segunda-feira, 14 de maio de 2018

Memória organizacional: como coletar, armazenar e recuperar conhecimentos explícitos e tácitos

Memória organizacional: como coletar, armazenar e recuperar conhecimentos explícitos e tácitos
(livro grátis)

LOH, Stanley. Memória organizacional: como coletar, armazenar e recuperar conhecimentos explícitos e tácitos. Porto Alegre, 2018.
Número de ISBN: 978-85-916683-9-7




Resumo:
Esse é um livro essencialmente prático. O objetivo é transmitir técnicas e métodos para ajudar pessoas e empresas a coletar, armazenar, organizar e recuperar conhecimento explícito. 
O conteúdo principal gira em torno de formas para armazenar conhecimento. Já que o conhecimento é diverso (representado pelo 3º V do Big Data), há muitas possibilidades de formatos para guardar conhecimento. Dependendo do formato, também haverá formas diferentes para recuperar conhecimento, as quais também são discutidas neste capítulo. 
Mas o livro também discute como se dá a coleta de conhecimentos e como podemos organizá-los. 
Também são discutidas formas para validar conhecimentos, isto é, para saber o que é verdade. Esta seção inclui um pequeno estudo sobre Fake News. 
Enquanto a primeira parte do livro fala de conhecimentos explícitos, a segunda parte trata da criação de conhecimento tácito e de modos para mantê-lo dentro da empresa. 
O livro começa discutindo a importância de coletar e armazenar conhecimentos explícitos, para que futuramente possam ser recuperados e reusados. Também discute a importância de gerenciar conhecimentos tácitos, os quais não podem ser armazenados em meios físicos, mas podem ser gerados e recuperados, mesmo estando na “cabeça” das pessoas. 
O capítulo 2 discute os 3Vs do Big Data, ou seja, como o volume, a velocidade e a diversidade de informações está afetando a vida das pessoas e as organizações. 
O capítulo 3 apresenta e discute técnicas para coleta de conhecimento, bem como aspectos inerentes a esta etapa, que podem inibir ou motivar pessoas a registrarem conhecimento.
O capítulo 4 apresenta várias formas que existem para armazenar conhecimento. Já que o conhecimento é diverso (representado pelo 3º V do Big Data), há muitas possibilidades de formatos para guardar conhecimento. Dependendo do formato, também haverá formas diferentes para recuperar conhecimento, as quais também são discutidas neste capítulo. 
O capítulo 5 discute formas para organizar o conhecimento, uma vez que ele se encontre armazenado. Isto facilitará a futura recuperação dos conhecimentos. 
No capítulo 6, são discutidas formas de validar o conhecimento coletado e armazenado, ou seja, como saber se é verdade ou não. 
O capítulo 7 começa a discutir conhecimentos do tipo tácitos. Neste capítulo, discute-se a importância do conhecimento tácito e como ele vem de pessoas inovadoras e visionárias. 
O capítulo 8 discute como a criatividade pode ajudar a gerar conhecimentos tácitos. Neste capítulo, são discutidas diversas técnicas para melhorar a criatividade. 
O capítulo 9 apresenta como adquirir conhecimento tácito pela sabedoria das massas ou multidões. 
O capítulo 10 trata do registro de patentes e como isto pode ser uma boa forma para registrar conhecimentos explícitos, seja sobre produtos ou processos da organização. 
O capítulo 11 complementa este livro falando da cultura organizacional e das diferentes dimensões culturais que existem. 


Baixar formato pdf

Baixar formato MOBI

segunda-feira, 23 de abril de 2018

Livro "História da Agricultura e da Indústria no Brasil"

Este é um extrato do meu livro anterior “A História da Inovação e do Empreendedorismo no Brasil – e comparações com outros países”. 
Neste livro, são detalhadas as histórias da agricultura e da indústria no Brasil. Também há um capítulo sobre a história dos serviços no Brasil, e o livro finaliza com uma discussão sobre a história de colônia do Brasil que se estende até hoje. 
Veja o índice na Amazon.

