Segundo a Gartner, estas tecnologias compreendem três áreas: 

• Interfaces e experiências: tecnologias que vão mudando fundamentalmente a maneira como interagimos com o mundo.
• Facilitadores de negócios: tecnologias que impactam as empresas mudando práticas, processos, métodos, modelos ou funções.
• Revolução da produtividade: a confluência de várias tecnologias e tendências que ajudam as organizações de forma rápida, precisa e em maior volume, a classificar, prever e resolver problemas que os humanos não conseguem.

Enquanto algumas destas tecnologias estão ao virar da esquina (como é o caso dos assistentes virtuais avançados), outros estão mais distantes (nuvem AR).

Relacionado: As tecnologias mais badaladas desde o ano 2000, Tendências sobre gestão de dados para 2020 

fonte: Gartner

A tecnologia desempenha um papel fundamental no atendimento ao cliente, uma vez que articula e estrutura a organização de operações e processos.

Os consumidores estão no centro de todo o processo

Nos últimos anos tem-se vindo a desenhar uma mudança no serviço a cliente. Os consumidores vivem no imediato, sabem perfeitamente o que precisam e exigem às empresas que sejam capazes de lhes responder. Estão também activos e conectados a qualquer hora e em qualquer lugar, a partir de qualquer dispositivo.

Tecnologia Cloud

A democratização e universalidade da tecnologia Cloud irá trazer os mais recentes avanços para um vasto conjunto de empresas, independentemente dos seus recursos. Assim, este é o ambiente perfeito para desenvolver e executar um conjunto de aplicações que trazem a flexibilidade e escalabilidade pretendidas por pessoas e empresas.

Analítica e IA

O desenvolvimento de tecnologias de analítica, a Inteligência Artificial irá proporcionar às empresas a oportunidade de gerir as interacções dos utilizadores de uma forma mais eficiente e lucrativa. A automatização e o desenvolvimento de soluções baseadas em inteligência artificial irão permitir que as operações diárias dos Contact Centers sejam mais rápidas e eficientes. Em paralelo, as ferramentas de analítica irão proporcionar informações relativamente aos utilizadores alvo da empresa, bem como informações valiosas sobre as suas preferências, dúvidas recorrentes e resoluções já arquivadas. No fundo, proporcionando um serviço de apoio ao cliente de elevada qualidade e verdadeiramente útil para os consumidores.

Canais Digitais

O ambiente online oferece crescentes possibilidades de relações cliente – empresa. Cada vez mais empresas estão a incorporar novos canais, incluindo de mensagens instantâneas como o Facebook Messenger, Slack, Microsoft Teams e WhatsApp, entre outros. Estas opções estão a ganhar relevância porque os novos consumidores estão familiarizados com elas e estas lhes transmitem a percepção de respostas rápidas e habitualmente de elevada qualidade. Para que esses canais sejam mais eficazes, as empresas devem optimizar as operações do Contact Center com plataformas de gestão omnicanal ou bots e RPAs que automatizam os processos mais simples e rotineiros. Por sua vez, a sociedade digital dará acesso a um grande número de dados sobre utilizadores que serão utilizados para oferecer uma experiência mais personalizada para cada cliente.



Estas tendências tecnológicas influenciam directamente as empresas e a maneira como estas gerem os seus serviços de atendimento ao cliente. Algumas até mudam o seu core business pare se transformarem num novo conceito de empresa dedicado ao sector.



Relacionado: Personalização da Experiência do Cliente através da automação


Exemplo: Serviço ao cliente em Portugal pelo Banco Montepio segundo a ITInsight





Fonte: ITInsight, artigo por Alfredo Redondo, CEO da Altitude Software

As ferramentas de software estão a capacitar os analistas de negócios a gerar modelos analíticos e insights sem a ajuda de engenheiros de software.

A IBM espera que a procura por Data Scientist suba pelo menos 28% até ao final de 2020. Para lidar com a escassez de talentos, as empresas estão a desenvolver software que fazem esse trabalho, criando efectivamente Data Scientist a partir de funcionários corporativos que não fazem parte da equipa de TI.

De acordo com o Gartner, a ciência de dados por software inclui recursos e práticas que permitem aos utilizadores extrair informações preditivas e prescritivas dos dados enquanto trabalham em posições fora dos campos de estatística e análise. Estes Data Scientist são “utilizadores avançados”, como analistas de negócios que não têm formação em ciência da computação, mas podem executar tarefas analíticas simples a moderadamente sofisticadas que anteriormente exigiam mais conhecimento. Esta tem sido uma maneira útil de lidar com a escassez de talentos.

O aumento da disponibilidade de ferramentas, tecnologia, dados e modelos está a permitir a disseminação de insights para pessoas que normalmente não teriam essa capacidade

~Brandon Purcell, analista da Forrester Research.

Agora, graças as ferramentas como o SPSS e o Alteryx da IBM, novos Data Scientist (conhecidos como Citizen Data Scientist), muitos com pouca ou nenhuma experiência em código, utilizam software para obter insights. Estas plataformas tornam “muito mais fácil para os analistas de linha de negócios manipular dados do que no Excel”, afirma Purcell.

O Citizen Data Scientist preenche a lacuna entre a análise realizada por utilizadores de negócios e a análise avançada atribuída aos cientistas de dados. Já os cientistas de dados profissionais criam e escalam modelos e algoritmos em toda a empresa.

