De acordo com a Gartner, quase todas as empresas de fora dizem que têm capacidades de Inteligência Artificial (IA) integradas nos seus negócios, ou estão a planear abraçá-la em breve. E a IA está directamente ligada a outros conceitos como a modelação preditiva, dados preditivos, previsão e modelos de formação para a aprendizagem de máquinas.
Tudo isto soa a palavras-chave e, apesar de serem muito semelhantes às definições de futuro da tecnologia, muitas vezes não são correctamente definidas. Aqui vou focar-me num desses conceitos: modelação preditiva, uma parte da análise preditiva, que também inclui outros processos estatísticos, armazenamento de dados, optimização de decisões, e muito mais.
O que é a modelação preditiva e por que razão é tão importante? Como podemos passar da teoria e adaptá-la a cenários da vida real? Vou apontar mais a sua aplicabilidade prática e menos as intrincadas fórmulas e definições matemáticas, dando respostas às principais questões em torno deste conceito.
A Definição de Modelação Preditiva
A modelagem preditiva existe há décadas, mas só recentemente foi considerada um subconjunto da IA, muitas vezes ligada à aprendizagem mecânica. É utilizada para prever a probabilidade de resultados específicos com base em dados recolhidos de eventos passados e presentes semelhantes.
Por exemplo, com a modelagem preditiva, você pode calcular a probabilidade de um cliente churn (cancelar a inscrição ou parar de comprar produtos em favor de um concorrente). Para o conseguir, o modelo utiliza os dados disponíveis dos clientes que já fizeram churn antes e dos que não o fizeram. Isto é feito através de padrões identificados por algoritmos de aprendizagem de máquinas para prever as tendências futuras.
Embora estas previsões sejam normalmente utilizadas para eventos futuros, também se aplicam a outras condições. Imagine que quer classificar a prioridade de um bilhete de apoio, com base no texto descritivo. Depois de recolher dados de bilhetes semelhantes, poderá prever a prioridade de outros com uma taxa de precisão que aumentará com cada previsão feita.
A multiplicidade de cenários em que se pode aplicar a modelação preditiva é uma das razões pelas quais o seu potencial é tão claro. Mas que tipo de benefícios se podem obter com ela?
Prever os melhores resultados
O primeiro e mais proeminente benefício da modelação preditiva é que poderá apoiar melhor o seu processo de decisão, uma vez que toda a informação relevante sobre casos de utilização passada será compilada para melhorar as suas escolhas futuras. O que nos leva a outro benefício, encontrando tendências e padrões ocultos em dados não estruturados ou escassos. Mas não é o fim da questão.
Quando um grande volume de dados precisa de ser revisto manualmente (por exemplo, bilhetes, bancos), a modelação preditiva irá ajudá-lo a aprovar e a recusar automaticamente os eventos. É também uma ferramenta valiosa que pode identificar padrões, reduzindo drasticamente o tempo necessário para processar grandes quantidades de dados.
Também pode ser utilizado para o reconhecimento e classificação de imagens e tradução e classificação de textos. E ainda melhor, dadas as ferramentas e o ambiente adequados, o desempenho do modelo ao vivo pode ser continuamente melhorado para considerar dados novos e revistos, para que nunca fique desactualizado.
Numa visão mais elevada, notará também um impulso na eficiência operacional e na modernização dos processos, o que se traduz num melhor desempenho empresarial, num aumento das receitas e numa melhor optimização dos custos.
No entanto, por detrás de todas as histórias de sucesso que possa ler, há também alguns riscos que muitas vezes não são mencionados. Tenha isso em consideração:
- Nem todos os dados consistem em dados úteis, e um modelo pode dar-lhe previsões incorrectas baseadas em dados irrelevantes.
- A história de um determinado evento nem sempre prevê as suas tendências futuras, e a correlação nem sempre implica uma causalidade.
- Existem algumas preocupações éticas. Estas podem envolver a forma como os dados são tratados, o seu enviesamento inerente, os modelos algorítmicos e a sua propriedade intelectual.
Para lidar com estes riscos e limitações, é vital monitorizar os resultados dos modelos e compará-los com a realidade. Além disso, os modelos têm de ser alimentados com dados actualizados e reeducados quando o seu desempenho se deteriora. É fácil prever como poderá ser o futuro, mas é igualmente fácil enganar-se.
