Modelagem Preditiva:Tipos,

A modelagem preditiva é um método de prever resultados futuros usando modelagem de dados. É uma das principais maneiras de uma empresa ver seu caminho a seguir e fazer planos de acordo. Embora não seja infalível, este método tende a ter altas taxas de precisão, é por isso que é tão comumente usado.

O que é modelagem preditiva?

Resumidamente, modelagem preditiva é uma técnica estatística que usa aprendizado de máquina e mineração de dados para prever e prever resultados futuros prováveis ​​com a ajuda de dados históricos e existentes. Ele funciona analisando dados atuais e históricos e projetando o que aprende em um modelo gerado para prever resultados prováveis. A modelagem preditiva pode ser usada para prever praticamente qualquer coisa, desde avaliações de TV e a próxima compra de um cliente até riscos de crédito e ganhos corporativos.

Um modelo preditivo não é fixo; é validado ou revisado regularmente para incorporar mudanças nos dados subjacentes. Em outras palavras, não é uma previsão completa. Os modelos preditivos fazem suposições com base no que aconteceu no passado e no que está acontecendo agora. Se estiver entrando, novos dados mostram mudanças no que está acontecendo agora, o impacto no resultado futuro provável deve ser recalculado, também. Por exemplo, uma empresa de software pode modelar dados históricos de vendas em comparação com despesas de marketing em várias regiões para criar um modelo de receita futura com base no impacto das despesas de marketing.

A maioria dos modelos preditivos trabalha rápido e geralmente conclui seus cálculos em tempo real. É por isso que os bancos e varejistas podem, por exemplo, calcule o risco de um pedido de hipoteca ou cartão de crédito online e aceite ou recuse o pedido quase que instantaneamente com base nessa previsão.

Alguns modelos preditivos são mais complexos, como aqueles usados ​​em biologia computacional e computação quântica; os resultados resultantes demoram mais para calcular do que um aplicativo de cartão de crédito, mas são feitos muito mais rapidamente do que era possível no passado, graças aos avanços nas capacidades tecnológicas, incluindo poder de computação.

Os 5 principais tipos de modelos preditivos

Felizmente, modelos preditivos não precisam ser criados do zero para cada aplicativo. As ferramentas de análise preditiva usam uma variedade de modelos e algoritmos verificados que podem ser aplicados a uma ampla variedade de casos de uso.

As técnicas de modelagem preditiva foram aperfeiçoadas ao longo do tempo. À medida que adicionamos mais dados, computação mais robusta, IA e aprendizado de máquina e veja os avanços gerais em análises, podemos fazer mais com esses modelos.

Os cinco principais modelos de análise preditiva são:

1. Modelo de classificação: Considerado o modelo mais simples, ele categoriza os dados para uma resposta de consulta simples e direta. Um exemplo de caso de uso seria responder à pergunta “Esta é uma transação fraudulenta?”
2. Modelo de clustering: Este modelo aninha dados por atributos comuns. Funciona agrupando coisas ou pessoas com características ou comportamentos compartilhados e planeja estratégias para cada grupo em uma escala maior. Um exemplo é determinar o risco de crédito para um solicitante de empréstimo com base no que outras pessoas na mesma situação ou em situação semelhante fizeram no passado.
3. Modelo de previsão: Este é um modelo muito popular, e funciona em qualquer coisa com um valor numérico baseado no aprendizado de dados históricos. Por exemplo, em responder quanta alface um restaurante deve pedir na próxima semana ou quantas chamadas um agente de suporte ao cliente deve ser capaz de atender por dia ou semana, o sistema analisa os dados históricos.
4. Modelo de outliers: Este modelo funciona analisando pontos de dados anormais ou remotos. Por exemplo, um banco pode usar um modelo atípico para identificar fraude perguntando se uma transação está fora dos hábitos normais de compra do cliente ou se uma despesa em uma determinada categoria é normal ou não. Por exemplo, um $ 1, A cobrança de 000 no cartão de crédito por uma lavadora e secadora na grande loja preferida do titular do cartão não seria alarmante, mas $ 1, 000 gastos em roupas de grife em um local onde o cliente nunca cobrou outros itens pode ser um indicativo de violação de conta.
5. Modelo de série temporal: Este modelo avalia uma sequência de pontos de dados com base no tempo. Por exemplo, o número de pacientes com AVC internados no hospital nos últimos quatro meses é usado para prever quantos pacientes o hospital espera admitir na próxima semana, no próximo mês ou no resto do ano. Uma única métrica medida e comparada ao longo do tempo é, portanto, mais significativa do que uma média simples.

