Por Juliana Gaidargi em 8/04/2019 em Negócios

A análise preditiva é um subconjunto da inteligência de negócios que se concentra especificamente na aprendizagem de comportamentos passados ​​para prever comportamentos futuros. Ou seja, a maioria das pessoas interagiu com um modelo preditivo ao solicitar um cartão de crédito ou empréstimo. Afinal, as instituições financeiras usam análise preditiva para atribuir pontuação de crédito. Essas pontuações pegam dados sobre interações financeiras passadas e as usam para prever comportamentos financeiros futuros. Por exemplo, se você fizer um empréstimo e nunca perder um pagamento, sua pontuação será maior. Afinal, o modelo preditivo sugere que você também pagará futuros empréstimos.

Esse tipo de modelagem pode ser estendido para praticamente qualquer processo de negócios. Os varejistas usam os comportamentos de compra para entender quais clientes provavelmente retornarão à loja. Ou ainda para descobrir quais farão uma compra online. Já os fabricantes podem usar a modelagem para entender quando as máquinas precisarão de reparos. Além disso, muitas versões de softwares de automação de marketing usam dados coletados de suas interações com um website para prever a probabilidade de aquisição de um produto. Ou seja, ao adicionar dados distintos e mensuráveis ​​de toda a empresa a um modelo preditivo, é possível entender melhor o comportamento futuro dos clientes.

Resumindo, a análise preditiva extrai informações de conjuntos de dados para descobrir relações complexas. Ela reconhece padrões desconhecidos, prevê tendências reais e encontra associações. Isso viabiliza antecipar o futuro e tomar as decisões certas.

O que mudou na última década?

  1. Mais dados, mais armazenamento, mais poder de computação

Existem repositórios massivos, baseados em nuvem, de interações com clientes. Eles são frequentemente chamados de lagos de dados. Os lagos de dados permitem que os dados estejam em sua forma mais bruta. Ou seja, não demanda que sejam convertidos e analisados ​​primeiro. É deles que sai o material de origem bruto para aplicativos de análise preditiva.

Muitas empresas aproveitaram o armazenamento em nuvem barato para armazenar dados por anos. Isso, mesmo antes de considerar seu uso potencial. Esse crescimento duplo, de dados coletados e acessibilidade a eles, resolveu dois desafios principais da implementação da análise preditiva.

Afinal, historicamente, o poder de computação bruto era outro. Sem investimentos significativos em hardware, os programas de análise preditiva não eram possíveis. Ou isso ou eram lentos demais para serem realmente úteis.

Em contrapartida, hoje, os sistemas analíticos baseados em nuvem adicionaram poder maciço ao computador. Dessa forma, sistemas cada vez mais poderosos abriram as portas para a análise preditiva em tempo real.

  1. Um mundo de previsões em tempo real

Para alguns, a idade da análise preditiva “em tempo real” já chegou. Segundo Judah Phillips, Presidente, CTO e co-fundador da Squark e fundador da SmartCurrent, já vivemos em um mundo de análise preditiva “em tempo real”. Afinal, uma simples análise preditiva é a sua hora de chegada no Waze.

Além disso, empresas como a Mintigo e a Versium agora oferecem soluções em tempo real para pontuação de leads, mostrando que a transição é tecnicamente possível. Possível, no entanto, não significa perfeito.

Especialmente no mundo do mercado intermediário, as ferramentas que reúnem dados para se transformarem em modelagem preditiva geralmente não possuem APIs amigáveis. Tampouco dispõem de outros mecanismos fáceis para coletar e interpretar dados rapidamente. É o caso de sistemas de CRM, agregadores de mídias sociais, logística e sistemas de compras.

Essa desconexão ainda frustra até mesmo os casos de negócios mais fundamentais para a análise preditiva em tempo real.

3. Adoção lenta, mas de interesse crescente

Então, quantas empresas estão usando ativamente a análise preditiva? Segundo a pesquisa do Dresner Advisory Services, cerca de 23%. Esse número é essencialmente inalterado em relação ao ano anterior.

Em suma,  menos de um quarto das empresas está usando a análise preditiva. O interesse, no entanto, excede a implementação. Afinal, a mesma pesquisa sugere que 90% das empresas “atribuem, no mínimo, alguma importância à análise avançada e preditiva”.

O que é necessário para começar a usar a análise preditiva?

Dados, dados e dados. A prioridade é ter fontes de dados. Isso independentemente da empresa planejar licenciar um software ou contratar uma organização externa. Afinal, todos os usos exigem dados de treinamento.

