Computação Cognitiva aplicada à Gestão de Risco da Reputação

Publicado em inglês em: https://www.linkedin.com/pulse/cognitive-tools-applied-reputation-risk-management-claudio-cardoso

A velocidade da mídia tem reduzido o tempo de reação às crises de imagem. Profissionais de comunicação em organizações, assessorias de imprensa e agências de relações públicas têm dedicado atenção e esforço especial para previamente elaborar planos de crise e roteiros capazes de, senão impedir que crises aconteçam, ao menos reduzir danos.

Nesta breve resenha nos unimos ao esforço preventivo para apresentar uma peça a mais no quebra-cabeças das soluções: um modelo para instrumentos de interpretação cognitiva da mídia em tempo-real baseado em matrizes de risco.

A nossa expectativa é que este modelo opere somando “inteligência” aos mecanismos automáticos de identificação de riscos potenciais à reputação, além de otimizar sistemas de alertas, aumentar a precisão de indicadores de desempenho e de classificação de conteúdos, com ênfase na velocidade.

As marcas estão cada vez mais expostas das mais diversas formas, especialmente nas mídias digitais, sem a devida capacidade de interpretar potenciais impactos e reagir em tempo-real.

A velocidade se tornou elemento chave da comunicação em tempos recentes. Não há mais tempo para planejar respostas a partir do zero. Planos de gestão de crises repousam nos escaninhos de praticamente todas as organizações listadas em bolsas de valores do mundo inteiro, e em muitas outras, à espera dos acontecimentos para entrar em ação.

Por conta desse clima de urgência, a automação do monitoramento da mídia se tornou uma febre. Surgem a cada dia novos serviços que já se tornaram ferramenta obrigatória. A palavras de ordem é acompanhar tudo, não apenas a imprensa online, mas também websites, blogs e mídias sociais.

Mas é preciso ir além do monitoramento em tempo-real. Não basta “ter notícia das notícias”. É necessário interpretar a qualidade de exposição das marcas, em máxima velocidade. Os responsáveis pela gestão da reputação querem identificar ameaças potenciais, querem interagir com influenciadores hostis, observar de perto temas mais sensíveis, e arrefecer viralizações em ascensão.

Neste contexto, os tradicionais relatórios analíticos produzidos por especialistas em mídia, continuam sendo relevantes, mas para outras finalidades que não a gestão do risco de crises. Tornaram-se lentos demais para a dinâmica atual.

Soluções em Monitoramento e Análise da Mídia

A corrida atual é pela combinação ‘monitoramento e análise’. Concorre para que este casamento aconteça e resulte em bons frutos as novas tecnologias cognitivas, que mineram dados em busca de insights, identificam padrões semânticos no big data, e aprendem como indicar ‘sentimentos’[1] expressados por jornalistas, analistas, blogueiros, ou tuiteiros.

A figura 1 apresenta um quadro compreensivo das soluções em ‘monitoramento e análise’. O mercado de oferta deste tipo de solução vem se movendo rapidamente em direção à automação. Antigos processos de clipagem manual foram praticamente extintos, ao tempo em que surgem soluções de monitoramento automático cada vez mais abrangentes e precisos.

Por outro lado, embora nenhuma tecnologia no horizonte indique a superação da capacidade humana de interpretar contextos tão complexos quanto os impactos da exposição da reputação nas mídias, emergem iniciativas de análise automática capazes de apoiar tais interpretações na velocidade hoje requerida. São estas novas soluções que investem na automação do cognitivo.

Figura 1 – Soluções em Monitoramento e Análise da Mídia

Ainda raras, essas iniciativas vêm sendo impulsionadas pelo aperfeiçoamento das ferramentas computacionais cognitivas, capazes de interpretar grandes volumes de dados, extrair ‘sentimentos’ de conteúdos semânticos, indicar tendências da repercussão de temas, entre várias novidades, por meio de técnicas avançadas, como o uso de processamento de linguagem natural, análises semânticas computacionais, dentre outras.

As setas vermelhas da figura 1 indicam a convergência de tecnologias em direção a uma “inteligência em tempo-real” orientada à interpretação cognitiva das mídias. Esta interpretação se concretiza na produção de indicadores sobre as ameaças à qualidade da exposição na mídia: quais temas são mais ou menos hostis à imagem, quais influenciadores recomendam mais atenção, que veículos produzem maior impacto, quais perfis produzem viralização, dentre outros.

