Lean startup e machine learning

Foto de Daniel Jensen

Muitas startups surgem com uma grande ideia e a crença de que os clientes irão adorá-la. Mas a realidade é que muitas vezes os clientes não se interessam, pelo menos não no nível esperado. Com funding limitado e um ambiente cercado de muitas incertezas, startups não possuem o luxo de passarem meses ou até anos aprimorando um produto para então descobrir que o cliente não tem interesse. Nesse contexto, Eric Ries desenvolveu a metodologia Lean Startup que ajuda empreendedores a identificarem momentos de persistir e outros de mudar incluindo eventualmente mudanças radicais no negócio. O livro Lean Startup se tornou uma espécie de bíblia dos empreendedores.

Projetos que envolvem machine learning tem em comum o alto nível de incertezas. Os dados estão disponíveis e tratados? Será que os resultados serão bons? Será que a organização irá seguir o modelo? Enfim, muitas dúvidas pairam no ar antes e durante um projeto de machine learning. É necessário aprender o mais rápido possível o que o negócio realmente precisa, não o que eles dizem precisar ou o que acreditamos que eles precisam.

Exploraremos nesse post alguns conceitos que aplicamos no nosso dia-a-dia:

Hipóteses claras

Em um mundo com abundância de dados, é maior o risco das organizações se perderem com tanta informação. Acreditamos que o ponto de partida é entender um problema real de negócio e desenhar hipóteses claras de uso de machine learning para resolvê-lo. A partir das hipóteses, definir:

– quais questões-chave precisamos responder para testar as hipóteses
– quais análises precisam ser feitas para responder as questões-chave
– quais dados são necessários para desenvolver as análises

MVP – Minimum Viable Product

POC (proof of concept) ou piloto é utilizada para testar uma solução já pronta e para identificar ajustes finos. O MVP, por sua vez, é um esforço consciente de se criar uma solução sub-ótima priorizando ciclos curtos de desenvolvimento e principalmente aprendizados. Como diz o próprio nome, é uma forma mais enxuta de atuação, reduzindo retrabalhos.

Quantas vezes investimos tempo e energia em algumas frentes de trabalho que acabam sendo desnecessárias para o produto final. Quantas vezes, queremos sair do zero para um nível de classe global de uma vez só e acabamos nos frustrando com o nível de dificuldade que foi subestimado.

Um dos principais desafios de advanced analytics não está na sua criação, mas sim não sua aplicação pelo negócio. Reconhecer que o desafio da aplicação não é trivial reforça a importância do MVP.

Um modelo pronto (mesmo que sub-ótimo) permite o negócio a verificar se ele ajuda a resolver um problema real de negócio e principalmente, se o negócio está pronto para seguir o modelo para nortear suas decisões. Quanto antes entendermos os desafios de sua implementação, maior sua chance de sucesso.

Melhorias contínuas

Após a criação do primeiro MVP e da viabilidade de sua aplicação, é hora de investir tempo nas suas melhorias. Existem algumas formas principais para melhoria de um modelo – mais variáveis, mais dados, melhores dados e melhores técnicas de modelagem. Mais uma vez, é possível aplicar o conceito de MVP. Muitas vezes acreditamos que outras variáveis serão fundamentais mas nem sempre melhoram. Às vezes, adicionam ruído e pioram o desempenho do modelo.

Perseverar ou “Pivotar”

Finalmente, existem situações nas quais é necessário tomar a decisão de perseverar ou “pivotar”. Se uma das premissas se provar falsa, é o momento de mudar e definir novas hipóteses. Nesse caso, é necessário descobrir o que deu certo e o que deu errado na abordagem original.

No caso de iniciativas de machine learning, “pivotar” pode significar:

– mudar o foco das iniciativas, iniciando por outras áreas mais receptivas a adotar um modelo de machine learning
– mudar a necessidade a ser atendida, focando em um problema mais importante do que o problema “original”
– mudar o tipo de técnica a ser empregada para obter melhores resultados e buscar mais informações / variáveis
– mudar a granularidade das análises / modelos, agrupando informações ou segmentando a base de dados

Conclusões finais

Temos tido sucesso ao aplicar uma série de conceitos do Lean Startup na condução de nossos projetos, tratando os problemas de negócio como uma jornada ao invés de um projeto tradicional com início, meio e fim.

Deixe uma resposta