O TD Bank usa uma ampla gama de ferramentas analíticas básicas e sofisticadas para melhor alinhar os dados históricos e actuais dos clientes, bem como para conduzir análises de fraude. Por exemplo, o banco usa o software da AtScale para ajudar os utilizadores de negócios a consultar dados em tempo real da base de dados Hadoop e obter resultados rapidamente. Os analistas do TD Bank visualizam as informações no sistema de auto-serviço Tableau.


A Salesforce, por exemplo, oferece o Einstein Prediction Builder, que permite aos analistas de negócios criar modelos de IA Inteligência Artificial personalizados, adicionando variáveis ​​para prever resultados. O Sensei da Adobe, outra ferramenta de ML Machine Learning, ajuda os profissionais de marketing a criar campanhas em minutos, economizando horas de trabalho.


Obviamente, nem todo desafio de bigdata será facilmente levado a cabo por um cidadão cientista de dados. As empresas ainda precisam de estatísticos e outros especialistas de técnicas matemáticas avançadas, revela Bill Roberts, da Deloitte Consulting.

Além disso, Roberts observa que, embora as ferramentas de auto-serviço possam servir bem uma empresa, se elas não funcionarem correctamente poderão gerar problemas. “Quando há um problema, será preciso alguém com formação ou grau avançado em matemática que o possa resolver”, conclui.



Relacionado:
As tecnologias do local de trabalho digital dos próximos cinco anos
A diária de um cientista de dados
Diferenças entre Business Intelligence e Data Science
Cinco armadilhas do auto-serviço de BI




fonte: CIO.pt

Big Data é a enorme quantidade de dados estruturados ou não estruturados que inundam uma empresa diariamente e, portanto, não podem ser processados pelas técnicas tradicionais de processamento de dados.

Duas profissões importantes que lidam com Big Data são frequentemente definidas de maneira vaga e às vezes usadas de forma intercambiável entre si, minando claramente a distinção entre elas. Essas duas profissões são Analista de Dados e Cientista de Dados. Ambas as profissões exigem um conjunto diferente de competências. Aqui estão algumas das distinções entre as duas funções.

Analistas de Dados

O que fazem
Os Analistas de Dados examinam uma grande quantidade de dados e extraem insights e padrões a partir deles. São responsáveis pela colecta, organização e obtenção de resumos estatísticos fornecidas através de visualizações e relatórios para decisões estratégicas das empresas.

Competências
Conhecimentos de programação, matemática, estatística, e de preferência capacidade de comunicação e conhecimento de ciência da computação. Linguagens R e Python são amplamente usadas em análise de dados e fornecem um arsenal de ferramentas para colecta, limpeza, transformação, processamento e interpretação dos dados.

Sólido conhecimentos em Linguagem SQL e, com expressões comuns, podem dissecar facilmente os dados e criar significado a partir deles. Além disso, eles precisam ajudar as organizações a tomar decisões, fazendo sentido dos padrões e tendências encontrados nos conjuntos de dados.

Proficiência em Analítica baseada no Hadoop, como HBase, Hive, Impala, Spark e Big Query. Além disso, eles precisam estar familiarizados com várias ferramentas de ETL extract, transform, loadpara transformar dados de diferentes origens em Analytics Data Stores.

Onde actuam
São procurados principalmente pelos sectores da saúde, viagens, finanças e TI. Estão também envolvidos activamente no processamento de dados e análise de dados em todos os tipos de negócios.

Cientistas de Dados

O que fazem
Podem fazer previsões que ajudam as empresas a tomar decisões precisas. Eles podem executar quase todas as tarefas que um Analista de Dados pode fazer, pois também são proficientes em matemática, estatística e programação. Eles são eficientes na escolha e resolução dos problemas certos que podem ajudar uma empresa a destacar-se.

Competências
Um Cientista de Dados possui todas as competências de um Analistas de Dados, com profundos conhecimentos de modelação, estatística, matemática e ciência da computação. Com sólidas competências em matemática, estatística e mineração de dados, os Cientista de Dados são especialistas em modelação preditiva e aprendizagem automática. Portanto, eles podem criar modelos preditivos complexos que podem fornecer recomendações válidas com base em dados históricos.

O factor de diferenciação, no entanto, é a perspicácia comercial robusta que os diferencia dos analistas. É necessário que um Cientista de Dados possa transmitir as descobertas na forma de uma história para os profissionais de TI e os gestores de negócios, para que estes possam correr riscos calculados e tomar decisões viáveis com base nas informações fornecidas pelo Cientista de Dados.

Onde actuam
Os Cientista de Dados são procurados por empresas de comércio electrónico, optimização de mecanismos de busca (SEO), serviços financeiros e na área de saúde. Além disso, as empresas precisam prever as tendências futuras do sector a partir dos dados existentes e tomar decisões lógicas com base nessas tendências futuras. As suas competências podem ser usadas por qualquer empresa interessada em analisar dados e prever tendências a partir dos dados.


Relacionado: A diária de um cientista de dados


fonte: Data Science Academy

Uma molécula da droga 'inventada' pela IA Inteligência Artificial será testada em humanos com a aplicação da aprendizagem automática à medicina pela primeira vez.

O medicamento será usado no tratamento de pacientes com transtorno obsessivo-compulsivo. Foi criado pela startup britânica Exscientia e pela empresa farmacêutica japonesa Sumitomo Dainippon Pharma.

Normalmente, o desenvolvimento de medicamentos leva cerca de cinco anos para ser testado, mas este medicamento desenvolvido através da IA Inteligência Artificial levou apenas 12 meses.

