Whitepaper

Apresentamos a Ciência corporativa do Tableau

O Tableau está levando recursos avançados da ciência de dados para os profissionais corporativos

Andrew Beers, Diretor de tecnologia, Tableau

Resumo executivo

Este documento apresenta a Ciência corporativa do Tableau, um novo tipo de análise alimentada por IA, que leva recursos da ciência de dados para os especialistas em suas áreas.

O uso de IA, aprendizado de máquina e outros métodos estatísticos para resolver problemas comerciais tem sido, em grande parte, de uso exclusivo dos cientistas de dados. Muitas organizações têm pequenas equipes de ciência de dados focadas em problemas específicos e essenciais, além de altamente escalonáveis. Mas existem diversas decisões comerciais que dependem da experiência e do conhecimento que estão além dos dados.

Com a Ciência corporativa, analistas e usuários corporativos especialistas no contexto dos dados podem treinar e implantar modelos de aprendizado de máquina explicáveis ​​para resolver problemas que as pequenas equipes de ciência de dados não têm tempo ou recursos para priorizar.

Na Tableau, a análise sempre permitiu que as pessoas fizessem mais uma pergunta, explorassem mais uma hipótese e testassem mais uma ideia. Agora, estamos indo além e ajudamos mais pessoas a otimizar seu discernimento com uma IA prática e ética que traz previsões para seus problemas comerciais de hoje. Isso ajuda as organizações a tomar decisões ainda mais rápidas e confiáveis ​​nas linhas de negócios, ao mesmo tempo em que expande os casos de uso de análise e aprofunda a compreensão de seus dados.

As barreiras para tomar melhores decisões com IA

Com as organizações coletando conjuntos de dados cada vez mais diversos, os casos de uso de análise para transformar dados em informações valiosas estão crescendo com a mesma rapidez. Atualmente, existem diversas ferramentas e equipes focadas e especializadas em encontrar informações de dados para embasar a tomada de decisão. Porém, as organizações enfrentam dificuldades para encontrar o equilíbrio certo entre especialistas em dados altamente técnicos e equipes comerciais com experiência e conhecimento profundo da área. Nem todas as empresas têm uma equipe de ciência de dados ou soluções de inteligência artificial (IA), e aquelas que têm geralmente possuem uma equipe pequena e altamente qualificada, porém sobrecarregada de projetos.

Frequentemente, percebemos que os usuários e os analistas comerciais com conhecimento sobre o setor e que estão próximos aos dados da empresa não têm as ferramentas ou habilidades técnicas para fazer análises estatísticas avançadas ou gerenciar projetos de aprendizado de máquina (ML) por conta própria. Eles frequentemente contam com cientistas de dados e profissionais de ML para desenvolver e implantar modelos personalizados por meio de um processo de coleta de requisitos, que carece de agilidade e capacidade de iterar rapidamente. No final do ciclo, os dados com os quais o modelo foi treinado geralmente estão desatualizados e o processo é reiniciado. Enquanto isso, os profissionais corporativos são responsáveis ​​por tomar decisões importantes diariamente, as quais não chegam ao nível de prioridade de uma equipe que conta com uma ciência de dados centralizada.

Muitos de nossos clientes enxergam as vantagens de aplicar ciência de dados, IA e ML a mais problemas comerciais, mas se sentem limitados por recursos e processos. As necessidades mais comuns que ouvimos das organizações de diferentes indústrias e setores incluem:

  • Reduzir a exploração e a preparação de dados
  • Capacitar analistas especializados para encontrar respostas com base na ciência de dados, especialmente previsões, a custos mais baixos
  • Liberar os cientistas de dados para eles se concentrarem na engenharia de dados complexos em problemas mais urgentes, onde a precisão exata é o mais importante
  • Aumentar a probabilidade de produzir modelos de sucesso com o aumento da descoberta de casos de uso por especialistas da área
  • Estender, automatizar e acelerar a análise para grupos comerciais e especialistas da área
  • Reduzir o tempo e os custos da implantação e da integração de modelos
  • Incentivar o uso responsável dos dados e da IA com maior transparência, e aceitar orientação sobre como minimizar e lidar com a questão dos vieses

A Tableau vê uma grande oportunidade de ajudar as organizações a aplicar os recursos da ciência de dados a mais problemas comerciais. Ao mesmo tempo, queremos mitigar as contrapartidas entre precisão e controle extremos em relação ao acesso à informação, além da habilidade de agir com base nessas informações enquanto elas ainda são relevantes. Ao trazer a principal tecnologia de IA do Einstein Discovery da Salesforce para o Tableau, estamos introduzindo um novo tipo de análise alimentada por IA, que busca democratizar as técnicas da ciência de dados e capacitar os usuários a tomar decisões mais rápidas e com maior confiança. Consideramos esta uma área fundamental para o mercado continuar inovando.