Algoritmos preditivos comuns

Os algoritmos preditivos usam uma de duas coisas:aprendizado de máquina ou aprendizado profundo. Ambos são subconjuntos de inteligência artificial (IA). O aprendizado de máquina (ML) envolve dados estruturados, como planilha ou dados de máquina. Aprendizagem profunda (DL) lida com dados não estruturados, como vídeo, áudio, texto, postagens e imagens em mídias sociais - essencialmente as coisas com as quais os humanos se comunicam que não são números ou leituras de métricas.

Alguns dos algoritmos preditivos mais comuns são:

1. Floresta Aleatória: Este algoritmo é derivado de uma combinação de árvores de decisão, nenhum dos quais está relacionado, e pode usar classificação e regressão para classificar grandes quantidades de dados.
2. Modelo Linear Generalizado (GLM) para Dois Valores: Este algoritmo restringe a lista de variáveis ​​para encontrar o "melhor ajuste". Ele pode descobrir pontos de inflexão e alterar a captura de dados e outras influências, como preditores categóricos, para determinar o resultado de "melhor ajuste", superando assim as desvantagens em outros modelos, como uma regressão linear regular.
3. Modelo Gradient Boosted: Este algoritmo também usa várias árvores de decisão combinadas, mas ao contrário da Random Forest, as árvores estão relacionadas. Ele constrói uma árvore de cada vez, permitindo assim que a próxima árvore corrija as falhas da árvore anterior. Muitas vezes é usado em classificações, como em resultados de mecanismos de pesquisa.
4. K-Means: Um algoritmo popular e rápido, K-Means agrupa pontos de dados por semelhanças e, portanto, é freqüentemente usado para o modelo de clustering. Ele pode processar rapidamente coisas como ofertas de varejo personalizadas para indivíduos dentro de um grande grupo, como um milhão ou mais de clientes com uma preferência semelhante por casacos forrados de lã vermelha.
5. Profeta: Este algoritmo é usado em séries temporais ou modelos de previsão para planejamento de capacidade, como para necessidades de estoque, cotas de vendas e alocações de recursos. É altamente flexível e pode acomodar facilmente heurísticas e uma série de suposições úteis.

Modelagem preditiva e análise de dados

A modelagem preditiva também é conhecida como análise preditiva. Geralmente, o termo "modelagem preditiva" é preferido em ambientes acadêmicos, enquanto “análise preditiva” é o termo preferido para aplicações comerciais de modelagem preditiva.

O uso bem-sucedido de análises preditivas depende muito do acesso irrestrito a volumes suficientes de dados precisos, dados limpos e relevantes. Embora os modelos preditivos possam ser extraordinariamente complexos, como aqueles que usam árvores de decisão e agrupamento de k-médias, a parte mais complexa é sempre a rede neural; isso é, o modelo pelo qual os computadores são treinados para prever resultados. O aprendizado de máquina usa uma rede neural para encontrar correlações em conjuntos de dados excepcionalmente grandes e “para aprender” e identificar padrões nos dados.

Benefícios da modelagem preditiva

Em poucas palavras, a análise preditiva reduz o tempo, esforço e custos na previsão de resultados de negócios. Variáveis ​​como fatores ambientais, inteligencia competitiva, mudanças de regulamentação e condições de mercado podem ser levadas em consideração no cálculo matemático para renderizar visões mais completas a custos relativamente baixos.

Exemplos de tipos específicos de previsão que podem beneficiar as empresas incluem previsão de demanda, planejamento de pessoal, análise de churn, fatores externos, analise competitiva, manutenção de frota e hardware de TI e riscos financeiros.

Desafios da modelagem preditiva

É essencial manter a análise preditiva focada na produção de insights de negócios úteis, porque nem tudo que essa tecnologia desenterra é útil. Algumas informações extraídas têm valor apenas para satisfazer uma mente curiosa e têm poucas ou nenhuma implicação nos negócios. Ser ignorado é uma distração que poucas empresas podem pagar.