We have seen AI for diagnosing patients and for analysing patient data and scans, but this is a direct use of AI in the creation of a new medicine

~Prof. Andrew Hopkins

A molécula - conhecida como DSP-1181 - foi criada usando algoritmos que examinaram minuciosamente compostos potenciais, verificando-os contra uma enorme base de dados de parâmetros.

There are billions of decisions needed to find the right molecules and it is a huge decision to precisely engineer a drug. But the beauty of the algorithm is that they are agnostic, so can be applied to any disease

~Prof. Andrew Hopkins

O primeiro medicamento entrará na primeira fase de testes no Japão que, se forem bem-sucedidos, serão seguidos por mais testes globais.


Relacionado:
Aprovado medicamento feito em impressora 3D,
A IA poderia ajudar a projectar melhores drogas que não chocam com outros medicamentos





fonte: BBC News

Quando as tecnologias emergentes tomam conta das notícias em destaque, como podemos distinguir a febre mediática do que é comercialmente viável?

Em pouco tempo, inovações tecnológicas como a internet sem fios e as redes sociais tornaram-se uma parte omnipresente do nosso dia a dia, transformando silenciosamente a maneira como vivemos, trabalhamos e comunicamos. Outras tecnologias promissoras têm um curto tempo de fama e acabam por desaparecer na obscuridade.



Definição de Hype Cycle pela Gartner




fonte: Visual Capitalist

Segmentação ou personalização? Há um aumento significativo de oportunidades potenciais ao nível do envolvimento do cliente em novos canais digitais, dispositivos e muito mais, apresentando o risco de uma jornada fragmentada e complexa do cliente. Os retalhistas enfrentam a necessidade de manter toda a jornada focada exclusivamente no contexto de cada comprador, e não em pontos de contacto sequenciais desconectados, informados pelas propensões do segmento, para oferecer uma experiência ininterrupta ao cliente em todas as interacções.

New Customer Experience Architecture, por IDC Retail Insights, 2017

A figura acima mostra como a plataforma de experiência do cliente é um loop perpétuo e as declarações internas são repetidas ad infinitum, optimizadas dinamicamente por meio de um núcleo inteligente.


Começando de baixo, os dados chegam à organização na forma de ficheiros, mas também em streams a partir de dispositivos conectados, logs, dispositivos móveis e terceiros.

O nível de informação acelera a ingestão de dados, entende e governa os dados, criando um lago de informações unificado, que é a principal etapa para a definição e configuração de uma estratégia de hiper-micro segmentação.

A partir de cima, chegam dados contextuais em tempo real através dos pontos de contacto da jornada do cliente, circulando pela fundação de IA Inteligência Artificial, ponto central desta plataforma. A IA permite uma abordagem inovadora, alterando o mapa de conhecimento do comportamento do cliente para a caracterização de seu contexto social, necessidades potenciais e tomada de decisão.

Exemplo: A Alibaba está a usar a IA para personalizar a experiência do cliente, os comerciantes que vendem no site de comércio eletrónico da rede Alibaba podem personalizar suas fachadas virtuais para visitantes individuais, oferecendo recomendações em tempo real e personalizadas de produtos com base em históricos de compras, dados comportamentais e uma série de outras informações.

A automação é uma maneira essencial de alcançar a personalização da experiência do cliente em escala.
A personalização não importa apenas quando o consumidor está a pensar em fazer uma compra; o consumidor espera suporte individualizado durante toda a relação com o retalhista, desde o contacto inicial até o suporte ao cliente. A IA Inteligência Artificial é um facilitador essencial, não apenas para os aplicativos front-end, mas também para todos os processos de back-end que oferecem suporte à hiper-micro personalização.

Os retalhistas estão a adoptar uma ampla gama de tecnologias de IA, incluindo ML Machine Learning, reconhecimento de voz / voz, processamento de linguagem natural e reconhecimento / análise de imagem, aproveitando uma grande quantidade de novas fontes de dados, como dados contextuais não estruturados.


Relacionado:
Tecnologia cognitiva e robótica revitalizam a CX nos Seguros
Analítica, integração e qualidade dos dados;
Analítica preditiva em expansão;
Aprendizagem automática baseada nos dados;
O que é Big Data?


Estudo da IDC: Infra-estrutura antiga e visão estratégica desconexa são barreiras à nova geração de CX


(editado)

fonte: IDC UK • Ireland

Ferramentas e tecnologias emergentes na actividade seguradora criam oportunidades para uma melhor gestão dos dados, desenvolvimento de produtos e marketing, entre outras áreas.

Tarefas como processamento de aplicações de back-office, sinistros e relatórios financeiros já estão a ser automatizadas. Com a melhoria da produtividade nessas funções, as seguradoras estão a expandir as suas funções noutras áreas - como gestão dos dados, desenvolvimento de produtos e marketing - com o objectivo de desenvolver produtos e serviços mais personalizados. Por exemplo, o acesso a ferramentas que permitem o reconhecimento e inteligência dos padrões de estilo de vida torna possível criar campanhas de marketing mais focadas e personalizadas.

Como quase todos os sectores, o sector de seguros está a passar por uma mudança demográfica para os clientes da Geração X, Geração Y e Geração Z. Essa tendência, por sua vez, está a levar a uma preferência cada vez maior pelo envolvimento do cliente através de canais digitais. Com a ajuda da robótica e de inovações técnicas como NLP Natural Language Processing, NLG Natural Language Generation e ML Machine Learning, agora são possíveis interacções mais eficientes e eficazes.

