Latest / Product Guru's : Produto | Negócios | Carreira / Garbage in, garbage out não é slogan. É operação - Huxley Dias

Transcript

Garbage in, garbage out não é slogan. É operação - Huxley Dias · Product Guru's : Produto | Negócios | Carreira

0:00
Me traz um pouco de de angústia também, porque a gente vê uma
0:05
terceirização quando, em pleno tempo de AI, é onde que a gente
0:09
tá falando, vendo, acontecer e reafirmando que olha todo
0:14
trabalho, que é padronizado e repetitivo, a AI AI pode fazer.
0:19
Por que que as pessoas não estão exercitando pensamento crítico,
0:22
conhecimento de negócio, conhecimento de estratégia?
0:25
E não adianta, a iai não vai te responder algo, nem que você dê
0:29
a melhor base de dados mais bem estruturada para ela.
0:32
Se você não der contexto, se você não contar para ela qual
0:34
que é a sua estratégia, quais são, o que que é aceitável, o
0:38
que que não é aceitável, né? Do zidontes não tem um caminho
0:41
para isso. Como que as pessoas podem
0:44
aprender a tirar o meu melhor proveito da iai?
0:50
Oi, tudo bem com você? Hoje, na praia de grosso,
0:54
recebemos novamente uxley dias direto de Barcelona para uma
0:58
conversa sobre o uso estratégico de a na análise de dados.
1:02
Uxley é especialista em métricas analíticas e recentemente tem
1:07
feito automações e usado a inteligência artificial na
1:11
prática, ajudando as empresas a transformarem os dados brutos em
1:16
decisões mais inteligentes e acionáveis.
1:19
Nesse episódio aqui você vai ouvir e vai entender sobre onde
1:25
AIA generativa realmente agrega valor nas análises, como
1:29
preparar os dados para garantir sites confiáveis, o papel do
1:33
contexto e do uma indelup no uso de IA, erros comuns e quando não
1:41
usar IA, que é a coisa mais importante.
1:43
Hoje se fala muito em usar IA, mas e quando não?
1:48
Precisa ser usado. Como medir o Roy de iniciativas
1:53
de AE? Como exercitar o pensamento
1:56
crítico para não terceirizar decisões, AEA da decisões
2:01
estratégicas, enfim, AEA ali, no dia a dia, uma conversa prática
2:07
com cases e exemplos reais. E, claro, dicas para quem quer
2:12
usar IA com impacto e não apenas pelo raio ocksley dias tudo bem
2:17
com você? Tudo bem comigo e tudo bem com
2:19
você. Obrigado por me convidar mais
2:22
uma vez e a sei lá das primeiras, né?
2:25
A gente fez uma, fez outras depois e é sempre um prazer
2:27
estar aqui, poder bater esse papo.
2:29
Contar é nosso mundo de produto tem mudado muito rápido e acho
2:36
que a oportunidade da gente comentar e trocar sempre.
2:39
O que que dessas novas ferramentas e tendências cada
2:45
empresa e profissional está usando?
2:48
Vamos lá, vamos falar um pouco sobre?
2:49
A gente vai antes de de dar início AA nossa conversa.
2:53
Você que está ouvindo é esse episódio pelo Spotify Apple
2:57
podcast. Clique no botão seguir e deixe
3:00
suas 5 estrelas. Menos de 5 estrelas não
3:03
interessa, mas deixa as 5 estrelas pelo e buxley.
3:08
Tá bom por ele isso é por ele, ele tá na Espanha, ele necessita
3:15
da das suas 5 estrelas, é tá assistido pelo YouTube, se
3:20
inscreva no canal, deixa o seu joinha, comente, compartilhe.
3:23
Isso nos ajuda bastante e vamos pro pra conversa, porque eu eu a
3:29
gente vai falar sobre óbvio, dados, análise de dados
3:35
analíticos. Usando e ó, né ó é Oo osley e há
3:44
generativa em dados. É real ou é hype?
3:49
Hoje se fala muito de há generativa, mas onde ela
3:54
realmente agrega valor prático Na Na análise de dados?
3:59
É bom, eu ainda não consigo dizer se é real ou se é hype,
4:03
porque do eu tenho um aspecto muito curto do meu contexto.
4:07
Então eu tô atuando com isso diretamente, é parte do meu dia
4:11
a dia. Trabalho, a gente tem uma
4:14
empresa, né? Que surgiu a partir de um de uma
4:18
bifurcação da punkmetrics, que é uma empresa que é AI first e tem
4:24
um Pilar de dados que é o divo. É uma plataforma para automação
4:29
de de vendas e eu só só consigo dar o aspecto desse.
4:36
É difícil dizer é se tem gente aplicando de fato pra gente
4:42
dizer que é uma realidade. Eu sei que é um desafio, mas é
4:46
isso. Eu sei que tem gente fazendo
4:47
também. Onde que eu vejo que ela entrega
4:51
mais valor, principalmente no meu contexto.
4:53
E óbvio que eu tenho um viés que eu sempre passei por desafios
4:58
onde as pessoas não tem os dados estruturados, seja por a falta
5:03
de um setup adequado, ou seja. Que aquele dado depende da
5:08
intervenção humana. Vou dar um exemplo, é nesse
5:12
outro produto que a gente construiu e tá construindo
5:15
ainda. A gente foca em times de vendas,
5:17
né, que tem ali aquele processinho atrás.
