Machine Learning: como implementar no seu negócio

O Machine Learning tem uma série de potencialidades de resultados para negócios. Como elemento fundamental da análise preditiva, sua aplicação é a base para a implementação e evolução de processos de Analytics, que oferecem subsídios valiosos para tomada de decisão.

No entanto, os resultados do Machine Learning em melhorias nem sempre são tão contundentes como os analistas de implantação esperavam, nem tão práticos e aplicáveis como a empresa contratante desejava…

Em linhas gerais, algumas vezes as empresas não alcançam as melhorias de negócio oferecidas no projeto. Em nossa ampla vivência com diversos projetos de inteligência de dados e Analytics, constatamos que quando isso ocorre, as causas estão relacionadas com a dificuldade de desenhar, executar e medir as ações necessárias para obter os aprimoramentos baseados nos resultados dos modelos de aprendizagem de máquina.

Neste artigo, vamos percorrer a fundo o processo de implementação e aplicação do Machine Learning em empresas que têm como objetivo aprimorar processos e estratégias.

Falaremos dos desafios e como tratá-los, dos procedimentos envolvidos e do que é preciso para aproximar cada vez mais seu negócio dos resultados realmente efetivos com Analytics avançado.

Antes de mais nada, o que é Machine Learning?

Machine Learning é um ramo da inteligência artificial (IA) que busca equipar as máquinas com capacidades de aprendizagem, ou seja, geração de conhecimento a partir de um conjunto de experiências. Para entender melhor, pense na comparação: programar uma máquina para que ela possa se mover é muito diferente de capacitá-la para que ela aprenda a se mover.

Algumas técnicas dentro de Machine Learning são árvores de decisão, modelos de regressão, modelos de classificação, técnicas para geração de clusters e, possivelmente a mais lembrada, redes neurais.

No contexto de estratégia e negócios, o Machine Learning está estreitamente relacionado com o processamento e a análise avançada e dinâmica de dados para o suporte constante ao processo de decisão.

Quais os desafios para obter resultados com Machine Learning?

Em projetos problemáticos de Analytics, os resultados da aplicação dos modelos de Machine Learning são, muitas vezes, confusos. Eles não refletem de forma clara os problemas reais e administráveis do negócio, gerando grande frustração diante do esforço e do investimento realizados.

As causas que geram essa situação podem ser agrupadas em 3 grandes categorias:

• expectativas das pessoas envolvidas, 
• técnicas usadas 
• abordagem do projeto

As diferentes expectativas dos envolvidos em projetos de Machine Learning

Infelizmente, é relativamente comum que não exista uma conciliação orgânica e natural entre as expectativas dos executivos das empresas e os resultados entregues pelo cientista de dados.

O executivo espera poder obter um conhecimento que o ajude a decidir o que fazer, ou seja, quais ações ou decisões ele deve tomar e quais serão os resultados obtidos. Por exemplo, em que porcentagem ele poderá reverter o comportamento de um certo indicador caso execute certas ações.

Por outro lado, o cientista de dados tem seu foco em encontrar as variáveis e seus respectivos pesos que discriminam o problema previsto. Essa situação pode gerar um abismo irreconciliável entre estes 2 “mundos” – o do analista e o do gestor.

Os erros técnicos mais comuns em projetos de Machine Learning

No aspecto técnico, podemos apontar 2 tipos de erros vistos com frequência ao implantar o Machine Learning no negócio.

O primeiro deles se refere aos entregáveis do projeto. As técnicas atuais de Machine Learning não geram entregáveis que permitem ações diretas para o negócio. Em outras palavras, resultados puramente matemáticos e estatísticos apresentam grande dificuldade para serem lidos comercialmente. São números e dados que contém informação, mas essa informação não é convertida em recomendações práticas para a empresa.

O segundo erro se refere à mensuração de resultados. É de extrema importância para qualquer negócio poder avaliar com precisão a resultante de cada medida ou decisão. E em muitos projetos de Machine Learning, é difícil medir as melhorias alcançadas pelo negócio com a realização das ações propostas. Por exemplo, não se pode facilmente associar uma porcentagem de melhoria a cada ação tomada. Com isso, não se sabe com certeza qual movimento da companhia alcançou a melhoria esperada.

