Em uma indústria consumida pela corrida pela inteligência artificial, as empresas estão se esforçando para evitar serem deixadas para trás. O medo de perder, no entanto, leva muitos a perseguir tendências chamativas, ignorando os fundamentos, uma prática que um veterano da indústria chama de “insano”.
Stanislav Petrovum cientista de dados sênior em Capital.com Com mais de uma década de experiência, argumenta que a chave para o sucesso não está adotando o modelo mais novo e mais animado, mas promovendo uma cultura de “sanidade de dados”. Para as empresas, isso significa priorizar objetivos claros e dados de qualidade sobre o fascínio da onda da IA.
O desafio é significativo. De acordo com um relatório de 2024 da Alationum impressionante 87 % dos funcionários citam qualidade de dados As questões como uma principal razão pela qual suas organizações não atendem aos objetivos de dados e análises.
“O paradoxo central do atual boom da AI é a nossa obsessão com os resultados enquanto negligencia a fonte”, disse Petrov. “Apesar de toda a emoção, o fator mais crítico para projetos bem -sucedidos de IA ou ciência de dados continua sendo a qualidade e a relevância dos dados de entrada – mas como essa é a parte indexada e mais difícil, isso geralmente é ignorado”.
Para combater isso, a Petrov Champions uma estrutura simples, mas rigorosa, antes do início de qualquer projeto: qual é a meta comercial? Qual é o impacto potencial dos negócios? E temos os dados para que isso aconteça?
“Se esses não são claramente respondidos, não avançamos”, disse ele.
Um plano para o impacto
Petrov aponta para o desenvolvimento de um valor de vida útil de um cliente, ou CLV, como um excelente exemplo dessa filosofia em ação. O objetivo não é apenas construir um algoritmo preditivo, mas resolver uma necessidade comercial principal: otimizando os orçamentos de marketing.
“O objetivo é entender o desempenho projetado da campanha ou do anúncio criativo nos estágios iniciais e ajustar os gastos de acordo”, disse Petrov. Ele observou que esses modelos são cruciais para estratégias automatizadas modernas, como lances baseados em valor em plataformas como o Google Ads, que dependem do valor previsto do usuário.
Enquanto a época atual da IA é dominada por redes neurais complexas, Petrov disse que, para problemas de dados estruturados como CLV, os métodos estabelecidos geralmente funcionam melhor.
“Uma abordagem de reforço de gradiente funciona bem para dados estruturados”, disse Petrov, acrescentando a ressalva crucial: “É claro que você precisa saber o que está fazendo e entender como ajustar os hiperparâmetros e escolher uma função de perda adequada com base na distribuição de destino”.
A etapa final e talvez mais importante é garantir que o modelo seja realmente usado. Ele enfatizou que a medição de impacto geralmente requer técnicas sofisticadas, como análise de impacto causal, para provar o valor de um modelo quando testes simples de A/B não são viáveis.
“O valor de tal modelo está não apenas em seu mérito técnico, mas em sua capacidade de influenciar decisões reais, escalar entre sistemas e se adaptar às necessidades de negócios”, disse Petrov.
Navegando por uma paisagem em evolução
Essa abordagem pragmática é essencial, pois os cientistas de dados enfrentam ventos contrários, particularmente de novos regulamentos de privacidade e a morte há muito bem-prolongada do biscoito de terceiros.
O Google está prosseguindo com seu plano de eliminar os cookies de terceiros para todos os usuários do Chrome, um movimento que um estudo de Lotame Encontrado 62 % dos profissionais de marketing acreditam que afetará negativamente sua publicidade.
Petrov vê isso não como um único evento, mas como um processo longo e incremental que requer adaptação.
“Uma grande mudança está se inclinando para estruturas baseadas em incrementalidade e a modelagem de mistas de mídia para entender a verdadeira contribuição dos canais, especialmente quando a atribuição direta do caminho se quebra”, disse Petrov.
Isso força a integração mais rígida entre as equipes de dados e marketing, confiando mais em técnicas como teste geográfico e modelagem probabilística.
A mentalidade que define um líder
Quando se trata de construir equipes capazes de navegar nesses desafios, Petrov acredita que o diferencial entre um cientista de dados júnior e sênior não é uma única habilidade, mas uma mentalidade centrada na propriedade.
“Embora os juniores possam se destacar na execução de tarefas bem escondidas, os idosos são aqueles que definem proativamente os problemas, envolvem as partes interessadas e veem soluções até a entrega e iteração”, disse ele.
Ele descreveu uma percepção crucial para qualquer profissional que queira crescer: “Uma mudança de mentalidade -chave é perceber que ‘ninguém virá’ para lhe dizer o que fazer ou o que é certo. Você deve tomar iniciativa, tomar suas próprias decisões e assumir total responsabilidade pelos resultados”.
Para Petrov, esta lição veio com experiência.
“Escrever código não é a parte mais difícil do trabalho, mesmo que nem sempre seja fácil”, disse ele. “O verdadeiro desafio é integrar esse trabalho em um produto, alinhando -o às necessidades dos negócios e convencendo as partes interessadas de seu valor”.
Essa filosofia de propriedade pragmática se estende à construção da infraestrutura que suporta modelos após o lançamento, um campo conhecido como MLOPS. Em vez de construir “plataformas completas”, Petrov defende a Petrov por soluções de tamanho certo.
“Um sistema robusto nem sempre significa o mais complexo”, disse ele. “Em muitos casos, a extração e alerta simples e bem escovados vinculados aos principais saídas e indicadores de desvio podem cobrir 80 % do que é necessário.”
Ao focar em problemas reais, dados de qualidade e impacto tangível, a mensagem de Petrov é clara: na era da IA, uma dose de sanidade pode ser o algoritmo mais valioso de todos.
