Análises Preditivas

O que é e por que é importante?


O que é a análise preditiva?

A análise preditiva é o uso de dados, algoritmos estatísticos e técnicas de machine learning para identificar a probabilidade de resultados futuros com base em dados históricos.

O objetivo é ir além da estatística descritiva e dos relatórios sobre o que aconteceu para fornecer uma melhor avaliação sobre o que vai acontecer no futuro. O resultado final é a simplificação da tomada de decisão e a geração de novos insights que levem a melhores ações.

Os modelos preditivos utilizam os resultados conhecidos para desenvolver (ou treinar) um modelo que possa ser usado para prever valores para dados diferentes ou novos. Os resultados da modelagem em previsões que representam a probabilidade da variável-alvo (por exemplo, a receita) com base na importância estimada a partir de um conjunto de variáveis de entrada. Isso é diferente dos modelos descritivos, que ajudam a entender o que aconteceu, ou dos modelos de diagnóstico, que ajudam a entender as principais relações e a determinar por que algo aconteceu.

Cada vez mais organizações estão se voltando para a análise preditiva visando aumentar seu lucro e sua vantagem competitiva. Por que agora?

  • Crescentes volumes e tipos de dados e mais interesse na utilização de dados para produzir informações valiosas.
  • Computadores mais rápidos e mais baratos e softwares mais fáceis de usar.
  • Agravamento das condições econômicas e uma necessidade de diferenciação competitiva.

Com o software interativo e fácil de usar se tornando cada vez mais predominante, a análise preditiva não é mais apenas o domínio de matemáticos e estatísticos. Os analistas de negócios e especialistas na linha de negócios também estão usando essas tecnologias.

Mais sobre análises preditivas

O que a análise preditiva pode fazer?

Um relatório de 2014 do TDWI descobriu que a análise preditiva é utilizada basicamente para realizar cinco tarefas:

  • Identificar tendências.
  • Entender os clientes.
  • Melhorar o desempenho dos negócios.
  • Promover a tomada de decisão estratégica.
  • Prever o comportamento.

Algumas das aplicações mais comuns das análises preditivas incluem:

Detecção de fraude e segurança – A análise preditiva pode ajudar a pôr um fim às perdas ocorridas por atividades fraudulentas antes que elas ocorram. Ao combinar vários métodos de detecção – regras empresariais, detecção de anomalias, análises preditivas, link analytics etc. – você pode obter maior precisão e melhor desempenho preditivo. E, no mundo de hoje, a cibersegurança é uma preocupação crescente. A análise comportamental de alto desempenho examina todas as ações em uma rede em tempo real para detectar anormalidades que podem indicar fraude ocupacional, vulnerabilidades no dia zero e ameaças persistentes avançadas.

Marketing –  O uso da análise preditiva pode ajudar você a entender melhor seus clientes. A maioria das organizações modernas usa a análise de dados para determinar as respostas ou compras dos clientes, bem como para promover oportunidades de vendas cruzadas. Os modelos preditivos ajudam as empresas a atrair, reter e desenvolver os clientes mais rentáveis e maximizar seus gastos com marketing.

Operações – O analytics desempenha um papel importante nas operações para muitas organizações, permitindo que elas operem sem problemas e de forma eficiente. Muitas empresas utilizam modelos preditivos para prever o estoque e gerenciar os recursos das fábricas. Outras os usam para necessidades mais especializadas. Companhias aéreas usam a análise preditiva para decidir quantos bilhetes devem ser vendidos por cada preço para um voo. Hotéis tentam prever o número de hóspedes esperado em qualquer noite para ajustar os preços para maximizar a ocupação e aumentar a receita. A análise preditiva de dados também é usada em recursos humanos, manutenção de ativos, no governo e ciências da vida e saúde.

Risco – Um dos exemplos mais conhecidos de análise preditiva é a pontuação de crédito. As pontuações de crédito são usadas de modo onipresente para avaliar a probabilidade de inadimplência de um comprador para as compras que vão desde casas até carros e seguros. A pontuação de crédito é um número gerado por um modelo preditivo que incorpora todos os dados relevantes para a capacidade de crédito de uma pessoa. A análise preditiva de dados tem outros usos relacionados aos riscos, incluindo reclamações e cobranças.

Usando os insights fornecidos por modelos preditivos podemos capacitar nossos diretores de episódios clínicos para fazerem a diferença na vida das pessoas.

Daryl Wansink
  Diretor de Economia da Saúde, Blue Cross Blue Shield da Carolina do Norte

O uso da análise preditiva nos setores, exemplos da vida real

Qualquer setor pode usar a análise preditiva para otimizar suas operações e aumentar a receita. Aqui estão alguns exemplos:

  • Cartão de crédito, serviços bancários e financeiros. Detectar e reduzir a fraude, medir o risco de crédito, maximizar as oportunidades de vendas cruzadas/ampliação de vendas, reter clientes e otimizar campanhas de marketing. O Commonwealth Bank é capaz de prever com segurança a probabilidade de uma atividade de fraude para qualquer transação antes que ela seja autorizada – em até 40 milésimos de segundo do início da transação.
  • Governo e o setor público. Melhorar o serviço e desempenho; detectar e evitar fraudes, pagamentos indevidos e uso indevido de fundos e dinheiro do contribuinte; e detectar atividades criminosas e padrões. O governo de Hong Kong visualiza e analisa grandes dados não estruturados para prever e resolver reclamações públicas.
  • Profissionais da saúde. Prever a eficácia de novos procedimentos, exames médicos e medicamentos, e melhorar serviços ou resultados, fornecendo atendimento ao paciente seguro e eficaz. Os executivos da Taipei Medical University analisam e monitoram o desempenho de todos os hospitais em seu sistema.
  • Seguradoras de saúde. Detectar e tratar as fraudes em reclamações aos seguros, identificar quais pacientes têm maiores riscos de doenças crônicas e saber quais as intervenções fazem mais sentido no âmbito médico e financeiro. A Blue Cross and Blue Shield of North Carolina construiu um modelo para prever com mais precisão as reinternações e distribuir os gerentes de episódios clínicos para ajudar os pacientes de maior risco.
  • Companhias de seguros. Determinar as tarifas especiais do seguro, detectar fraude em reclamações, otimizar processos de reclamações, reter clientes, melhorar a rentabilidade e otimizar campanhas de marketing. Duas horas depois de um terremoto atingir a zona rural da Nova Zelândia, os assessores da Farmers Mutual Group foram para as áreas afetadas. Com o SAS Analytics, eles sabiam quem eram os segurados em situação de maior risco e fretaram um helicóptero para chegar a eles rapidamente.
  • Manufatura. . Identificar os fatores que levam à redução da qualidade e falhas de produção e otimizar peças, recursos de serviços e distribuição. A Lenovo detectou um problema com um produto 30% mais rápido e reduziu os custos com a garantia 10% a 15% em relação aos os problemas difíceis de detectar anteriores.
  • Mídia e entretenimento. Aprofundar insights sobre o público pela identificação de atributos, tendências, impulsionadores e desejos que influenciam pelas propriedades, e pontuar os visitantes para determinar os segmentos do público adequado e valor do comportamento. Qual é o desempenho diário do andar com os caça-níqueis? Qual é o desempenho do andar dos jogos? Como estão as mesas para não fumantes em comparação com as mesas para fumantes? As respostas – que, anteriormente, poderia levar várias semanas e muito dinheiro para descobrir – estão chegando, agora, em minutos e com um custo muito menor para o Foxwoods Resort Casino
  • Empresas de petróleo, gás e de serviços públicos. Prever falhas de equipamentos e as necessidades futuras de recursos, reduzir os riscos à segurança e confiabilidade, e melhorar o desempenho. O Salt River Project é a segunda maior companhia de energia pública nos EUA e um dos maiores fornecedores de água do Arizona. Um modelo de previsão sofisticado ajuda a saber o melhor momento de vender o excesso de energia elétrica pelo melhor preço.
  • Varejistas. Avaliar a efetividade de eventos promocionais e campanhas, prever quais ofertas são as mais apropriadas para os consumidores, determinar quais produtos devem ser estocados onde e como desenvolver a fidelidade à marca. A Staples aumentou seu uso de análises preditivas e reduziu a rotatividade de assinaturas de e-mails em 20%.
  • Franquias esportivas. O uso de analytics em esportes é popular, graças em parte ao Nate Silver e às previsões do torneio. O Orlando Magic da NBA usa a análise preditiva do SAS para melhorar as receitas e determinar a escalação inicial.

O que você precisa para começar?

  • A primeira coisa que você precisa para começar a usar a análise preditiva é um problema para resolver. O que você quer saber sobre o futuro com base no passado? O que você quer entender e prever? Você também vai querer considerar o que será feito com as previsões. Que decisões serão conduzidas pelos insights? Que medidas serão tomadas?
  • Em segundo lugar, você vai precisar de dados. No mundo de hoje, isso significa dados de muitos lugares. Os seus sistemas transacionais, os dados coletados por sensores, informações de terceiros, notas de call-centers, registros na web etc. Você vai precisar de um data wrangler, ou alguém com experiência em gerenciamento de dados, para ajudá-lo a limpar e deixar os dados preparados para a análise. Preparar os dados para um exercício de modelagem preditiva também exige alguém que entende tanto os dados quanto o problema da empresa. A forma como você define sua meta é essencial para entender como você pode interpretar o resultado (a preparação de dados é considerada um dos aspectos mais demorados do processo de análise. Então, esteja preparado para isso.)
  • Depois disso, a construção do modelo preditivo começa. Com o software cada vez mais fácil de usar se tornando mais disponível, uma ampla gama de pessoas pode desenvolver modelos analíticos, mas você provavelmente ainda precisará de algum tipo de analista de dados que possa ajudá-lo a refinar seus modelos e chegar ao melhor desempenho. E então você pode precisar de alguém no TI que pode ajudá-lo a implantar seus modelos. Isso significa colocar os modelos em produção trabalhando em seus dados selecionado, e é aí que você obtém seus resultados.
  • A modelagem preditiva exige uma abordagem em equipe. Você precisa de pessoas que entendam do problema empresarial a ser resolvido. Alguém que saiba como preparar os dados para análise. Alguém que possa construir e refinar os modelos. Alguém no TI para garantir que você tenha a infraestrutura certas de analytics para construir e implantar o modelo. E um patrocinador executivo possa ajudar a tornar suas esperanças analíticas em realidade.

Saiba mais sobre analytics e o ciclo analítico.


Soluções do SAS para análise preditiva

Quer mais insights?

Big Data Insights

Big Data

Obtenha mais insights sobre Big Data com artigos, pesquisas e outros temas.

Fraud & Risk Insights

Risco & Fraude

Tenha novos insights sobre risco e fraude lendo artigos, pesquisas e muito mais.

Analytics Insights

Analytics

Conecte-se com os mais recentes insights sobre analytics por meio de artigos e pesquisas relacionadas.

Back to Top