O Tableau democratizou a análise visual e agora estamos fazendo o mesmo com a IA de autoatendimento. A Ciência corporativa libera o vasto potencial de diversos profissionais que trabalham com dados todos os dias. Levar esses profissionais, que têm experiência em BI, das análises descritivas às análises avançadas, previsões e recomendações significa poder aplicar análises mais sofisticadas a mais casos de uso, de forma mais rápida e colaborativa.

Apresentamos a Ciência corporativa do Tableau

O que é a Ciência corporativa do Tableau?

A Ciência corporativa é um novo tipo de análise alimentada pela IA que permite aos especialistas em suas áreas tomarem decisões mais inteligentes com mais rapidez e confiança, reconhecendo que nem todos os problemas exigem precisão exata às custas da velocidade e do contexto comercial. As soluções de Ciência corporativa também são rigorosas e precisas, mas permitem que os tomadores de decisão determinem o que é prioridade no seu caso de uso, proporcionando controle e flexibilidade. Alguns exemplos de como os usuários podem exercer controle são a seleção e a criação de modelos de dados de entrada, seleção de variáveis e configuração de limite. Os especialistas corporativos agora têm autonomia para realizar uma experiência totalmente automatizada ou podem optar por fazer alterações guiadas no processo de criação do modelo. Ao capacitar mais pessoas com uma IA governada, sem necessidade de programação, que inclui planejamento de cenários hipotéticos e criação de modelos guiada, as equipes comerciais podem fazer mais análises por conta própria e criar modelos mais adequados ​​e prontos para o mundo real.

A Ciência corporativa democratiza os recursos da ciência de dados e ajuda os especialistas da área a entender os principais motivadores de um modelo sem ter que aprender as ferramentas tradicionais de ciência de dados. Com experiências de IA guiadas nas mãos de especialistas da área, as equipes podem aplicar análises avançadas a mais problemas comerciais e tomar decisões importantes com mais rapidez e rigor, enquanto se apoiam em seu discernimento humano. Não se trata de ajustar modelos superprecisos, mas de orientar as pessoas mais próximas do problema na direção certa.

 

Para quem é a Ciência corporativa do Tableau?

Os negócios são complexos e imprevisíveis, portanto, a experiência da área e o conhecimento das pessoas que entendem a dinâmica de seu setor são essenciais. Os dados históricos, embora sejam uma informação útil, nem sempre são suficientes para responder como as mudanças nas condições de mercado afetarão sua organização. A pessoa que conhece o contexto de sua área e consegue responder em tempo real é o elemento fundamental para navegar com sucesso em ambientes comerciais em constante mudança. Ao permitir que profissionais corporativos e analistas de dados aproveitem as previsões e as informações que resultam dos modelos de ML, sem precisar aprender Python, estatística ou como ajustar parâmetros de um algoritmo, você está aumentando sua equipe de especialistas impulsionados por dados.

A Ciência corporativa acontece quando você combina conhecimento e experiência na área com dados históricos e visão analítica. Normalmente, saber a pergunta certa e o que fazer com a resposta é mais importante do que detalhes como a escolha do algoritmo. Esses problemas são mais complicados do que simplesmente aprovar ou rejeitar decisões. Questões de alocação de recursos, priorização, equipe e logística geralmente exigem que a Ciência corporativa chegue à melhor decisão com base nos dados.

Observamos inúmeros cenários em que a Ciência corporativa é a abordagem certa que trará o melhor resultado para o negócio:

  • Os setores de marketing e vendas podem aplicar a Ciência corporativa para pontuação de clientes e oportunidades, previsão do tempo de fechamento de negócios e muitos outros casos de uso relacionados a CRM que a maioria das equipes de ciência de dados não pode priorizar, mas são extremamente valiosos.
  • Fabricantes e varejistas podem aproveitar a Ciência corporativa para a distribuição e a otimização da cadeia de fornecimento, previsão da demanda do consumidor ou análise de cenários para adicionar novos produtos ao seu portfólio.
  • O RH pode usar a Ciência corporativa para avaliar a probabilidade de um candidato aceitar uma oferta, analisando padrões históricos e o conhecimento do recrutador de como adequar a combinação de salário, equidade, benefícios, etc. com base nas expectativas do candidato.
  • O mercado imobiliário pode aplicar a Ciência corporativa para planejar onde comprar espaços de escritório e descobrir os custos de mover pessoas de um local para outro. Nesse ponto, o discernimento humano pode ajudar a equilibrar as considerações de orçamento corretas com a “dinâmica política do escritório” (por exemplo, implicações que podem surgir com a mudança de determinados indivíduos ou equipes).