Embora as seguradoras líderes usem há muito tempo análises avançadas para obter insights mais aprofundados dos clientes quanto à subscrição e fixação dos preços dos riscos, os métodos tradicionais geralmente são muito lentos para responder ao volume e à velocidade a que os dados não estruturados são capturados. As tecnologias cognitivas são formas poderosas para acompanharem os fluxos de informação continuamente em expansão de hoje em dia.

As seguradoras também estão a usar ferramentas cognitivas para analisar dados de vários canais e criar experiências e produtos mais personalizados para os clientes. Dados de dispositivos conectados, sensores e media sociais, por exemplo, ajudam as companhias a afastarem-se de uma prática antiga de "encontrar clientes para produtos" para um modelo no qual os produtos são criados especificamente para atender às necessidades e riscos dos seus segurados. Além disso, as seguradoras também podem projectar as jornadas dos clientes a partir do zero, oferecendo uma experiência mais personalizada, em vez de envolver os clientes de uma maneira genérica.


Embora as companhias de seguros possam ser vistas como conservadoras e lentas na adopção da mudança, essa inércia não será uma opção viável na era da IA Inteligência Artificial. As seguradoras que deixarem de adoptar a jornada cognitiva provavelmente acabarão por ceder vantagem estratégica aos concorrentes e aos novos players do mercado.



Fonte: Deloitte, The Wall Street Journal

A IA Inteligência Artificial e a tecnologia de expressão facial estão a ser usadas pela primeira vez em entrevistas de emprego no Reino Unido para identificar os melhores candidatos.

A Unilever, gigante dos bens de consumo, está entre as empresas que usam a tecnologia de IA Inteligência Artificial para analisar a linguagem, o tom e as expressões faciais dos candidatos quando recebem um conjunto de perguntas idênticas sobre o trabalho que filmam no seu telemóvel ou PC.


Os algoritmos seleccionam os melhores candidatos avaliando as suas performances nos vídeos em relação a cerca de 25.000 informações faciais e linguísticas compiladas em entrevistas anteriores daqueles que se mostraram bons no trabalho.

A Hirevue, empresa norte-americana que desenvolveu a tecnologia de entrevistas, afirma que a tecnologia permite que os recrutadores entrevistem mais candidatos no estágio inicial, em vez de simplesmente confiar em currículos, e que fornece um indicador mais confiável e objectivo do desempenho futuro, livre de preconceitos humanos.


No entanto, académicos e activistas opõem-se.

Isso vai favorecer as pessoas que são boas a fazer entrevistas em vídeo e qualquer conjunto de dados terá preconceitos, o que excluirá as pessoas que realmente seriam óptimas no trabalho
~Anna Cox, professora de interacção pessoa-máquina na UCL


Loren Larsen, director de tecnologia de Hirevue, disse ao The Daily Telegraph que 80 a 90% da avaliação preditiva foi baseada na análise de algoritmos do uso de linguagem e competências verbais dos candidatos.

A empresa diz que a tecnologia é diferente do reconhecimento facial e, em vez disso, analisa expressões. As expressões faciais avaliadas pelos algoritmos incluem sulcos na sobrancelha, aumento da sobrancelha, alargamento ou fechamento dos olhos, aperto dos lábios, elevação do queixo e sorriso, que são importantes em vendas ou em outros trabalhos públicos.

O uso de um sistema de IA sem rosto para realizar dezenas de milhares de entrevistas tem implicações realmente assustadoras para os candidatos.

Este algoritmo tentará reconhecer e medir as complexidades extremas da fala humana, linguagem corporal e expressão, que inevitavelmente terão um efeito prejudicial em candidatos não convencionais.

Como em muitos destes sistemas, a menos que o algoritmo tenha sido treinado com um conjunto de dados extremamente diversificado, há uma probabilidade muito alta de que isso possa sofrer algum tipo de distorção, resultando em candidatos de determinadas origens injustamente excluídos e discriminados

~Griff Ferris, oficial jurídico e de políticas da Big Brother Watch


Contraditório: artigo científico pela SciTechDaily






Relacionado: Big Data na gestão de RH



fonte: Data Science Academy

Em breve as empresas poderão capturar muito mais dados sobre suas cadeias de distribuição — dados que alimentam a automação de processos, a análise preditiva, a inteligência artificial e a robótica. Estas são as tecnologias que em breve assumirão a gestão da cadeia de distribuição.



Video YouTube, ROWA Vmax Introduction

A Elevada quantidade de produtos, os espaços cada vez mais reduzidos e os custos elevados de áreas nas grandes cidades, aliados às altas necessidades de gestão dos stocks em tempo real, exigem um novo conceito de armazenamento de alta densidade e de altos níveis de controlo.

ROWA® – ARMAZENAGEM E DISPENSAÇÃO ROBOTIZADA DE PRODUTOS UNITÁRIOS, exemplo: Solução ROWA para o segmento de Cosmética e Perfumaria.


A cadeia de distribuição é o ponto central das operações de uma empresa. Para tomar as melhores decisões, os gestores precisam de acesso a dados em tempo real sobre sua cadeia de distribuição, mas as limitações das tecnologias herdadas (legacy) podem frustrar o objectivo da transparência ponta a ponta.

