Por que construir uma base pronta para IA não se limita à tecnologia
por Aly McGue
Kraken, o sistema operacional alimentado por IA por trás de algumas das maiores concessionárias do mundo, gerencia mais de 90 milhões de contas de clientes em 27 países para clientes como EDF, E.ON, National Grid e Tokyo Gas. A Kraken usa Databricks como sua plataforma de dados interna e faz parceria com a Databricks para ajudar os clientes a maximizar o valor dos dados que recebem por meio de distribuição de dados segura e escalável.
Kristy Mayer-Mejia é a Head Global de Transformação de Dados na Kraken, onde sua equipe ajuda clientes de concessionárias a entender, adotar e extrair valor dos dados que a Kraken fornece. Seu mandato é duplo: acelerar o tempo que os clientes levam para usar os dados e aumentar o valor que obtêm deles.
Conversei com Kristy para entender como os dados funcionam como um ativo de negócios e são a base de uma estratégia de IA bem-sucedida. Um ponto chave de nossa conversa é que se tornar orientado a dados envolve tanto dados limpos e unificados quanto um profundo contexto de negócios e propriedade. Plataformas como Kraken e Databricks resolvem o que Kristy chama de problema fundamental de unificação, o pré-requisito que torna todo o resto viável. Mas uma vez que essa base está estabelecida, a parte que a maioria dos líderes subestima é o contexto de negócios que torna os dados unificados utilizáveis.
Aly McGue: Em sua experiência, por que dados isolados e sistemas fragmentados continuam sendo um grande obstáculo para as organizações que tentam extrair valor de seus investimentos?
Kristy Mayer-Mejia: O que vemos repetidamente com nossos clientes é que dados isolados e de baixa qualidade são o maior impedimento para obter valor de qualquer outro investimento. Até que os dados estejam em um só lugar, nada mais funciona em escala, e resolver isso é exatamente o problema que a plataforma da Kraken foi projetada para abordar. E eu vivi isso como líder de dados em todas as minhas funções anteriores também. Sua equipe gasta 80% do tempo limpando dados, e isso simplesmente não é um trabalho valioso. Não é necessário.
O verdadeiro diferencial é o autoatendimento, mas ele só é possível quando os dados subjacentes estão limpos, unificados e acessíveis. Especialmente na era da IA, o autoatendimento é possível em escala. Você nunca vai se mover rapidamente como empresa, inovar ou tomar decisões diárias baseadas em dados se cada pergunta tiver que ser respondida pela equipe de dados. Mas quando os dados estão espalhados por sistemas sem documentação e sem uma maneira clara de uni-los, o autoatendimento é impossível. A unificação é esse diferencial fundamental que torna todo o resto viável: a análise, a IA, a velocidade na tomada de decisões. É essencial.
Aly: Todos nós já estivemos em reuniões onde a liderança gasta mais tempo debatendo 'qual número está certo' do que realmente tomando uma decisão. Qual é o custo oculto dessa falta de confiança nos dados?
Kristy: Eu dou este exemplo o tempo todo, e tem sido verdade em todas as empresas em que já trabalhei. Antes de ter dados unificados, a pergunta clássica é: quantos clientes temos? E ninguém sabe totalmente. Você sabe a magnitude aproximada. Mas quando dou esse exemplo, toda vez as pessoas riem porque sabem que é verdade.
O que isso leva é a uma falta de confiança nos dados. E um dos principais valores iniciais que os dados unificados fornecem é a velocidade na tomada de decisões, a capacidade de incorporar o pensamento orientado a dados no DNA da empresa. Você não consegue se mover rapidamente se toda vez que você puxa um número, você pensa: 'Tenho certeza de que isso está certo?' Deixe-me verificar em cinco outros lugares. Deixe-me perguntar a alguém. E então é diferente. E então você tem que descobrir por que é diferente. De repente, são duas semanas ou um mês depois, e você poderia muito bem ter apenas escolhido uma direção aleatória e continuado em frente.
Aly: Frequentemente falamos sobre dados impulsionando a IA, mas você sugeriu que a IA pode, na verdade, ser uma 'função de forçagem' para dados melhores. Como o impulso pela IA está mudando a forma como as organizações abordam a documentação e o contexto?
Kristy: A IA tem sido, de fato, uma função de forçagem. As entradas que a IA precisa são as mesmas que os humanos precisam: dados claros, documentação, contexto sobre o que as colunas significam e como as coisas se unem. Quando os dados são difíceis de usar, a análise de autoatendimento parece um 'bom ter' porque o valor é difícil de quantificar. São algumas horas economizadas aqui e ali em decisões individuais, o que não parece convincente isoladamente. Mas acumulado em toda a organização, é enorme. É apenas difícil de ver.
A IA tornou esse valor visível e fez com que dados limpos e documentação se tornassem essenciais. Ela pega o que todos sempre souberam que era necessário e o torna inegociável. E então, por outro lado, a própria IA fornece as ferramentas para desbloquear a análise. Coisas como interfaces conversacionais que permitem às pessoas consultar dados sem escrever SQL. Então, é tanto a função de forçagem que impulsiona a unificação quanto o resultado que dela advém.
Aly: Você falou sobre a necessidade de unificar e documentar dados. Mas quando se trata especificamente de IA, a documentação em uma base de conhecimento ou um PDF é suficiente?
Kristy: Costumava ser. Compartilhávamos nossa documentação de dados da maneira que a maioria das empresas faz: um PDF, ou uma página em um site que um analista de dados poderia consultar quando precisasse de contexto. Isso funciona bem o suficiente para humanos. Não funciona para IA.