Adquira o livro aqui. 




livro "De onde vem o Conhecimento: depois do diálogo entre Sócrates e Teeteto"

O objetivo deste livro não é explorar questões biológicas ou neurológicas sobre o funcionamento do cérebro para que possamos criar algo novo ou resolver problemas. A ideia é tentar categorizar os processos cognitivos que podem levar ao conhecimento novo, às descobertas, a soluções de problemas e aumento da inteligência.
O livro discute técnicas baseadas tanto no Empirismo como no Racionalismo. 
Veja o índice na Amazon.

Adquira o livro aqui. 


quinta-feira, 19 de abril de 2018

Livro "Uma breve história da Inovação e do Empreendedorismo no Brasil"

Esta é a primeira parte do meu livro anterior “A História da Inovação e do Empreendedorismo no Brasil – e comparações com outros países”. 
É um relato breve e rápido dos principais acontecimentos envolvendo os temas de inovação e empreendedorismo que merecem destaque na história do Brasil. 
Começaremos falando do Brasil antes de Cabral e seguimos pela chegada dos Europeus. Será necessário estudar as primeiras colonizações e explorações, incluindo os principais ciclos econômicos. 
Depois, vamos passar pelo início da República e as relações exteriores de comércio, especialmente as relações com o parceiro principal destas épocas, a Inglaterra.
A seguir, vamos detalhar o Brasil de Getúlio Vargas e de Juscelino Kubitschek, chegando até o governo militar, com o milagre econômico e a abertura da economia pós-ditadura. Será necessário falar das crises monetárias, da inflação, do Plano Real e vamos dar especial atenção à reserva de mercado da Informática. 
No Brasil mais recente, é necessário falar do custo Brasil, do endividamento do brasileiro, dos investimentos na infraestrutura, da Ciência e Tecnologia e da desigualdade. Também analisaremos alguns índices econômicos atuais. 


Adquira o livro aqui


segunda-feira, 19 de fevereiro de 2018

O Consertador de Robôs - livro de ficção

Este é meu livro de ficção (quase científica).
A apresentação dele vai abaixo.

Peço aos amigos que me ajudem a divulgá-lo, compartilhando em suas redes.
O LIVRO É GRÁTIS.


Apresentação do livro:
Um especialista em Inteligência Artificial é chamado em diferentes cidades para resolver problemas com robôs e programas de software. As soluções precisam utilizar conhecimento técnico e perspicácia investigativa. Através de histórias independentes, em meio a emoções, sentimentos e intuições, o autor explica de forma lúdica como a inteligência artificial funciona e aproveita para discutir crenças, fé, ciência, ética e a condição humana.
O livro é sobre ficção científica mas aborda um futuro próximo e possível, usando o que já foi inventado ou está em desenvolvimento. Explica de maneira leiga o funcionamento e a aplicação de técnicas de inteligência artificial.
Durante a leitura, o leitor descobrirá que os robôs estão muito mais ligados a pessoas do que a peças,
metais, engrenagens e circuitos eletrônicos. E que nós humanos ainda somos uma peça importante para o bom funcionamento das tecnologias. O livro é sobretudo sobre pessoas.
O personagem principal, e também narrador das histórias, é fictício. Não foi inspirado em ninguém.





quarta-feira, 3 de janeiro de 2018

Os males da velocidade da informação

Os males da velocidade da informação – Direto para a sobremesa

O 2º V do Big Data é a velocidade das informações. Antes disto, estamos sendo soterrados por grandes volumes de informações (1º V). E tem ainda a Variedade de Informações, 3º V, que torna a vida ainda mais complexa.

A Velocidade é acelerada por novas tecnologias de transmissão de informações, como satélites, fibras óticas, 3G/4G e redes wifi. Mas também é impulsionada por aplicativos que permitem facilmente publicar ou postar suas próprias informações e compartilhar as dos outros na velocidade de um click.

A primeira consequência negativa é a necessidade de atualização constante. Como tudo muda muito rapidamente, inclusive modas e astros pops, temos que correr para ficar na “onda”. E as notícias correm rápido também, então temos que acelerar para estar a par de tudo. Isso cria um sentimento de estar sempre por fora de tudo.