No entanto, esses dias podem pertencer ao passado. Novas tecnologias digitais disruptivas têm potencial para assumir totalmente a gestão da cadeia de distribuição transformando as formas de trabalho tradicionais. Dentro de 5 a 10 anos, a função da cadeia de distribuição pode estar obsoleta, substituída por um utilitário que gere de forma optimizada os fluxos de trabalho de ponta a ponta e requer muito pouca intervenção humana.


Relacionado:
Analítica preditiva em expansão,
Benefícios da analítica em tempo real,
Analítica comportamental na cloud




fonte: hbr.org

Os analistas esperam em 2020 um mercado de armazenamento mais forte. As tendências chave que durante os últimos anos têm dado forma ao mercado deverão prosseguir, enquanto outras novas emergem. Eis algumas das principais tendências.

Mundo Cloud: regresso ao modelo híbrido
A infra-estrutura de cloud híbrida é o standard de facto do IT moderno. Por outras palavras, a infra-estrutura local continuará a ser uma parte importante do IT no futuro previsível.

Software cada vez mais importante
Durante os últimos anos, as infra-estruturas de TI têm vindo a tornar-se cada vez mais definidas por software, e esta tendência mantém-se num futuro próximo.
Um dos principais drivers para esta tendência do “tudo definido por software” serão os ambientes de cloud híbrida. O hardware ainda será necessário, mas poderá estar localizado em qualquer lugar, enquanto o software coordenará cada vez mais a crescente complexidade das TI.

Gestão automatizada dos dados
No seu estudo “Top 10 Data and Analytics Trends”, a Gartner refere que, com a escassez de skills técnicos neste campo, as organizações necessitam automatizar a gestão dos seus dados. Por seu lado, os fabricantes vão adicionando capacidades de machine learning e inteligência artificial para tornar os processos de gestão de dados autoconfiguráveis e autoajustáveis, de forma que o pessoal técnico mais qualificado possa concentrar-se em tarefas de maior valor.

Em 2020, a IA Inteligência Artificial transformar-se-á numa tecnologia fundamental para a construção de infra-estruturas híbridas inteligentes na cloud. Mas isto requererá sistemas inteligentes de armazenamento que possam satisfazer as necessidades de desempenho e capacidade dos sistemas de negócio baseados em inteligência artificial e, ao mesmo tempo, melhorar a disponibilidade, a satisfação do utilizador e a eficiência operativa.

Segurança, aspecto chave
O investimento em segurança de infra-estruturas de armazenamento (especialmente, segurança do armazenamento na cloud) continurá a crescer em 2020. Os gestores de dados e armazenamento enfrentam uma crescente necessidade de demonstrar não só que os seus dados são seguros, como também que são fiáveis, ou seja, que foram recolhidos, armazenados e processados com integridade e responsabilidade.

Tempos de recuperação como referência
Enquanto os tempos de backup estão normalmente optimizados, as empresas têm muitas vezes dificuldades em acelerar o tempo de recuperação dos dados (em caso de ataque por exemplo). Segundo um estudo recente da Google, mais de 50% dos utilizadores abandonam um website se este demorar mais de 3 segundos a carregar.

Optimizar a infra-estrutura de armazenamento não significa mudar para meios mais dispendiosos, mas sim para a arquitectura correcta. Não esqueçamos o duro golpe que representou para muitos CIOs descobrirem que, perante a necessidade de encriptar os dados de extremo a extremo para cumprir o RGPD, o custo dos seus meios All-Flash disparou ao ponto de deixarem de ser uma opção exequível.

Redução do custo por TB
A redução do custo por Terabyte tornou-se num cavalo de batalha, e assim continuará a ser em 2020. Neste sentido, surgiram no mercado novas propostas que prometem fazer frente a este desafio com arquitecturas modernas e mais eficientes que permitem tirar partido do melhor dos meios (disco, DRAM, flash…) em grande escala e com um custo por Terabyte muito menor.

Novos modelos de aquisição
Em 2020 iremos ver cada vez mais novos modelos Capacity on Demand (COD), em que a infra-estrutura pode crescer numa questão de segundos, permitindo iniciar o serviço e depois pagar pela sua expansão. Deste modo, o time-to-market não será limitado pela infra-estrutura de dados.

Tendências tecnológicas de futuro: será 2020 o ano da sua explosão?
Outras tendências se vislumbram no horizonte, mas cuja cristalização se prevê que aconteça mais a longo prazo. Analítica aumentada, inteligência artificial em tempo real, robótica, blockchain, Internet das coisas… A IDC, no seu estudo “ICT Spending Forecast 2018-2022”, assegura que "uma parte cada vez maior do investimento em servidores e armazenamento está a ser dedicada à implementação destas novas tecnologias de back-end".


Relacionado: As empresas preferem a cloud híbrida



fonte: ITInsight

A agricultura de precisão é cada vez mais o método por excelência que os agricultores utilizam para trabalhar a sua terra. O digital deixa de ser algo apenas dos urbanos e de quem trabalha num escritório e está no campo agrícola, contribuindo para produções mais rentáveis e sustentáveis.

O projecto "Smart Farming: Ferramenta avançada para operacionalização da agricultura de precisão" tem este cariz tecnológico e teve como objectivo conceber uma ferramenta com a capacidade de processar de forma inteligente, e o mais autónoma possível, múltiplos e diversificados dados, bem como o conhecimento agrónomo e actuar, de forma precisa e eficiente, num conjunto específico de processos agrícolas. A iniciativa, promovida pela ProdFarmer, em parceria com uma equipa de investigadores do INESC TEC – Instituto de Engenharia de Sistemas de Computadores, Tecnologia e Ciência e do Instituto Nacional de Investigação Agrária e Veterinária (INIAV), e a colaboração da Herdade do Esporão e da Herdade Maria da Guarda, começou em 2016 e terminou em 2018.

