7 segredos para o sucesso da análise preditiva

Prever o futuro sempre foi uma proposta arriscada. Felizmente, a chegada da tecnologia de análise preditiva, que permite aos usuários projetar resultados futuros baseados em dados históricos e técnicas de análise, como modelagem estatística e Machine Learning, tornou os resultados e tendências de previsão muito mais confiáveis ​​do que nos últimos anos.

Ainda assim, como acontece com qualquer tecnologia emergente, a análise preditiva pode ser difícil de usar em todo o seu potencial. O maior problema é o fato de que resultados imprecisos ou enganosos causados ​​por estratégias pouco desenvolvidas ou o uso indevido de ferramentas de análise preditiva podem não se tornar aparentes por semanas, meses ou até anos.

A análise preditiva tem o potencial de revolucionar uma ampla gama de setores e operações, incluindo varejo, manufatura, cadeias de suprimento, gerenciamento de rede , serviços financeiros e assistência médica. “O Deep Learning e análise preditiva aliada à Inteligência Artificial vão transformar todos os segmentos de nossa sociedade a par da transformação da tecnologia de internet e celular desta década”, prevê Bob Friday, CTO e co-fundador da Mist Systems, uma empresa de tecnologia de redes IA.

Veja sete dicas projetadas para ajudar sua organização a aproveitar ao máximo sua iniciativa de análise preditiva.

1. Ter acesso a dados de alta qualidade e bem compreendidos
Os aplicativos de análise preditiva têm fome de dados, contando com informações fornecidas por meio de um ciclo de feedback para melhorar continuamente. “Dados e análises preditivas se alimentam uns dos outros”, observa Soumendra Mohanty, diretor de dados e analítica da L&T Infotech, provedora global de soluções e serviços de TI.

É importante entender o tipo ou os tipos de dados que fluem em um modelo de análise preditiva. “Que tipo de dados tem um?” pergunta Eric Feigl-Ding, epidemiologista, nutricionista e economista de saúde que atualmente é cientista visitante da Escola de Saúde Pública de Chan, em Harvard. “São dados ao vivo coletados diariamente, como no Facebook e no Google, ou de difícil acesso, como os dados de assistência médica necessários para registros médicos?” Para fazer previsões precisas, o modelo precisa ser projetado para funcionar com os tipos específicos de dados que ele está ingerindo.

Esforços de modelagem preditiva que simplesmente lançam grandes quantidades de dados em recursos de computação geralmente estão fadados ao fracasso. “Como há uma abundância de dados, a maior parte pode não ser relevante para um determinado problema, mas pode parecer relevante em uma determinada amostra”, explica Henri Waelbroeck, vice-presidente e diretor de pesquisa para gerenciamento de portfólio e soluções de negociação da FactSet. “Sem um entendimento do processo que origina os dados, um modelo treinado em dados tendenciosos pode estar completamente errado.”

2. Preste atenção aos padrões
Todo mundo fica obcecado com algoritmos, mas os algoritmos são tão bons quanto os dados que os alimentam , observa Richard Mooney, chefe de gerenciamento de produtos de análise avançada da SAP. “Se não há nenhum padrão para encontrar, então eles não vão encontrar um”, observa ele. “A maioria dos conjuntos de dados tem padrões ocultos”. E isso geralmente acontece de duas maneiras:

– O padrão é encontrado nos relacionamentos entre duas colunas. Um padrão, por exemplo, poderia ser descoberto comparando as informações de data de encerramento de uma transação iminente com dados de taxa aberta de e-mail associados. “A taxa de abertura de e-mails deve aumentar massivamente se o acordo for fechado, porque haverá muita gente no lado do comprador lendo os contratos e revisando-os”, diz Mooney.

– O padrão é revelado em como uma variável muda ao longo do tempo. “No exemplo acima, saber que um cliente abriu um e-mail 200 vezes não é tão útil quanto saber que ele foi aberto em 175 vezes na última semana”, diz Mooney

3. Concentre-se em tarefas gerenciáveis ​​com probabilidade de gerar ROI positivo
“Há uma tentação hoje em dia em aplicar algoritmos de Machine Learning a montanhas de dados, na esperança de obter insights”, afirma Michael Urmeneta, diretor de análise e inteligência de negócios do Instituto de Tecnologia de Nova York (NYIT). O problema com essa abordagem, ele diz, é que é como tentar curar todas as formas de câncer de uma só vez. “O problema é grande demais, os dados são muito confusos – não há financiamento suficiente, não há suporte suficiente”, explica Urmeneta. “É impossível ter sucesso.”