Qual a finalidade da Ciência corporativa do Tableau?

Os projetos de IA precisam de experiência em dados e conhecimento na área para serem bem-sucedidos

Apesar dos medos e dos equívocos diante da possibilidade da IA substituir as pessoas, existem muitos problemas comerciais em que as máquinas mais inteligentes não são páreo para o discernimento humano. Por exemplo, um setor de vendas pode usar modelagem preditiva para determinar as oportunidades de vendas adicionais e vendas cruzadas mais lucrativas. Um algoritmo pode oferecer previsões sobre a probabilidade de compra de um cliente, mas não teria o conhecimento fundamental de alguém que gerencia o relacionamento comercial. Um executivo de conta entenderia os objetivos do cliente e quais produtos podem ajudá-lo a atingir esses objetivos, ou pode ter aprendido em experiências anteriores que é improvável que uma determinada solução leve a uma decisão de compra.

Esses tipos de variantes exigem discernimento humano além do que um algoritmo pode oferecer sozinho. Juntos, a experiência humana, o discernimento e a consciência contextual combinados com o rigor, a automação e a escalabilidade de informações geradas por máquina impulsionam melhores resultados comerciais. Em outro exemplo, um varejista quer saber qual produto adicionar às suas lojas para aumentar os lucros em uma determinada região. Um profissional de negócios entende como fatores como relações com fornecedores, tendências regionais e outras implicações qualitativas e impactantes podem afetar a tomada de decisão, detalhes que uma máquina talvez nunca entenda ou aplique corretamente.

Mesmo com a automação, os humanos devem compreender e explicar os resultados. A maior parte da automação baseada em IA envolve o uso de algoritmos matemáticos para criar modelos e fazer previsões, mas as recomendações devem ser testadas continuamente por humanos.

As organizações se esforçam muito tentando recrutar “unicórnios” que possuam conhecimento de ciência de dados e experiência na área, mas os profissionais que se enquadram nessa descrição são muito raros. Existem diversas questões fundamentais em que as técnicas da ciência de dados são o fator mais importante. Porém, a Ciência corporativa traz muitas dessas técnicas para mais pessoas, para que elas também possam aproveitar as previsões em suas análises sem precisar de formação técnica avançada.

A Ciência corporativa busca adequar o método e o especialista ao problema. Quando as equipes de ciência de dados assumem novos projetos comerciais, muitas vezes sentem dificuldades pela falta de contexto e conhecimento na área. Sem o contexto certo, essas equipes gastam muito tempo tentando identificar os dados corretos para resolver o problema e, depois, selecionando, limpando e preparando esses dados para análise. Como a IA e a ML dependem muito dos dados, isso é fundamentalmente um problema de dados. Dessa maneira, é importante ter uma boa correspondência entre o problema que está sendo resolvido e os dados certos.

A proximidade dos especialistas da área com os problemas que suas organizações enfrentam e o conhecimento especializado sobre a linha de dados comerciais oferece uma vantagem no desenvolvimento, na validação e na implantação de modelos preditivos para que as decisões desses especialistas sejam mais pontuais, eficientes e impactantes.

 

Uma abordagem iterativa de revisão e de reimplantação economiza tempo, reduz custos e otimiza habilidades exclusivas

Os ciclos tradicionais da ciência de dados e do aprendizado de máquina podem ser longos, e a reta final costuma ser a parte mais desafiadora, usando mais recursos como tempo, esforço e custo. A implantação e integração de modelos personalizados tradicionais é complexa e exige que estatísticos e cientistas de dados tornem as soluções consumíveis e acionáveis ​​pelos usuários finais. Quando o tempo de lançamento no mercado é um fator importante, capacitar as pessoas para criar e iterar modelos preditivos em questão de dias e semanas (não meses) maximiza os recursos e ajuda na obtenção de um melhor retorno sobre o investimento.