Esses dados de treinamento, por sua vez, são usados ​​para criar um modelo preditivo para aplicar aos dados atuais.

Quantos dados são necessários?

Alguns milhares de registros com uma quantidade suficiente de resultados positivos e negativos podem ser suficientes para marketing, vendas e previsão de produtos.

Porém, nem todos os dados são criados (ou armazenados). O cliente ideal tem um banco de dados interno pronto para uso. Basta colocar os dados, construir o modelo e pronto. Porém, outra parcela tem uma mistura de fontes de dados, que inevitavelmente incluem um banco de dados SQL offshore gerenciado por um fornecedor externo que ninguém pode rastrear.

O agrupamento de fontes de dados é um grande projeto de desenvolvimento que pode exigir a criação de conectores personalizados. É o caso da configuração de quedas de FTP de terceiros e outras tarefas complexas, mas ingratas. Esse trabalho, no entanto, é necessário. Afinal, os modelos e suas previsões são tão precisos quanto os dados sobre os quais são construídos.

Fontes de dados externas

Além disso, nem todos os dados são provenientes de fontes internas. Fontes externas de dados, como boletins meteorológicos, são muitas vezes uma adição crítica aos lagos de dados. Especialmente para pequenas empresas.

Os restaurantes podem usar análises para acionar o envio de e-mails, por exemplo. Basta configurar a plataforma de e-mail para sincronizar com os dados do Serviço Nacional de Meteorologia para enviar um e-mail sobre chá gelado quando a temperatura em uma determinada área do metrô estiver acima de 90 graus.

Da mesma forma, é possível acionar um e-mail para enviar a clientes em uma determinada cidade se o sistema detectar rajadas de vento de mais de 40 MPH. Ambos os casos de uso atingem os consumidores em um momento-chave de necessidade.

Como a análise preditiva converte dados em previsões?

Digamos que você queira vender sua casa. Como você escolheria um preço razoável? Você considera as vendas recentes de residências semelhantes em sua região, as características de sua casa, o estado da economia e faz um palpite.

No entanto, a análise preditiva é uma maneira estruturada e consistente de estimar coisas como valores imobiliários. Afinal, ela utiliza informações existentes para se aproximar de uma resposta assertiva. Contudo, ela o faz de forma estruturada e consistente, com base na matemática desenvolvida para esse fim. São usados dois ramos estreitamente relacionados da matemática: estatística e teoria da probabilidade. Ambos relacionam o conceito de acaso à observação da vida real.

Quanto ao how-to, a análise preditiva insere dados em algoritmos para obter modelos preditivos. Em seguida, coloca novos dados nos modelos preditivos para criar as previsões necessárias.

Contudo, para isso, as empresas precisam de uma equipe dedicada de cientistas de dados para analisar esses conjuntos de dados. Ou ao menos de um conjunto de softwares poderosos o suficiente para fazê-lo rapidamente. Para a maioria das empresas de pequeno e médio porte, isso geralmente é um complicador.

Dessa forma, para empresas de todos os tamanhos, as soluções se dividem em duas opções:
  1. Comprar um software e criar previsões internamente;
  2. Pagar um fornecedor externo para desenvolver modelos e visualizações.

Análise preditiva no universo corporativo

Os departamentos de marketing de grandes organizações usam a análise preditiva há anos. A gigante online de venda de carros AutoTrader, por exemplo, usa dados de seus 40 milhões de visitantes mensais para entender melhor a jornada do cliente. Por mais demorada que esta seja. Para esse fim, eles criaram modelos de propensão com base no comportamento de pesquisa e criaram públicos parecidos de alto valor.

Já o editor francês Editialis usa a análise preditiva em suas campanhas de e-mail para antecipar o engajamento em um nível individual. Como resultado, eles viram as taxas de cliques aumentar consideravelmente.

Mas a análise preditiva também pode coordenar as interações offline e online para os profissionais de marketing cujas empresas têm produtos físicos ou fachadas de lojas:

Melhor preço

Os dados do smartphone registram os hábitos de navegação na loja para melhorar a segmentação de marketing on ou offline, aproximando as vantagens das empresas de comércio eletrônico.

Gestão de inventário.

Armazéns completos custam dinheiro. Porém, prateleiras vazias também custam dinheiro. Portanto, transformar dados online, como padrões de pesquisa em dados de vendas pode gerenciar melhor o inventário, especialmente em nível regional e local.

