A análise preditiva utiliza dados históricos, estatística e aprendizagem automática para estimar acontecimentos futuros prováveis. Responde a perguntas como: que clientes estão prestes a cancelar? De quanto stock será necessário no próximo mês? Quando é provável que uma máquina avarie? Os resultados são probabilidades, não certezas. O seu valor depende muito da qualidade dos dados e de as previsões se refletirem efetivamente em decisões e processos.
Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.
Iniciar demonstraçãoA modelação preditiva é o núcleo técnico da análise preditiva: com dados de exemplo de resultados conhecidos, constrói-se um modelo que prevê um valor ou uma classe para casos novos. Entre os métodos comuns contam-se a regressão, as árvores de decisão, as florestas aleatórias e as redes neuronais. Um modelo pode, por exemplo, estimar o preço de um imóvel a partir da área, da localização e do ano de construção. Antes da utilização, é testado com dados reservados para detetar o sobreajuste.
O machine learning é um ramo da inteligência artificial em que os computadores deduzem padrões a partir de dados, em vez de cada regra ser programada explicitamente. Consoante a tarefa, os modelos aprendem com exemplos etiquetados (supervisionada), com dados não etiquetados (não supervisionada) ou através de recompensas (por reforço). As aplicações vão de filtros de spam e previsões de procura a recomendações de produtos. A qualidade depende muito da quantidade e da qualidade dos dados de treino.
O data mining é a pesquisa sistemática de padrões, relações e anomalias em grandes conjuntos de dados. Recorre a técnicas estatísticas e a métodos de machine learning, como clustering, classificação ou análise de associações. Um exemplo clássico é a análise do cabaz de compras no retalho, que mostra quais os produtos frequentemente comprados em conjunto – uma base para a gama, a colocação e as recomendações.
A análise exploratória de dados (EDA, do inglês exploratory data analysis) é o primeiro olhar, aberto, sobre um conjunto de dados: calculam-se valores-resumo, examinam-se distribuições e gráficos e procuram-se padrões, valores atípicos e valores em falta – ainda sem uma hipótese definida. Ajuda a avaliar a qualidade dos dados e a encontrar questões pertinentes para análises ou modelações posteriores. Exemplo: antes de uma previsão de vendas, a EDA revela que um mês foi registado de forma incompleta devido a uma migração de sistema.