A segunda consequência negativa é a falta de tempo para pensar, avaliar e tomar decisões. Isto nos impele a seguir com as massas, a não nadar contra a correnteza. Somos homens e mulheres massa como dizia Ortega y Gasset. Este sentimento de pensar como o grupo, e não querer discordar, ajuda a viver, pois não temos conflitos nem gastamos energia pensando. Aí entra a civilização do espetáculo que Vargas Llosa bem descreveu. Somos “maria vai com as outras” (ou “josé vai com os outros”).

A terceira consequência ruim é acelerar a tomada de decisão. Se no parágrafo anterior, eu disse que a tendência é não tomar decisões, quando vamos tomá-las procuramos usar nosso sistema rápido, como sugerido por Daniel Kahneman. Aí entram as intuições, emoções e instintos. O raciocínio lógico e o método científico sucumbem ante argumentos como “eu acho”, “eu sinto que”, “me parece que”.

A quarta consequência, decorrente das duas anteriores, somos mais facilmente influenciados. As empresas de marketing já descobriram a importância dos influenciadores na Internet e redes sociais. E isto funciona muito bem. Não temos mais opinião própria e sim a opinião dos influenciadores.

A quinta consequência é a falta de foco e de profundidade. Não temos tempo nem paciência para nos concentrar num assunto, para ler um texto inteiro, para nos aprofundar num tema. Nicholas Carr, no livro “Os Superficiais – O que a Internet está fazendo com nossos cérebros”, diz que isto inclusive está mudando nosso cérebro internamente.

Por fim, a pior das consequências: a busca por resultados de curto prazo. Ninguém mais tem paciência para esperar. A espera é um suplício. Antes era um prazer. Esperar o Papai Noel era um momento de ansiedade e ao mesmo tempo alegria. A dopamina a mil. E depois o prazer de recebê-lo e receber os presentes. Antes a gente comia o feijão com arroz de olho na sobremesa. Agora queremos a sobremesa logo. E assim o sexo antes do casamento e sem preliminares, a sexualização e o amadurecimento precoce de crianças, o salário antes do trabalho, jovens não querendo mais estudar e sim ganhar dinheiro (vide aumento de investidores na bolsa e em bitcoins), o sonho de criar um novo Facebook ou até mesmo a mega sena sem precisar trabalhar. Por isto o aumento de antidepressivos e outras drogas usadas para felicidade o quanto antes. Isto tudo explica o sucesso de negócios tipo Netflix, Aliexpress e outros de comércio eletrônico, Tinder, Whatsapp (ao invés de e-mail ou carta), fastfood, etc.

A consequência mais nefasta da velocidade de informações é a necessidade de recompensas imediatas e prazer acima de tudo, o puro hedonismo.

Mas há movimentos contrários como slow food e espaços gourmet, para cozinhar com amigos e com prazer, técnicas e espaços para meditação, templos religiosos para rezar, livros para ler e filmes para simplesmente chorar.

E para terminar, uma frase que vi pichada num muro: “A felicidade não é uma estação de chegada, mas um meio de viajar”. 

sexta-feira, 1 de dezembro de 2017

Desafios e questões em aberto para sistemas de recomendação

A grande vantagem de um sistema de recomendação é diminuir as opções de escolha quando a pessoa não tem tempo ou informações para comparar as opções.
Apesar do crescente uso deste tipo de sistema e da presença pervasiva em nosso dia a dia, ainda há muita pesquisa a ser feita.
Este artigo fala dos desafios recentes e de problemas ainda não bem solucionados pelos sistemas de recomendação.

Observações iniciais: neste texto vou me referir muito a termos genéricos tais como:
- produto: mas é possível fazer recomendações também de serviços, empresas, pessoas, páginas na web, cidades, atrações turísticas, restaurantes, pratos de comida e informações;
- cliente: representa a pessoa ou entidade que irá receber a recomendação e sobre a qual o sistema precisará coletar informações para montar um perfil de interesse. Não necessariamente é alguém que compra ou paga por algo.