5:20
O lide esquenta. O lide é que passa por um SDR,
5:23
vira oportunidade, dá Lost ou ganho.
5:27
Isso é talvez quem trabalha um pouco mais desse contexto.
5:32
Vai entender o que eu tô falando.
5:33
Dificilmente uma pessoa, um profissional de vendas, isso não
5:37
o desqualifica como um profissional de vendas, bom ou
5:40
ruim. Dificilmente ele vai mover essas
5:43
oportunidades ao longo do CRM. Cada vez que ele faz uma
5:47
interação, falei com o cliente, vou alterar a etapa, mandei OE
5:52
mail, mandei o WhatsApp, principalmente ele, ele faz isso
5:55
certinho. Então, se você é um gestor dessa
5:58
vertente, você quer fazer uma gestão baseada em dados.
6:01
Ver qual o agente de vendas performa melhor, qual do dos
6:06
seus produtos sai melhor, qual o tipo de lead você não consegue
6:10
porque o seu CRM ele não reflete a realidade.
6:13
Então, se você consegue usar eai para automatizar isso, ele
6:17
analisa se o lead está quente ou não e qual a etapa ele tá, se
6:20
ele tá engajado ou não, se deu perdido ou se tem uma
6:24
oportunidade. Marca follow up e ele movimenta
6:27
essas oportunidades ao longo do pipeline.
6:30
Então esse é um exemplo de como e a generativa entrega valor
6:34
para você ter mais dados de qualidade.
6:37
E a gente também tem outras abordagens aí que depende também
6:43
da interação humana. Eu acho que isso a gente pode
6:44
comentar um pouco mais para frente, que é a gente não pode
6:48
também levar toda a carga de ter dados de qualidade ou tirar bom
6:52
proveito de dados pra ir AI, né? Porque?
6:56
Os modelos generativos EEE agentes automatizados eles ainda
7:01
precisam das nossas instruções? Tem um ponto que a gente fala do
7:05
dia é a gente fala muito de ferramenta, de ferramental e de
7:14
prompts e de várias outras coisas.
7:17
Mas a gente esquece sempre. Pelo menos eu não no meu feed,
7:22
no LinkedIn. E No No no Twitter, eu não vejo
7:26
muita gente falando é sobre preparação de dados, que nem
7:30
você mencionou agora pouco em relação ao CRM, preparação de
7:36
dados, o que é inegociável? Quais são os processos
7:40
essenciais para que AIA produza ensaios confiáveis?
7:44
Porque é isso. Não sei se você tem 11, existe
7:48
um checklist mínimo de qualidade, de estrutura antes de
7:51
começar, mas é. A muitas, muitas empresas
7:55
colocam OIA em cima de um de um montuado de dados que não estão
8:02
estruturados, não estão higienizados, não, não tem uma
8:06
governança de dados. E é óbvio que AIA, ela só vai
8:11
dar o output daquilo que ela está recebendo.
8:14
Então, se você está colocando dados, merda é AIA só vai
8:19
potencializar é em escala as merdas.
8:24
Isso isso que a gente ouve pouco, né?
8:27
Verdade, Jorge, é isso, é uma verdade.
8:30
Quase que universal, né? Garbet in garbet out.
8:35
E esse não é um trabalho que tá só reservado ao uso de EIA.
8:42
Gente já fazia isso em coisas mais básicas, que todas as
8:45
empresas estão correndo atrás, por exemplo, quase toda empresa
8:49
tem um desafio de atribuição. É quando a gente fala de dados
8:53
Fontes de tráfego, quem trouxe o meu usuário?
8:56
Quem converte mais, quem converte menos?
8:59
Se você não trabalhar no setup da entrada da coleta desses
9:02
dados, seja a análise posterior feita por 1 ano ou por um, AI
9:07
não vai ter sucesso. Então com inteligência
9:10
artificial não é diferente. Então, colocando o item número
9:13
1, a gente vai construir um deflay aqui.
9:16
Esse checklist tá então o item número 1.
9:20
É a coleta do dado ou a geração do dado bem feita e padronizada.
9:27
Então só para a gente também não estender e também não entregar
9:29
nada útil para audiência. Aqui tem uma coisa que quem é do
9:33
universo de dados tá mais acostumado, que chama contratos
9:35
de dados. Isso existe não só para quem é
9:38
analista de dados, existe para quem para um PM que toma conta
9:42
do Squad. Então se você é um PM do Squad e
9:44
você tá construindo uma nova funcionalidade que vai gerar uma
9:48
série de eventos ou interação. Você tem que levantar a mão lá
9:52
pela área responsável de dados. Assim, qual que é o padrão
9:55
aceitável de dados? Geralmente ele vai te dar lá um
9:58
skin ou um Jason format que aceita o que é string.
10:02
O que que é número é o que que eu tenho que fazer se eu for
10:06
adicionar uma informação que não existe?
10:08
Chama contrato de dados e algumas ferramentas até tem isso
10:12
embutido na ferramenta. Por exemplo, se você entrar é
10:15
num é. Ah, esqueci o nome da ferramenta
10:22
agora. Não.
10:22
Na cabeça, não, pô. Se você entrar num segmento da
10:28
vida, ele vai ter uma ferramenta.
10:31
É de você mapear os seus dados. Se você colocar ali um
10:35
intermediador de dados, como ruther Stack, por exemplo, ele
10:39
também tem lá uma ferramenta onde você fala os dados tem umas
10:43
mais avançadas. Que tem até um sistema que você
10:46
bota o seu dado em quarentena se ele não obedecer um padrão,
10:50
pronto. Então acho que esse esse item de
10:52
padronização é uma coisa. O segundo item é que além de
10:57
padronizar, você precisa de uma documentação.
