27 de abril de 2017

WATSON (IBM)


Os sistemas computacionais são ferramentas úteis para o nosso trabalho e entretenimento, mas e se eles  pudessem realmente nos tornar mais saudáveis, encontrar curas de doenças, ajudar em nossas rotinas e até mesmo planejar um casamento? É isso que a era da computação cognitiva nos reserva. Um bom exemplo disso é o IBM Watson, que pode fazer tudo isso de maneira bem ágil. Ele pode, por exemplo, interpretar dados não estruturados vindos da web (em qualquer formato, seja vídeo, texto ou foto), como faz um ser humano, mas com a velocidade de uma máquina com tecnologia de ponta. É daí que vem o nome de computação cognitiva, já que a cognição é o processo por meio do qual nós adquirimos conhecimentos a partir dos nossos sentidos. Esses dados sem ordem lógica representam 80% dos conteúdos da internet atualmente. Eles foram criados por humanos para outros humanos, por isso, sistemas comuns não conseguem interpretar as informações com a mesma eficiência. À sua maneira, o IBM Watson pode pensar, graças a algoritmos complexos de inteligência artificial baseados em redes neurais e na tecnologia de aprendizagem chamada deep learning. Por dia, 2,5 bilhões de gigabytes de informações da web são processadas para que ele se torne ainda melhor.

A interação com o IBM Watson pode ser por texto ou voz, ele pode compreender comandos em linguagem natural. Diferentemente de outros sistemas, ele tem a capacidade de interpretar o contexto das situações. Ou seja, é como se você estivesse conversando com um assistente que tem super poderes, bem ao estilo Jarvis, do Homem de Ferro. Conforme os humanos interagem com o IBM Watson, o sistema aprende mais e mais sobre o complexo processamento de linguagem. Ele varia de idioma para idioma, mas se baseia em três pilares: gramática, estrutura e relação de palavras. É por isso que o IBM Watson sabe que a manga da sua camisa não é uma fruta e o banco da praça não é uma instituição bancária. Essa capacidade de entender o que é dito pelos humanos, e não apenas converter voz em texto, é o principal diferencial do IBM Watson em relação à Siri, do iPhone.

O IBM Watson foi criado em 2003 e recebeu seu nome em homenagem ao fundador da IBM, o empresário norte-americano Thomas Watson. Hoje, a era da conectividade de alta velocidade e a proliferação de smartphones permite que o IBM Watson seja usado a partir da nuvem, que é como essa tecnologia de computação cognitiva chegou ao Brasil, em 2014, já falando e entendendo o nosso português. Ou seja, o IBM Watson, em si, é uma plataforma de inteligência artificial.

Fonte: Gizmodo Brasil (Jul/2016)

O DIFERENCIAL

Quando todos os produtos são praticamente iguais, a propaganda tem de mostrar uma diferença qualquer. Pense em Rosser Reeves, um verdadeiro gênio. Seu método de execução é descobrir a única coisa sobre o produto da qual você pode fazer alarde. Depois é só focar nessa qualidade inegável e fazer o maior barulho em torno dela, esquecendo tudo sobre o produto que não seja este único argumento de venda. A chave é descobrir qual botão apertar em uma pessoa para levá-la a comprar seu produto em lugar de outro. Qual é o lance emocional que afeta as pessoas? O sistema não sabe o que faz as pessoas pensarem; não sabe mais o que faz as pessoas continuarem vivas. É aí que ele perde o jogo. Perdeu a capacidade de dizer o que motiva as pessoas, o que as move.

Jerry Della Femina (Mad Men - Comunicados do Front Publicitário; págs: 53, 166, 174 e 175)

PRODUTO RUIM NO MERCADO

Há muita propaganda que é muito melhor que o produto. Quando isso acontece, tudo quanto essa propaganda de qualidade vai fazer é pôr você pra fora do mercado mais depressa... Houve casos em que o produto teve de ser melhorado para estar à altura da propaganda; mas, quando o produto não consegue isso, o anunciante vai acabar tendo um monte de dores de cabeça.