A ProdFarmer desenvolveu e está a comercializar a plataforma informática que resulta deste projecto.

O INIAV foi a fonte de conhecimento agrícola que possui conhecimento no domínio da agricultura e cujos especialistas desenvolveram modelos clássicos, baseado no conhecimento existente, e que também participaram no desenvolvimento de modelos inteligentes, fornecendo conhecimento que permitiu identificar as características/variáveis com maior poder preditivo. O INESC TEC desenvolveu modelos inteligentes, baseados no histórico de dados fornecidos pelas herdades e o hardware de automação e controlo. A Herdade do Esporão forneceu dados da vinha e a Herdade de Maria da Guarda disponibilizou informação sobre o olival.

O projecto foi um sucesso. Deste resultou uma ferramenta informática que será comercializada pela ProdFarmer e que pode auxiliar os agricultores na gestão das suas herdades. Além de outras funcionalidades, neste projecto foram desenvolvidos algoritmos e modelos inteligentes que permitem, por exemplo, prever o potencial hídrico e definir o plano de rega para cada talhão. Também resultou o desenvolvimento de um módulo (hardware) de automação e controlo que permite controlar sistemas de rega/fertirrega. Foi submetido um pedido de patente para este módulo de controlo e automação

~Carlos Ferreira, responsável pela área de processamento inteligente do Smart Farming


A ferramenta final tem várias valências, desde logo permite determinar as necessidades de rega e de fertilização, mas também definir um calendário de operações culturais, calendário de fases fenológicas, evolução da maturação dos frutos e segmentação da colheita. A S-FARM tem ainda a possibilidade de determinar riscos de doenças. As potencialidades deste produto vão um pouco mais além, pois permite que sejam definidas acções que executa de forma autónoma, tais como rega sectorial e de precisão, controlando directamente cada um dos sistemas de fertilização, determinando as operações culturais necessárias e a sua distribuição geográfica, bem como o cálculo de índice de maturação e determinação automática de zonas e volumes de colheita.



fonte: Vida Rural

Um estudo da Gartner revelou que 75% das organizações têm colocado um foco cada vez maior em tecnologia de customer experience, tendo aumentado o investimento nesta área em 2018.
A análise de clientes continua a ser um dos maiores investimentos, com 52% das organizações a pretender aumentar o financiamento em 2019, concentrando-se na análise da jornada do cliente, análise de necessidades, voz do cliente (VoC) e marketing digital.

A investigação revela que, quando as organizações crescem na maturidade de customer experience, existe um maior foco de investimento em tecnologia colocado no aumento da compreensão do cliente e na entrega de acções precisas, analisando os dados.

De acordo com o estudo, as principais prioridades do projeto customer experience em 2019 são métricas (64%); VoC (50%); aumento da velocidade de lançamentos de produtos e serviços (45%); proliferação e personalização de produtos (45%); priorização de investimentos customer experience (44%); e automação da jornada do cliente (44%).

Saber onde estão seus pontos fortes e desafios e os próximos passos necessários para melhorar a maturidade vão ajudar na priorização e no planeamento do projecto

~Olive Huang, vice-presidente de pesquisa da Gartner.

Segundo a Gartner, as três principais tecnologias emergentes que deverão ter o maior impacto nos projetos de customer experience nos próximos três anos incluem inteligência artificial (53%), assistentes virtuais de clientes e chatbots (39%) e soluções de engagement omnichannel (37%).


fonte: ITInsight

Video YouTube, Are You Ready for the Digital Workplace?


Tecnologias de Digital Workplace que, de acordo com a Gartner, devem ter adopção generalizada até 2023

A influência do reconhecimento de voz é verificável no dia-a-dia. Consumidores e colaboradores interagem cada vez mais com aplicações sem tocar num teclado

~Matthew Cain, vice-presidente e analista, Gartner

Os chatbots e assistentes pessoais virtuais devem apresentar um forte crescimento nos próximos anos. Apesar de menos de 4% das organizações terem já implementado interfaces de conversação (incluindo chatbots), 38% das organizações já planeiam implementar ou estão activamente a experimentar a tecnologia, de acordo com a Gartner.

Apesar da principal área de aplicação dos chatbots ser o serviço ao cliente, é provável que venham a ser aplicados noutras áreas da organização. Quando usados como interface para aplicações, a forma como trabalham irá progredir de modo a que, em vez de o utilizador ter de aprender a utilizar a interface, a interface aprenda a adaptar-se ao utilizador, estimulando assim a adopção, formação, produtividade e eficiência no local de trabalho.



Analítica aumentada e analítica pessoal estão a levar a analítica a cada vez mais colaboradores leigos, permitindo que qualquer pessoa se torne num citizen data scientist.

A analítica aumentada, explica a Gartner, utiliza machine learning (aprendizagem automática) automatizado para transformar a forma como os dados são trabalhados, consumidos e partilhados. A analítica aumentada deve ser aceite como parte da estratégia de transformação digital das empresas.

A Gartner prevê que, em 2020, devido maioritariamente à automação de processos de ciência de dados, os volumes de analítica avançada produzidos por citizen data scientists ultrapassem os de cientistas de dados profissionais.