Os desafios da abordagem dos projetos

Finalmente, abordam-se projetos com foco em atender os desejos ou necessidades comerciais. Mas isso é feito muitas vezes sem realizar uma identificação metodológica das questões de negócio – os casos de uso, que refletem como o Machine Learning vai se integrar ao dia a dia da empresa e a suas estratégias.

Esse processo de identificação criteriosa demanda tempo, mas certamente compensa. Sem ele, não são seguidas metodologias integrais, que cubram desde a detecção do caso de negócio de forma exaustiva e completa, até as formas de medição das melhorias e os fatores que evidenciam a monetização.

Ajuste de expectativas, técnicas empregadas, abordagem metodológica completa: todos estes são fatores essenciais para alinhar os resultados com a estratégia de negócio. Também são base para construir componentes analíticos e agregar melhorias reais aos projetos de Machine Learning.

Agora que levantamos os principais pontos de alerta, vamos explorar em maior profundidade os aspectos que devem estar presentes em um projeto consistente de Analytics envolvendo Machine Learning.

Visão geral de um projeto de Analytics avançado

Uma boa forma de resumir onde queremos chegar com um projeto de Analytics avançado “rodando” na organização é considerar que temos:

• Dados de diversas origens a serem trabalhados e que farão parte do “dataset” do negócio junto a outros elementos
• O Machine Learning em ação, capacitando a tecnologia empregada a analisar esses dados e “treinando-a” constantemente para fazer isso cada vez melhor (em termos de habilidades preditivas, incorporação de novos conhecimentos e fatores impactantes)
• As entregas – insights, informações e novos dados que irão suportar a tomada de decisões, a implementação de ações e a mensuração precisa de seus resultados em diferentes aspectos do negócio

Para que tudo isso aconteça, são necessárias diferentes etapas de planejamento e execução, conhecimento especializado, bem como especial atenção aos obstáculos e desafios que devem ser prevenidos e controlados. Além, claro, de técnicas aplicadas – nosso próximo assunto aqui.

O VALOR DOS ASPECTOS TÉCNICOS

A questão técnica é um pilar fundamental para projetos bem sucedidos que envolvem Machine Learning. Conheça a seguir seus principais elementos quando se trata de implementar Analytics avançado no negócio:

1. Construção de um dataset de qualidade

O dataset – o conjunto de dados a ser trabalhado – é a “matéria-prima” para extração de informações de valor para o negócio. Assim, é essencial construir um dataset com a maior quantidade de colunas “cruas” provenientes dos sistemas fontes. O dataset precisa receber e absorver com naturalidade dados de diferentes origens, entre elas  DWH, ODS, CRM, os recém-incorporados Data Lakes.

• DWH, ou Data Warehouse: é um repositório unificado para todos os dados que são coletados pelos diversos sistemas de informação de uma empresa. Tem propósitos analíticos e de relatórios.
• OSD: É um repositório unificado que geralmente apenas armazena dados operacionais e possui propósitos analíticos e de relatórios.
• CRM: Solução de rastreamento das relações com os clientes, orientada normalmente a administrar três áreas básicas: a gestão comercial, o marketing, e o serviço pós-venda ou de atendimento ao cliente.
• Data Lake: É um repositório de armazenamento que contém uma grande quantidade de dados brutos, estruturados e não estruturados, independentes de sua fonte ou formato. Atualmente, na maioria dos casos, é criado sobre o sistema Hadoop.

2. Escolha da técnica de Machine Learning

Este é o momento de eleger e aplicar uma técnica de Machine Learning

• que seja realmente adequada ao problema que se quer modelar;
• que utilize os dados disponíveis;
• e que retire dos dados o maior proveito possível. 

Aqui entra a análise criteriosa dos recursos disponíveis de Inteligência Artificial. A Inteligência Artificial é um ramo da computação que busca o desenvolvimento de máquinas e sistemas capazes de “imitar” comportamentos inteligentes – como por exemplo conduzir interações, analisar padrões, reconhecer vozes, ou jogar um jogo. Em determinados aspectos, o desempenho é superior ao de um ser humano, especialmente em termos de agilidade e precisão.

3. Escolha dos algoritmos de análise

Uma vez selecionada a técnica de Machine Learning, é hora de selecionar o algoritmo ou conjunto de algoritmos que ofereçam o melhor resultado em análises preditivas. Ou seja, de que forma os dados serão efetivamente processados e trabalhados a fim de fornecer conclusões precisas e realmente úteis para o negócio.