Jerry Della Femina (Mad Men - Comunicados do Front Publicitário; págs: 160 e 161)

26 de abril de 2017

O APRENDIZADO DE MÁQUINA E AS INSTITUIÇÕES FINANCEIRAS


Hoje nós vamos falar sobre os princípios dos quais acredito serem os verdadeiros agentes de mudança pelos próximos anos. Quando investigamos tendências futuras e tecnologias disruptivas que impactarão significativamente no modo como os bancos vão operar e o que os bancos farão no mercado, as opções são inúmeras. Nós podemos escutar coisas como, a proliferação contínua de dispositivos móveis, o sistema de pagamento em constante mudança e computação baseada em nuvem. No entanto, após toda minha pesquisa, existem duas tendências que irão formar as bases para as mudanças, que acredito serem mais significativas a impactar nosso panorama num futuro próximo. Hoje vamos discutir a primeira dessas tendências tecnológicas relevantes. E esse é o "aprendizagem de máquina". Deixe-me começar colocando uma questão. Qual a maior despesa não relacionada aos juros de uma instituição financeira? Você acha que é a provisão para perdas em empréstimos? Não, ela está em torno de 5%. Que tal as edificações e imóveis? Também não, representam apenas de 3% à 4%. Algumas pessoas podem dizer que é a tecnologia, cuja média costuma ser de 7%. A maior despesa para o banco é a despesa com pessoal. Especificamente, os salários e benefícios dessas pessoas. Conforme a complexidade do modelo de negócios aumenta, o total de empregados necessários aumenta também. Pense a respeito, uma regulação adicional foi imposta, então o número de empregados teve que ser aumentado para manter isso. Como os bancos continuam a oferecer novos produtos e serviços adicionais então também há um aumento correspondente de empregados para manter isso. Mesmo em empresas de tecnologia, supostamente os bastiões que impulsionam a eficiência em uma instituição financeira, com frequência seu número de empregados continua a crescer também. Apesar de eu ter que confessar que escutei mais de um CIO me explicando que eles estão, na verdade, diminuindo o número de empregados. Eu acredito que se alguém reparar bem nas declarações contábeis das companhias eu acho que o que você verá na maioria, ao menos, nos casos em que eu pude conferir é que talvez enquanto os funcionários estão equiparados ou ligeiramente abaixo, o que você vê é uma correspondente elevação, uma elevação relevante na maior parte dos casos, um aumento no número de consultores e profissionais independentes ou terceirizados para manter a mesma carga de trabalho. Não se deixe enganar, aproximadamente 1/3 do total de custos não relacionados aos juros numa instituição financeira são recursos humanos e esse número está crescendo, se você olhar ao longo das últimas duas décadas esse percentual não caiu, de fato, ele aumentou quase todos os anos.

Bancos não podem permanecer competitivos se sua maior despesa continuar crescendo mais rápido que o crescimento de sua receita, em particular, nos últimos anos. Essa razão por si só, é a principal impulsionadora por trás do conceito do "aprendizado de máquina". Primeiro, vamos definir o que significa "aprendizado de máquina", aprendizado de máquina é um subconjunto de um tópico muito mais amplo, frequentemente citado como inteligência artificial e algumas vezes citado como "máquinas pensantes". Inteligência artificial ou máquinas pensantes são concebidas desde a mitologia grega, particularmente na história de Talos da Grécia. Talos era um robô que circulava a ilha 3 vezes por dia protegendo seus habitantes de invasores externos. O campo moderno da inteligência artificial foi iniciado no Dartmouth College em 1956. Em meados dos anos 60 até mesmo a DARPA, o departamento de defesa americano, entrou com financiamento significativo, os computadores logo estavam aptos a jogar damas, resolver problemas básicos de algebra, começando, até mesmo, a aprender inglês, foram tempos agitados, foi previsto, que dentro de 20 anos as máquinas serão capazes de fazer qualquer trabalho que o homem possa executar. Ao menos, esse é o exemplo perfeito de uma curva Gartner Hype, e amigo, isso foi uma beleza, os pesquisadores e programadores subestimaram amplamente o que seria preciso para avançar a AI além da solução de simples jogos como Damas, para algo capaz de operar como um ser humano faria. Pouco tempo depois, nos anos 70, o financiamento começou a esgotar como resultado de todas as promessas vazias. A próxima década, ficou conhecida como o inverno da inteligência artificial, falando sobre o troféu da desilusão, mas como a maioria das grandes inovações a realidade foi um pouco diferente. A verdadeira pesquisa e o progresso continuaram ano após ano, com toda propaganda associada. Os problemas difíceis foram sendo resolvidos.