A analítica pessoal é a camada de analítica dos assistentes pessoais virtuais, a qual, até 2020, atingirá a adopção generalizada. É intrinseca ao engagement dos indivíduos com a tecnologia, e à maneira como estes obtêm insights a partir de uma variedade de dados não estruturados, como fotos, interacções sociais, compras, preferências e indicadores de saúde. A analítica pessoal pode existir sob a forma de assistentes pessoais virtuais, consultores financeiros e assistentes de compras

~Nick Ingelbrecht, research director, Gartner


A Gartner prevê que, até 2020, mais de 40% das tarefas de ciência de dados serão automatizadas, resultando num aumento da produtividade e no uso mais amplo por citizen data scientists.



Plataformas de aprendizagem adaptativa ajustam a forma como o conteúdo instrucional é apresentado aos utilizadores com base nas suas respostas ou preferências, e são usadas para optimizar a destreza digital das forças de trabalho. A tecnologia está a ganhar território a um ritmo que deverá conduzir à sua adopção mainstream nos próximos cinco anos.

As plataformas de aprendizagem adaptativa constituem uma forma importante de apoiar e suplementar a aprendizagem no local de trabalho, mas são difíceis de implementar

~Glenda Morgan, research director, Gartner




fonte: ITInsights

Os recursos humanos são muitas vezes alocados a tarefas e actividades rotineiras na interacção com sistemas de operação e gestão nas organizações.

A Robotic Process Automation – RPA é uma tecnologia disruptiva e inovadora que permite criar software robot (ou bot) especializados em interpretar e executar as actividades mais rotineiras, normalmente realizadas por mão humana.

A incorporação desta solução permitirá, de forma automática, simples e flexível, tornar as organizações mais eficientes e automáticas, a um custo e tempo reduzidos, baixando a probabilidade de erro em processos-chave do negócio.


Uma vez que 30% das tarefas podem ser automatizadas, existem diversos cenários de aplicação do RPA, desde gerar uma resposta automática a um e-mail até à implementação de milhares de bots, cada um programado para completar uma tarefa específica. Áreas como manutenção e reparação, monitorização e controlo, cadeia de abastecimento e consumo de energia têm sido as principais beneficiárias destas iniciativas ao automatizar decisões e actividades.


A nova solução, em tempo real, é uma tecnologia low-cost que permite uma rápida recuperação do investimento. Numa primeira fase, deverá ser realizado um levantamento dos processos, tarefas e dados das organizações sendo que os processos repetitivos, como as interfaces manuais em que os sistemas não comunicam entre si, são os principais candidatos a automação por meio de bots.


As organizações têm de perceber claramente como planear e adoptar esta tecnologia, desenvolvendo o seu processo de transformação digital por forma a ter processos de negócio mais eficientes e mais baratos.


Um robot é uma unidade de tempo, materializada num software, que permite a realização de actividades 24x7 durante 365 dias, e que replica acções de um ser humano, interagindo com a interface do utilizador de um ou vários Sistemas de Informação.
Exemplos de softwares de robot incluem sistemas especializados (uma página web, e-mail, ferramentas office), assistentes virtuais e outros chatbots. Qualquer tipo de software com IA pode ser considerado software de robot (ou bot), especialmente aqueles que estão munidos de aprendizagem automática (machine learning) e aqueles que automatizam processos que antes eram executados por mão humana. Muitas aplicações usuais, como filtros de spam e softwares antivírus, podem ser consideradas bots.

Aplicabilidade

I. Para que servirá RPA na minha organização? Aumentar a eficiência de processos, reduzir a factura com externalizações, controlar o conhecimento de processos que externalizei ou outro? A que escala é possível fazer o crescimento? A que ritmo de robotização?

II. Que modelo de organização do programa RPA devo escolher? Centralizado ou descentralizado? Quem deve estar envolvido? Que responsabilidades cada área deve ter? Quem decide? Quem supervisiona? Quem gere a mudança? Qual o modelo operativo para implementar e controlar os robots?

III. Por que que áreas e processos devo começar a robotizar? Quais são os processos mais críticos e os mais urgentes ou com maior custo associado? Começo por testar um pequeno processo em formato PoC ou por ir encontrar as grandes eficiências antes de começar a robotizar? Como construo o modelo de ganhos estimados e que mais tarde devo monitorizar/rastrear face ao estimado?

IV. Que software devo utilizar? Um em exclusivo ou devo testar vários para verificar qual melhor se adequa aos meus requisitos? Que utilizadores e perfis devo ter ou criar? Específicos para o robot?

V. Que ambientes devo ter? Que infra-estrutura física de suporte? Descentralizada ou Centralizada? Monitorizada e controlada pela área de Sistemas de Informação?

VI. Internalizo ou externalizo o desenvolvimento dos robots? Pretendo ficar autónomo? Se externalizar, assento em um ou mais fornecedores?

VII. Tenho os perfis adequados na minha organização para implementar este programa de RPA? Se internalizar a robotização que formação preciso para os perfis adequados?

VIII. Que reporting desejo obter sobre o trabalho desta força laboral digital?







fonte: ITInsight, Exame

fonte: Gartner

O ERP tem como objectivo as contas a pagar

O processamento manual dos pagamentos a fornecedores e de outros serviços pode ser de uma grande responsabilidade. Acrescente-se a isto as situações de fraude e percebe-se a crescente necessidade de centralizar as contas a pagar no ERP. O surgimento da IA nas ferramentas de ERP ajuda a alimentar esta tendência.