Profissionais de comunicação que já se utilizam estes novos instrumentos cognitivos em tempo-real, não raro intervém junto a jornalistas e os influenciam a modificar trechos de suas matérias antes que a grande maioria dos leitores tenha tido acesso ao conteúdo original. Tudo isso em questão de minutos.

Se de um lado o escaninho das crises de imagem está ocupado por planos de gestão previamente elaborados, resta agora preencher o escaninho da gestão preventiva. Qualquer que seja a solução vencedora, sabemos que ela terá que acompanhar o ritmo do tempo-real.

É nesta direção que propomos a elaboração de matrizes de risco, capazes de colaborar para o aperfeiçoamento da capacidade de interpretação cognitiva, que começam a povoar o quadrante 4 da figura acima.

Matriz de risco da reputação

Nos últimos quatro anos, sempre que tenho a oportunidade e acredito que não vou incomodar o meu interlocutor, aplico um mini teste de cinco minutos. O método é muito simples, além de bastante informal. Peço apenas para que responda a duas perguntas para, em seguida, trocar algumas ideias sobre gestão de risco da reputação.

Uma vez autorizado, dirijo a primeira questão: “até que ponto você acha possível, para empresas ou indivíduos, evitar crises de imagem?”. A grande maioria dos entrevistados – em torno de 80% – expressa incredulidade com tal possibilidade. “É impossível prever o que vai acontecer na mídia”. Esta é, de longe, a resposta mais frequente.

Curiosamente, quando passo para a segunda questão a incredulidade dá lugar a respostas rápidas. Peço ao meu interlocutor para listar alguns riscos de imagem para um restaurante. Jamais encontrei alguém incapaz de rapidamente enumerar dois ou três fatores de risco. Adicionalmente, sempre noto como todos sabem, intuitivamente, diferenciar riscos de imagem daqueles outros naturalmente relacionados à atividade, sem correlação direta com a imagem.

Após alguma análise, concluí que esta seleção intuitiva é baseada numa noção intrínseca sobre o impacto estimado dos adventos em relação à imagem. É fácil perceber que qualquer coisa que uma organização faça tem relação com a sua imagem. Por mais discreto ou irrelevante que possa parecer, qualquer acontecimento pode se desdobrar em impactos sobre a reputação.

Contudo, de forma intuitiva, meus interlocutores escolhem fatores de risco mais explícitos, tais como um garçom despejar vinho tinto na blusa branca de uma senhora elegante, ou uma recepcionista passar uma celebridade que acaba de chegar na frente de outros clientes que fizeram suas reservas com meses de antecedência.

Finalizo o meu mini teste trocando algumas palavras sobre a importância da reputação, tanto para os negócios, quanto para os relacionamentos interpessoais. Invariavelmente, este momento se torna uma prazerosa troca de ideias e visões, seguido de reflexões prosaicas sobre marcas e vida cotidiana.

Ao longo destes anos, motivado por interesses profissionais, fui aos poucos me dando conta de elementos subjacentes a estas breves interlocuções. Diante da aparente imprevisibilidade das crises de imagem, respostas intuitivas e imediatas à segunda questão me levaram a identificar alguns princípios fundamentais para a elaboração de matrizes de risco da reputação.

Em que pese as reconhecidas deficiências do uso de matrizes como guias primordiais na gestão de riscos operacionais, para a comunicação elas agregam o valor da novidade, uma vez que metodologias consagradas de prevenção ainda são pouco difundidas em nossa comunidade profissional.[2]

Organizando os fatores de risco

O princípio mais básico na organização de uma matriz de risco da reputação é oferecido pela técnica ‘Janela de Johari’ (figura 2, abaixo), criada pelos psicólogos norte-americanos Joseph Luft e Harrington Ingham (1955) para ajudar as pessoas a compreender a sua relação consigo e com os outros. Ela tem sido utilizada principalmente em grupos terapêuticos e em ambientes corporativos como um exercício de heurística.

Contudo, várias organizações de todo o mundo, incluindo a NASA[3], têm utilizado esta técnica para lidar com problemas “sabidos e conhecidos por todos”, “sabidos por nós e desconhecidos pelos outros” e os “não sabidos e desconhecidos por todos”. Temos ainda os “desconhecidos por nós, porém sabidos pelos outros”, certamente o tipo mais perigoso para aqueles que precisam cuidar de marcas e imagens públicas.