10:59
Assim como a gente sempre necessitou de uma documentação
11:03
para você passar uma base de dados para qualquer pessoa e ela
11:05
saber o que que é aquela informação, o que que é aquele
11:07
campo, com o que que ela se relaciona.
11:09
Porque se não nenhum analista com a maior experiência?
11:13
Vai ser altamente produtivo nisso.
11:16
Ele vai ter que adivinhar. Você também tem que fazer isso
11:21
para você entregar uma base de dados para OEA, que é
11:23
basicamente contar para ela, olha, isso é isso.
11:26
Esse número representa o valor da transação.
11:28
Esse outro número representa a taxa que foi cobrada, que é uma
11:32
técnica antiga. É de você fazer um depara.
11:36
Tem gente que chama de data labeling, mas data labeling
11:39
também pode ser um sistema de tags mais randômico.
11:42
É usado também análise de sentimento.
11:45
Então, botando outro item no nosso checklist é você ter uma
11:49
documentação do que que significa cada componente de
11:51
dados, cada dimensão. E aí, por fim, é você tem um
11:56
trabalho de garantir que não tem dado duplicado e tudo mais e ter
12:00
bons prompts e boas orientações pro llm.
12:03
Associado ao último item que eu colocaria aí, que é contexto, é
12:09
por que que um profissional, seja 11 profissional de produto,
12:13
seja um analista de dado, ele faz uma análise que contribui
12:18
para você colocar dados na sua estratégia ou evoluir seu
12:22
produto. Porque ele tem contexto, né?
12:26
Você chegar agora no produto, você está tocando lá o produto,
12:29
você toca todo dia, você. Conhece os stakeholders, você
12:32
conhece a operação, você sabe qual é a meta, sei lá, seja o kr
12:35
ou o que for, você sabe é quanto, qual que é a sua taxa de
12:40
conversão média, qual que é o tamanho da sua jornada, você
12:43
sabe um Monte de coisas. Então quando você vai fazer uma
12:46
análise, você coloca todo esse seu conhecimento ali, e quando
12:50
você vai verbalizar o resultado dessa análise também, isso é por
12:53
causa disso, isso é por causa do outro.
12:54
Então você precisa dar contexto para OLL, quanto mais contexto,
12:58
melhor. Só que aí a gente tem que tomar
13:00
cuidado, porque também eu acho que agora é tema para um
13:03
próximo. É que os LLMS tem o que a gente
13:06
chama de janela de contexto, porque você pode ferrar a janela
13:10
de contexto. Então é o tema da vez.
13:13
Inclusive, como se falou muito de prompt engineer, agora se
13:16
fala de context engineer, que é como que eu descubro como dar o
13:21
melhor contexto para cada um dos meia tarefas.
13:25
Se você quiser aprofundar nesse tema depois a gente pode.
13:28
Falar um pouco mais? Esse vai ser um episódio inteiro
13:32
sobre é contexto, é foi o Toby que inventou isso daí.
13:41
Toby, não, o Toby só amplificou isso daí.
13:44
O Toby é o seu fundador da qual que é o nome do aquele e
13:52
Commerce famoso shop, é não. Shop five.
13:57
Chapa pai, chapa é o tobe, o menino tobe.
14:01
Ele só fez um tweet, aí começou a reveberar em todo mundo.
14:08
A gente falou aqui de a gente falou muito de é dados, né?
14:17
Aqui, qualidade e tal em empresas com a base de dados
14:24
fragmentada. É qual que é o primeiro passo
14:29
estratégico para aplicar uma IA para gerar um impacto rápido?
14:35
É, muita gente ainda não entendeu.
14:40
Estamos em 2005, EAGPT 5, então aí e a galera ainda não entendeu
14:46
que para aplicar IA você tem que fazer o mesmo, o mesmo modo para
14:53
você fazer as outras coisas, que é começar pequeno.
14:57
E depois você vai adaptando, escalando, crescendo, porque tem
15:01
muitas empresas que já quer reformar a arquitetura inteira.
15:05
Não sabe qual qual LLM vai colocar, por quê, o quê?
15:11
Mas qual que seria o primeiro passo em uma empresa de base de
15:15
dados fragmentados? Boa?
15:17
Essa é uma pergunta trazendo para realidade, ela é
15:22
desafiadora e difícil porque? O que que toda essa onda de i
15:26
trouxe? É uma alta expectativa.
15:30
E pra você falar que eu vou iniciar a iniciativa de EI aí
15:36
você falar, pô, stakeholder, master ali que ou deu o Bain ou
15:40
o suporte ao patrocinar a iniciativa.
15:42
Você fala, não, vou começar pequenininho, com base aí fala,
15:44
Ah, então pra que que você vem me falar que você foi um projeto
15:47
de i? Então é muito difícil você gerir
15:50
expectativa e realidade. Com essa realidade, você tem que
15:54
começar com cautela. É, eu vou dar um exemplo que me
15:58
aconteceu na semana passada. Eu escutei de um diretor de uma
16:02
das empresas que eu mentoro uma equipe de analíticas em uma em
16:06
algumas empresas. E em uma dessas reuniões com
16:10
time de dados, ele, a gente tocou no tema de de AI.
16:14
Lá a gente usa uma estrutura que é o data brics.