Há uma probabilidade muito maior de sucesso quando uma tarefa é focada. “É provável que tenhamos acesso a especialistas no assunto que entendam os meandros se houver perguntas”, observa Urmeneta. “É provável que tenhamos dados mais limpos, ou melhor compreendidos, para trabalhar.”

4. Use a abordagem correta para o trabalho
A boa notícia é que há um número quase ilimitado de métodos e abordagens que podem ser usados ​​para gerar análises preditivas precisas. No entanto, essa é também uma má notícia. “Há uma abordagem analítica nova e quente a cada dia, e é fácil se entusiasmar com o uso de uma nova metodologia”, afirma Angela Fontes, diretora da análise comportamental, econômica e de tomada de decisões da NORC (anteriormente conhecida como National Opinion Centro de Pesquisa) da Universidade de Chicago. “No entanto, na minha experiência, os projetos mais bem sucedidos são aqueles que realmente pensam profundamente sobre o resultado desejado da análise e deixam que guiem sua escolha metodológica – mesmo quando o método mais apropriado não é a abordagem mais sexy e nova.”

“Os usuários devem ser cautelosos ao escolher a abordagem certa para suas necessidades”, aconselha Shanchieh Jay Yang, professor associado e chefe do departamento de engenharia da computação do Instituto de Tecnologia de Rochester. “Foque em uma técnica eficiente e explicável que alavanque as propriedades estatísticas de dados temporais e sequenciais e os extrapola para o futuro mais provável”, diz Yang.

5. Construa modelos com objetivos definidos de forma precisa
Parece óbvio, mas muitos projetos de análise preditiva começam com o objetivo de construir um modelo magnífico sem um plano claro de como ele será eventualmente usado. “Existem toneladas de ótimos modelos que nunca chegaram a lugar algum porque ninguém sabia como usar as informações para obter ou agregar valor”, observa Jason Verlen, vice-presidente sênior de gerenciamento de produtos da CCC Information Services, fornecedor de SaaS para o setor automotivo.

Fontes concorda. “Usar a ferramenta certa certamente garante que estamos obtendo o resultado desejado a partir da análise … porque nos obriga a ser realmente claros sobre nossos objetivos”, explica ela. “Se não formos claros sobre os objetivos da análise, podemos jogar a pia da cozinha em um problema e nunca obter realmente o que estamos procurando.”

6. Formar uma parceria próxima entre TI e unidades de negócios relevantes
É essencial estabelecer uma parceria sólida entre empresas e organizações técnicas. “Você deve ser capaz de entender como a nova tecnologia aborda um desafio de negócios ou melhora o cenário de negócios existente”, diz Paul Lasserre, vice-presidente de gerenciamento de produtos para Inteligência Artificial da Genesys, um provedor de tecnologia de experiência do cliente. Em seguida, depois que um destino for definido, teste o modelo em um aplicativo de escopo limitado para determinar se a solução realmente fornecerá valor.

7. Não se deixe enganar por um modelo mal projetado
Modelos são projetados por pessoas, então eles geralmente contêm imperfeições ocultas. Um modelo defeituoso, ou um construído usando dados incorretos ou mal selecionados, está propenso a fornecer previsões enganosas ou, em casos extremos, totalmente erradas.

O viés de seleção, por exemplo, no qual a randomização adequada não é alcançada, pode atrapalhar as previsões. Em um estudo hipotético de perda de peso, por exemplo, talvez 50% dos participantes optem por abandonar as medições de acompanhamento de peso. No entanto, os indivíduos que abandonaram tiveram trajetórias de peso diferentes dos indivíduos que permaneceram. Isso complica a análise, já que as pessoas que permanecem com o programa em tal estudo são geralmente aquelas que realmente perdem peso. Quitters, por outro lado, são tipicamente pessoas que experimentaram pouca ou nenhuma redução de peso. Portanto, enquanto a perda de peso pode ser causal e preditiva em todo o mundo, em um banco de dados limitado com um abandono de 50%, os resultados totais reais podem ser escondidos, relata a Feigl-Ding.

Principal mensagem
“As empresas estão passando por dificuldades de crescimento e aprendem que a análise preditiva não é algo que possam deixar de lado”, diz Arvin Hsu, diretor sênior de ciência de dados da GoodData, um desenvolvedor de software de Business Intelligence e Analytics. “O impacto que a forte análise preditiva pode ter na eficiência, receita e desempenho do produto vale bem o tempo, a energia e os recursos necessários para garantir o sucesso”.