While many CFOs focus on the inbound cash and cash application process, outbound payments are where cash leaves the business and provides CFOs with the greatest degree of control over corporate cash. The ability to control payments is an even greater concern for CFOs when you consider that 75 percent of all companies experienced attempted payment fraud in 2017.

~Brian Shannon, SVP strategy & operations, Americas for Serrala.


O ERP está a exaurir a base do Excel

Quer se queira quer não, o Excel continua a ser a ferramenta de eleição dos CFOs e dos departamentos financeiros em todo o mundo. A adopção do ERP sempre teve um longo caminho a percorrer, graças a esses "livros auxiliares", mas as empresas estão agora a aperceber-se das potencialidades de transpor para o ERP pelo menos uma parte do volume de trabalho feito em Excel.

Acumatica is an emerging ERP player that I’m watching. While other ERP vendors are going for larger companies — those over $200 million in size — Acumentica is making inroads on smaller companies in the $5 million and larger category. I also see Workday as a credible player in finance and HCM [human capital management]

~Mike Guay, research director,Gartner

Eliminar as folhas de Excel do departamento financeiro está fora de questão, já que nenhuma aplicação de ERP vai substituir tudo aquilo que se pode fazer em Excel. No entanto, o ERP está a assumir cada vez mais o trabalho rotineiro que costumava ser feito em Excel.


A implementação de um ERP continua a ser um trabalho árduo

O sistemas ERP têm a desvantagem de levarem muito tempo a implementar. No fim de contas, está a mudar-se o sistema core de uma organização.

Um erro ou a perda de dados pode prejudicar o serviço ao cliente e a contabilidade, comprometendo a saúde da organização como um todo.

On-premise ERP systems often have extensive customization developed over the years. That level of customization is a barrier to adopting cloud ERP. Beyond that fact, many enterprises are locked into multi-year ERP contracts and some have declined to install new ERP upgrades

~Mickey North Rizza.


O ERP está a ter um upgrade de AI/AR

Os próprios fornecedores de ERP também estão a injectar recursos de IA nas ofertas de ERP. Algumas indústrias estão a adoptar a IA no ERP. O Boston Consulting Group deu conta do modelo de aprendizagem automática aplicado a uma refinaria de petróleo que usa 1.000 pontos de dados para prever com mais acuidade as falhas de equipamento. Cabe depois à gestão agir de acordo com as previsões produzidas pelo sistema.

A Compliance é cada vez mais crítica para um ERP

Os esforços de conformidade com o RGPD podem ter já sido aplicados nos sistemas de vendas e marketing. Mas os sistemas ERP processam, armazenam e manipulam informações de clientes que podem estar no âmbito do RGPD. Em alternativa, o ERP pode estar aquém dos regulamentos de conformidade em sectores altamente regulamentados, como banca e saúde.

Como gerir as necessidades de conformidade identificadas? Através de um Encarregado de Protecção de Dados (DPO - Data Protection Officer) ou outro staff?


Está em estudo a aplicação da tecnologia Blockchain ao ERP

I’m seeing increasing interest in bringing blockchain to ERP. While this is at the hype stage, there are a few interesting use cases
Supply chain management is particularly promising as an application. I’m starting to see a few use cases of using blockchain in ERP systems where traceability is important.

~Mike Guay


fonte: CIO

Video YouTube, Yamaha Artificial Intelligence (AI) Transforms a Dancer into a Pianist - Full version


No palco, Moriyama, acompanhado pelo Ensemble Scharoun da Orquestra Filarmónica de Berlim, é bailarino e pianista. Através de quatro sensores, colocados nas costas, nos pés e nas mãos, o sistema de inteligência artificial, que continua em desenvolvimento, consegue identificar os movimentos do bailarino em tempo real e traduzi-los em informação. Depois, o sistema de inteligência artificial cria a música a partir de uma base de dados de código MIDI, enviada para o piano Disklavier da Yamaha, que a traduz para som.


fonte: Público

Siri, Cortana, Alexa e Google Assistant são exemplos do quão forte as grandes tecnológicas estão a apostar em assistentes pessoais virtuais, mas Xabi Uribe-Etxebarria, fundador e CEO da Sherpa, não está impressionado com os resultados finais.

Actualmente apenas são utilizados para pequenos truques, não são um verdadeiro assistente e ainda estamos muito longe do que vemos nos filmes.

~Xabi Uribe-Etxebarria


A startup de Bilbau quer criar uma assistente que não se limite a responder a questões e que seja capaz de antecipar necessidades e ajudar a tornar a vida do utilizador mais fácil e interessante. Para tal, esta assistente tem de aprender a partir dos hábitos e interesses do utilizador e manter o foco na análise preditiva.

A Sherpa tem vindo a trabalhar nesta geração de assistentes há três anos e vai lançá-la no próximo ano. Aliás, para o segundo trimestre de 2018 está prometido o lançamento de uma app gratuita e também de uma plataforma que irá ser utilizada por fabricantes de automóveis e de colunas inteligentes.

O objectivo é complementar a oferta já disponibilizada por parte de Apple, Microsoft, Amazon, Google e outras, sem concorrer com estas companhias. Por exemplo, um factor diferenciador da Sherpa é conseguir tornar a pessoa mais feliz – um exemplo: se a assistente detecta que o utilizador está triste, faz sugestões para o animar baseado nas preferências dele.





fonte: Exame Informática