Quando um projeto de inteligência artificial falha, raramente é por causa do algoritmo. Quase sempre o problema está nos dados: incompletos, duplicados, inconsistentes ou simplesmente inacessíveis. Antes de investir em ferramentas, vale a pena olhar com atenção para a casa e perceber que informação a empresa realmente tem.
Onde estão os dados
Faça um mapa simples das fontes: ERP, CRM, contabilidade, loja online, folhas de cálculo, caixas de email, ficheiros partilhados, aplicações de terceiros. Para cada uma, identifique quem é o responsável, que informação contém e como se pode extrair.
É normal descobrir que o mesmo cliente aparece com nomes ligeiramente diferentes em três sistemas, ou que informação valiosa vive em ficheiros individuais. Este mapa mostra as lacunas e, por si só, já traz benefícios, mesmo sem qualquer projeto de IA.
Qualidade antes de quantidade
Mais dados não significam melhores resultados. Dados errados em grande quantidade apenas produzem conclusões erradas em larga escala. Comece por corrigir o essencial: eliminar duplicados, normalizar nomes e códigos, preencher campos obrigatórios e definir formatos únicos para datas, moradas e NIF.
Escolha um conjunto de dados relevante para o problema que quer resolver e invista na sua qualidade, em vez de tentar limpar tudo de uma vez. Uma boa regra é medir o estado atual, por exemplo a percentagem de registos completos, e acompanhar a evolução.
Governação simples
Quem é responsável por cada conjunto de dados? Quem pode alterá-los? Como se regista uma correção? Numa PME, a governação pode ser leve, mas tem de existir: um responsável por área, regras de nomenclatura e um processo para tratar erros assim que aparecem.
Inclua desde cedo a vertente de proteção de dados. Saber que dados pessoais existem, com que base legal são tratados e por quanto tempo são guardados evita surpresas quando chegar a altura de os usar em novos projetos. Dados organizados são um ativo, e a base de qualquer iniciativa de IA.
