A IA generativa revolucionará a gestão do crescimento das receitas 

Por Dina Zhou, Consultora da Indústria de Varejo, Bens de Consumo e Jogos, Microsoft 

Mohit Das, Arquiteto de Soluções Sênior, Transformação de Soluções da Indústria de Varejo e Bens de Consumo, Microsoft  

Trey Harshfield, Arquiteto de Soluções Sênior, Transformação de Soluções da Indústria de Bens de Consumo e Varejo, Microsoft  

Shan Thayyullathil, Arquiteto de Soluções, Transformação de Soluções da Indústria de Bens de Consumo e Varejo, Microsoft  

Claus Loos, Diretor Geral de Desenvolvimento de Parceiros para Varejo e Bens de Consumo, Microsoft 

Este artigo vai te dar uma visão geral e uma base sólida para gerenciamento de crescimento de receita (RGM). Além disso, mostraremos como integrar estrategicamente a IA generativa para gerar resultados de RGM mais sólidos. 

O gerenciamento de receitas é fundamental para o crescimento e a lucratividade das receitas 

Vamos começar do início: RGM é uma disciplina multifuncional dentro da indústria de bens de consumo embalados (CPG) que utiliza análises avançadas para identificar e analisar como aumentar os lucros e encontrar oportunidades de crescimento de primeira linha. Num mercado altamente inflacionário que também está a passar por rápidas mudanças nas preferências dos consumidores, o RGM tornou-se um tema prioritário na maioria das organizações de CPG. 

Temos uma previsão ousada: a IA generativa dará a mais funcionários o acesso a ferramentas e insights de RGM, além de fornecer um caminho para ajudar as empresas a passarem do patamar atual para níveis mais elevados de maturidade. Chamamos isso de democratização do RGM – e tem um potencial incrível. 

A IA generativa pode abordar e resolver alguns dos desafios de dados, ferramentas e adoção enfrentados atualmente. 

Uma das maiores fragilidades do GRG tem sido a rapidez e precisão da informação, devido ao enorme volume, complexidade e desordem dos dados que servem de base a esta disciplina. 

A Microsoft é uma fornecedora de tecnologia confiável para muitas das maiores empresas de CPG do mundo. Fazemos parceria com nossos clientes em uma ampla variedade de transformações digitais. Por meio dessas experiências, geramos a seguinte observação sobre o caminho para os dados e a maturidade do GRG para a maioria dos CPGs. 

Apresentando a escala de maturidade de gerenciamento de crescimento de receita 

Vamos dedicar um pouco de tempo a este gráfico. 

Na parte inferior estão as bases de dados, essenciais em toda a escala de maturidade do RGM. Inicialmente, os projetos RGM são normalmente esforços únicos que envolvem a recolha, processamento e integração de dados de várias fontes, o que pode ser trabalhoso e desafiante. O primeiro passo para estabelecer a maturidade RGM é estabelecer um centro de dados RGM (RGM Data Hub 1.0) e implementar práticas sólidas de governação de dados, catalogação de dados e garantia da qualidade e confiança dos dados. 

O data center RGM é então expandido incorporando fontes de dados adicionais e adotando um modelo de dados comum (RGM Data Hub 2.0). Quanto mais o data center RGM puder se conectar a outros data centers por meio de uma plataforma de dados conectada, mais valor poderá ser obtido (RGM Data Hub 3.0). 

O RGM 1.0 representa a primeira geração de ferramentas RGM, que se concentram principalmente na análise descritiva de fatores individuais e muitas vezes ignoram outros impulsionadores do negócio. Essas ferramentas sofrem com a latência de dados, fornecem insights com base em eventos passados, têm interfaces de usuário abaixo do ideal e enfrentam baixas taxas de adoção. 

À medida que as capacidades RGM amadurecem, as ferramentas devem tornar-se mais preditivas e personalizadas. Para desbloquear todo o potencial das ferramentas RGM, é crucial integrá-las com sistemas de planeamento e procura, e os conjuntos de dados subjacentes devem ser em tempo real e mais detalhados (RGM 2.0). 

O objetivo final é criar um sistema RGM interconectado que se integre perfeitamente às operações de nível de loja no front-end, bem como à cadeia de suprimentos e aos processos de fabricação no back-end (RGM 3.0). Este nível de integração só pode ser alcançado se a base de dados também evoluir (RGM Data Hub 3.0) e incorporar dados mais detalhados. 

Independentemente do estágio da jornada RGM, é essencial priorizar a democratização das ferramentas RGM. Aproveitar a IA generativa, o design thinking, as plataformas de decisão multifuncionais e as práticas eficazes de gestão de mudanças são fatores-chave para democratizar essas ferramentas. Exploraremos o papel da IA generativa na democratização das ferramentas RGM. 