Também, ser capaz de usar mais dados na modelagem preditiva é uma vantagem apenas até certo ponto. Muitos dados podem distorcer o cálculo e levar a um resultado sem sentido ou incorreto. Por exemplo, mais camadas são vendidas à medida que a temperatura externa cai. Mas só até certo ponto. As pessoas não compram mais casacos quando está -20 graus Fahrenheit do lado de fora do que quando está -5 graus abaixo de zero. Em um determinado ponto, frio é frio o suficiente para estimular a compra de casacos e temperaturas mais frias não mudam mais esse padrão de forma apreciável.

E com os enormes volumes de dados envolvidos na modelagem preditiva, manter a segurança e a privacidade também será um desafio. Outros desafios residem nas limitações do aprendizado de máquina.

Limitações da modelagem preditiva

De acordo com um relatório da McKinsey, limitações comuns e suas “melhores soluções” incluem:

1. Erros na rotulagem de dados: Isso pode ser superado com aprendizado por reforço ou redes adversárias geradoras (GANs).
2. Escassez de enormes conjuntos de dados necessários para treinar o aprendizado de máquina: A solução possível é "aprendizagem única, ”Em que uma máquina aprende com um pequeno número de demonstrações, em vez de em um conjunto de dados massivo.
3. A incapacidade da máquina de explicar o que e por que fez o que fez: As máquinas não “pensam” ou “aprendem” como os humanos. Da mesma forma, seus cálculos podem ser tão excepcionalmente complexos que os humanos têm dificuldade em encontrar, muito menos seguir, a lógica. Tudo isso torna difícil para uma máquina explicar seu trabalho, ou para humanos fazerem isso. No entanto, a transparência do modelo é necessária por uma série de razões, com o chefe de segurança humana entre eles. Correções potenciais promissoras:explicações agnósticas de modelos interpretáveis ​​locais (LIME) e técnicas de atenção.
4. Generalização da aprendizagem , ou melhor, a falta dela: Ao contrário dos humanos, as máquinas têm dificuldade em levar o que aprenderam para a frente. Em outras palavras, eles têm problemas para aplicar o que aprenderam a um novo conjunto de circunstâncias. O que quer que tenha aprendido é aplicável a apenas um caso de uso. Em grande parte, é por isso que não precisamos nos preocupar com o surgimento de senhores da IA ​​tão cedo. Para que a modelagem preditiva usando aprendizado de máquina seja reutilizável, ou seja, útil em mais de um caso de uso - uma solução possível é a aprendizagem por transferência.
5. Viés em dados e algoritmos: A não representação pode distorcer os resultados e levar a maus-tratos de grandes grupos de humanos. Avançar, vieses embutidos são difíceis de encontrar e eliminar mais tarde. Em outras palavras, preconceitos tendem a se autoperpetuar. Este é um alvo móvel, e nenhuma correção clara ainda foi identificada.

O futuro da modelagem preditiva

Modelagem preditiva, também conhecido como análise preditiva, e o aprendizado de máquina ainda são jovens e tecnologias em desenvolvimento, o que significa que há muito mais por vir. Como técnicas, métodos, ferramentas e tecnologias melhoram, o mesmo acontecerá com os benefícios para empresas e sociedades.

Contudo, essas não são tecnologias que as empresas possam adotar mais tarde, depois que a tecnologia atinge a maturidade e todas as torções são resolvidas. As vantagens de curto prazo são simplesmente fortes demais para um usuário tardio superar e permanecer competitivo.

Nosso conselho:entenda e implante a tecnologia agora e depois aumente os benefícios do negócio junto com os avanços subsequentes nas tecnologias.

Modelagem Preditiva em Plataformas

Para todas as empresas, exceto as maiores, colher os benefícios da análise preditiva é mais facilmente alcançado usando sistemas ERP que têm as tecnologias integradas e contêm aprendizado de máquina pré-treinado. Por exemplo, planejamento, Os recursos de previsão e orçamento podem fornecer um mecanismo de modelo estatístico para modelar rapidamente vários cenários que lidam com as mudanças nas condições do mercado.

Como outro exemplo, um planejamento de suprimento ou função de capacidade de suprimento pode, da mesma forma, prever entregas potencialmente atrasadas, ordens de compra ou venda e outros riscos ou impactos. Os fornecedores alternativos também podem ser representados no painel para permitir que as empresas se articulem para atender aos requisitos de fabricação ou distribuição.

A modelagem financeira, o planejamento e o orçamento são áreas essenciais para colher os muitos benefícios do uso dessas tecnologias avançadas sem sobrecarregar sua equipe.