16:17
O data brics já tem integrado dentro dele.
16:20
É Oo Jenny, né? Que é a ferramenta de EI que ele
16:25
analisa as bases que você tem e responde, mas isso que eu falei
16:29
anteriormente do checklist já é 100% verdade ali, né?
16:33
Ter OOO catálogo dos dados, o dado está limpo e tal.
16:36
A Jenny só funciona bem quando a gente faz esse mapeamento, tá?
16:39
Então só começando por aí. Então, contando desse assunto, o
16:43
diretor falou, eu vou poder perguntar qualquer coisa para
16:46
AEI. E é qualquer coisa, porque ele
16:49
olha os dados da operação do produto todo dia.
16:52
E essa expectativa que tem uma liderança, quando a gente fala
16:55
que eu vou entregar uma solução de AI que responde os dados da
16:58
companhia, Pra Mim Não É uma companhia gigante esse caso que
17:02
eu estou comentando. E aí quando você traz pra
17:04
questão que você falou, como eu faço quando eu tenho dados
17:09
fragmentados e essa é a realidade de qualquer empresa.
17:13
Seja grande, seja pequena, seja que tenha muitos anos ou pouco.
17:16
É difícil você ter uma unidade de dados que venha de um único
17:20
lugar, de um padrão. Então ASA é quase by the fool e
17:23
é exatamente isso. Você tem que começar pequeno,
17:25
mas você também tem que demonstrar.
17:27
É algum alguns avanços e um artifício que eu acho bem
17:33
relevante, que eu tenho utilizado você.
17:36
E a gente acha que os nossos ouvintes vão entender que tem a
17:40
ver até com experiência de usuário.
17:42
Comunicação e cetar a expectativa sabe quando você vai
17:45
agora nas principais ferramentas que são os chats conversacionais
17:49
mais populares, o ChatGPT, o cloud, o perplexos e você tem um
17:53
drop downzinho embaixo e você marca o que que você quer que
17:57
ele usa se você quer que ele usa o deep think, se ele faz uma
18:00
busca na web, se você tiver num num cloud, por exemplo, ou
18:05
qualquer outra ferramenta, o gpt que você conectou com arquivos
18:08
seus, por exemplo, eu tenho no meu cloud.
18:11
Conectado o drive meu local storge, né?
18:14
Que eu uso na máquina local a eu uso o aplicativo console, eu
18:18
tenho lá meu Google Analytics meu e Commerce meu note
18:23
conectado e você flega o que que você vai naquela pergunta,
18:28
aquela solicitação você marca de qual base que eu quero que
18:31
consulta? Então é esse tipo de fazendo
18:34
analogia da visibilidade que esse recurso visual, esse Google
18:38
te dá, fala. Eu tô perguntando você.
18:41
Pode trabalhar como essa ideia? Assim, a gente tem todas essas
18:44
Fontes de dados, mas hoje o togalzinho que está habilitado é
18:48
esse aqui e ele tem a capacidade de responder essas coisas.
18:52
E dá uma ideia de road map, né? De futuro dessa ferramenta.
18:56
Então agora é a punkmeps está trabalhando numa ferramenta de
19:00
analytics que usa exatamente essa dinâmica.
19:03
Você pode escolher qual que é a fonte de dados que você vai
19:06
consultar para conversar com AII.
19:08
E é basicamente a gente transpor essa ideia, que tem um apelo de
19:13
comunicação e transparência com o stakeholder, com recurso
19:16
visual que faz o seu é usuário final.
19:19
Entender é, não adianta eu fazer uma pergunta que eu sei que está
19:23
no meu CRM de e-mail se eu estou consultando o mix, entendeu?
19:28
É um pouco disso. Anteriormente, você mencionou.
19:31
Oo. A participação do humano, né, é?
19:38
Qual o papel da validação humana nesse processo todo?
19:42
É de dados com OIAE. Aí eu já vou, já vou emendar uma
19:46
segunda que é, existe um modelo ideal de colaboração entre os 2
19:53
entre humano mais IA? É, existe, dá para a gente
19:58
definir aqui. Aqui é o equilíbrio.
20:02
Se você passar daqui, você está correndo o risco de ser só IAE
20:06
daqui, você está? Mantendo o mesmo padrão de
20:11
humano, é possível fazer. Você só está trazendo pergunta
20:15
difícil hoje, Hein? Eu acho que ninguém respondeu
20:19
essas coisas ainda, nem os grandes lá que estão criando as
20:23
principais soluções que a gente usa, consegue?
20:27
Ou eles podem fingir que eles sabem essa resposta, mas eles
20:30
vão estar só balefando em cima da gente mais uma vez.
20:33
É difícil, mas respondendo a pergunta base.
20:37
Eu acho que o ser humano é essencial nessa tarefa.
20:41
Ó, vou, vou pegar. O exemplo é ninguém assim,
20:45
alguém consegue poderia conseguir fazer alguma coisa?
20:48
Randômica, ninguém vai conseguir fazer uma solução que entrega
20:52
valor quando o assunto é ler uma base de dados e responder ou
20:58
trazer ensaios relevantes para um contexto ou pra uma empresa.
21:01
Ninguém vai conseguir fazer isso se não for um profissional com
21:03
conhecimento de dados. Né?
21:05
Uma pessoa ali que estudou, que tem um passado nisso é entende
21:09
um pouco de arquitetura de dados, de pipeline de dados.
21:14
Como que ele vai de um lado pro outro?
