Há muitos anos, o desenvolvimento de soluções de software vem se baseando em um modelo no qual as definições e as premissas são estabelecidas pelas organizações para resolver problemas e atender necessidades e expectativas dos clientes, que, por muitas vezes, não correspondem a problemas, necessidades e expectativas que tenham sido declarados pelos clientes. Isso faz com que muitas dessas soluções de software não atinjam um grau de assertividade satisfatório, por ficarem expostas ao risco de terem se baseado em inferências das organizações (feelings) sobre problemas que, na prática, não significavam "dores" ou problemas importantes a serem resolvidos para os clientes. E, como consequências, por exemplo, podemos ter investimentos elevados no desenvolvimento de soluções que apresentam retornos abaixo dos esperados, elevação dos custos com manutenção de soluções pouco utilizadas e desgastes provocados por experiências de uso ruins para os clientes.
Diante desse cenário, as organizações vêm investindo em algumas iniciativas, tais como a aplicação de pesquisas, que buscam um melhor entendimento das necessidades dos clientes, e o desenvolvimento de softwares baseados na co-criação, com a participação efetiva de uma amostra dos clientes desde a concepção até a implantação das soluções, e essas iniciativas já vêm favorecendo ao surgimento de soluções mais assertivas e eficazes para resolverem diversos problemas dos clientes.
Contudo, mesmo que tenhamos observado avanços importantes com a adoção das iniciativas acima, ainda permanecem riscos importantes associados, dentre outros:
- à não completude dos dados coletados pelas pesquisas ou, até mesmo, pela co-criação das soluções de software;
- à dificuldade e à lentidão da análise e ao mau-entendimento das informações coletadas nas pesquisas;
- aos erros decorrentes da seleção da amostra dos clientes participantes da co-criação das soluções, pois clientes mal selecionados poderão não representar o público-alvo perseguido e prejudicar ou comprometer a escalabilidade do uso das soluções;
- à não observância dos dados que são produzidos por outras fontes, mas que podem ter bastante relevância para o negócio.
Na medida em que os dados surgem de forma exponencial e a capacidade de analisá-los é limitada, as iniciativas acima se tornam cada vez mais insuficientes para o entendimento e solução dos problemas dos clientes e nos deparamos, portanto, e de forma bastante natural, com a necessidade de utilizarmos ferramentas que sejam capazes de fazer uso mais efetivo dessa grande quantidade de dados. Ferramentas que permitam melhor entendimento dos dados que as organizações já possuem e que facilitem e que potencializem a coleta de novos dados em grande escala. E é aí onde está a "Naturalidade da Inteligência Artificial (IA)", pois a IA provê ferramentas e serviços tais como os abaixo relacionados, que sabem lidar com grandes volumes de dados e, certamente, ajudarão bastante na identificação dos problemas e das "dores" relevantes a serem solucionados:
- bots (ou chatbots): têm potencial não apenas para automatizar algumas atividades procedimentais (scripts), mas também para coletar dados que poderão ser utilizados posteriormente;
- conversão de voz para texto: para potencializarem a coleta e a persistência de dados provenientes das interações por voz com os clientes;
- entendimento de linguagem natural associadas à análise de tons de voz (ou tons de escrita): visando a identificação de aspectos relacionados ao humor dos clientes, o que pode contribuir para a personalização dos atendimentos;
- mineração de dados: buscando identificar e ressaltar padrões comportamentais de clientes, de grupos de clientes ou, ainda, de situações/cenários, o que pode contribuir, decisivamente, para a identificação de problemas relevantes a serem solucionados;
- machine learning (associadas à mineração de dados): para o reconhecimento e para o aprendizado de hábitos dos clientes, além de ajudarem na identificação dos momentos mais adequados para a oferta de soluções que possam auxiliar os clientes em suas jornadas.