Todo cliente com quem converso agora está fazendo a mesma pergunta: você pode compartilhar os metadados em contexto, junto com os próprios dados, para que possamos realmente alimentá-los em modelos e fazer com que eles entendam com o que estão trabalhando? Essa mudança, de documentação como um artefato de referência para documentação como uma entrada ao vivo, é uma das mudanças mais subestimadas que a IA está forçando. Com Unity Catalog e Delta Sharing, podemos compartilhar esse contexto com os dados, em vez de separadamente deles. Para nossos clientes, essa é frequentemente a diferença entre uma IA que pode raciocinar sobre os dados e uma IA que não pode.
Aly: Como a 'unificação de dados' se parece na prática? Como a visibilidade quase em tempo real muda as operações diárias?
Kristy: Alguns exemplos de nossos clientes se destacam. Um deles é a operação de call center, que é uma função massiva para concessionárias. Tivemos um cliente que passou de relatórios mensais sobre o volume de chamadas, que era tão doloroso de montar, para painéis que atualizam a cada duas horas, com um modelo preditivo sobreposto ao que eles provavelmente verão de chamadas no futuro. Essa capacidade de ajustar as operações em tempo quase real, em vez de olhar para trás uma vez por mês, é uma maneira completamente diferente de gerenciar o negócio.
Outra área é a inovação de produtos. No setor de concessionárias, os clientes estão determinando quais produtos e tarifas oferecer para atrair e reter clientes. Essa é uma decisão que pode ser profundamente otimizada com dados. Dados limpos e claros fornecem aos clientes insights fáceis e ciclos rápidos de teste e aprendizado para otimizar suas ofertas de produtos – e então a plataforma da Kraken permite que eles lancem rapidamente essas novas tarifas.
Aly: O 'gargalo do analista' é um ponto problemático clássico para a liderança. Como as interfaces de linguagem natural, como Databricks Genie, mudam a cultura de esperar semanas por um relatório para obter respostas em minutos?
Kristy: A maioria dos nossos clientes Genie ainda está nos estágios iniciais. Mas o que estamos vendo é que isso está acelerando o tempo para eles começarem em semanas ou mais. Eles não precisam modelar profundamente os dados da maneira que fariam para alimentá-los em uma ferramenta de BI tradicional. Eles precisam de documentação clara, precisam do contexto, precisam dos dados em um só lugar, mas não precisam estruturá-los de forma tão precisa que um usuário possa explorá-los por meio de uma interface rígida.
Mas além da velocidade, há um efeito cultural muito claro. Uma das maiores barreiras ao valor dos dados é a mudança cultural de tornar os dados parte do seu DNA. E eu acredito firmemente que uma das chaves para isso é torná-lo incrivelmente fácil e intuitivo. Quando a barreira é baixa e as pessoas podem entrar rapidamente, a cultura e o valor composto seguem.
Aly: Qual é o maior equívoco que os líderes de nível C têm quando encarregam seus departamentos de TI de 'preparar os dados' para a IA?
Kristy: Dados são um ativo de negócios. E o maior erro que vejo os líderes cometerem é tratá-los como uma plataforma de TI. Eles os desconectam do negócio e dizem: "Ok, TI, vá preparar nossos dados." Mas a chave para construir uma base de dados sólida é o profundo contexto de negócios. Como os dados são gerados? Como são usados? Como as pessoas os interpretam? O que este campo realmente significa? Uma vez que a base técnica está estabelecida, a parte mais difícil se torna esse profundo contexto de negócios. E a vasta maioria desse trabalho fica com o negócio, não com a equipe de dados.
Então, meu conselho é incorporar os dados dentro do negócio. O roteiro para preparar seus dados para a IA é um roteiro compartilhado. É um roteiro de negócios tanto quanto é um roteiro técnico.
Aly: A Kraken abrange uma grande parte dos dados da indústria de concessionárias. Onde você vê a IA e os dados levando seus clientes nos próximos três a cinco anos?
Kristy: O que acho mais interessante é a rapidez com que a IA está elevando o patamar do que os clientes podem fazer, uma vez que tenham uma base de dados sólida. Por muito tempo, a pergunta era: como colocamos nossos dados em um estado utilizável? Esse trabalho ainda é real e ainda leva tempo. Mas a pergunta está mudando para: agora que a base está lá, o que se torna possível? E a resposta para isso continua se expandindo. A IA está mudando o ponto de partida dos clientes e o que o sucesso representa. Clientes que teriam considerado um relatório mensal um sucesso há dois anos agora estão executando dashboards por hora com modelos preditivos sobrepostos e buscando rapidamente o uso amplo da IA agentiva.
Aqueles que investiram cedo em suas capacidades de dados – e não apenas em sua tecnologia, mas em suas habilidades e cultura – são os que estão avançando mais rápido agora, e a lacuna entre eles e todos os outros só vai aumentar.
A perspectiva de Kristy adiciona uma camada frequentemente ausente à conversa sobre infraestrutura de dados. A plataforma e a unificação que ela permite são o ponto de partida fundamental. Mas onde ela vê a maioria das organizações estagnar é no trabalho que vem depois: o conhecimento de negócios que torna os dados utilizáveis, a documentação que torna a IA possível e a mudança cultural que torna o autoatendimento uma realidade.
À medida que você desenvolve seu roteiro para incorporar a IA em toda a sua organização e produtos, baixe o Databricks State of AI Agents para ajudar a comparar seus investimentos.
(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original
Assine nosso blog e receba os posts mais recentes diretamente na sua caixa de entrada.