Nunca é demais enfatizar a importância de uma avaliação cuidadosa desses algoritmos: afinal, estamos falando de algo que se tornará fonte de insight para uma organização.

Um bom exemplo de técnica para realizar essa escolha é utilizar a matriz de confusão. Esta é uma forma de medir o desempenho do aprendizado de máquina, em que acertos e erros do algoritmo são avaliados de forma ponderada, de acordo com seu “peso” nos processos em que estão inseridos – processos de decisões de negócios, por exemplo. Ou seja, mede-se o impacto real da performance do Machine Learning tendo em vista o seu contexto de aplicação. 

Enriquecendo o Dataset

Como comentamos anteriormente, o dataset é como a matéria-prima do Analytics. E para o melhor desempenho, ele não pode estar limitado apenas aos dados brutos – as variáveis “cruas”.

A partir da experiência profissional apoiando muitas empresas em seus processos de Analytics avançado, é muito clara a importância de enfatizar o processo de criação do dataset e seu enriquecimento com variáveis derivadas e hipóteses de negócio.

Dessa forma, o dataset torna-se um “ponto de partida” mais robusto para o caminho que leva a análises mais precisas e efetivamente aplicáveis.

Assim, o dataset enriquecido é composto por:

• VARIÁVEIS “CRUAS”: os dados como eles são, vindos de suas diferentes fontes e apenas organizados e incorporados ao sistema
• VARIÁVEIS DERIVADAS: são construídas a partir das variáveis cruas. Incorporam conhecimento de negócio, incrementando a capacidade de predição do algoritmo de Machine Learning. Seu uso pode evitar a obtenção de resultados óbvios nos processos de modelamento preditivo – o que é considerado o pesadelo de um cientista de dados. 

• HIPÓTESES DE NEGÓCIO: definidas como situações de negócio comuns aos problemas que irão ser modelados/ tratados e que já foram observados em outros clientes e indústrias, especialmente no mesmo segmento da empresa em questão. Elas trazem amplitude e aplicabilidade às análises preditivas.

Dataset enriquecido e novos componentes de modelos preditivos

Com o dataset enriquecido, os resultados obtidos a partir dos testes e das hipóteses de negócio permitem incorporar novos componentes aos modelos preditivos. Estes componentes são recursos que possibilitam:

• Desenvolver a abordagem de inteligência artificial
• Segmentar os clientes por situações de negócio comuns
• Usar técnicas de aprendizagem por reforço, permitindo que um mesmo problema possa ser abordado simultaneamente com o mesmo dataset partindo de diferentes técnicas de Machine Learning (supervisionada e por reforço), aumentando com isso o desempenho do modelo preditivo
• Em técnicas supervisionadas, identificar as “forças” que
  • mantêm os clientes ou entidade estudada em condições de estabilidade
  • deslocam os clientes ou entidade para fora de seu ponto de equilíbrio 

Portanto, processos de Analytics avançado realmente eficazes precisam contar com a adoção desses componentes, que proporcionam melhora comprovada e resultados com alta aderência às ações que as companhias devem desenvolver.

OS 7 GRANDES DESAFIOS DO MACHINE LEARNING PARA O SEU NEGÓCIO

Agora que já compreendemos melhor os elementos técnicos estruturais, vamos nos aprofundar mais na questão dos desafios que podem ser enfrentados pelas empresas que decidem adotar um projeto consistente de Analytics.

1. O desafio da incerteza para usar os entregáveis do processo analítico

Os entregáveis vindos do modelo poderão ser acionados? Em outras palavras – sua organização têm as análises em mãos, mas até que ponto será realmente possível convertê-las em ações que resolvam ou minimizem os problemas em foco?

Um exemplo prático: os resultados em projetos de desenvolvimento de modelos analíticos para identificar, de forma preditiva, os clientes que apresentarão alguma reclamação em tal período de tempo mostraram que, em muitos casos, 3 das variáveis mais impactantes seriam frequência de visita ao ponto de atendimento, montante de crédito atribuído e localização geográfica. Embora elas explicassem em 80% a probabilidade de reclamação, é preciso um esforço significativo da empresa para definir estratégias comerciais que, usando essas 3 variáveis, diminuam as reclamações.