Nos anos 90, inteligência artificiai de foco restrito, vou explicar o que são IA de foco restrito em um minuto, começando seu caminho em aplicações comerciais, alguns dos exemplos são: logística, mineração de dados e até mesmo automóveis. Com o advento dos sistemas de frenagem anti-travamento (ABS). Então, como nós superamos esses obstáculos precedentes, na verdade é bem simples, os pesquisadores dividiram o que chamamos de IA em duas categorias distintas, 1, inteligência artificial geral e 2, reconhecimento de padrões e teoria do aprendizado computacional. Eu sei que parece ser muita coisa mas essa é a conclusão, vamos pensar sobre isso dessa forma, a inteligência artificial geral a qual chamaremos de AGI é bem parecida com o HAL 9000 de 2001: Uma Odisséia no Espaço, quero dizer, um computador onisciente, com conhecimento, lógica e visão como se fosse um super-humano, ou, para um exemplo mais recente, se você pensar no filme "Ela" no sistema operacional eles são ambos excelentes exemplos do que chamamos de AGI (Inteligência Artificial Geral). Infelizmente, nós estamos muito distantes de atingir isso. Não é uma questão de falta de poder computacional, ao invés disso, é a falta de entendimento de como os processos neurais realmente funcionam. As complexidades da mente humana se tornaram verdadeiramente aparentes. Mas o segundo ramo da IA, que é o reconhecimento de padrões e aprendizado computacional faz avanços significativos. Da forma como discutiremos, é agora referido como aprendizado de máquina.

Os métodos de aprendizado de máquina também são mencionados como análise preditiva, ou, modelagem preditiva. Então como o aprendizado de máquina se distingue de algo como a mineração de dados, algo que qualquer bom time empresarial de dados executa de forma contínua. A mineração de dados é simplesmente um conjunto de ferramentas que utiliza algoritmos específicos pré-programados para buscar um grande conjunto de dados, procurando por padrões e correlações. Ainda que seja uma ferramenta muito valiosa, tem um foco muito estreito em especificamente o que já esta presente nos dados. O aprendizado de máquina por outro lado é um software altamente complexo que é utilizado num conjunto de problemas, ou, conjuntos de problemas onde projetar e programar algoritmos explícitos não é nem mesmo tecnicamente viável. Além disso, conforme ele trabalha continuamente em um dado problema ou conjunto de dados, ele continua a aprender e a reproduzir melhores resultados conforme o tempo passa. Alguns exemplos são aplicações onde o aprendizado de máquina está sendo usado hoje em dia, coisas como filtro de SPAM, mecanismos de busca, até mesmo a visão computacional. O aprendizado de máquina é preditivo por natureza e enquanto influência grandes conjuntos de dados ele difere da mineração de dados tanto quanto uma charrete difere de uma nave espacial. Sim, ambos podem transportar pessoas mas por diferentes meios usando tecnologias diferentes. O essencial é isso, enquanto a mineração de dados é uma importante caixa de ferramentas, ela realmente não é nada a mais que uma pequena peça de conceito geral do aprendizado de máquina onde seu foco é olhar para trás, é olhar para correlações e padrões nos dados que já existem. Isso difere significadamente para o que nos referimos como aprendizado de máquina onde há uma prospectiva e um aspecto de aprendizado que dirige o software para fornecer respostas mais precisas e completas ao longo do tempo.