Diante da página em branco a ser preenchida com a extensa lista dos fatores de risco de uma marca, esta técnica fornece um impulso considerável. Sabemos de antemão que vinhos tintos são servidos por garçons, e que, infelizmente, podem respingar sobre os clientes. As listas de fatores simplesmente se tornam evidentes a partir da Janela de Johari, um instrumento simples e bastante útil para lidar com o planejamento preventivo da reputação.[4]

Figura 2 – Janela de Johari

A forma de redação dos fatores é outro ponto fundamental. Adotamos a melhor técnica que nos chegou às mãos, cuja característica principal é dirigir uma pergunta ao leitor: “os garçons podem derramar vinho nos clientes?”[5] Esta formulação se torna ainda mais poderosa quando aplicada a ferramentas cognitivas, que se encarregam de identificar similaridades semânticas com textos capturados das mídias.

Probabilidade, severidade e monitoramento em tempo-real

Com o objetivo de compor um mapa do risco potencial de exposição da marca, pode-se ainda correlacionar estimativas de probabilidade e severidade dos fatores listados: caso um garçom derrame vinho sobre um cliente, qual o dano com a imagem? Prosseguindo com mais perguntas: quantas vezes isto aconteceu nos últimos dois anos? Quais as consequências destes acontecimentos para a imagem? É possível correlacionar o sexo do cliente, o número de vezes que ele frequentou o restaurante, a cor da sua roupa, e o grau estimado dos danos causados na imagem? E qual o critério para avaliar os danos à reputação?

Esta avalanche de questões jamais se esgota. E esse é o campo que se abre para quem aposta nas iniciativas que começam a povoar o quadrante 4 da figura 1: investigar de forma efetiva, e não mais por meio da audiência estimada ou métricas baseadas em princípios da publicidade (como a “centimetragem” e outras medidas baseadas em métricas da publicidade[6]), a relação entre acontecimentos e impactos sobre o desempenho da marca.

Restam mais dois aspectos fundamentais para elaboração da lista dos fatores de risco da imagem:

Necessidade de definir critérios mínimos para incluir fatores na lista

O critério deve considerar primordialmente a expectativa de severidade do impacto de cada fator. Fatores com impacto considerados irrelevante devem ser deixados de lado, sob pena de tornar longa e penosa a elaboração da matriz, além de condená-la à confusão.

Necessidade de agrupar os fatores

Esta tarefa se torna indispensável quando a lista ultrapassa 50 itens. A partir deste limite, fica praticamente ilegível. Não raro, listas de fatores de risco de imagem ultrapassa 300 itens. Em operações complexas este número pode alcançar 650 fatores.

O próximo passo é estimar o impacto de cada fator. Apesar da expectativa de impacto sobre a reputação servir como critério de inclusão – uma vez que fatores com impactos considerados irrelevantes são descartados – é sempre bom lembrar quando o assunto é imagem, que essas estimativas carecem de precisão. Basta rever a avalanche de questões de um único fator.

A nossa sugestão é que a severidade (ou seja, dano causado ou impacto) de cada fator de risco da imagem seja estimada em duas vertentes: a longa experiência dos líderes das organizações, que em regra atribuem com grande sensibilidade os danos causados por cada fator, combinados a análise histórica dos registros de conteúdos coletados diretamente da mídia. Neste ponto, entram as técnicas de mineração de dados e de machine learning.[7]

Monitoramento e análise em tempo-real

O monitoramento em alta velocidade se tornou indispensável, não apenas para aqueles preocupados com a qualidade de exposição de suas marcas na mídia, mas para qualquer consumidor de produtos ou informações.

As matrizes de risco podem apoiar o monitoramento com alta efetividade na medida em que fornecem chaves semânticas para identificar o risco contido no conteúdo da mídia, por meio da comparação do texto dos fatores com o texto da publicação. Adicionalmente, na medida em que cada fator é ponderado pela combinação de probabilidade e severidade, torna-se possível estimar o nível de impacto de risco de cada conteúdo.

À medida em que as ferramentas cognitivas ganham precisão, os fatores são correlacionados aos conteúdos com maior facilidade. Em nossa experiência, contamos com 450 mil conteúdos classificados manualmente, um a um, que serviram para aplicação de machine learning. O nível de precisão para novos conteúdos analisados nunca esteve abaixo de 82% com aplicação de ferramentas IBM Watson.