A aplicabilidade das entregas de um modelo preditivo está muito relacionada com a maneira como ele foi construído e como ele evolui, dentro da realidade de cada negócio. O cuidado na etapa inicial faz toda a diferença: afinal, é ele que vai alinhar os modelos e as análises às reais necessidades e capacidades sua empresa.

Por isso são tão importantes

• a construção e manutenção de um dataset que incorpore não só dados simples, mas também as variáveis e hipóteses que conectam as análises ao seu negócio
• a qualidade do processo de aprendizagem de máquina, que permita a evolução constante da assertividade das análises realizadas

Agora, considerando a aplicabilidade das entregas, as organizações devem também estar instrumentalizadas para efetuar os movimentos necessários. De nada adianta ter análises precisas em mãos: elas sozinhas não vão promover mudanças. 

2. O desafio do alinhamento com as crenças organizacionais sobre os problemas enfrentados 

Aqui, a pergunta é a seguinte: os entregáveis do processo analítico permitirão responder ou esclarecer as dúvidas dos executivos sobre os principais problemas “conhecidos” pela companhia?

O processo analítico deve ser capaz de  comprovar (ou negar, se for o caso) com fundamento sólido em dados as crenças da organização sobre os fatos de negócio, de forma a gerar uma análise que se converte em um novo conhecimento. Definitivamente, não estamos falando de suposições – e essa capacidade é um componente metodológico obrigatório no processo de modelagem preditiva.

E mais: as organizações precisam estar preparadas para serem confrontadas na maneira como enxergam seus problemas. Análises bem fundamentadas frequentemente ampliam – e muitas vezes transformam – a percepção de gestores e decisores, trazendo à tona elementos que antes estavam à margem e definindo o real impacto de fatores nos resultados do negócio.

3. O desafio de identificar problemas estruturais ou conjunturais

Este aspecto se relaciona com a frequência das situações de negócio. É fundamental identificar com precisão se as situações de negócio provadas com fatos e dados são problemas estruturais ou conjunturais. Este é um fator determinante tanto para a qualidade das análises em si quanto para a efetividade das ações decorrentes delas.

É de grande valor para as companhias poder constatar se os problemas de negócio que estão sendo tratados através de modelos de Machine Learning são novos, antigos, esporádicos, endêmicos, tem periodicidade definida e se afetam ou não os indicadores principais do negócio.

4. O desafio de não olhar “apenas para o próprio umbigo”

A situação de negócio que está sendo trabalhada é “exclusiva” da empresa alvo do desenvolvimento do modelo? Ou ela se repete em outras organizações?

Para a definição de movimentos estratégicos, é de grande importância para a empresa provar ou negar dentro dela situações de negócio que ocorrem em outras companhias, seja da mesma indústria ou de um segmento diferente.

Solucionar / minimizar um “problema próprio” ou tratar uma “questão crônica” pode exigir caminhos bastante diferentes. Além disso, o conhecimento profundo do mercado incorporado ao seu projeto tem impacto decisivo na abrangência e na qualidade dos modelos preditivos desenvolvidos.

5. O desafio do alinhamento comercial e estratégico aos resultados dos modelos preditivos

Existem na sua empresa campanhas ou ações comerciais como captação, fidelização, rentabilização, retenção, etc, já definidas e que possam ser ativadas pelos resultados dos modelos?

Os resultados dos modelos preditivos não devem exigir da companhia criar complexas estratégias comerciais “partindo do zero”. Caso isso aconteça, esses resultados podem se tornar apenas “teoria” – ou projetos que, embora muito bem desenvolvidos tecnicamente, não possuem efeito ou impacto no negócio, devido à sua impossibilidade de implementação.

6. O desafio de conhecer as situações de negócio que aproximam ou afastam a empresa dos seus objetivos

Quais são as situações de negócio, provadas com fatos e dados, que a companhia deve promover e quais ela deve evitar?

Muitos dos entregáveis de Machine Learning se concentram apenas na aprendizagem para evitar uma situação, por exemplo abandono de clientes e aumento das reclamações. Dessa forma, eles têm a necessidade de serem complementados com dados derivados do processo analítico e, com isso, informar à  companhia se ela está realizando ações corretas para que os clientes se mantenham satisfeitos.

E é fundamental que sejam claramente incorporados fatores relacionados não apenas com ações corretivas ou preventivas – mas também aqueles relacionados a ações que impulsionem o negócio rumo a seus objetivos e que sejam capazes de promover a verificação da efetividade das ações implementadas.

