Análise preditiva: 4 histórias de sucesso

Durante anos, as empresas têm se esforçado para desenvolver recursos de analytics, não apenas para entender o desempenho passado, mas para antecipar tendências e eventos futuros para melhorar a agilidade. Cada vez mais, as empresas estão implantando análises preditivas para tornar seus serviços mais eficientes, desenvolver produtos, encontrar soluções em potencial, otimizar uma manutenção e até salvar vidas.

A análise preditiva aplica técnicas como modelagem estatística, previsão e machine learning para a saída de análises descritivas e diagnósticas para fazer previsões sobre resultados futuros.

Em março, a empresa de pesquisa Facts & Factors disse que o mercado global de análise preditiva foi estimado em US$ 5,7 bilhões em 2019 e atingirá US$ 22,1 bilhões em 2026, uma taxa composta de crescimento anual (CAGR) de 24,5%.

Aqui estão quatro exemplos de como as organizações estão usando a análise preditiva hoje.

Rolls-Royce otimiza programações de manutenção

A Rolls-Royce, um dos maiores fabricantes mundiais de motores para aeronaves, está implantando análises preditivas para ajudar a reduzir drasticamente a quantidade de carbono que seus motores produzem, ao mesmo tempo que otimiza a manutenção para ajudar os clientes a manter seus aviões no ar por mais tempo.

A plataforma Intelligent Engine da empresa monitora como cada um de seus motores voam, as condições em que estão voando e como os pilotos os utilizam. A Rolls-Royce aplica machine learning a esses dados para personalizar regimes de manutenção para motores individuais.

“Estamos adaptando nossos regimes de manutenção para garantir que estamos otimizando para a vida útil de um motor, não a vida que o manual diz que deveria ter”, disse Stuart Hughes, Chefe de Informação e Diretor Digital da Rolls-Royce. “É um serviço verdadeiramente variável, olhando para cada motor como um motor individual”.

Conselho de Hughes: concentre-se em ajudar seu cliente. As analytics estão ajudando a Rolls-Royce a otimizar os serviços de manutenção que oferece, mas o benefício final é que os clientes estão vendo menos interrupções no serviço, porque a empresa pode prever melhor quando a manutenção será necessária e ajudá-los a programá-la.

“A Rolls-Royce monitora motores e carrega por hora há pelo menos 20 anos”, diz Hughes. “Essa parte do negócio não é nova. Mas, à medida que evoluímos, começamos a tratar o motor como um motor único. É muito mais sobre a personalização desse motor”.

DC Water procura proativamente os principais defeitos da rede de esgoto

A Autoridade de Água e Esgoto do Distrito de Colúmbia (DC Water) criou uma ferramenta chamada Pipe Sleuth que usa IA para revisar imagens de CFTV de canos de esgoto para classificar defeitos.

“Ele usa um modelo de rede neural avançado de deep learning para fazer análise de imagem de canos de esgoto de pequeno diâmetro, classificá-los e, em seguida, criar um relatório de avaliação de condição”, disse Thomas Kuczynski, CIO e Vice-Presidente de TI da DC Water.

Antes de implantar o Pipe Sleuth, os operadores tiveram que revisar a filmagem do CCTV manualmente e marcar os defeitos que viram. A filmagem marcada foi então fornecida a engenheiros certificados para classificação. O processo era demorado e ineficiente.

Conselho de Kuczynski: Concentre-se na receita e na eficiência. Pipe Sleuth é apenas uma parte de um esforço mais amplo para alavancar análises preditivas e análises em tempo real na DC Water. Todos eles fazem parte de um esforço para reduzir a perda de água em cerca de 2% a 5%. Cada 1% da “água encontrada” que não era medida anteriormente vale cerca de US$ 4 milhões para a DC Water.

“Você deseja examinar os problemas que são desafios persistentes para sua organização e, idealmente, ter um componente de receita ou um componente de eficiência associado a eles”, diz Kuczynski. “É sempre mais fácil vender algo que economize algo, seja em dinheiro real ou algo que melhore um processo significativamente”.

