Data Driven Double IPA

Cerveja orientada por dados?

Produzir uma cerveja orientada por dados? É provável que isto levante muitas perguntas. A cerveja é produzida por computadores? Será boa para beber? Produzir cerveja exige técnica e saber artesanal; não devemos deixar isso aos cervejeiros?

Não se preocupe. Sirva-se de uma bebida: neste artigo, falamos da cerveja criada em colaboração entre a Uiltje Brewing Company e a Data Science Lab. Explicamos o processo e desmistificamos o termo ‘orientado por dados’.

Enquanto empresa jovem e inovadora, encontrámos de imediato na Uiltje um parceiro com a mesma visão. Produzir uma cerveja com base em dados — que ideia interessante! É um projeto que se enquadra bem no nosso Lab. Mas como surge uma ideia destas? Não surpreenderá ninguém que tudo tenha começado numa sexta-feira à tarde. Não poderíamos fazer alguma coisa com dados e cerveja? O que se seguiu é fácil de adivinhar… Quem não arrisca, não petisca.

A ideia é boa, mas como vamos pô-la em prática? Num projeto de dados, quer o objetivo seja criar um dashboard ou um modelo de deep learning, a base são os dados. Até aqui, nada de surpreendente, mas de que dados precisamos? Como os obtemos? E, talvez mais importante, o que queremos exatamente fazer com eles? Antes de mais, há uma pergunta a fazer: como se produz normalmente uma cerveja?

Para obter uma boa resposta a esta pergunta, falámos com Marko Mihalić, responsável pela produção de cerveja na Uiltje:

“A Uiltje tem, naturalmente, a linha Fresh & Fast, com uma cerveja nova entregue a cada 2 semanas. Isto significa que produzimos uma cerveja nova a cada 2 semanas. Variamos o estilo: numa semana, pode ser uma DIPA e, 2 semanas depois, por exemplo, uma Session IPA. Assim, criamos variedade nas cervejas que lançamos. Para nos inspirarmos, olhamos, entre outras coisas, para as variedades de lúpulo disponíveis e para a sua qualidade. O lúpulo é como a uva no vinho: a mesma variedade de lúpulo tem um sabor ligeiramente diferente de ano para ano. Além disso, no nosso próprio laboratório testamos muitas combinações de lúpulos para chegar a novos sabores. Vão também surgindo novas variedades de lúpulo dos EUA com as quais podemos trabalhar. No nosso laboratório, produzimos lotes experimentais de 20 – 25L e fazemos testes até chegarmos a receitas para novas cervejas”

É claro que produzir cerveja exige saber-fazer. Como em quase todos os setores, os dados podem ser um apoio muito útil. Podem revelar relações que dificilmente identificaríamos por nós próprios. Depois, cabe a quem os utiliza agir com base nos resultados. Afinal, os computadores não conseguem interpretar dados por si só. Foi com isto em mente que começámos o projeto pelos cervejeiros. Seriam eles a trabalhar com os resultados, pelo que eram o ponto de partida lógico. Que informação extraída dos dados seria útil para a cervejaria? Como poderia a cervejaria, com a nossa ajuda, produzir uma cerveja orientada por dados? E como encara a utilização de dados?Fizemos estas e muitas outras perguntas aos cervejeiros da Uiltje. Eis o que nos disseram:

Marko: “Um perfil de sabores seria o ponto de partida perfeito para desenvolvermos uma receita e uma cerveja. Se os dados e o algoritmo nos fornecerem um conjunto de características de um estilo específico de cerveja, podemos trabalhar a partir daí. Utilizar dados desta forma para desenvolver uma receita é uma novidade para nós. Os dados têm um papel cada vez maior no marketing e nas vendas, tal como acontece noutras empresas comerciais. Mas ainda não é assim no desenvolvimento de uma nova receita e de uma nova cerveja. O nosso ‘equipamento de produção’ é bastante manual. Temos computadores que regulam o arrefecimento da cerveja em produção e também controlam as bombas. Queremos automatizar mais algumas etapas, por exemplo, a mosturação. Esta ambição enquadra-se no conceito de uma cervejaria artesanal. A produção artesanal consiste sobretudo em trabalhar com um produto vivo, a cerveja em produção, sem extratos estranhos, sem recorrer a extratos de lúpulo e sem pasteurização”