Além de campanhas de marketing externas, a análise preditiva também suporta o gerenciamento de projetos internos. Afinal, grandes campanhas de marketing têm muitas partes móveis. Por exemplo, uma nova campanha de publicidade precisa de um criativo, direitos autorais, páginas de destino etc. Portanto, coordenar o envolvimento dessas equipes e estimar com precisão o tempo de lançamento é complexo e pode gerar uma grande despesa.

Os algoritmos preditivos, por sua vez, usam uma lente mais ampla que captura padrões históricos e elementos de projeto únicos em um único quadro. Embora todo projeto de desenvolvimento seja único, os drivers de complexidade subjacentes nos projetos são semelhantes e podem ser quantificados. Portanto, se as empresas entenderem a complexidade envolvida em um novo projeto, elas poderão estimar o esforço e os recursos necessários para concluí-lo.

Vale lembrar que os modelos de análise preditiva levam em conta não apenas a complexidade do projeto, como os aspectos funcionais e de implementação. Mas também a complexidade do ambiente da equipe.

O que não é uma análise preditiva?

As análises que descrevem o estado atual ou o passado das coisas, mas não fazem previsões, não são análises preditivas. Estes são freqüentemente chamados de “relatórios”, mas podem receber nomes mais extravagantes.

A “análise descritiva” (ou “descritivos”), por exemplo, abrange os aspectos básicos, como totais e médias. Em geral, pode-se encontrar coleções elaboradas dessas análises que incluem muitas variações de seleção de dados. É o caso de tabelas e gráficos individuais para cada departamento de uma empresa, ou cada um dos muitos produtos, ou ambos, por exemplo. Entretanto, não importa o quão elaboradas, essas ainda são apenas estatísticas descritivas.

“Business intelligence” geralmente se refere à classe de software que fornece elaboradas coleções de estatísticas descritivas. Estas, por sua vez, são baseadas nos dados transacionais cotidianos de uma organização.

O software de business intelligence permite que usuários individuais vejam as informações específicas de interesse para eles sob demanda. É popular porque os usuários querem evitar percorrer relatórios existentes ou esperar que outra pessoa crie um relatório personalizado. Além disso, ele também garante que os usuários obtenham informações consistentes e atuais. Porém, ainda assim, não pode ser considerado uma análise preditiva.

Qual é a relação entre análise preditiva e mineração de dados?

Os profissionais de análise variam em filosofias, combinações de habilidades, estilo de trabalho e culturas. Portanto, os profissionais de análise podem ser conhecidos como “cientistas de dados”, “mineradores de dados”, “analistas da Web” e outros termos semelhantes.

Contudo, quase nenhuma dessas especialidades tem uma definição estrita, salvo o “atuário”. Afinal, os atuários têm critérios de certificação profissional específicos e substanciais que são amplamente aceitos na indústria. Essas certificações são equivalentes em estrutura e importância para a credencial de Certified Professional Accountant, ou certificação de conselho de médicos.

Portanto, pode-se concluir que os títulos que os profissionais escolhem são termos de marketing, não técnicos. Ou seja, qualquer um pode se identificar como um “cientista de dados”, por exemplo.

Ainda assim, não há uma definição estrita para o papel, e uma pessoa que gosta de ser chamada de “cientista de dados” não é necessariamente uma escolha melhor (ou pior) para suas necessidades do que um “analista de dados”, “minerador de dados” ou qualquer outro título.

Como implementar análises preditivas na sua empresa

É provável que profissionais de marketing, vendas ou de áreas mais técnicas dos negócios já tenham usado a análise preditiva em alguma parte do seu trabalho. A gigante do varejo Amazon, por exemplo, usa análise preditiva para estudar os comportamentos de mais de 200 milhões de clientes. Estes, por sua vez, produzem mais de 1 bilhão de GB de dados de sites por ano. Isso resulta em sugestões personalizadas de produtos que faturam mais de US $ 2 bilhões por ano.

Contudo, sua empresa não precisa ser uma gigante no varejo para usar a análise preditiva. Basta ter dados, metas bem definidas e disposição para iterar.

Empresas de todos os setores e tamanhos usam a análise preditiva para entender dados de negócios armazenados em ações de clientes ou processos de negócios. Isso poderia originar uma empresa de marketing B2B que usa a pontuação preditiva de leads para gerar leads melhores. Ou até mesmo uma empresa de manufatura que usa a análise preditiva integrada em seu software de análise de cadeia de suprimentos.

A realidade é que quando as empresas alimentam seus clientes e processam dados em modelos preditivos, elas entendem melhor o comportamento futuro e tomam decisões com base em dados concretos, ao invés sentimentos viscerais.