Então posso ouvir você pensando "Jim, essa é uma grande história mas onde estamos agora e por que isso é tão importante?" Bem, o aprendizado de máquina vem sendo desenvolvido com interfaces de linguagem natural também conhecidos como "assistentes digitais" mas no final é aprendizado de máquina. A Apple tem a Siri, a IBM tem o Watson, o Google tem o Google Now e algo chamado de Deep Mind, uma aquisição feita há dois anos atrás, vamos falar um pouquinho disso, o Facebook tem o Facebook M e a IA de video, a Amazon tem o Echo e existem dezenas e dezenas de Startups. Todas usando IA de foco restrito alavancando o aprendizado de máquina. Nos últimos dois anos, bilhões de dólares apareceram nesse espaço e o progresso tem sido simplesmente fenomenal. Extraordinariamente, o Watson venceu dois campeões do Jeopardy e agora vem sendo alavancado no campo médico combinando a pesquisa do genoma com as melhores práticas analíticas para proporcionar a comunidade médica assessoria em tempo real para cada caso. Google com Deep Mind, está dominando o aprendizado de máquina colocando-o para jogar games de Atari da década de 80, ele domina jogos como Space Invaders, depois de jogar mais de 5000 mil vezes e fez isso sem acessar o código fonte do jogo ou receber qualquer tipo de instrução, ele apenas assistiu pixels na tela com uma diretriz que dizia "maximize a pontuação", assistir isso em tempo real é simplesmente incrível. Enquanto os bilhões de dólares são investidos por essas grandes empresas de tecnologia, são importantes para nossa discussão, vamos tratar agora do que acontece especificamente no setor financeiro relacionado ao aprendizado de máquina.

Eu quero falar sobre cinco exemplos de onde o aprendizado de máquina, se funde diretamente no setor financeiro atualmente. Pela primeira vez, a maior parte das ações em todas as bolsas estão sendo negociadas usando aprendizado de máquina, não há humanos ganhando bônus, são máquinas decidindo quando e quanto executar minuto por minuto, segundo por segundo, subsegudo por subsegundo, entre todas as trocas. Isso inclui todos os traders de alta frequência e eles são meramente programas que não fazem nada a não ser potencificar o aprendizado de máquina. Número dois, nossos conselheiros robôs, os robôs conselheiros são um importante conceito para nós porque são o começo da substituição, sem trocadilhos, mas a substituição das atividades de um banqueiro tradicional. Nos meses recentes, Charles Schwab, lançou o que chamam de portfólios inteligentes de Schwab. O que isso faz é impulsionar o aprendizado de máquina e isso ajuda os clientes individuais e consumidores a estarem aptos a fazer investimentos em termos de tempo e localização ao longo de qualquer portfólio fornecido. É uma peça de software extremamente sofisticada que, como todo aprendizado de máquina, continuará a ficar cada vez melhor com o passar do tempo. E ele faz isso, sem a intervenção humana. De fato, isso advém diretamente de software de aprendizado de máquina para o próprio cliente. Verdadeiramente, um momento único para o setor bancário. Olhando um pouco adiante, nesse mesmo espectro, existem pequenas empresas startups e um exemplo realmente bom delas é chamado Neokami, eles saíram da Alemanha e arrecadaram uma soma significativa de dinheiro para um único propósito que é construir uma experiência de aprendizado de máquina com IA de foco restrito como um serviço. Imagine, aprendizado de máquina como um serviço, além disso, eles também estão focados, especificamente, na movimentação de preços das ações ou no próprio mercado de ações em si. O número três em nossa lista é o banco Barclays no Reino Unido. O Barclays anunciou recentemente que eles estão usando aprendizado de máquina ou inteligência artificial assistida para ajudar clientes em transferências de dinheiro, particularmente, transferências internacionais. Novamente, é o que um típico banco ajudaria a fazer no dia a dia.