Coleta implícita de dados sobre clientes

A coleta explícita envolve perguntar aos usuários ou clientes. A implícita é feita por observação. O grande desafio hoje em dia é coletar dados sobre clientes para criar a visão 360 graus sem incomodá-lo e sem invadir a privacidade (sobre isto, tem um tópico no final deste texto).
A coleta implícita é boa porque não atrapalha a tarefa do cliente nem toma seu tempo. Isso inclui observar o que o cliente está fazendo, o que está olhando, onde está clicando, que textos está enviando ou postando, etc.
O desafio primeiro é estabelecer que ações do cliente são importantes para a recomendação e o quanto (isto tem a ver com perfil dinâmico explicado a seguir).
O segundo desafio é como coletar os dados sem invadir sistemas.
Depois da coleta, vem a inferência. Exemplo: se o cliente comprou vários alimentos congelados, infere-se que ele tenha um freezer em casa.

Perfil dinâmico de clientes

Em sistemas de recomendação, o perfil do cliente representa seus interesses, gostos, hábitos e preferências, além de características demográficas. Se o cliente clica várias vezes em produtos tipo “geladeira”, então é porque ele tem interesse neste tipo de produto. Se o cliente clica uma vez é diferente de ele clicar 5 vezes.
Então o normal é utilizar um esquema de pontos para representar o grau de interesse de um cliente em relação a um item ou a uma classe de itens (classes são discutidas a seguir).
Veja a figura a seguir: o tamanho da barra representa o quanto um cliente se interesse por uma classe.




Além disto, o sistema de recomendação deve perceber quando o interesse diminuiu ou acaba. Se um cliente passa uma semana toda analisando produtos de uma classe, seu interesse é grande nesta classe. Se na semana seguinte, ele não demonstrar mais interesse, a pontuação da classe deve diminuir (talvez ele até já tenha comprado o produto e o sistema não saiba).
O primeiro desafio é estabelecer a pontuação para cada tipo de ação (o grau de interesse). Por exemplo, clicar num produto é uma coisa; clicar nas fotos e na descrição detalhada já demonstra mais interesse.
O segundo desafio é definir a meia-vida do interesse, ou seja, o quanto deve decair a pontuação no perfil a cada período de tempo (horas ou dias).

Tipos de classes para interesse e perfil do cliente

Em sistemas baseados em conteúdo (content-based), o perfil do cliente é composto de classes. Em geral, as classes representam tipos de produtos (“brick”), tais como geladeira, TV, notebook, celular, carro, viagens, etc.
Entretanto, é necessário utilizar também classes mais específicas como marcas, cor, tamanho e detalhes técnicos (voltagem, tamanho de memória, etc.).
Também podem ser usadas classes temporárias tais como “frete grátis” e “promoção”. Há clientes que só se interessam por produtos neste tipo de classe.
O desafio é estabelecer uma taxonomia ou ontologia para descrever os produtos ou itens.
Outro desafio é em relação a preços de produtos. Se um cliente comprar numa geladeira de 3 mil reais, ele vai se interessar mais por restaurantes caros ou baratos ? Uma solução possível é criar faixas de valores (caro, médio e barato) para associar ao perfil do cliente.

Cold Start – clientes sem perfil

Podemos usar técnicas de recomendação que não precisam saber quem é o cliente. Por exemplo, a técnica dos Top N (mais-mais) usa a sabedoria da massas (por exemplo, os mais vendidos).
A lista de técnicas está em:

Técnicas de filtragem colaborativa ou baseada em conteúdo utilizam o perfil do cliente para gerar recomendações. O desafio é fazer recomendações quanto não se tem informações sobre o cliente.
Na verdade, talvez não se tenha informações detalhadas, mas alguma informação é necessária.
Por exemplo, podemos coletar informações de alguém que entra num site, analisando que páginas ele está visitando na seção. Mesmo que por pouco tempo, ali teremos alguns dados para formar um perfil inicial e gerar recomendações na hora mesmo.
Outra possibilidade é cruzar sistemas, ou seja, coletar dados do cliente a partir de outros sistemas (como por exemplo, redes sociais).

Recomendar somente o que é novo ?