Práticas recomendadas para a análise preditiva

Muitas equipes usam o modelo Cross Industry Standard Process for Data Mining (CRISP-DM) para orientar seus sistemas de análise preditiva. Essa estrutura multissetorial ajuda a equipe a criar modelos preditivos com base nos dados que a empresa possui. Sua estrutura circular também ajuda a implementar suas descobertas nos processos de negócios diários. Além disso, é recomendado:

Esclarecer seus objetivos:

Ou seja, defina os resultados que você deseja prever. Sejam vendas, reparos de equipamentos, inscrições de e-mails ou outras métricas. o importante é entender melhor as métricas que levarão a empresa até esse ponto.

Criar sua infraestrutura:

A análise preditiva utiliza muitos dados. Portanto, é importante se certificar de que sua equipe esteja disponibilizando esses dados para você. Isso pode significar fazer conexões com a API ou importar dados de departamentos e ferramentas em outras situações. Afinal, a comunicação entre ferramentas e equipes é de extrema importância neste estágio e durante todo o processo.

Definir sucesso:

O que é uma linha aceitável para o sucesso da sua empresa? Ou seja, dê às suas equipes alguma margem para erros e incógnitas.

Construir a partir de Prova de Conceito:

Comece as previsões a partir de dados que você já possui. Afinal, se seu modelo prevê resultados já comprovados, é possível mostrar aos interessados ​​que a tecnologia funciona antes de investigar incógnitas.

Manter seus dados:

Colocar seus processos em funcionamento é um ótimo começo. Porém, não subestime a importância da qualidade e manutenção dos dados à medida que seus modelos progridem.

Usar o que você sabe:

A análise preditiva sem ação é inútil. Portanto, deixe seus modelos criarem previsões e, em seguida, modifique seus planos de negócios de acordo.

Algumas advertências:

A análise preditiva pode auxiliar a agilizar campanhas ou processos. Entretanto, quanto mais dados você usar, mais você vai querer alimentar em sua máquina. Afinal, esse é um processo circular. Contudo, a análise preditiva aprende com novas informações. Portanto, ela deve melhorar cada vez mais a cada ciclo.

É importante lembrar que, embora seus esforços possam melhorar com conjuntos de dados específicos no curto prazo, novos dados podem ser necessários para continuar a construir sua empresa. Portanto, mantenha-se à procura de novos dados para adicionar aos seus modelos preditivos à medida que avança nos seus ciclos.

Além disso, você e suas equipes de análise devem agir como especialistas ao criar e implementar modelos. Os computadores podem construir imagens do comportamento do cliente, mas trabalham com um número limitado de possíveis fatores. Você, entretanto, conhece seus clientes melhor do que o computador, apesar dos modelos de computador tirarem algumas das dúvidas. Portanto, verifique seus modelos em relação ao seu conhecimento do setor e teste antes de fazer alterações radicais.

Resumindo…

Pense na análise preditiva como adivinhações cada vez mais fundamentadas com base nos dados que você tem. Isso significa que suas previsões se encaixam em modelos estatísticos. Contudo, não é porque todos os dados apontam para um resultado específico que ele acontecerá na realidade. Por necessidade, seus modelos são construídos com um número finito de variáveis ​​em jogo, onde um número infinito de variáveis ​​pode compor o comportamento humano real. Ou seja, nenhum modelo irá prever com precisão todos os comportamentos. Porém, quanto mais dados você usar, melhores serão seus modelos para prever.

Nota-se, então, que a análise preditiva não é imune a críticas. O próprio RGPD (Regulamento Geral sobre a Proteção de Dados) recusa alguns dos métodos de coleta que incham os lagos de dados. E nem todas as previsões, mesmo as mais precisas, são bem recebidas. Lembra quando a Target inconscientemente informou o pai sobre a gravidez de sua filha adolescente com base em hábitos de compra?

Em geral, especialistas em análise preditiva apontam que seus algoritmos buscam padrões entre valores, não os valores em si. Independentemente disso, é improvável que os dados insuficientes retenham a expansão do setor. Afinal, a IoT, os wearables e outros coletores de dados já complementam a análise tradicional de aplicativos e da web.

Contudo, as plataformas SaaS de fácil utilização ainda são uma oportunidade emergente. Afinal, para a maioria das empresas, criar modelos e previsões a partir de dados históricos ainda requer que um funcionário dedicado navegue por soluções de software complexas. Ou isso ou a terceirização desse trabalho para um fornecedor.

Porém, para aqueles que postergam os projetos de análise preditiva até que as opções de SaaS estejam mais maduras, seria prudente continuar preenchendo seu lago de dados.