Análises Preditivas

Bancos e serviços financeiros

O setor financeiro, com enormes quantidades de dados e dinheiro em jogo, há muito tempo adotou a análise preditiva para detectar e reduzir fraudes, medir o risco de crédito, maximizar as oportunidades de venda e venda cruzada, e reter clientes valiosos. O Commonwealth Bank usa analytics para prever a probabilidade uma transação ser fraudulenta antes dela ser autorizada – ou seja, dentro de 40 milissegundos do início da transação.

Varejo

Depois do, agora infame, estudo que mostrou que homens que compram fraldas frequentemente também adicionam cerveja ao carrinho, varejistas do mundo inteiro estão usando análises preditivas para determinar quais produtos estocar, a eficácia de eventos promocionais e quais ofertas são mais apropriadas para os consumidores. A Staples analisa o comportamento do consumidor para obter uma visão completa de seus clientes, conquistando assim um ROI de 137%.

Petróleo, gás e utilities

Seja prevendo falhas de equipamentos e futuras necessidades de recursos, mitigando riscos de segurança e confiabilidade, ou melhorando o desempenho geral, o setor de energia adotou a análise preditiva com vigor. O Salt River Project é o segundo maior utilitário de energia pública nos EUA e um dos maiores fornecedores de água do Arizona. Análises de dados de sensores de máquinas preveem quando turbinas geradoras de energia precisam de manutenção.

Governo e setor público

Os governos têm sido atores-chave no avanço das tecnologias de computação. O US Census Bureau vem analisando dados para entender as tendências populacionais há décadas. Os governos agora usam a análise preditiva como muitos outros setores – para melhorar o serviço e seu desempenho, detectar e prevenir fraudes, e entender melhor o comportamento do consumidor. Eles também usam análise preditiva para aprimorar a segurança cibernética.

Seguros de saúde

Além de detectar fraudes, a indústria de seguros de saúde está tomando medidas para identificar os pacientes com maior risco de doenças crônicas e descobrir quais são as melhores intervenções. A Express Scripts, uma grande empresa de benefícios farmacêuticos, usa analytics para identificar aqueles que não aderem aos tratamentos prescritos, resultando em uma economia de US$ 1.500 a US$ 9.000 por paciente.

Manufatura

Para os fabricantes, é muito importante identificar os fatores que levam à redução da qualidade e às falhas de produção, bem como otimizar as peças, os recursos de serviço e a distribuição. A Lenovo usa análises preditivas para entender melhor os pedidos de garantia – uma iniciativa que a levou a uma redução de 10% a 15% nos custos.

Regressão (linear e logística) é um dos métodos mais populares em estatística. A análise de regressão estima relações entre variáveis. Destinada a dados contínuos que podem seguir uma distribuição normal, ela encontra padrões essenciais em grandes conjuntos de dados e é frequentemente usada para determinar quanto cada fator específico, como o preço, influencia o movimento de um ativo. Com a análise de regressão, queremos predizer um número, chamado de resposta ou variável Y. Com regressão linear, uma variável independente é usada para explicar e/ou prever o resultado de Y. Já a regressão múltipla usa duas ou mais variáveis independentes para prever o resultado. Com a regressão logística, variáveis desconhecidas de uma variável discreta são previstas com base no valor conhecido de outras variáveis. A variável de resposta é categórica, o que significa que pode assumir apenas um número limitado de valores. Com a regressão logística binária, uma variável de resposta tem apenas dois valores, como 0 ou 1. Na regressão logística múltipla, uma variável de resposta pode ter vários níveis, como baixo, médio e alto, ou 1, 2 e 3.

As árvores de decisão são modelos de classificação que particionam dados em subconjuntos com base em categorias de variáveis de entrada. Isso ajuda você a entender o caminho de decisões de uma pessoa. Uma árvore de decisão parece uma árvore com cada ramo representando uma escolha entre um número de alternativas, e cada folha representando uma classificação ou decisão. Este modelo analisa os dados e tenta encontrar a variável que divide os dados em grupos lógicos diferentes. As árvores de decisão são populares porque são fáceis de entender e interpretar. Elas também lidam bem com valores ausentes e são úteis para a seleção preliminar de variáveis. Portanto, se você tem muitos valores ausentes ou deseja uma resposta rápida e facilmente interpretável, pode começar com uma árvore.

As redes neurais são técnicas sofisticadas capazes de modelar relações extremamente complexas. Elas são populares porque são poderosas e flexíveis. Seu poder vem de sua capacidade de lidar com relações não-lineares em dados, o que é cada vez mais comum à medida que coletamos mais dados. Elas costumam ser usadas para confirmar descobertas de técnicas simples, como regressão e árvores de decisão. As redes neurais são baseadas no reconhecimento de padrões e em alguns processos artificialmente inteligentes que “modelam” graficamente os parâmetros. Elas funcionam bem quando não se conhece nenhuma fórmula matemática que relacione as entradas às saídas, quando a previsão é mais importante do que a explicação ou quando há muitos dados de treinamento envolvidos. Redes neurais artificiais foram originalmente desenvolvidas por pesquisadores que tentavam imitar a neurofisiologia do cérebro humano.