Muitas organizações têm dificuldades para escalonar os protótipos e os pilotos de IA para produção total e uso mais amplo, subestimando muitas vezes o desafio de implantar e integrar a IA com outros sistemas. Conforme a pesquisa de 2020 da Gartner sobre a IA nas organizações, apenas 53% dos protótipos são finalmente implantados.

Para especialistas comerciais que precisam se basear em dados e previsões para tomar decisões informadas, é muito valioso poder controlar diversos aspectos em todo o processo de construção do modelo e confiar nos dados em relação a cada caso de uso. Especialmente quando a abordagem da construção do modelo é iterativa e focada na melhoria contínua da precisão das previsões. Essa abordagem ajuda as pessoas a agir enquanto os dados ainda são relevantes. Às vezes, até mesmo a tentativa de construir um modelo faz com que uma equipe teste os dados até alcançar algum valor.

Com a Ciência corporativa, o objetivo é mover um KPI, não aperfeiçoar um modelo até que ele seja o mais preciso. Ao facilitar um processo mais iterativo de revisão e reimplantação do que os ciclos tradicionais de ciência de dados, a Ciência corporativa elimina barreiras para que pessoas com o contexto do negócio criem modelos e usem previsões com rapidez. Mais pessoas podem extrair valor mais rapidamente dessas técnicas de análise avançada e tomar decisões mais inteligentes quando e onde for necessário. Isso pode trazer grandes economias ou lucros para um caso de uso específico.

Pense na atribuição de cotas de vendas: as atribuições geográficas e as metas mudam o tempo todo. O mesmo modelo de atribuição de cotas de um ano não funcionará no ano seguinte, porque os dados para o modelo evoluem continuamente. E se um líder de vendas regional vetar o modelo sugerido porque tem o objetivo de fazer ainda mais negócios na região? Isso torna muito valiosa a capacidade de dinamizar ou iterar rapidamente o modelo, resultando em novas oportunidades de receita nesses territórios de vendas.

Ao capacitar analistas e usuários corporativos com o autoatendimento seguro do aprendizado de máquina, a Ciência corporativa otimiza as habilidades exclusivas e a experiência na área de mais pessoas. Isso também reforça o papel integral das equipes de ciência de dados, liberando essas equipes para concentrar esforços em projetos fundamentais e urgentes, em grande escala. Esse tipo de soluções alimentadas pela IA também pode criar um ambiente experimental para analistas e usuários corporativos avançados, que buscam descobrir novos casos de uso que não são prioridades para as equipes de ciência de dados. Com mais pessoas analisando um grande número de casos de uso e impulsionadores de resultados, a probabilidade de entregar um modelo bem-sucedido aumenta muito. Os especialistas na área têm autonomia para criar modelos sem programação e orientados por aprendizado de máquina para suprir suas necessidades, produzindo análises comerciais específicas que não exigem o nível de profundidade que os profissionais de dados utilizam.

É importante perceber que, embora as soluções da Ciência corporativa possam ajudar a resolver a lacuna de habilidades de analistas e cientistas de dados, elas não podem substituí-los. Os profissionais de ciência de dados continuarão a fornecer modelos personalizados, análises estatísticas etc.. Entretanto, eles farão parceria com especialistas comerciais mais frequentemente para validar os dados usados ​​em modelos de aprendizado de máquina. Essa maior colaboração entre as equipes continua sendo fundamental para o sucesso e o desempenho dessas soluções.

 

A democratização da ciência de dados de forma responsável exige orientação para identificar e mitigar os vieses e o uso antiético.

Expandir as análises alimentadas por IA para mais pessoas tem muitos benefícios, mas também alguns riscos potenciais. Os vieses são inerentes aos dados e às tecnologias e, a menos que sejam mitigados, podem ser perpetuados nas previsões e recomendações e até causar danos. A tecnologia de reconhecimento facial é um exemplo bem conhecido de uma convergência de pontos falhos, em que dados tendenciosos de treinamento, tecnologia e previsões trouxeram resultados prejudiciais para as comunidades negras. (Este é um dos motivos  por que não permitimos tecnologia de reconhecimento facial em nossa política de utilização aceitável.)

O profissional de negócios de uma empresa de médio porte não pensa necessariamente nessas coisas durante a sua análise. Para começar, a documentação robusta do modelo pode apresentar mais transparência por trás das previsões e das recomendações e facilitar o rastreamento. Entender o que contribuiu para a previsão, quais colunas nos dados e onde estão os impulsionadores pode ajudar a identificar vieses nos conjuntos de dados e modelos.