Ellie Mae busca ameaças de ransomware

A empresa de tecnologia de hipotecas Ellie Mae assumiu uma postura proativa em relação ao ransomware, desenvolvendo o Autonomous Threat Hunting. O Autonomous Threat Hunting combina inteligência de ameaças, análise preditiva, IA e indicadores de comprometimento (IOC) previamente identificados para identificar novos indicadores de comprometimento e novas técnicas de evasão antes que possam ser usados.

“A natureza da caça às ameaças é muito proativa”, diz Selim Aissi, Vice-Presidente Sênior e Diretor de Segurança da Ellie Mae. “Você não espera até que um ataque aconteça. Você explora, prioriza e investiga ameaças antes que um ataque aconteça ou mesmo antes que um malware seja conhecido”.

Aissi diz que o projeto aumentou a eficiência operacional da segurança em cerca de 35% e levou a uma melhoria de cerca de 10 vezes na identificação precoce de ameaças. Também aumentou a velocidade de resolução de novas ameaças em cerca de 60%.

Conselho de Aissi: torne o gerenciamento de mudanças parte de seu processo de planejamento desde o início.

“Do ponto de vista do gerenciamento de mudanças, muito do impacto foi realmente sobre minhas operações de segurança e equipes de engenharia”, diz Aissi. “Muitos desses recursos eram tradicionalmente manuais e os analistas de segurança tinham que coletar as informações sobre ameaças e inseri-las manualmente nas ferramentas. Tivemos que nos ajustar a isso e treinar os analistas e engenheiros de segurança para essa maneira nova e autônoma de fazer as coisas”.

Kaiser Permanente reduz a mortalidade do paciente

O consórcio de cuidados gerenciados Kaiser Permanente criou uma ferramenta de fluxo de trabalho hospitalar que aproveita a análise preditiva para identificar pacientes em unidades de terapia não intensiva (UTI) que estão em risco de deterioração rápida.

Pacientes fora da UTI que requerem transferências inesperadas para a UTI representam apenas 2% a 4% da população total do hospital, mas respondem por 20% de todas as mortes hospitalares, de acordo com o Dr. Gabriel Escobar, Cientista Pesquisador da Divisão de Pesquisa e Diretor Regional de Pesquisa de Operações Hospitalares na Kaiser Permanente Northern California.

A Kaiser Permanente desenvolveu o sistema Advanced Alert Monitor (AAM), que alavanca três modelos analíticos preditivos para analisar mais de 70 fatores no registro eletrônico de saúde de um determinado paciente para gerar uma pontuação de risco composta.

“O sistema AAM sintetiza e analisa estatísticas vitais, resultados de laboratório e outras variáveis ​​para gerar pontuações de risco de deterioração por hora para pacientes adultos em hospitais nas unidades de tratamento médico-cirúrgico e de transição”, disse Dick Daniels, Vice-Presidente Executivo e CIO da Kaiser Permanente. “As equipes de hospitais remotos avaliam as pontuações de risco a cada hora e notificam as equipes de resposta rápida no hospital quando uma deterioração potencial é detectada. A equipe de resposta rápida conduz a avaliação do paciente à beira do leito e calibra o curso de tratamento com o hospital”.

Conselho de Daniels: Foco no processo. As ferramentas de análise preditiva são tão boas quanto os processos que garantem que as informações serão usadas. Além do tempo gasto no desenvolvimento da ferramenta, a equipe AAM gastou uma quantidade significativa de tempo desenvolvendo e implementando fluxos de trabalho que permitiriam às equipes de saúde responder aos alertas da maneira mais eficiente possível.

“Demoramos cerca de cinco anos para realizar o mapeamento inicial do back-end do prontuário eletrônico e desenvolver os modelos preditivos”, diz Daniels. “Em seguida, levamos mais dois a três anos para fazer a transição desses modelos em um aplicativo de serviços da web ativo que pudesse ser usado operacionalmente”.