A IA generativa já está mudando a forma como trabalhamos, nos tornando mais eficazes e eficientes 

Agora vamos discutir o que é IA generativa e o que ela pode fazer: refere-se a uma categoria de técnicas e modelos de IA projetados para criar conteúdo novo e original, em vez de simplesmente reconhecer ou analisar dados. 

A IA generativa é revolucionária porque pode reunir uma palavra, uma resposta a uma pergunta, um efeito ou uma imagem a partir de um prompt, entre muitos outros casos de uso. Nossos clientes podem usar modelos generativos de IA com seus próprios bancos de dados. Isso é exclusivo dos nossos serviços Microsoft Azure OpenAI, além de contarem com a segurança e a governança que acompanham uma plataforma Microsoft. 

Existem quatro capacidades principais dos serviços Azure OpenAI: 

1. Resumo do conhecimento ou cenários 

2. Pesquisa semântica para mineração de conhecimento  

3. Geração de código  

4. Geração de conteúdo 

Para obter mais informações, visite nosso site Azure OpenAI Service. 

A IA generativa pode ajudar as empresas a atingirem a maturidade RGM de forma melhor e mais rápida. 

Empresas que utilizam IA generativa podem ultrapassar a maturidade RGM. O caminho não precisa mais ser estritamente sequencial ou linear. Então, você pode se perguntar, o que isso significa? A próxima seção aborda os detalhes da IA generativa. 

RGM com um modelo generativo de IA pode ser melhorado por meio de seus próprios dados de negócios e engenharia de direção 

Uma maneira poderosa de usar IA generativa para RGM é trazer seus próprios dados corporativos e aplicar engenharia de sugestões para complementar modelos generativos de pré-treinamento (GPT). A engenharia de prompt, também conhecida como design de prompt, envolve a seleção das palavras, frases, símbolos e formatos corretos que orientam o modelo para gerar texto relevante e de alta qualidade. Isso envolve transferir e aprimorar o aprendizado com novos dados. 

Vamos entender como funciona: 

• Aprimore o modelo com seus próprios dados de negócios: isso envolve conectar conjuntos de dados de negócios por meio de APIs e indexá-los com pesquisa vetorial. Este processo incorpora conhecimento específico do domínio e melhora a compreensão do modelo dos conceitos, terminologia e métricas do RGM, levando a respostas mais precisas e contextualizadas. Isso é resolvido usando o recurso Azure OpenAI Service on Your Data. 

• Melhor compreensão do contexto: os modelos GPT podem compreender o contexto de consultas relacionadas ao RGM, experimentando a engenharia de sugestões para otimizar os modelos quanto à confiabilidade, precisão e segurança, e gerar resultados mais relevantes e acionáveis. Os modelos podem compreender as relações entre preços, promoções, vendas e outros fatores específicos do RGM, permitindo recomendações mais criteriosas e acionáveis. 
• Prompts personalizados para pessoas diferentes: ao fornecer etapas específicas para modelos GPT, os profissionais de RGM podem orientar as respostas geradas para atender às suas necessidades específicas. Os prompts podem ser adaptados para gerar insights sobre estratégias de preços, eficácia promocional, planejamento de sortimento ou qualquer outro aspecto relevante do RGM. 
• Mitigação de preconceitos: a estrutura de IA responsável oferece a oportunidade de abordar preconceitos que podem existir no modelo GPT básico. Os profissionais da RGM podem organizar diversos conjuntos de dados de treinamento e incorporar considerações éticas para garantir recomendações justas e imparciais em áreas como estratégias de preços ou redefinições de sortimento. A jornada da Microsoft em direção à IA responsável começou há quase seis anos, quando Satya Nadella escreveu um artigo na revista Slate intitulado “A Parceria do Futuro”. Saiba mais sobre os princípios de IA responsável da Microsoft. 
• Melhores insights e tomada de decisão: modelos GPT que usam dados específicos de RGM podem melhorar o desempenho em tarefas de RGM. Os modelos podem aprender com dados históricos de RGM, tendências de mercado e melhores práticas do setor, permitindo insights mais diferenciados e contextuais que levam a uma melhor tomada de decisões em domínios como previsão de demanda, preços e estratégia promocional. 

É importante notar que este processo de experimentação e operacionalização requer um conjunto de dados bem-organizado, experiência em RGM e uma consideração cuidadosa das questões de privacidade e ética. Além disso, a monitorização e avaliação contínuas são necessárias para garantir que os modelos continuam a fornecer orientações fiáveis e relevantes no espaço dinâmico do RGM. 