Número quatro, é o Watson, lançando o que chamam de conselheiro baseado no Watson, para serviços ao cliente e aumento do gerenciamento da saúde. Ele esta sendo usado hoje em dia por diversos bancos internacionalmente e é utilizado em ao menos uma instituição financeira sediada nos EUA e por último, o número cinco tem sido especulado que um punhado dos bancos de ponta em Nova York estão impulsionando o aprendizado de máquina do Watson para desempenhar análises de risco em seus portfólios. É seguro pensar que algumas dessas instituições financeiras estão impulsionando essa poderosa tecnologia de forma a ajudá-los a ganhar vantagem no mercado. A IA de foco restrito ou aprendizado de máquina é o que vai ajudar essas instituições financeiras a começar a reduzir custos. Eu não estou dizendo que a IA vai eliminar completamente a necessidade por humanos, na realidade, ao longo dos próximos anos a IA funcionará mais como uma assistente e menos como uma substituta. Mas acredito que rapidamente, ao longo do tempo, não é excesso de projeção ou de previsão, poder falar que mais e mais tarefas nas instituições financeiras serão passíveis de serem executadas por um aprendizado de máquina direto ou por interfaces de IA restrita.

Fonte: Jim Kittridge

21 de abril de 2017

SOCIAL DISTORTION


01 - Another State Of Mind - [Mommy's Little Monster: 1983]
02 - Like An Outlaw (For You) - [Prison Bound: 1988]
03 - Prison Bound - [Prison Bound: 1988]
04 - So Far Away - [Social Distortion: 1990]
05 - Story Of My Life - [Social Distortion: 1990]
06 - Ring Of Fire - [Social Distortion: 1990]
07 - Ball And Chain - [Social Distortion: 1990]
08 - It Coulda Been Me - [Social Distortion: 1990]
09 - Drug Train - [Social Distortion: 1990]
10 - Bad Luck - [Somewhere Between Heaven And Hell: 1992]
11 - Making Believe - [Somewhere Between Heaven And Hell: 1992]
12 - Born To Lose - [Somewhere Between Heaven And Hell: 1992]
13 - When She Begins - [Somewhere Between Heaven And Hell: 1992]
14 - 99 To Life - [Somewhere Between Heaven And Hell: 1992]
15 - King Of Fools - [Somewhere Between Heaven And Hell: 1992]
16 - This Time Darlin' - [Somewhere Between Heaven And Hell: 1992]
17 - Dear Lover - [White Light, White Heat, White Trash: 1996]
18 - Untitled - [White Light, White Heat, White Trash: 1996]
19 - I Was Wrong - [White Light, White Heat, White Trash: 1996]
20 - Through These Eyes - [White Light, White Heat, White Trash: 1996]
21 - When The Angels Sing - [White Light, White Heat, White Trash: 1996]
22 - Gotta Know The Rules - [White Light, White Heat, White Trash: 1996]
23 - Crown Of Thorns - [White Light, White Heat, White Trash: 1996]
24 - Under My Thumb  - [White Light, White Heat, White Trash: 1996]
25 - Reach For The Sky - [Sex, Love And Rock 'N' Roll: 2004]
26 - Highway 101 - [Sex, Love And Rock 'N' Roll: 2004]
27 - Nickels and Dimes - [Sex, Love And Rock 'N' Roll: 2004]
28 - Winners And Losers - [Sex, Love And Rock 'N' Roll: 2004]
29 - Angel's Wings - [Sex, Love And Rock 'N' Roll: 2004]
30 - California (Hustle And Flow) - [Hard Times And Nursery Rhymes: 2011]
31 - Machine Gun Blues - [Hard Times And Nursery Rhymes: 2011]
32 - Alone And Forsaken - [Hard Times And Nursery Rhymes: 2011]
33 - Writing On The Wall - [Hard Times And Nursery Rhymes: 2011]