Muito bem. Enquanto data scientists, sabemos o que temos de fazer: recolher dados! É um terreno que conhecemos bem. Precisamos de dados de avaliações: opiniões reais dos consumidores sobre cerveja. Embora tenhamos um bar no escritório, os nossos próprios dados ainda são bastante limitados neste ponto. Isso não tem de ser um problema; a falta de dados adequados é frequente. Felizmente, vivemos no século XXI e há quase sempre fontes externas de dados disponíveis. Este caso não é exceção. As pessoas avaliam todo o tipo de coisas online, incluindo cerveja. Existem até sites, aplicações, fóruns e outros espaços dedicados ao assunto. Perfeito! Web scraping. Esta técnica recolhe informação de páginas web e permite construir um conjunto de dados. Assim, é fácil recolher um conjunto de dados externo a partir de dados disponibilizados publicamente. Neste artigo, vamos manter a explicação simples. Temos os dados. E agora?

Agora temos as avaliações: muitas opiniões sobre vários estilos de cerveja. Até que ponto gostaram da cerveja? Que sabores identificaram? De que estilo de cerveja se tratava? Qual era o teor alcoólico? Mencionaram mais alguma coisa digna de nota? Há muita informação para organizar. Procuramos a combinação ideal de características para um estilo de cerveja específico. Algumas informações, como o teor alcoólico e o estilo da cerveja, estão praticamente prontas a usar. Mas não é tão evidente o que, exatamente, agradou às pessoas. Que combinações de sabores lhes agradam? Para compreender melhor esta questão, utilizámos Natural Language Processing, ou NLP.

Os métodos de NLP permitem extrair informação valiosa de textos. Desta forma, podemos associar sabores e palavras-chave a uma avaliação. Até aqui, tudo bem. Uma pessoa pode identificar citrinos, erva & cremosidade numa IPA, mas como surgem esses sabores na cerveja? Que ingredientes produzem cada sabor? Como consegue a Uiltje fazê-lo?

Marko: “Os aromas libertados durante a produção de uma cerveja podem ter várias origens. Cada variedade de lúpulo tem o seu sabor característico. Por exemplo, o lúpulo ‘Columbus’ confere um sabor herbáceo, enquanto algumas estirpes de levedura dão um carácter ‘hazy’. Temos várias cervejas com notas frutadas. Sabores como o ananás não resultam diretamente do lúpulo ou da levedura, pelo que adicionamos regularmente purés de fruta à mistura. Os óleos de lúpulo & o dry hopping também permitem acrescentar diferentes sabores. Além do lúpulo, o malte é, naturalmente, um ingrediente da cerveja. Sabores como chocolate e café vêm do malte. Envelhecer cerveja em barris — ‘cerveja envelhecida em barril’ — também pode conferir-lhe outros sabores singulares, provenientes da madeira ou da bebida que esteve antes nesse barril.”

Há tantas formas de dar sabor à cerveja! Não é de admirar que a ‘cerveja artesanal’ tenha crescido tanto nos últimos anos. Vemos frequentemente projetos de data science em ‘mercados em crescimento’ como este, onde costuma haver bastante margem para evoluir. É um bom sinal para este projeto! O que se segue? Modelação! Com este conjunto de dados, criamos um modelo de regressão para encontrar um conjunto ótimo de características: as características da cerveja ideal. No próximo artigo, poderá ler como abordámos a parte técnica! Entre essas características estão o teor alcoólico, o IBU (amargor proveniente do lúpulo), o aroma, a sensação na boca e, claro, a combinação de sabores. Com este modelo de regressão, chegámos a um conjunto ótimo de cervejas de um estilo específico. Mais precisamente, o modelo mostra-nos as proporções da melhor combinação possível de sabores. Transmitimos essas proporções à Uiltje.  Os cervejeiros podem começar a trabalhar, e nós mal podemos esperar.