21:17
Acho que tudo isso conta é então, por exemplo, AEI, ela não
21:24
consegue autodefinir ou fazer um auto labeling de eventos muito
21:29
específicos do seu contexto. Aí eu vou dar pra você mais
21:32
específico e mais. Literal.
21:36
Todo mundo conhece eventos padrões numa jornada de e
21:38
Commerce que é add cutucart the guinch account é por Chase isso,
21:46
com certeza. Se você só mandar uma lista
21:49
desses eventos com a base de dados pro e a, ela vai entender,
21:52
porque é uma coisa que existe há muito tempo na web e um Monte de
21:56
contexto, e muitos LMS foram treinados com isso.
21:59
Agora, se você tem uma coisa específica, né?
22:02
No. No teu produto, um evento, uma
22:06
transação ou um pay load de dados com um Monte de metadado
22:09
específico. Se você trabalha em banco que
22:13
nem todos os dados você pode mandar, não vai funcionar.
22:16
Tem que ter 11 ano no meio fazendo um deparo aí fazendo 11
22:21
pomapeamento nisso tanto é o não só para temática de dados, mas
22:27
temáticas de automação. Existe já um.
22:32
Um método, um approach, né? Uma abordagem que a gente chama
22:35
hillman in the lupe. Quando você cria alguma
22:38
automação que tem um agente de EI ou múltiplos agentes de EI,
22:42
inclusive, isso é uma funcionalidade padrão no n
22:45
oiton, que é 11 das ferramentas mais populares de automação.
22:49
O que que ele faz? Ele faz uma certa parte da
22:52
tarefa, manda uma comunicação para humano, seja por e-mail,
22:56
seja por WhatsApp, Telegram, slack.
23:00
O Mano dá uma segunda orientação e aí esse workflow segue.
23:05
Então eu não acho que a gente ainda tem a capacidade é que a
23:10
gente já tem a capacidade de dizer qual que é o ponto de
23:13
equilíbrio. Mas uma coisa que eu posso dizer
23:16
que é essencial em diferentes proporções, pode ser você o seu
23:22
dono do próprio negócio, empreendendo que tem é você
23:25
sozinho ou com o funcionário, você vai ter que.
23:28
Fazer algumas coisas do contexto, ou seja, você um
23:30
colaborador numa grande empresa que ainda requer mais cuidado.
23:35
Mas só para fechar com um último, uma última informação
23:40
sobre esse tema, o quão é importante e quais cuidados a
23:43
gente deve ter e o porque que o ser humano é importante nesse
23:47
contexto. A antrrop, que divulgou essa
23:49
semana no blog dela um artigo. Quem quiser falar, ir lá dar uma
23:53
olhada as medidas de segurança que eles têm.
23:57
Né? Eles têm 11 pra mim, não sei se
24:01
é um tamanho de uma Squad ou um lab ou uma tribo.
24:05
Eles têm uma iniciativa de safety, que tem vários temas
24:08
dentro que cuidam, né? Se ninguém tá tentando fazer uma
24:13
injeção maliciosa, as respostas que tem eles explicam no blog o
24:18
ciclo AA, as diferentes medidas e iniciativas que eles têm
24:23
permanentemente pra cuidar da segurança da i AI.
24:26
Em todos os aspectos, né? Na segurança do que que ela te
24:29
devolve, se ela não está sendo preconceituosa, xenofóbica,
24:33
ofendendo e tudo mais, se ela não está recebendo inputs que
24:36
pode gerar o resultado, e isso é um Monte de pessoa que está ali
24:41
fazendo essas, construindo essas iniciativas.
24:44
Então imagina a dificuldade que é você fazer um produto de EI,
24:49
tendo a responsabilidade de uma marca por trás, porque é isso
24:53
que o cliente vê no final. Aqui vem uma pergunta que é, é
24:58
feita é. E você já deve ter respondido
25:03
ela muitas vezes é em relação AA designer, muitas vezes a
25:11
designer system, muitas vezes a analíticos mesmo, que é a Roy é
25:21
como que mede? O sucesso de uma iniciativa de a
25:24
em dados dá pra dá pra gente quantificar o Roy em projetos de
25:30
a aplicada a dados? É, sim.
25:34
O esse é um tema sensível e polêmico, tá?
25:39
Porque muitas iniciativas de EI tem um apelo para tirar posições
25:44
de trabalho de seres humanos. Acho dito isso, sem querer
25:49
aprofundar os problemas e consequência.
25:53
Mas também não eximindo das nossas responsabilidades, que a
25:57
gente faz parte disso, né? A gente tá tanto treinando AEI
26:00
quanto criando novos produtos. É depende de em qual setor, qual
26:06
parte do processo, A Entrega de valor dessa solução de EI, tá,
26:12
tá atuando. E aí eu posso até fugir um
26:16
pouco. Desculpa que isso não é só
26:18
relacionado a dados, não é só AEI que opera dados.
26:22
Ah, eu vou dar o exemplo, claro, porque esse eu tenho
26:25
experiência. A gente tem visto isso, é a
26:28
gente tem uma plataforma que é uma solução de AI que ela é
26:32
muito boa em fazer essa etapa aqui na maioria dos pipelines de
26:36
vendas se chama de SDR, que é você qualificar o lead, fazer um
26:40
leadscore dele, botar ele, né, Na Na linha de frente do do teu
26:46
vendedor, sim ou não? Ou fazer follow up, é.
