Análise preditiva

A análise preditiva é uma disciplina que existe de alguma forma desde o início da medição. Sempre tentamos prever o futuro; volte na história para ver prognosticadores como Nostradamus e muitos outros profetas. A análise preditiva tem sido praticada desde que o gráfico da primeira linha foi desenhado e alguém colocou uma régua no gráfico para mapear a tendência que está acontecendo em seus negócios.

Uma breve história da análise preditiva

Nenhum setor tentou fazer mais com análise preditiva do que o setor de serviços financeiros. Desde a abertura do Lloyd’s Coffee House em 1686, os profissionais de serviços financeiros vêm tentando prever o que vai acontecer a seguir. Planejadores financeiros, diretores financeiros e analistas têm se esforçado para criar métodos precisos para prever o que provavelmente acontecerá.

Antes do surgimento da análise estatística avançada e do aprendizado de máquina, os esforços de análise preditiva se dividiam em 4 grandes categorias:

1. Adivinhar, que é o padrão para o qual a maioria das pessoas se inclina. Com base em dados qualitativos e quantitativos, além de experiência no assunto, as pessoas tentarão adivinhar o que provavelmente acontecerá. Se os resultados de tais previsões superam ou não o acaso é altamente dependente das habilidades do especialista no assunto.
2. Previsão visual, que é uma maneira educada de dizer, pegue uma régua e desenhe linhas no papel. Essa técnica é popular há décadas e por boas razões; para dados em que você tem padrões lineares regulares, desenhar linhas em gráficos funciona. Você verá isso ainda hoje com coisas como análise de ações, especialmente na mídia de transmissão. Os analistas traçam linhas para os preços mínimos e máximos das ações para inferir se vale ou não a pena comprar essas ações.
3. Previsão aditiva, um método popular de fazer orçamento no qual você pega os dados do período anterior, ajusta-os por uma porcentagem e depois chama isso de sua previsão. Isso pressupõe que o próximo período será idêntico ao período anterior em termos de previsão, que funciona apenas sob certas condições. Em uma era de pandemia e instabilidade política, não é uma estratégia sólida, a menos que venha com agilidade para mudar quando as circunstâncias se alteram.
4. Inventar as coisas, que é o método menos útil de previsão, mas que um número surpreendente de organizações faz na ausência de quaisquer outras técnicas de previsão.

As três primeiras técnicas têm a mesma coisa em comum: elas pegam dados existentes e tentam usá-los para construir modelos voltados para o futuro. O que mudou nos últimos 25 anos e especialmente nos últimos 10 anos é o uso de software avançado de estatística e aprendizado de máquina para construir previsões que são matematicamente mais sólidas do que essas abordagens iniciais.

O que é Análise Preditiva?

Como se pode adivinhar pelo nome, é o uso de dados analíticos e algoritmos para prever o que provavelmente acontecerá. A análise preditiva depende de dois padrões nos dados para operar bem: ciclicidade e sazonalidade.

A sazonalidade é a detecção de padrões em dados anuais. Quando pensamos em estações literais – primavera, verão, outono, inverno – estes são eventos literais repetidos que acontecem todos os anos como um relógio. Em finanças, sabemos que há eventos anuais que impactam substancialmente nossos dados, como prazos de arquivamento. Há também eventos de consumo que também impactam os negócios, como feriados que se repetem anualmente.

A ciclicidade é qualquer padrão repetido em dados que são regulares. Por exemplo, a maioria dos dados financeiros obedece a um ciclo muito comum – muitos dados e atividades de segunda a sexta-feira, muito menos atividade e dados aos sábados e domingos. As declarações fiscais trimestrais são uma recorrência comum que afeta os dados e pode ser prevista.

O ponto-chave aqui é que os dados que têm ciclicidade ou sazonalidade são dados que têm previsibilidade. Os dados que têm previsibilidade podem ser previstos com análise preditiva.