Aumentando a velocidade e o acesso a insights RGM por meio da IA generativa 

O uso de IA generativa mudará a forma como as pessoas usam as ferramentas existentes e melhorará a produtividade em todo o ecossistema RGM, desde o planejamento até a execução e otimização. Atualmente, o uso de ferramentas digitais RGM está limitado a alguns analistas de dados e usuários avançados. Para usuários corporativos, a interface, a experiência e a lógica do algoritmo não são fáceis de entender ou usar. A IA generativa simplifica essa experiência, dando aos usuários empresariais a capacidade de usar prompts em linguagem natural com perguntas complexas e diferenciadas para extrair insights e cenários relevantes e contextuais, resumi-los e compartilhá-los rapidamente com parceiros e clientes multifuncionais. 

Por exemplo: 

• Um gerente de promoções comerciais de uma empresa de bebidas teria a capacidade de ser muito preciso na alocação de orçamentos promocionais para varejistas, tipos de promoção, marcas e SKUs específicos, fazendo perguntas como: “Sugira opções sobre como, o quê e com que frequência promover para alcançar um ROI promocional de mais de 1,5 na área metropolitana de Chicago em lojas de clubes durante os meses de verão (de maio a setembro).” 
• Um gerente de precificação de canal pode avaliar o risco de perda de receita com precificação baseada em linguagem natural, fazendo perguntas como: “No meu distrito de vendas, minha (marca A) tem um preço competitivo em comparação com a (marca B) em todas as lojas? Me mostre as lojas onde corro o maior risco de perder vendas devido a diferenças de preços.” 
• Um gerente de loja teria a capacidade de planejar melhor as prateleiras das lojas para cenários de falta de estoque perguntando: “Qual o melhor SKU para substituir se eu estiver sem estoque do tamanho pequeno de (marca X) para poder mitigar a perda de vendas da categoria, levando em consideração os níveis de estoque disponíveis nos fundos da loja? 

As equipes de ciência de dados serão mais produtivas com esses modelos 

Esses times usam programas estatísticos e de aprendizado de máquina para compreender eventos e prever tendências, observando causa e efeito usando os dados que têm à disposição. Esses modelos não são projetados para serem repetíveis e escaláveis na maioria dos casos e, muitas vezes, sofrem com documentação deficiente. Com a IA generativa, as equipes de ciência de dados podem criar códigos para modelos preditivos de aprendizado de máquina que resultam em aumento de produtividade. A IA generativa pode organizar melhor os dados, detectar anomalias, auxiliar na geração de código e documentar código para uma geração de código mais rápida, melhor e mais reutilizável. Isso pode aumentar a produtividade e a escalabilidade em toda a disciplina de ciência de dados. 

A IA generativa levará à democratização do RGM 

A Escala de Maturidade RGM é uma forma de as empresas de CPG avaliarem onde estão em sua jornada de integração de dados. O objetivo final é ter um sistema totalmente integrado, onde os dados fluam tanto dos processos front-end quanto back-end. A IA generativa pode ajudar as empresas a saltarem de um nível para outro. 

A IA generativa pode ser aplicada ao RGM por meio de seus próprios dados de negócios e engenharia de direção. Isso pode levar a respostas mais precisas e contextualizadas. Pode fornecer informações para orientar estratégias gerais, limitar preconceitos e melhorar o desempenho nas tarefas de RGM. O uso de IA generativa mudará a forma como as pessoas usam as ferramentas existentes. A produtividade pode ser aumentada quando insights acionáveis são fornecidos mais rapidamente aos líderes de CPG. 

A incorporação de IA generativa pode impulsionar as empresas de CPG em direção aos seus objetivos de RGM. Com a IA generativa, é possível que as empresas pulem etapas inteiras na escala de maturidade RGM. Isso resultará na descoberta de oportunidades de crescimento de receita e lucros maiores. 

Como começar: 

• Avalie os recursos atuais de RGM e de dados da sua empresa usando o Microsoft RGM e a Escala de Maturidade de Dados.  
• Defina suas metas de RGM e banco de dados alinhadas às prioridades de negócios. 

• Crie um roteiro abrangente com dimensões de dados, tecnologia, IA e gerenciamento de mudanças. 
• Avalie como você gostaria de aplicar IA generativa aos seus objetivos de RGM, independentemente de onde você esteja em termos de maturidade de RGM. 
• Dê pequenos passos para adotar a IA generativa, começando com um caso de uso ou objetivo. 
• Desenvolva e implemente medidas responsáveis de IA desde o início. 

A Microsoft e o nosso ecossistema de parceiros podem ajudar a sua organização em qualquer fase de maturidade, incluindo o lançamento ou expansão das suas iniciativas existentes em segmentos de negócios ou mercados prioritários. Comece agora.