26:51
A gente consegue contar numa operação de marketing de vendas
26:55
é quantas vendas fazem, quantos leads eles operam, conseguem
27:00
atender com quantas pessoas, em quanto tempo?
27:03
Isso é muito fácil. Inclusive esse foi o approach
27:06
que a gente usou pra entrar no mercado.
27:09
E a gente consegue mostrar quanto AEI aumenta esse
27:14
potencial até hoje de todos os clientes que a gente atende com
27:19
essa solução. É, a gente sempre teve a
27:24
abordagem de aumentar a produtividade do time de vendas
27:27
e o time de vendas focar só nas melhores oportunidades.
27:30
Ninguém nunca procurou a gente falar, eu quero demitir tantos
27:34
tantos colaboradores e colocar um EI no lugar, porque essa é a
27:38
conta que geralmente faz. Você faz a conta de quanto custa
27:42
o salário de uma pessoa ou uma tarefa, né?
27:46
Que. Que seja repetitiva e poderia
27:50
ser substituída pela EIE. Você vê quanto custa EI para
27:54
essa solução e faz a conta de Roy para esse contexto.
28:00
É relativamente fácil, mas tem infinitas possibilidades de
28:04
aplicação de EI que escorre para um lado que é muito difícil.
28:08
Você tangibilizar ou dizer, é como que vai fazer essa conta de
28:14
EI, tem coisas que andam numa. Numa onda que se propaga, né?
28:19
Eu fiz algo agora que com o reverberado tempo em x tempo vai
28:23
ter um resultado. Se você não fizer um, eu tenho
28:26
que fazer às vezes uma teoria que não vai ser tão exata para
28:30
contabilizar isso. Então o tema do Roy vai
28:33
continuar sendo. É uma dúvida.
28:40
Um paradigma nas nossas vidas. O futuro dos produtos digitais
28:45
já começou e a inteligência artificial é parte do Tim APM 3
28:49
acaba de lançar a formação em gestão de produtos de IA, um
28:53
curso pensado pela prot? Managers que querem criar,
28:55
delegar e inovar com mais inteligência.
28:59
Muito além dos prompts, você vai aprender a liderar produtos
29:02
baseados em a dominar temas como machine, lani de pilani e
29:06
agenerativa e aplicar novas formas de Discovery,
29:09
experimentação e validação. Prepare se para o mercado que
29:12
mais cresce no mundo e torne se OPM que lidera a transformação.
29:17
Acesse o link na descrição e saiba mais.
29:19
Tem desconto 10% prote gurus, é o cupom, Hein?
29:23
A gente está falando muito sobre e a em dados a gente já abordou
29:27
alguns pontos. E com certeza a gente vai
29:33
abordar eles de uma maneira muito mais aprofundada em outros
29:36
episódios. É trazendo a prática aqui, então
29:41
se abrindo a ferramenta, mostrando como como fazer.
29:45
Mas tem algo que não tem, como é a pessoa adquirir assistindo
29:52
apenas um vídeo de 30 segundos? Claro que você assistir.
29:58
Muitos por por meses e anos. Acho que ele pode começar a, mas
30:06
fazer com que as equipes é interpretem e questionem, em
30:13
sites gerados por IA, como gerar esse pensamento crítico?
30:18
O uxley. Porque se antes da IAA gente já
30:21
não tinha, imagina qual a facilidade da IA.
30:26
Em que ela é muito convincente, muitas das vezes.
30:29
Eu tenho passado por por essas situações assim recentemente, e
30:37
me me traz um pouco de de angústia também, porque a gente
30:43
vê uma terceirização quando em em pleno tempo de é onde que a
30:47
gente está falando, vendo acontecer e reafirmando que olha
30:53
todo trabalho. Que é padronizado e repetitivo.
30:57
Um AI pode fazer. Por que que as pessoas não estão
31:00
exercitando pensamento crítico, conhecimento de negócio,
31:03
conhecimento de estratégia? E não adianta, a AI não vai te
31:07
responder algo, nem que você dê a melhor base de dados mais bem
31:11
estruturada para ela. Se você não der contexto, se
31:13
você não contar para ela qual que é a sua estratégia, quais
31:16
são, o que que é aceitável, o que que não é aceitável, né?
31:19
Do zidontes não tem um caminho para isso.
31:23
E como que as pessoas podem aprender a tirar o meu melhor
31:27
proveito da AI? Como você falou, não vai ser
31:30
assistir um videozinho ou outro. E eu diria, até porque é as
31:36
ferramentas. Elas mudam muito rápidas e a
31:40
maioria das ferramentas mais simples de interação com AI são
31:44
fáceis de mexer. Convenhamos, né?
31:46
E aí, é óbvio que aqui eu estou generalizando, que entendo que a
31:49
audiência aqui. Do podcast, são na sua maioria
31:52
profissionais de tecnologia, mas faltam dedicação, né?
31:58
Das pessoas, mas a dedicação também.
32:00
Às vezes ela está conturbada. Com o quanto você já se dedica
32:04
no seu trabalho antes a você, na nossa área de design, produto
32:08
groufe, nós fomos cativados e bombardeados a estudar e nos
32:13
aprimorar o tempo inteiro que a gente teve na nossa, na nossa
32:16
área, de você deixar de ler o artigo.
32:18
Se você ficou um ano sem fazer um curso, você já tá atrás.