Não há solução automatizada ou abrangente que garanta o uso ético de dados e da IA; é necessário conhecer os dados por conta própria. Mas uma responsabilidade que temos com nossos clientes é a segurança de nossa tecnologia, em que podemos sinalizar riscos potenciais e ajudar os clientes a não persistir nos vieses existentes nos dados das previsões, aplicando esse conhecimento aos dados reais quando eles são apresentados.

Orientações adicionais podem detectar vieses embutidos, monitoramento de modelo e explicações em linguagem natural das variáveis ​​que influenciam as previsões, ajudando as pessoas a criar modelos mais éticos. No  Einstein Discovery, o produto pede aos usuários que selecionem variáveis ​​e campos sensíveis que podem incluir os vieses, como raça, idade, estado civil e local de residência. Pela detecção indireta, também são procurados campos correlacionados no conjunto de dados, em que há potencial para vieses se um campo, mas não o outro, for removido. Outra métrica importante é o impacto distinto. Por exemplo, ver se o resultado do modelo difere entre diferentes gêneros ou códigos postais. Para muitos setores regulamentados, essa é uma métrica usada para manter os modelos de aprendizado de máquina confiáveis.

A democratização da IA ​​e do aprendizado de máquina envolve considerações e responsabilidades importantes

Esse é um campo em ascensão, por isso não está claro como o cenário mudará conforme novas tecnologias e casos de uso forem descobertos e os padrões e as normas éticas se tornarem mais comuns. A tecnologia de IA ainda será moldada por normas futuras de órgãos governamentais na União Europeia e conforme mais governos estaduais e federais nos EUA implementarem novos controles para a inteligência artificial. Considerando esse cenário em evolução e o nível de perturbação do ano passado, as organizações estão sendo colocadas à prova: A transformação digital não está mais no futuro, ela já chegou. As empresas estão descobrindo maneiras de gerenciar o fluxo atual de dados, a inovação de IA e suas aplicações eficazes, incluindo como usar a IA de uma forma mais ágil e resiliente.

A Ciência corporativa permite maior acesso ao aprendizado de máquina, mas gerenciar o desenvolvimento e o uso de IA de maneira segura e ética é responsabilidade das organizações. O Tableau e a Salesforce fornecem a plataforma e a orientação para que pessoas e organizações tomem decisões mais informadas e responsáveis. O cliente conhece melhor os seus dados e o contexto de negócios nos quais as soluções de IA e de ML devem ser aplicadas. Acreditamos que combinar soluções avançadas de IA e de ML com a experiência humana é a maneira mais eficaz de equilibrar os níveis corretos de colaboração entre as equipes, a aplicação e o uso éticos da inteligência artificial e iteração rápida. Essa abordagem centrada no ser humano também ajuda na eficácia e no sucesso dos modelos preditivos, do planejamento de cenários, da simulação e de outras técnicas da ciência de dados.

Conforme continuamos a inovar e nossos clientes enfrentam desafios atuais e futuros, as melhores práticas da Ciência corporativa surgirão. Identificamos questões importantes conforme as organizações adotam e desenvolvem soluções de Ciência corporativa, alinhadas com nossos valores. Para encontrar o equilíbrio certo entre os fatores de colaboração, iteração rápida e uso ético, consideramos fundamental que as organizações:

  • Definam e concordem com as funções e os processos
  • Estabeleçam métodos para uma colaboração de sucesso
  • Construam pontos de contato humano para o uso e o desenvolvimento ético da IA

 

Definir e concordar com as funções e os processos

Especialistas na área e cientistas de dados deverão se ajustar a esse novo ambiente de IA de autoatendimento. Ao implementar soluções da Ciência corporativa, é importante que analistas, usuários corporativos e equipes de ciência de dados definam e concordem sobre as funções, o trabalho a ser realizado, os novos processos que podem ser necessários para trocas de experiências produtivas e harmoniosas, e o nível de envolvimento e validação esperado de cada grupo, entre outras considerações. Como acontece com qualquer nova ferramenta ou processo, haverá um período de adaptação em que as funções e os processos definidos recentemente são testados. Manter diálogos abertos será fundamental para preparar todas as equipes para o sucesso.

 

Estabelecer métodos para uma colaboração de sucesso

Como parte da manutenção de diálogos entre as equipes, métodos para a comunicação contínua precisam ser estabelecidos. Os canais podem ser os que já existem, mas padronizar e criar o hábito de usá-los exigirá um esforço consciente durante a implementação de soluções de aprendizado de máquina para um grupo maior de pessoas. Além disso, a prática de estabelecer uma sessão frequente de perguntas e respostas, consultar, validar e compartilhar feedbacks sinceros, etc. pode tornar a colaboração entre as equipes de análise de IA bem-sucedida.