20 de abril de 2017

SOUNDGARDEN


01 - Flower - [Ultramega OK: 1988]
02 - All Your Lies - [Ultramega OK: 1988]
03 - Mood For Trouble - [Ultramega OK: 1988]
04 - Head Injury - [Ultramega OK: 1988]
05 - Hands All Over - [Louder Than Love: 1989]
06 - Get On The Snake - [Louder Than Love: 1989]
07 - Big Dumb Sex - [Louder Than Love: 1989]
08 - Hunted Down - [Screaming Life/Fopp: 1990]
09 - Kingdom Of Come - [Screaming Life/Fopp: 1990]
10 - Rusty Cage - [Badmotorfinger: 1991]
11 - Outshined - [Badmotorfinger: 1991]
12 - Slaves & Bulldozers - [Badmotorfinger: 1991]
13 - Room A Thousand Years Wide - [Badmotorfinger: 1991]
14 - Drawing Flies - [Badmotorfinger: 1991]
15 - Holy Water - [Badmotorfinger: 1991]
16 - Stray Cat Blues - [Badmotorfinger (EP SOMMS): 1992]
17 - Mailman - [Superunknown: 1994]
18 - Head Down - [Superunknown: 1994]
19 - Black Hole Sun - [Superunknown: 1994]
20 - She Likes Surprises - [Superunknown: 1994]
21 - Rhinosaur - [Down On The Upside: 1996]
22 - Blow Up The Outside World - [Down On The Upside: 1996]
23 - Burden In My Hand - [Down On The Upside: 1996]
24 - Never Named - [Down On The Upside: 1996]
25 - Tighter & Tighter - [Down On The Upside: 1996]
26 - No Attention - [Down On The Upside: 1996]
27 - An Unkind - [Down On The Upside: 1996]
28 - Bleed Together - [A-Sides: 1997]
29 - By Crooked Steps - [King Animal: 2012]
30 - A Thousand Days Before - [King Animal: 2012]
31 - Bones Of Birds - [King Animal: 2012]
32 - Halfway There - [King Animal: 2012]

17 de abril de 2017

A VIDA CRIATIVA

George Lois

Em 1961, quando consegui meu primeiro emprego de redator publicitário, "meu tipo" de repente entrou na moda. A revolução criativa tinha começado. A propaganda havia se transformado em um ramo dominado por redatores jovens, engraçados e judeus, e por diretores de arte gregos e italianos durões que chegavam a apelar para a ignorância de vez em quando. O lado criativo tira proveito da sua suposta fama de gênio incompreendido e, nas agências mais novas, os caras deixam a barba crescer, usam calças e camisas transparentes e dilatam as pupilas.

Não acho que o pessoal de criação tenha medo de perder o emprego por causa de meros caprichos da agência, mas há uma coisa que encosta todo esse pessoal na parede: o medo de perder o talento, a capacidade. Os redatores publicitários e os diretores de arte têm fases de falta de inspiração. Quando não adotam uma atitude profissional em relação ao problema, dão bandeira e a sua falta de inspiração fica gritante - quer dizer, todo mundo fica sabendo que estão em uma fase ruim. Simplesmente não conseguem produzir nada. Em vez de esfriar a cabeça e relaxar, trabalham sem inspiração mesmo e põem tudo a perder. O dilema é que os bons redatores de Nova York são aqueles que não sentem medo. Você tem de estar relaxado. Um diretor de arte fantástico chamado Bob Gage, da Doyle, Dane, certa vez fez um discurso sobre o medo, o que é e como combatê-lo. Descreveu o medo de sua fonte secar e depois descobriu que você nunca seca, que não há mágica alguma, mistério algum, você não pode ser desligado sem mais nem menos. Gage disse que, quando achava que sua fonte de inspiração estava secando, era uma questão de enfrentar um problema que tinha de ser resolvido, e que ele sempre poderia resolver aquele problema da mesma forma de sempre, da mesma maneira com que o resolveu anos atrás. Ele disse que secar era simplesmente sinônimo de ficar impaciente com a resolução de problemas da mesma forma de sempre. Outro problema que aflige os redatores e diretores de arte é o problema do reconhecimento. O cara fica lá na sua sala, trabalha, molda e brinca e, quando termina, escreveu algo absolutamente maravilhoso, só que se esqueceu de uma coisa: é o que está dentro dos limites das páginas que é comprado por um diretor de mídia. O que acaba com a maioria dos redatores é que as pessoas não compram a revista Life para ler seus anúncios. Os anúncios são apenas um sequestro do tempo do leitor. É por isso que cabe a você fazer seu trabalho para chamar mais a atenção do que qualquer outra coisa. Ninguém compra uma revista para ler um anúncio. Mas um monte de caras age como se fosse isso o que acontecesse.