Se Spotify e iTunes recomendarem somente as músicas novas (lançamentos), talvez ninguém fique sabendo de músicas mais antigas. E há muitas boas que merecem ser ouvidas.
Se uma loja de games só recomendar os lançamentos, ficará com os jogos antigos encalhados.
O desafio é persuadir os clientes que os itens antigos também podem ser bons.

Explicar a origem das Recomendações

Os sistemas deveriam explicar como chegaram até as recomendações. Isto gera confiança (trust) no cliente. O sistema deve explicar de forma leiga e de fácil entendimento o algoritmo usado (exemplos: “clientes que compraram isto, também compraram aquilo”; “talvez você goste disto, porque pessoas parecidas com você também gostaram”).

Origem das Recomendações: grupos X indivíduos, massa X especialistas

A técnica dos Top N (ex. mais vendidos) usa informações da coletividade. Mas todas as pessoas são iguais. Se o sistema apresenta a música mais ouvida, ele não está fazendo distinção de quem foram as pessoas que mais ouviram.
Uma maneira de resolver o problema é com a técnica de filtragem colaborativa. Outra possibilidade é separar por grupos. Exemplos: música mais ouvida no Brasil, aplicativo mais baixado entre pessoas de 20 a 30 anos, computador mais adquirido por empresas de design. 

Relevância Temporal

Durante 3 anos, uma farmácia recomendou fraldas toda semana a um cliente. E este sempre aceitou. Numa certa semana, ele não veio comprar fraldas. Mas a empresa continuou recomendando. Na semana seguinte, também não veio. E assim por diante. Quando a empresa deve parar de recomendar.
Já falamos antes do perfil dinâmico. Esta pode ser uma solução.
A outra é incorporar um tempo de validade para as recomendações ou a sazonabilidade. Não é porque um cliente comprou sorvete todo dia entre dezembro e fevereiro que a empresa deve continuar recomendando sorvete durante o ano todo.

Gostos ou Necessidades Ad Hoc

Um cliente só compra discos de Jazz. Certo dia, ele comprou um disco de Pagode. Isto deve ser incorporado ao seu perfil ? Uma possibilidade é incorporar esta classe de interesse mas com um grau pequeno (como discutido antes no perfil dinâmico). Outra possibilidade é os sistemas permitirem ao cliente dizer “comprei para presente”, “não coloque isto no meu perfil” e coisas assim.

Recomendar de novo o mesmo item?

Se o cliente não aceitou a primeira vez uma recomendação, talvez ele possa aceitar mais tarde. Quantas recusas indicam que ele nunca mais vai querer ? Os sistemas deveriam permitir ao cliente dizer explicitamente (ratings) coisas como “nunca mais me recomende de novo”, “hoje eu não quero”, “já tenho este produto”.

Se o cliente já comprou, nunca mais recomenda de novo o mesmo item ?

Se um cliente comprar uma TV, ficaria muito chato recomendar para ele o mesmo produto na semana seguinte (pior ainda se for com menor preço).
Mas talvez depois de 4 anos ele queira comprar outra TV, mais moderna.
O mesmo produto deve “morrer” no perfil do cliente, mas a “classe” pode “ressuscitar” depois de um tempo.
E perfume ? Tem pessoas que compram sempre o mesmo perfume. Então recomendar depois de 3 meses o mesmo perfume que o cliente comprou não é problema.
E cerveja ? Se um cliente comprou cerveja hoje, amanhã posso recomendar a mesma cerveja por preço mais baixo ?

Relembrar Recomendações

Hoje o usuário não aceitou a recomendação. Amanhã pode querê-la. Talvez fosse bom haver funções de recuperação de recomendações feitas pelo sistema (cuidando com a validade das ofertas).

Mesmas recomendações para todos ?

Num engarrafamento, várias pessoas pedem recomendação de caminhos alternativos. Se todas receberem a mesma recomendação, as vias alternativas ficarão também congestionadas.
Se uma loja recomendar o mesmo produto para vários clientes, talvez fique sem estoque e torne insatisfeito o cliente que foi na loja atrás deste produto.
Um desafio para os sistemas de recomendação é o balanceamento de carga, como já é feito em sistemas distribuídos para que os acessos a dados sejam distribuídos equilibradamente por vários servidores diferentes.