7. Desafios inerentes ao processo de Geração de Conhecimento com Machine Learning

• Desenvolvimento de um perfil adequado dos dados, para manipular valores atípicos, ausentes e fora do intervalo esperado
• Problemas de qualidade de dados
• Seleção da técnica de modelagem mais adequada ao problema e aos dados disponíveis
• Necessidade de testes com vários algoritmos de modelagem para eleger aquele com melhor nível preditivo

 

Em resumo, temos 7 grandes desafios do Machine Learning:

1. Os entregáveis do modelo poderão ser acionados?
2. Os entregáveis do processo analítico respondem sobre os problemas “conhecidos” pela companhia?
3. As situações de negócio provadas com fatos e dados são problemas estruturais ou conjunturais?
4. A situação de negócio é “exclusiva” da empresa?
5. Existem na empresa campanhas ou ações comerciais definidas que possam ser ativadas pelos resultados de análise?
6. Que situações de negócio, provadas com fatos e dados, a companhia deve promover ou evitar?
7. A qualidade e completude dos dados permite gerar valor para os itens que se quer predizer?

A IMPORTÂNCIA DA ABORDAGEM METODOLÓGICA

Depois de percorrermos aspectos técnicos e os desafios para o seu negócio, é o momento de explorar como uma abordagem realmente eficaz de um projeto de Analytics avançado faz toda a diferença para controle e superação das dificuldades. Para isso, vamos nos basear na nossa experiência metodológica, em um exemplo prático de implementação.

O caso de uso em questão se refere a “reclamação de serviço” – uma realidade enfrentada por diversas empresas e que tem grande potencial de fragilizar a relação com seus clientes 

I. Identificação de situações de negócio

O conhecimento da empresa sobre os fatos que causaram reclamações por parte dos clientes. Por exemplo: “Quando um cliente faz mais de 5 chamadas ao atendimento telefônico pedindo informação sobre características do produto e sua solicitação não é atendida de forma efetiva, se gera reclamação”.

II. Conversão de situação de negócio para uma hipótese

Inserir as situações de negócio em contextos gerais que possam ser analisados. Exemplo: existe um número X de chamadas à central de atendimento solicitando Y tipo de informação sobre a característica Z do produto W, o que leva a gerar um processo K (reclamação, abandono, não pagamento da fatura, não aceitação de uma nova oferta).

III. Validação da hipótese

São calculadas todas as variáveis derivadas e o ponto de inflexão. Em seguida, se valida ou nega a hipótese com todas as combinações: X, Y, Z, W e K em todos os períodos de análise. O resultado são duas matrizes: matriz de hipóteses e matriz dicotômica, gerada pela validação dos pontos de inflexão sob os processos K.

Os valores calculados na matriz de hipóteses serão considerados também como variáveis derivadas, que, opcionalmente, serão incluídas no modelo preditivo (aprendizagem supervisionada).

Os resultados da matriz dicotômica serão usados para:

• Segmentar os clientes com situações de negócio comuns, usando um processo de Machine Learning de aprendizagem não supervisionada.
• Calcular as “forças” que mantêm o cliente ou entidade em estudo em condições de estabilidade, por exemplo fazendo que não reclame, e as forças que empurram o cliente ou entidade em estudo para fora de seu ponto de equilíbrio, por exemplo fazendo com que sim, ele reclame. Para isso utiliza-se o método dos “Espaços de Hilbert” (David Hilbert).            

IV. Geração de tabelas de controle

Elas permitem controlar os desafios relacionados com:

1. a capacidade dos entregáveis de responder sobre os problemas conhecidos pela empresa
2. a identificação de problemas estruturais ou conjunturais
3. identificação das situações de negócio que aproximam ou afastam a empresa de seus objetivos
   [desafios 2, 3 e 6]

V. Inclusão dos resultados das hipóteses como variáveis no processo de aprendizagem não supervisionado

Na medida em que aproxima todo o processo à realidade de fato do seu negócio, este componente metodológico tem grande impacto no controle dos desafios relacionados a:

1. capacidade de converter em ações os entregáveis do modelo preditivo
2. alinhamento comercial e estratégico aos resultados dos modelos preditivos
   [desafios 1 e 5]

VI. Incorporação de hipóteses de negócio já testadas na indústria

Ou seja – o uso do conhecimento já existente sobre comportamentos, situações de negócio, impactos históricos, etc, que possa ser relevante para aprimorar a performance do modelo preditivo em questão. Dessa forma, é trazido para o projeto um grande patrimônio de conhecimento fundamentado, o que contribui para sua efetividade e cobre as questões relacionadas ao desafio de olhar para além dos domínios do próprio negócio [desafio 4]. Para que isso aconteça, a escolha do parceiro para o projeto é especialmente determinante.

