Bruno Lins, Gerente Comercial do Zoox Eye, e Fernando Dias, Analista de Dados, trazem exemplos reais de uso e técnicas adotadas na construção de modelos.
Para muitos, parece mágica, uma fórmula para prever o futuro. Mas Modelos Preditivos são baseados em muita matemática e olhar estratégico - uma dupla que pode alavancar ainda mais ou até mesmo salvar o seu negócio daqui pra frente, já com um direcionamento Data Driven.
Assim como os hábeis olhos das corujas, modelos servem para tirar o seu negócio do escuro, e fazer seu time enxergar melhor e ver até mesmo o que a concorrência ainda não percebeu.
Modelos, então, são excelentes ferramentas para ajudar a tirar nossas decisões do “achismo” para transformá-las em decisões baseadas em dados e fatos. Ao longo deste conteúdo, você vai descobrir:
Um Modelo Preditivo é, de forma bem resumida, uma função ou um conjunto de funções matemáticas, que pode ser aplicada a um grande volume de dados (estruturados e/ou desestruturados), para que seja possível a identificação de padrões e tendências futuras.
Fazer uso de modelos analíticos, com foco em predição, pode evitar a ocorrência de riscos e ser bastante útil na identificação de oportunidades.
Mas é claro, que para obter bons frutos, é importante que seus desafios e objetivos estejam bem definidos, os dados históricos bem organizados e os modelos sejam bem desenvolvidos e ajustados.
Leia também: DMP x CDP x CRM: Diferenças e Benefícios Estratégicos
Técnica é algo inerente a tudo que pretendemos fazer com maestria. E não seria diferente com modelos - há inúmeras técnicas para o desenvolvimento deles.
Aqui vamos trazer algumas classificações bastante difundidas e explorar as principais técnicas do mercado.
Uma segmentação importante é entender se podemos evoluir com técnicas supervisionadas ou não supervisionadas.
De uma forma bem simplista, utilizamos uma estratégia supervisionada quando conseguimos associar nossos dados a um alvo (target). Como exemplo, podemos citar:
Dentre as técnicas mais utilizadas para a construção de soluções com a técnica de aprendizado supervisionado estão:
Já quando falamos de modelos não supervisionados, essa relação entre dados e alvo não existe. Nesse cenário utilizamos a não supervisão na busca de grupos ou padrões existentes na população de dados estudada.
Assim como as técnicas para seu desenvolvimento, as aplicações desses modelos são muitas - como concessão de crédito a modelos para marketing, prevenção a fraude e rentabilização de carteira de clientes:
Certamente, esse exemplo é um que a maioria das pessoas tem contato. Ele busca prever estatisticamente a chance de um futuro cliente de um produto financeiro se tornar inadimplente.
Experimentar, observar, aprender e corrigir pode ser uma boa estratégia, mas os modelos de previsão podem ser extremamente úteis para fazer isso com uma grande quantidade de dados.
Os resultados também podem ser mais rápidos e também mais precisos, tornando a criação orientada ao sucesso de inúmeras ações de Marketing.
Com o uso adequado de modelos, é possível determinar o momento adequado para início de campanhas, público alvo, estimativa de retorno e eficiência do trabalho.
O relacionamento de uma empresa com sua carteira de clientes é certamente uma de suas maiores riquezas - independente da vertical de negócio: varejo, banco, seguradora ou indústria.
Assim, entender bem o comportamento e necessidade de seu público pode levá-lo a elevados níveis de satisfação: gerando fidelização e rentabilidade.
Modelos de propensão a outros produtos (upsell e x-sell), churn/evasão ou mesmo adequação do produto já utilizado (ajuste de limite, por exemplo), podem ser importantes ferramentas na manutenção do relacionamento com os clientes.
A primeira coisa a ser feita é entender bem qual é o problema a ser resolvido. Realizar este passo é fundamental para obter as melhores respostas em sua análise preditiva.
Um bom método para essa definição de problema é interagir bastante com a área de negócio, explorar bem a dor em questão, entender qual é a rotina do segmento, quais são os processos adotados pela área no momento da resolução deste problema, entre outros.
Depois, é sempre bom estruturar uma proposta de resolução, isso ajuda bastante no momento da escolha do melhor modelo a ser aplicado.
Esta é a hora de reunir informações!
Os dados podem vir das mais diversas fontes possíveis (de dentro da sua empresa, da internet, de outros bancos de dados).
Num primeiro momento, vale apenas a preocupação de reunir todos os dados, sem muita preocupação relacionada à qualidade e quantidade.
Nessa fase de coleta, também é o momento de definir se temos uma variável-resposta (target) ou não.
Aqui falamos de um momento crítico do processo. É o momento onde passamos a entender os dados que coletamos e como eles podem agregar valor ao modelo e/ou ao processo de resolução do problema.
É aconselhável iniciar esta etapa aplicando técnicas de estatística descritiva e diagnóstica e um pouco de visualização destes dados com finalidade descobrir tendências e anomalias dos dados, o tipo e a distribuição das variáveis, assim como a interação entre elas.
Após todo esse processo de análise e exploração dos dados, agora é o momento de ajuste.
Nessa etapa, tiramos valores discrepantes de uma determinada variável, padronizar variáveis, construir algumas novas e até mesmo remover variáveis inteiras que sejam redundantes ou não sejam relevantes para o modelo.
Todo o processo feito até agora tem a finalidade de facilitar a fase de modelagem. Agora é o momento de escolher o modelo mais adequado para o seu problema.
Segue abaixo duas sugestões para te auxiliar nesse processo:
Mesmo após o modelo implementado em produção, é importante manter um monitoramento recorrente de performance, pois eventualmente o modelo precisará de ajustes e atualizações.
Como vimos ao longo deste artigo, modelos preditivos são excelentes ferramentas para ajudar a tirar nossas decisões do “achismo” para decisões baseadas em dados e fatos.
Assim como faz a história, entender o passado é a chave para tomar decisões mais robustas e embasadas no futuro.
Hoje, encontramos dezenas de técnicas e tecnologias para o desenvolvimento de modelos e, portanto, reforçamos a recomendação de testar qual a melhor técnica para seu desafio.
O volume de dados, as ferramentas disponíveis, e até mesmo a experiência do seu time podem ser fatores importantes nesse processo de decisão.
Por fim lembramos que estamos lidando com ferramentas estatísticas, logo, cautela é sempre bem vinda.
Testar os resultados em bases ainda não testadas (out-of-time) e fazer estratégias campeãs-desafiantes (champion-challenger) em ambientes produtivos pode trazer a segurança necessária para a implantação da nova solução.
Aproveite para baixar nosso Ebook totalmente gratuito sobre Cultura Data Driven, os principais desafios e benefícios da adoção dessa prática em uma empresa. E muito sucesso com seus modelos! Até mais!