32:23
Não imagina você um Monte de informação que sai de AI todo
32:26
dia e você tendo que dar conta do seu trabalho, dar conta de de
32:30
família, de casa, eu acho que todo mundo não, não pode tirar
32:34
essa equação e falar, cara, agora você tem que se meter num
32:37
curso, aí é, e se você não tem um direcionamento do que quer
32:42
aprender e o que quer útil? Não acho que esse momento mais
32:45
do que nunca. Número 1 curadoria de conteúdo.
32:48
É em onde se encontra a curadoria de conteúdo, aqui No
32:51
No podcast, né? Um portal especializado é vale a
32:55
curadoria de conteúdo e se tiver uma curadoria de conteúdo de uso
32:59
de EI pra produteiros, melhor ainda uso de EI pra designers,
33:03
pra profissionais de groufe, vai aí se concentra aí, esse é o
33:07
primeiro passo e depois aplica mesmo, vai ali, escuta o
33:13
podcast, lê uma matéria, ó, essa semana eu li 2 artigos.
33:18
Eu fui lá No No no blog da da antropk ler 11 artigo que eles
33:26
lançaram e no blog de um ou outro a empresa que eu esqueci o
33:29
nome agora que está falando sobre é contexto.
33:33
Como que você gerencia contexto pros LMS, né?
33:37
Ah, se eu não tenho outra forma de eu absorver esse conteúdo pra
33:41
quem tem diferentes maneiras de aprendizagem?
33:43
Vídeo. Né?
33:45
Você consegue ir num vídeo e consumir, mas você tem que saber
33:48
o que você precisa consumir. Então, em algum lugar, primeiro
33:51
você vai ter que ter essa curadoria, né?
33:55
E você perguntou uma outra coisa também, que eu queria
33:59
complementar, só que eu esqueci. Agora perguntou, como aprender?
34:04
E. Como exercitar o pensamento
34:06
crítico, né analítico? Sim, deixa eu voltar nesse
34:09
ponto, então, ó, eu presenciei um.
34:14
Um tempo atrás, um profissional de um contexto que estava
34:17
monitorando deu um print em um funil, um funil pronto em uma
34:22
ferramenta qualquer e jogou no ChatGPT e pediu para o ChatGPT
34:26
descrever e trazer hipóteses, isso, só isso, isso é, é
34:32
assinar, é a declaração de assim, olha, eu não sei o que eu
34:36
tô fazendo, tô perdido, é, se você tá com dificuldade, imagina
34:40
uma LLM que não tem o contexto, não sabe como foi AA.
34:44
A média histórica do período anterior não adianta.
34:47
Não é assim como que você exercita o senso crítico,
34:50
entendendo mais o seu contexto de produto, né?
34:53
Entendendo os desafios. E quando você vai para buscar
34:57
ajuda de uma LLM, você tem que ter pelo menos ter feito o dever
35:00
de casa, entender qual que é a sua dor, qual que é a sua meta,
35:04
onde está mais ou menos Oo buraco, qual que é a expectativa
35:08
e as dores do usuário. E assim você alimenta um llm
35:11
desses contextos, mas os dados que você tem, aí sim, ele pode
35:16
trazer uma coisa que você não tava olhando, falava, puta, é
35:19
verdade. Eu não tinha olhado por essa,
35:21
por essa perspectiva, por essa análise.
35:23
E aí você consegue ter uma ajuda de um llm pra te trazer insights
35:28
e complementar o teu pensamento crítico.
35:30
Mas ele não vai fazer o pensamento crítico com você, é
35:33
AI, AI, não vai? É te fazer mais inteligente.
35:37
Edito isso, vale explorar algumas recursos que várias
35:41
ferramentas tem. E aí eu tô falando no sentido
35:43
das ferramentas mais populares, que a gente sabe que quase todo
35:46
mundo usa ChatGPT, cloud, perplexity, essas geminai, eles
35:53
tem uma área de personalização que é o Knowledge, é base de
35:58
conhecimento. Então você pode ali e alguns,
36:01
dependendo da conta que você tiver, ele tem projetos, né?
36:03
Você cria um projeto e ele você cria um contexto desse projeto.
36:06
O que que você faz? Sobe documentos, lá sobe sua
36:09
estratégia, sobe sua lista de OKRS, sobe a lista de features
36:13
que você já fez e algumas métricas dele, sobe também o que
36:16
que já deu errado na estratégia, princípios da companhia e você
36:20
vai ver como muda quando você faz uma pergunta pra isso.
36:24
LM, seja essa pergunta envolve dados ou não, ele vai te dar a
36:28
resposta e vai correlacionar com o que você colocou na base de
36:31
conhecimento. Aí sim, você potencializa Oo
36:35
teu. O teu pensamento crítico ou o
36:37
resultado do seu pensamento crítico para alimentar uma
36:40
estratégia? Mas parte disso veio de você,
36:42
ALLM, não vai adivinhar agora? Uma pergunta que não é feita é,
36:49
nesses tempos de AE de templates do n 8 n no LinkedIn, o que é
36:56
quando não usar PA? Uau, bom.
37:02
Eu tenho exemplos clássicos porque eu tenho feito isso quase
37:05
todo dia tem coisa, eu faço muita automação e hoje é tá
37:09
quase os 2 temas, automação e inteligência artificiais.
37:14
Eles estão aí, eles foram fundidos, mas nem tudo que tem
37:17
automação precisa de uma AI, tá. Então se você só tá
37:22
automatizando uma tarefa que é levar a informação de um lado
37:25
pro outro ou quando receber. É um like nesse podcast aqui que
37:30
vocês vão dar agora, porque a essa altura do campeonato vocês
37:33
já entenderam que o conteúdo do PG é legal, é bom, vale a pena.