Stigmergia

Stigmergia significa a comunicação entre seres vivos através do meio físico, e muitas vezes de forma involuntária. Funciona com as formigas, que deixam feromônios pelo caminho após encontrarem comida. Funciona quando queremos atravessar um mato e não conhecemos o caminho; basta seguir pelo chão onde a vegetação está mais pisada.
Ao recomendar livros técnicos ou filmes que possuem continuação, os sistemas deveriam recomendar os itens numa ordem. Esta ordem pode ser inferida pela sabedoria das massas (em que ordem a maioria das pessoas compra livros ou assiste a filmes e séries).

Interromper ou não o trabalho do usuário

Se o sistema percebe que o cliente está procurando por algo, deve-se interrompê-lo para avisar e poupar-lhe tempo ?
Ou o sistema deve lembrá-lo depois (ex. “lembra aquele dia que você estava fazendo assim...”).

Recomendação solicitada ou espontânea ?

Lembra o Assistente do Office, aquele clip que interrompia nosso trabalho para dar dicas furadas ?
Agora imagine a seguinte situação: uma loja de lingerie manda uma carta agradecendo ao seu melhor cliente pelas compras feitas. A esposa dele lê a carta e se dá conta que nunca recebeu nenhum presente do marido. Tá feita a confusão.
Sistemas de recomendação deveriam incorporar o chamado Marketing de Permissão (opt-in x opt-out).

(sobre tipos de marketing ver meu livro no link abaixo)

Quantos itens recomendar

Qual a quantidade ideal de itens a serem recomendados ? O Google já escolheu um número baixo, em torno de 3.
Se o objetivo do sistema de recomendação é diminuir a sobrecarga de opções, bombardear o cliente com muitas informações só vai piorar a situação.  
Talvez o sistema possa permitir ao cliente configurar ou explicitamente informar os seus limiares de relevância.

Recomendação para Grupos

Uma das áreas recentes de pesquisa é combinar perfis para fazer recomendações para grupos. Como um agente de viagem pode propor um roteiro turístico para um grupo onde haja pessoas de 3ª idade, jovens, casais sem filhos, adolescentes, solteiros de meia idade ... ?
Se alguém gosta de filmes violentos, não significa que devemos recomendar filmes violentos toda vez que ele vá ao cinema. E se ele for com a namorada que gosta de filmes românticos ?

Recomendações Sensíveis ao Contexto

O desafio atual com o crescimento da Internet das Coisas (IoT), dispositivos móveis, GPS, etc. é entender o contexto do cliente para melhorar as recomendações (context awareness).
Por exemplo, se o cliente pede para ser avisado quando seu time fizer um gol, o aviso deve ser diferente se ele estivar numa reunião ou se ele estiver na academia.
Além disto, os conteúdos multimídia devem ser adaptados para o tipo de dispositivo do cliente, dependendo do tamanho de tela, espaço em memória, velocidade da rede de transmissão de dados, etc.

Privacidade

O World Wide Web Consortium (W3C) está propondo o protocolo P3P - Platform for Privacity Preferences. Com ele, cada pessoa poderá estabelecer o que permite que os sistemas coletem de informações e o que recomendem. Os sistemas devem consultar as configurações do cliente antes de fazer qualquer ação (como um acordo). 
Entretanto, privacidade é algo que não existe mais. O que existe e deve ser melhor gerenciado é “política de privacidade”, onde sistemas e clientes possam dizer suas intenções.
Leia mais sobre este tema em:  

Serendipity

O que diferencia recomendação de spam é o seguinte: imagine que você receba um SMS avisando de uma promoção de produto. Mas você recebe a mensagem às 4 horas da madrugada, atrapalhando o seu sono. Se você sorrir e voltar a dormir feliz porque no dia seguinte vai comprar algo legal, ISTO É RECOMENDAÇÃO. Se você ficar muito chateado com a mensagem, ISTO É SPAM.
O grande desafio dos sistemas de recomendação é oferecer algo que surpreenda o cliente.
Para isto, temos que conhece-lo bem e utilizar bons algoritmos para faze o “match” entre perfis e produtos.