Neste ponto, ainda que o modelo supervisionado não tenha sido executado (modelo preditivo), já foi gerado conhecimento de grande valor para o negócio.

Ou seja, antes mesmo de entrar em ação, o próprio processo de implementação do Machine Learning para Analytics avançado já promove um nível alto de aprimoramento de conhecimento dentro do negócio. E como falamos inicialmente, as potencialidades daí por diante são enormes.

Conheça Alice, a ferramenta Tatic para Analytics que incorpora a inteligência de dados às suas necessidades

Nosso conhecimento sobre a implantação e aplicação de Analytics avançado, os desafios a superar e as questões relacionadas ao uso do Machine Learning vêm da nossa experiência com o Tatic Alice – nossa plataforma de inteligência artificial para otimizar negócios.

Alice aprimora e aprofunda a utilização dos dados da sua empresa, com foco nos seus objetivos. Para o negócio ou para produtos ou áreas específicos, combina visões preventivas e preditivas na construção e aplicação de modelos exclusivos.

Depois de acompanhar todo esse artigo, você vai identificar diversas características de Alice que se conectam a tudo o que falamos até aqui. Veja algumas delas:

• Alice utiliza técnicas de Automatic Machine Learning. A plataforma está pré-construída e acelerada, baseada na confluência de Feature Engineering e em alguns princípios da Mecânica Quântica
• Grande ênfase no processo de preparação de dados:
  • Derivação de variáveis com lógica de negócio e aderentes com o caso que se vai modelar
  • Técnica para modelar e testar situações de negócio e hipóteses
  • Técnica analítica exclusiva J Boolean Ship para segmentação dos clientes por situações de negócio comuns
• Durante o processo de modelagem:
  • Uso das técnicas mais atuais de Machine Learning, potencializadas pelos resultados J Boolean Ship
  • Desenvolvimento da abordagem de inteligência artificial (busca informada baseada em Grafos) 
  • Uso de técnica de aprendizado por reforço (Q-Learning) abordando um mesmo problema em um mesmo dataset com diferentes técnicas além do Machine Learning supervisionado
  • Identificação precisa das forças que impactam no comportamento de clientes ou outras entidades analisadas
• Uso da metodologia de monetização e cálculo do payback e/ou ROI durante o processo de avaliação
• Recursos avançados para suportar com alta performance a metodologia:
  • Analisador automático para a completude e qualidade dos dados
  • Assistente para o desenvolvimento de variáveis derivadas
  • Assistente para vincular variáveis “cruas” e derivadas às hipóteses, vincular variáveis à hipóteses e vincular hipóteses a modelos.
• Atuação conjunta com soluções de RPA (Robotic Process Automation)
• Recursos que multiplicam possibilidades e aceleram processos:
  • Alice Machine Learning Studio: criação de modelos de inteligência artificial sob novos processos analíticos desenvolvidos
  • Alice Customer Experience: mais de 200 variáveis derivadas e 150 hipóteses de negócio, fruto da experiência de vários projetos analíticos (muitos deles focados em calcular a experiência do cliente), para modelar casos de predição recorrentes – como churn de clientes, reclamação, aceitação de nova oferta e solicitação de informação Todos esses modelos incluem também o cálculo do índice de margem de contribuição.
  • Interface web que permite ao usuário a criação de novas hipóteses e o cálculo de variáveis derivadas. 

O Tatic Alice é desenvolvido em ferramentas livres de licenciamento, é agnóstico para ferramentas e funciona naturalmente em Hadoop. Ou seja: muita integração, alto desempenho e resultados superiores em Analytics! Saiba mais sobre a plataforma e sobre tudo o que ela pode fazer pelo seu negócio aqui.

* Artigo desenvolvido com a colaboração de Jaime Barco Sierra – Diretor Regional de Analytics @ Tatic