37:37
Quando alguém dá um like, eu vou disparar um web Huck que vai
37:41
avisar e vai contabilizar alguma coisa ou vai mandar uma mensagem
37:45
no slack. Isso não precisa de i para isso,
37:48
gente, né? E eu tô dando um exemplo bem
37:51
simples, porque eu vejo agora é qualquer coisa, as pessoas
37:55
querem botar um i AI no meio. Eu vou dar um outro exemplo.
37:59
A gente usa junto com o cliente o metabase, como a ferramenta de
38:02
analytics, né? De visualizar os dados, depois
38:05
passa todo para uppeline. A gente disponibiliza dashboards
38:08
No No metabase e tem algumas coisas que que ajuda na cultura
38:14
de dados, é você ter o dado inserido no contexto.
38:18
Então a gente tá agora trabalhando na ideia de começar
38:20
a fazer avisos, alertas, que seja pelo canal do slack ou que
38:25
vá pelo. Pelo teu e-mail é uma das ideias
38:30
que a gente teve é usar um EI, usar um workflow no n oiton pra
38:34
processar tudo, juntar, tirar, fazer uma conclusão, cara, não
38:39
precisa, a gente só precisa daquela métrica que é importante
38:42
pra pessoa começar o dia e fazer um post dela.
38:45
Então eu pego um lado do mesmo lado e mando pro outro.
38:47
Não precisa de II. Eu tô dando alguns exemplos aqui
38:51
porque é assim que eu vejo o uso de I No meu dia a dia.
38:54
Onde que eu preciso do EI? Cara, eu preciso é otimizar meu
38:59
paperline de vendas, por exemplo, e eu preciso decidir
39:03
sobre qual lead está mais quente e qual não recebi um lead.
39:06
Eu tenho o nome EOE mail dessa pessoa e a empresa que ele
39:09
trabalha. Eu consigo conectar No No API do
39:13
perplexit e pedir para ele ir no LinkedIn, avaliar o perfil do do
39:18
Paulo schiod, olhar o histórico da onde que ele trabalhou mais a
39:22
sua bio. E me ajudar a fazer um draft.
39:25
Eu nem estou dizendo que deve ser a mensagem final, né?
39:27
Fazer um draft de qual deveria ser a minha mensagem de
39:30
abertura, de porta pra mim conseguir falar com o chiode, aí
39:34
sim é, você não tem condição de fazer sua escala, é ir lá,
39:38
avaliar o perfil, fazer um resumo manual.
39:41
Ah, olhando aqui o histórico do chiode, eu acho que ele gosta
39:43
disso. Ah, eu vi que na bio dele ele
39:46
declara que ele é amante da natureza e dos esportes.
39:51
Cara a iai, já que te consegue fazer isso em escala e vai te
39:55
dar lá um prompt. Olha, você pode até automatizar
39:58
o approach, mas você eu te recomendo falar desses assuntos
40:01
aqui. Você pode dar uma melhorada No
40:03
No spit. E segue, então essa é a
40:06
diferença de usar iai ou não usar iai?
40:09
Esse foi um episódio, acho que meio ele é um episódio.
40:15
Mentoria aqui? Abrindo já 11 porta pra um pra
40:22
uma série que a gente vai fazer cooks, né?
40:25
Que a gente tem vários. Tem.
40:27
Ele não sabia disso, mas eu já estou comunicando aqui durante.
40:31
O tema? Porque?
40:33
Porque assim eu eu sou o stickholder, eu estou dando um
40:37
top down. Top down.
40:41
É você que ouviu e assistiu até aqui?
40:45
Deixe seu joinha, deixe seu like, comente, compartilha,
40:49
deixe suas 5 estrelas o LinkedIn do que está aqui na descrição,
40:56
tá bom? Vai lá se conecta com ele, ele
40:58
tem. Ele tem criado e compartilhado
41:00
conteúdos em que ele ensina e mostra na prática como usar
41:06
ferramentas para fazer Research, para fazer automação, para fazer
41:10
análise de dados. Então tem uma.
41:14
Tem um conteúdo do oxley que ele usa o perplext, então é um é um
41:18
vídeo dele lá em que ele mostra como usar o perplext da melhor
41:23
maneira. Já diria mizael Silva, como usar
41:27
é perplexos da melhor maneira, da melhor forma é axley dias.
41:33
Então segue ele lá o link todos os links que o que eu sei é
41:39
mencionou blog da anthrop que. É, vamos colocar mais a um
41:44
outros blogs aqui, do da open i, do gemni, enfim, das das grandes
41:50
empresas. É de a em que eles têm os blogs
41:54
aí onde eles contam mais sobre questão de segurança,
41:57
privacidade, vulnerabilidade. É e alguns outros assuntos que
42:02
não são muito comentados é, mas que eles estão fazendo
42:05
pesquisas, enfim, e compartilham lá quase que mensalmente nesses
42:09
blogs a gente vai estar aqui na descrição.
42:12
Volksley, muito obrigado pelo seu tempo, você vai voltar mais
42:15
vezes? Fechou.
42:17
Obrigado mais uma vez pelo convite, pelo espaço.
42:19
Espero ter contribuído aí com a audiência e a gente se vê na
42:22
próxima. Um abraço, valeu?
42:24
Beijos, tchau, fui.