Neste ponto, vale destacar a metodologia representada pela figura 3, utilizada para estimar probabilidade e severidade em tempo-real. Desta metodologia resultaram sistemas de alerta automático em tempo-real altamente eficazes, uma vez que identificam com razoável precisão e velocidade, conteúdos recém-publicados associados a fatores críticos de risco.

Figura 3 – Fases da Metodologia para Interpretação de Risco da Imagem em Tempo-Real

Para fins de atribuição de pesos, foram utilizados os tradicionais níveis de probabilidade, “provável, ocasional, possível, improvável, remoto e raro”, combinados aos níveis de severidade, “incidental, menor, moderado, maior, severo e catastrófico”[8]. Desta combinação resultaram pesos ponderados para cada fator (índice de risco), que passaram a indicar o impacto estimado por cada conteúdo em relação ao risco da imagem. Tudo isso, em tempo-real.

Desta metodologia resultaram sistemas de alerta automático em tempo-real altamente eficazes, uma vez que identificam com razoável precisão e grande velocidade, conteúdos recém-publicados que foram associados a fatores críticos de risco.

Adicionalmente, de posse do mecanismo que combina monitoramento em tempo-real, fatores de risco ponderados e análise semântica automática, também foi possível classificar e distribuir conteúdos publicados pela mídia diretamente aos responsáveis pela mitigação de riscos específicos.

Perspectivas

O escaninho do monitoramento em tempo-real está sendo progressivamente ocupado por ferramentas cada vez mais sofisticadas que interpretam com precisão crescente aquilo que antes era tarefa exclusiva de especialistas.

As novas perspectivas criadas pela capacidade computacional de interpretar cenários complexos e indicar com grande velocidade caminhos para a mitigação de riscos são promissoras, e trazem novos desafios aos profissionais da comunicação, não somente pela necessidade de atualização, mas pela mudança de atitude em relação ao seu papel analítico e estratégico.

 

[1] Verbete ‘Sentiment Analysis” na Wikipedia. https://en.wikipedia.org/wiki/Sentiment_analysis (01/11/2016).

[2] Para entender alguns dos limites da aplicação de matrizes de risco na indústria do óleo e gás (que as utilizam como instrumento padrão há pelo menos duas décadas), sugiro THOMAS, BRATVOLD e BICKEL (2014). The Risk of Using Risk Matrices. SPE Economics & Management. Disponível em http://www.reidar-bratvold.com/wp-content/uploads/The-Risk-of-Using-Risk-Matrices1.pdf (acessado em 31/10/2016).

[3] NASA Risk Management Handbook. Disponível em https://www.hq.nasa.gov/office/codeq/doctree/NHBK_2011_3422.pdf (acessado em 31/10/2016).

[4] Sobre uma interessante análise de problemas complexos aplicando a Janela de Johari na geopolítica, ver, CHALERMPALANUPAP, Termsak (2014). Known Knowns, Known Unknowns, Unknown Unknowns, and Unknown Knowns in the South China Sea Disputes. Kyoto Review of Southeast Asia. The South China Sea. Disponível em https://kyotoreview.org/issue-15/known-knowns-known-unknowns-unknown-unknowns-and-unknown-knowns-in-the-south-china-sea-disputes/ (acessado em 31/10/2016).

[5] Esta engenhosa técnica de redação dos fatores de risco como perguntas foi desenvolvida em 2009 pelo grupo de comunicação corporativa da Odebrecht S.A. e posteriormente aperfeiçoada em uma revisão da matriz de risco do grupo empresarial no início de 2015.

[6] Sobre a superação de tais métricas, ver a campanha liderada pela International Association for Measurement and Evaluation of Communication, “AMEC says no to AVEs” em Barry Leggetter, Barry (2015). AVES – we moved on years ago!. Disponível em http://thoughtfulthud.typepad.com/the_thoughtful_thud/2016/02/aves-we-moved-on-years-ago.html (acessado em 01/112016).

[7] Verbete ‘Machine Learning’ na Wikipedia. Disponível em https://en.wikipedia.org/wiki/Machine_learning (acessado em 03/11/2016).

[8] Em inglês, conforme é aplicado amplamente por várias indústrias que utilizam os “heat maps” associados às análises de risco “likely, occasional, seldom, unlikely, remote, rare”, e “incidental, minor, moderate, major, severe, catastrophic”.

Os artigos aqui apresentados não necessariamente refletem a opinião da Aberje e seu conteúdo é de exclusiva responsabilidade do autor.