O que a análise preditiva não pode prever

Por extensão, os dados que carecem completamente de sazonalidade e ciclicidade não podem ser previstos ou previstos. Este último ponto é crítico para entender as limitações da análise preditiva. Existem quatro categorias gerais de dados que você não pode prever com nenhum nível de precisão:

• Coisas que nunca aconteceram
• Coisas que não têm previsibilidade
• Coisas que não têm ciclicidade ou sazonalidade
• Coisas que têm entradas ocultas

Por exemplo, quando se trata de coisas que nunca aconteceram, o software de análise preditiva – não importa quão bom, sofisticado, quanto dados – não poderia prever com nenhum nível de precisão a pandemia do COVID-19. Nem poderiam ter previsto com sucesso qualquer número de eventos do “cisne negro” de forma razoável; embora as capacidades de inteligência militar de alguns países possam ter detectado essas ameaças mais cedo ou mais tarde, para a grande maioria dos negócios e departamentos financeiros, esses são eventos verdadeiramente únicos.

A análise preditiva, por definição, não pode prever o que é imprevisível. Um exemplo sutil disso são as eleições políticas, como a eleição presidencial dos Estados Unidos. Embora essas eleições ocorram a cada quatro anos como um relógio, a realidade é que não há duas eleições iguais. Os candidatos mudam, as questões mudam e até a base de votação muda substancialmente entre as eleições. Assim, nenhum modelo preditivo funciona para prever eleições, apesar dos melhores esforços de muitos em contrário.

A análise preditiva não pode prever aleatoriedade, coisas que não têm sazonalidade nem ciclicidade. Por exemplo, suponha que você esteja trabalhando com uma equipe de produção de vídeo para publicar vídeos no YouTube explicando um assunto altamente complexo. Por acaso, um desses vídeos faz muito bem e decola. Não há como prever esse tipo de aleatoriedade, mesmo que seu cronograma de produção seja muito previsível.

Finalmente, a análise preditiva não pode prever modelos massivamente complexos com entradas ocultas. O mercado de ações é um excelente exemplo disso. Enormes recursos foram investidos na tentativa de prever o desempenho do mercado de ações em conjunto, bem como em ações individuais, mas há tantas entradas ocultas, de algoritmos HFT a eventos macroeconômicos, que os modelos simplesmente não podem prever com precisão muito melhor do que adivinhar.

Exemplo de análise preditiva em finanças

Vejamos um exemplo muito específico de análise preditiva, algo que minha empresa Trust Insights fez com um cliente anos atrás, na indústria de cassinos. Trabalhamos com o Foxwoods Casino em Connecticut, EUA, que nos pediu para ajudar a usar dados financeiros para criar uma previsão. O comparecimento ao cassino e os recibos do cassino são altamente previsíveis. Há uma clara ciclicidade e sazonalidade nos dados, tornando-os um excelente candidato para previsão.

Examinamos três anos de recibos de cassino e, usando software de aprendizado de máquina personalizado, prevemos suas receitas projetadas, semana a semana, para 52 semanas à frente. Com essa previsão, eles poderiam facilmente determinar quais semanas do próximo ano provavelmente teriam receitas mais baixas do que outras.

A chave com a análise preditiva, como todas as análises, não é a previsão em si, mas o que você faz com ela, e é aí que a previsão realmente encontrou seu poder. Com o conhecimento de semanas específicas em que a receita estava prevista para cair, a Foxwoods contratou suas equipes de marketing para criar promoções em torno dessas semanas, ajudando a aumentar o tráfego de pedestres e compensar esses períodos fracos. Isso envolvia campanhas como visitas à imprensa local, publicidade digital, recompensas para membros existentes, promoções e preços especiais – todas as ferramentas que eles tinham em sua caixa de ferramentas para atrair e reter clientes.

O efeito líquido? Em vez de um ano de queda em relação aos anos anteriores e ao que foi originalmente previsto, a Foxwoods teve um crescimento de receita de 29% ano a ano, um número surpreendente. O interessante é que no ano seguinte, com uma mudança na gestão e uma mudança nas agências de marketing, a Foxwoods optou por não engajar nossa equipe e suas receitas caíram para a linha de base do ano anterior – ou seja, uma queda de 29% ano após ano em receita.

Novamente, o ponto crítico aqui não é a previsão, mas o que fazemos com a informação – as ações que tomamos, as decisões que tomamos. A análise preditiva é como todas as análises – se não fizermos nada com os dados, é uma distração na melhor das hipóteses. Somente quando tomamos decisões com base na análise é que desbloqueamos o valor da análise preditiva.

Fonte: https://www.jedox.com/en/blog/predictive-analytics/