, as empresas de serviço em campo estão começando a se espelhar nesses modelos de previsões climáticas, adicionando capacidades de machine learning em seus sistemas de gerenciamento. Isso agiliza o processo de avaliar e identificar quando certos trabalhos - muitas vezes aqueles que precisam ser realizados ao ar livre ou em altitude - devem ser adiados devido à expectativa de mau tempo, de preocupações associadas à saúde e segurança, bem como considerações de tempo x custo.
3. Prevenção de não comparecimento de clientes
Um dos maiores prejuízos financeiros para as empresas que operam em campo é o não comparecimento de clientes, ou seja, o técnico desloca-se até a casa de um cliente no horário agendado apenas para descobrir que não há ninguém na propriedade para atendê-lo. Nesse cenário, o aprendizado de máquinas pode ajudar a prever se o cliente estará em casa ou não com base em dados de seu histórico, a localização de sua casa e uma série de outros fatores relacionados ao clima e sua situação de trabalho. Esse tipo de informação elimina desperdícios de tempo dos técnicos e aumenta a vantagem competitiva.
4. Envio da pessoa certa para o trabalho certo
O aprendizado de máquinas também pode agilizar as ofertas de serviços alocando determinados profissionais para trabalhos específicos. Por exemplo, se um técnico instala frequentemente medidores inteligentes em casas, já está familiarizado com esse tipo trabalho e, inevitavelmente, completará mais rapidamente as instalações. Por isso, os softwares de machine learning podem realocar esse profissional para futuras instalações de medidores inteligentes para acelerar os processos de trabalho. Racionalizar as decisões empresariais por meio do aprendizado de máquinas pode garantir que os funcionários atuem nos trabalhos em que se destacam, aumentando a satisfação do cliente.
5. Manutenção preditiva
Ao alavancar os dados gerados pela Internet das Coisas (IoT), o machine learning pode antecipar quando os reparos serão necessários e programar o serviço de forma proativa, sem precisar de intervenção humana. Consequentemente, o aprendizado de máquinas pode monitorar o status do equipamento e prever o surgimento de problemas, permitindo que os técnicos atendam ao equipamento antes mesmo que o problema seja encontrado. Ao optar pelo serviço preventivo em relação ao reativo, as empresas podem evitar falhas dispendiosas e interromper paradas espontâneas que irritam os clientes e demandam tempo dos engenheiros.
Como a máquina está conduzindo as experiências de clientes e funcionários
Do ponto de vista do consumidor que precisa de um reparo, os benefícios do machine learning podem incluir um aumento considerável de "reparos na primeira visita", garantindo que peças e técnicos certos sejam despachados já na primeira vez. Isso melhora no geral a satisfação do cliente e os níveis de experiência - algo que vem se tornando cada vez mais crítico em um ambiente no qual os clientes demandam níveis de serviço semelhantes à apps como o Uber, por exemplo, e possuem mais opções e influência do que nunca. Da mesma forma, para os profissionais que trabalham em empresas de serviços em campo, o aprendizado de máquinas também pode melhorar a experiência geral dos funcionários e apoiar os níveis de retenção das equipes.
Qual o próximo passo?
É claro que o machine learning continua a ser um novo conceito para muitos e as questões permanecem em torno da melhor maneira de aplicá-lo em um contexto de serviço em campo. Ainda há algum trabalho a ser feito para incorporar o aprendizado de máquinas nos sistemas de fluxo de trabalho existentes, de modo a que as futuras previsões possam ser mais facilmente integradas, compreendidas e aplicadas. As empresas que dominarem esse processo antes das massas, no entanto, certamente poderão melhorar sua conformidade com o Acordo de Nível de Serviço (SLA) e obter melhores recompensas de negócios.
* Alexsandro Labbate é Diretor Global de Marketing da ClickSoftware, empresa focada no fornecimento de soluções para a gestão automatizada e otimização da força de trabalho e serviços em campo.
Canaltech
-vbszag8ovui9.jpg)