O pessoal de criação não tem muito tino comercial quando se trata deles mesmos. O pessoal de criação não pensa no futuro. A maioria dos caras de criação não conhece o seu modo de produção e não tem a inteligência - falando sem rodeios - de chegar lá e dizer: "Quero um contrato." Exigi um contrato e assinei um documento bem específico. Eu queria que ele vigorasse por um ano e meio - e não por dois anos, nem um ano, e sim um ano e meio. Eu disse ao pessoal da agência que em quatro meses eu seria odiado ali e queria dizer com isso que seria desprezado ali. "Vocês não vão me aguentar", disse eu aos caras. "E, nos oito meses seguintes, vocês vão gostar de mim à sua revelia, mas teriam me despedido há meses se eu não tivesse um contrato. E, depois desse período, vou ganhar pontos. Se conseguir ficar aqui durante um ano e meio, fico o resto da vida. Se não conseguir, caio fora." E foi o que fiz. Na verdade, não é muito diferente do beisebol. Você não dispõe de muito tempo para brilhar nesse campo. Tem uns sete, oito ou talvez nove anos durante os quais você arrasa e tudo o que você faz dá certo, todo mundo lhe oferece emprego e os caçadores de talentos não largam do seu pé; mas, depois, vem aquela longa queda morro abaixo. Eu ficava pasmo de nunca ver um redator com mais de 40 anos. Eles são poucos, muito poucos. Não consigo imaginar para onde é que eles vão depois dos 40. Mas que vão embora, eles vão.

Jerry Della Femina (Mad Men - Comunicados do Front Publicitário; págs: 13, 65, 94, 113, 133, 134, 135, 138, 139 e 141)

O CARA DAS CONTAS

O que os caras das contas têm de fazer hoje em dia para sobreviver é dançar. Dançar significa ser ágil, com um movimento de pés muito, muito bom, de modo que eles não são atingidos com facilidade. Sabe como é, eles não têm nada para vender. Seu redator, por mais jovem ou ruim que seja, tem o seu currículo - seu portfólio - para mostrar. Um diretor de arte também tem um portfólio. Ou então tem rolos de filmes, apresentações resumidas de todos os comerciais que já fez. Mas o que o homem da conta tem para mostrar? Nada...

É muito mais fácil uma agência contratar um homem de conta que conhece o ramo. Ele pode entrar e começar a trabalhar na mesma hora; não é preciso ensinar-lhe coisa alguma. Quando você tem condições de optar, vai preferir um cara tarimbado.

Os caras de contas com um bolso atrás são uma espécie em extinção; mas, enquanto estiverem por aí, são um espetáculo digno de ser visto. Jimmy está com a conta dos Queijos Franceses muito bem guardada no bolso. Já mudou essa conta de quatro agências no mínimo. É claro que Jimmy tem de manter relações muito, muito cordiais com o representante dos Queijos Franceses nos Estados Unidos. Vão muito ao teatro juntos. As respectivas esposas são amigas - e é bom mesmo que sejam, pois Jimmy é capaz de matar e morrer por essa conta. Desde que mantenham relações cordiais com o cara dos Queijos Franceses em Nova York, Jimmy ganha os seus US$80 mil [por ano]. Enquanto mostrar serviço, a conta está no seu bolso. Nenhuma agência poderia fazer propaganda dessa conta sem ter o Jimmy na sua folha de pagamento.

Houve caras que chegaram a ser presidentes de agências por terem empresas no bolso. Você controla certo número de companhias e fica forte. Muito simples. O cara que controlava a conta dos automóveis disse ao cara que controlava os cigarros que queria ser o diretor-geral da agência. E foi. Ninguém te demite quando acha que você é íntimo de uma empresa.

Jerry Della Femina (Mad Men - Comunicados do Front Publicitário; págs: 100, 106, 107, 109 e 115)