 

Construir pontos de contato humano para uso e desenvolvimento ético da IA

Os controles orientados por tecnologia contra os vieses são úteis e oferecem suporte para mais pessoas na hora de coletar informações e previsões para uma tomada de decisão mais inteligente. Porém, eles não devem ser o único método de auditoria em que podemos confiar. Construa pontos de contato para que um humano possa revisar cada etapa do caminho. Analistas e usuários corporativos têm experiência na área para entender os dados dentro do contexto. Eles também podem prever os efeitos potenciais quando dados sensíveis não são tratados de forma ética, mas isso só é possível com uma base de funcionários diversificada. Eles devem ser capazes de identificar lacunas ou usos discriminatórios dos dados e falar pelas minorias que são mais afetadas negativamente por sistemas de IA tendenciosos. O aprendizado de máquina e a experiência humana, combinados com as ferramentas necessárias, revisão humana, transparência e monitoramento de vieses, ajudam as organizações a aplicar soluções de IA com segurança e ética.

Se perceber que os dados já estão sendo tendenciosos e o modelo tem potencial para causar danos, não implemente o modelo nem automatize qualquer tomada de decisão. Lidar com os vieses dos dados é fundamental em várias esferas. Os vieses não só podem causar danos, mas também mostram que os dados possuem erros, o que subsequentemente leva a erros nos modelos, nas previsões e nas decisões relacionadas. Se a sua organização não tiver um grupo de ética interno ou tiver preocupações sobre como lidar com os vieses, faça parceria com especialistas terceirizados para ajudar a analisar e mitigar os vieses nos dados ou modelos. As investigações podem revelar as consequências de não controlar os vieses. As equipes de ciência de dados podem ajudar a apoiar o trabalho realizado por esses auditores e consultores externos de IA.

Na Tableau e na Salesforce, temos o compromisso de oferecer ferramentas aos nossos clientes, parceiros e funcionários, para desenvolver e usar IA de maneira responsável, precisa e ética. Leia mais sobre o  nosso compromisso com a ética de IA do Salesforce Office of Ethical and Humane Use. Para ajudar a remover os vieses dos dados e dos algoritmos para sistemas de IA mais éticos em sua empresa, conclua o módulo Trailhead do Salesforce, “ Criação responsável de inteligência artificial."

Conclusão

A demanda por habilidades em dados cresce a cada dia e, com ela, uma imensa oportunidade de ajudar pessoas e organizações a aprender e resolver problemas de uma maneira mais eficaz. Embora algumas abordagens se concentrem no desenvolvimento ou na implementação de soluções de IA completamente automatizadas, essa abordagem limitada provavelmente não oferecerá o valor que deveria. Remover a habilidade humana, a consciência contextual e a experiência ao democratizar a IA e as técnicas de ciência de dados não é apenas contraproducente, mas irresponsável.

A Tableau sempre acreditou no potencial humano. Liberar o potencial humano é parte do DNA da Tableau, e isso foi incorporado em nossa plataforma de análise visual líder do setor. Atualmente, com a Ciência corporativa do Tableau, esse tipo de inovação utiliza IA e ML para continuar com a tradição de capacitar pessoas com as ferramentas e as funcionalidades corretas para fazer e responder perguntas, descobrir ideias e resolver problemas. Com a incorporação do Einstein Discovery no Tableau, uma solução de Ciência corporativa, estamos colocando o aprendizado de máquina nas mãos de mais pessoas e democratizando técnicas avançadas da ciência de dados para ajudá-las a tomar decisões melhores e mais rápidas.

Recursos adicionais

O Tableau: Análise de IA

Obtenha informações baseadas em IA em análises aumentadas, a ciência corporativa do Tableau e a ciência de dados integradas em nossa plataforma líder de análise de autoatendimento.

Einstein Discovery no Tableau

Conheça um ambiente intuitivo e sem programação que capacita qualquer pessoa a tomar decisões com rapidez e confiança orientada por uma IA ética e transparente no Tableau.

Whitepaper técnico do Einsten DIscovery (Salesforce)

Mergulhe mais fundo para entender os recursos diferenciadores e exclusivos do Einstein Discovery da Salesforce no espaço de aprendizado de máquina.