O Power BI Desktop inclui agora um algoritmo de inteligência artificial (mais um!) que determina os fatores com mais impacto num resultado. Este algoritmo ajuda a compreender rapidamente diversas questões de interesse prático: seja a razão por que os nossos clientes nos classificaram tão bem (ou mal) no último inquérito de satisfação, os fatores que explicam os resultados acima (ou abaixo) do previsto ou a descobrir as razões que determinam o elevado número de entregas em atraso este ano.

Este algoritmo tem um funcionamento idêntico ao de um modelo de regressão, ou seja, para uma determinada variável que nos interessa conhecer, classifica diversos fatores por ordem de importância em função do seu carácter explicativo. Sabendo quais são os fatores mais importantes, teremos à nossa disposição uma poderosa ferramenta de apoio à tomada de decisão.

Por enquanto, esta funcionalidade, que ainda se encontra em modo “preview”, não permite a análise de medidas calculadas. Creio que a breve trecho também será possível a sua análise, mas por enquanto, estamos limitados a colunas. Em termos de utilização ela é em tudo idêntica às restantes visualizações do Power BI, ou seja, é possível arrastar os campos que nos interessa analisar, posicionar e redimensionar a visualização conforme necessário. Do ponto de vista do design o Power BI continua a surpreender!

Também é possível acrescentar filtros à página onde se encontra e segmentar a análise de forma interativa.

Os key influencers – um exemplo

Recorrendo a uma base de dados com os dados de um retalhista, executamos uma análise dos “key influencers” procurando compreender os fatores que explicam a fraca classificação dos clientes no último inquérito de satisfação.

Numa primeira abordagem, meramente descritiva e sem grande profundidade de análise, constatamos que 38,1% dos clientes classificaram a satisfação com a nossa empresa de muito baixa, conforme se constata no gráfico seguinte:

Por outro lado, apenas 0,79% dos clientes consideram o grau de satisfação com a empresa como muito elevado, o que é razão de preocupação.

Assim, recorrendo à visualização “key influencers” vamos procurar descobrir as razões que estão na origem desta classificação tão fraca. Começando com a análise da visualização ainda vazia, vamos arrastar o campo “Pontuação“ para a área a analisar:

Nesta visualização, teremos de escolher a classificação que nos interessa analisar. Seja, a classificação “Muito baixa” que é a mais preocupante. O resto do processo é tao interativo como arrastar para a zona “Explicar por” os campos que julgamos ter impacto na classificação.

Assim, por exemplo, se procurarmos a explicação para a pontuação muito baixa a partir do campo “Segmento”, teremos uma primeira análise que aos poucos vai desvendando o mistério:

Como vemos, os clientes estão divididos pelos segmentos “Geral”, “Bom cliente” e “Estratégico”. O processo de segmentação de clientes é tópico de outro exercício, pelo que não o detalharei muito neste, diria apenas em resumo que a empresa identificou os segmentos com base em critérios de rentabilidade e definiu políticas de serviço de acordo com essa segmentação.

Analisando este gráfico, é claro que o segmento “Geral” é aquele em que a insatisfação é maior. Passando o rato sobre as colunas, verifica-se que 84,09% dos clientes deste segmento consideram a pontuação como muito baixa, o que é 6,27 vezes mais do que a média dos restantes segmentos (13,41%).

Estará a política de serviço diferenciada por segmento a favorecer em excesso os clientes estratégicos? Eis um tema a aprofundar…

Como dispomos de mais dados sobre esta empresa, podemos continuar a nossa análise por “tentativa-e-erro”, procurando descobrir mais um pouco. Assim, trazendo para a análise primeiro as colunas e colunas calculadas com as diversas dimensões de análise, revelamos que também o país, a dimensão e a atividade também têm influência na satisfação muito baixa:

Interessante. Valeria a pena analisar os retalhistas da Irlanda e Líbano pertencentes ao segmento “Geral” de pequena dimensão e procurar descobrir o que se passa. As tabelas dimensionais são ótimas para caracterizar e subdividir uma grande base de clientes em peças mais pequenas, mas a análise dos “key influencers” também permite que se utilizem medidas calculadas como fator explicativo.

Após diversas experiências com as medidas calculadas deste modelo de dados, descobrimos que a taxa de crescimento da faturação (deste ano em relação ao ano anterior) também tem uma influência importante na classificação muito baixa da satisfação dos clientes.

Como se pode verificar no seguinte gráfico, aqueles clientes que “cresceram” mais são também aqueles que revelam maior proporção de pontuação muito baixa:

Esta análise de dados indicia que o elevado crescimento pode não corresponder a uma melhoria correspondente do nível de serviço ou atendimento ao cliente.

Aos poucos, os algoritmos de inteligência artificial vão sendo incorporados nas aplicações que utilizamos no nosso trabalho. Por vezes, nem reparamos neles. Estou certo que a muito breve trecho veremos a análise descritiva dos dados a ser substituída pela análise avançada de dados como apoio à tomada de decisão de gestão.