Sistemas transacionais só têm a ganhar com técnicas de machine learning

Ao longo dos últimos anos, diversas organizações passaram a armazenar os dados de suas operações diariamente, acreditando que tais dados seriam úteis como suporte à decisão. Uma das consequências disso foi a criação de um grande e complexo volume de dados,  que se torna cada vez mais difícil de ser mantido, analisado e compreendido. Frente à este cenário, surgiram os sistemas de suporte à decisão, conhecidos como BI – Business Intelligence.

Os sistemas de BI são soluções robustas mas caras, muito complexas e de difícil manutenção. Nestes sistemas, é comum lidar com diversas ferramentas e tecnologias, tais como: data warehouse, data marts, extratores de características, mineradores de dados, ferramentas de ETL e ferramentas analíticas (OLAP). 

Toda essa complexidade faz da implantação de um sistema de suporte à decisão um verdadeiro transtorno, pois além de mobilizar muitas pessoas por um longo período de tempo, demora a produzir resultados que justifiquem seu investimento. A principal motivação em implantar um sistema destes é a possibilidade de descobrir padrões e comportamentos que auxiliem nas decisões do negócio. Porém, na maioria das vezes estes padrões são descobertos tardiamente, ou seja, depois que um problema aconteceu ou uma oportunidade foi perdida. Estes sistemas nos limitam a  decisões reativas, que serão aplicadas sobre problemas que já não podem ser evitados.

Uma tendência que vem sendo adotada é a utilização de técnicas de aprendizado de máquina –machine learning– para reconhecimento de padrões. Em geral, estas técnicas são aplicadas de maneira pontual nos próprios sistemas transacionais. Isso potencializa a obtenção de resultados e agiliza a tomada de decisões sobre o problema.

Para isso, os mecanismos de reconhecimento de padrões precisam ser incorporados aos sistemas transacionais de modo que possam identificar padrões de forma preditiva. Por exemplo: indícios de fraude em um sistema de operações, identificação do perfil dos usuários de um portal de compras ou notícias, etc. Muitos dos portais que acessamos diariamente utilizam mecanismos de inteligência artificial para reconhecer padrões e realizar predições. Esse é o caso do Facebook, que busca reconhecer o perfil de seus usuários para recomendar notícias.

Quanto aos indícios de fraude, por exemplo, a maioria das organizações não faz tal análise devido ao alto custo em verificar a integridade de todos os dados. Ao incorporar um mecanismo de reconhecimento de padrões, seu sistema pode identificar indícios de fraude no momento em que o dado foi inserido, gerando um alerta para os analistas responsáveis. Depois de averiguar o alerta, o analista pode confirmar ou negar a transação, reforçando o conhecimento do reconhecedor de padrões. Com esse reforço no conhecimento, o reconhecedor de padrões se tornará um especialista em identificar fraudes.

Assim, como um sistema de suporte à decisão, também é possível utilizar indicadores para responder perguntas de negócio. Por exemplo, ao utilizar um reconhecedor de padrões para identificar indícios de fraude, poderíamos responder perguntas como: “Em qual produto ou serviço as fraudes são mais comuns?”, “Quais são as regiões ou segmentos onde mais ocorrem?”, “São mais comuns para um perfil específico de clientes? Qual?”

Estas questões de negócio podem ser facilmente respondidas, uma vez que o sistema sabe distinguir uma fraude de um registro normal. As respostas para estas perguntas são obtidas através de simples consultas ao banco de dados e apresentadas na forma de relatórios ou gráficos estatísticos em um dashboards. 

Além de responder perguntas de negócios, os relatórios e dashboards são ótimas ferramentas para medir a efetividade de ações tomadas sobre o negócio, por exemplo: ao realizar uma ação para minimizar fraudes, é possível acompanhar sua efetividade ao longo do tempo, de modo a continuar ou não.

O maior receio de incorporar rotinas de reconhecimento de padrões em um sistema transacional é a sua manutenção. Ao contrário do que parece, não é necessário modificar os algoritmos de aprendizado de máquina, eles são sólidos e muito estáveis. Basta utilizar uma boa API, com suporte de uma comunidade confiável e assídua. Para responder a novas perguntas de negócios, podemos pensar em novos relatórios e dashboards. O reconhecedor de padrões também podem evoluir através de integrações com outros sistemas, ou até mesmo com ambientes de suporte à decisão, se a sua empresa já possuir um.

Recentemente experimentamos esta abordagem em alguns projetos e os resultados foram bastante satisfatórios. Ao incorporar mecanismos para reconhecimento de padrões em funcionalidades específicas dos sistemas, comprovamos que é possível fortalecer as decisões do negócio com entregas efetivas e ágeis, o que nos permitiu priorizar as questões mais críticas do negócio, além de minimizar riscos e custos.

(*) Everton Gago e Danilo Pinheiro são desenvolvedores de software na Dextra