Como é que é no mundo real?
Passemos às definições e benefícios do passado e passemos ao que é a modelação preditiva quando aplicada a situações do mundo real. A maioria das empresas ainda não o sabe, mas é mais prático do que os humanóides digitais ou as aplicações técnicas que irão moldar o futuro das interacções humanas.
Com base no relatório Gartner, podemos ver que a falta de compreensão do funcionamento da gripe aviária é, sem surpresa, um dos três maiores desafios que este domínio ainda tem de enfrentar. Para reduzir o factor medo e proporcionar um conjunto de grandes pontos de partida para qualquer negócio, passemos em revista alguns dos casos de utilização mais comum em que a modelação preditiva pode desempenhar um papel crucial.
Relacionamento com o cliente
A modelagem preditiva pode ser aplicada para prever o comportamento do cliente em qualquer ponto do percurso do produto. Pode, por exemplo, usá-la para determinar a probabilidade de que uma oferta de upselling ou cross-sell seja um sucesso. A detecção de mensagens de spam nos canais de comunicação publicamente disponíveis é outro excelente exemplo de como pode melhorar os seus processos de relacionamento com os clientes com a IA. De certa forma, todos os casos de utilização seguintes voltam todos a este único ponto de melhorar a relação com o cliente.
Marketing
Para a maioria das empresas, é fundamental conhecer os seus clientes, os seus hábitos e comportamentos. E muitas vezes é difícil processar a vasta quantidade de dados que provém dos fluxos de clickstream, da utilização de aplicações web e móveis, e de muitas outras ferramentas comportamentais e analíticas. Neste cenário, um modelo preditivo ajuda ao permitir a classificação e segmentação dos clientes, facilitando a análise de dados relevantes, como a detecção de novos fluxos de receitas e o planeamento de acções em conformidade. Pode também ajudar a determinar o sucesso da publicidade exposta e a prever taxas de click-through.
Já existe uma boa quantidade de casos de uso prático com excelentes resultados. Por exemplo, um banco líder foi capaz de aumentar a actividade de novas contas em 33%, visando os novos movimentistas que se deslocalizaram para perto de agências bancárias e classificando-os de acordo com a probabilidade da sua resposta à criação de uma nova conta bancária.
Automação de Processos
Ao identificar padrões no comportamento humano, os modelos podem inferir, com elevado grau de certeza, uma decisão humana e categorizá-la. Isto pode ser útil, por exemplo, na triagem manual e na priorização de casos ou bilhetes ou na programação e optimização da mão-de-obra. Com processos rápidos, todos podem concentrar-se em tarefas mais críticas e não repetitivas.
A automação pode ser ainda mais aperfeiçoada com a Internet das Coisas (IdC), que consiste num sistema de dispositivos informáticos com a capacidade de transferir dados através de uma rede sem interacção humana. Por exemplo, a Ricoh melhorou a eficiência operacional e de custos em até 10% ao programar automaticamente reparações para minimizar o tempo de inactividade. Tudo isto é possível ao prever quando uma máquina tem maior probabilidade de falhar.
Avaliação dos riscos
A avaliação dos riscos é essencial para qualquer empresa, especialmente quando se fazem investimentos significativos. Com a modelagem preditiva, você será capaz de antecipar o risco de inadimplência ou fraude nos pagamentos, evitando cenários potencialmente críticos. Veja-se o caso do BBVA, pois foi possível reduzir em 54% o número de falsos positivos relacionados com transacções fraudulentas com cartões de crédito, prevendo esse risco.
Estes casos de utilização estão entre os exemplos mais comuns de como a AI e a modelização preditiva já estão a fazer uma grande diferença. Pode agora ser aplicada a um vasto número de sectores, dos serviços financeiros ao governo, do retalho aos cuidados de saúde, e tantos outros. A gripe aviária não é apenas o futuro. Já está lá fora a fazer a diferença.
Assuma a liderança com Inteligência Artificial
Se procura uma vantagem competitiva que lhe permita estar à frente da concorrência, a aprendizagem de máquinas e a modelação preditiva são isso mesmo. É mais do que apenas marketing hype, há um valor real lá fora e é muito mais fácil de aceder do que alguma vez foi antes.
Autor: Daniel Eugénio – April 17, 2020
Traduzido por Matheus Venâncio
Fonte Original Disponível em: OutSystems
