Recursos/White Papers

Tecnologia

Como superar os desafios da análise preditiva

A análise preditiva é uma ferramenta poderosa, mas não consegue prever os problemas que os usuários encontram ao implantar e usar a tecnologia. Confira como proceder para resolver desafios comuns de projeto

John Edwards, CIO/EUA

Publicada em 11 de julho de 2018 às 08h20

W. Edwards Deming, um pioneiro na aplicação de técnicas estatísticas e análise preditiva de processos de negócios, é objetivo: "Os grandes problemas estão onde as pessoas não percebem que têm um problema".

Quando se trata de análise preditiva, os "grandes problemas" muitas vezes não são aparentes durante o planejamento e a implantação inicial, tornando-se uma preocupação apenas quando a tecnologia não consegue entregar os resultados esperados ao longo do tempo.

Simon Crosby, CTO da SWIM.AI, reconhece que muitos desafios comuns de análise preditiva surgem devido ao planejamento deficiente e às expectativas irrealistas.

"A análise preditiva não é uma varinha mágica que você pode usar em um sistema ou organização complexa para melhorias automáticas", explica ele. "Tenha uma boa ideia do tipo de conhecimento que você procura e escolha um conjunto de ferramentas que permita formar hipóteses rapidamente e injetar análises dinamicamente no fluxo de dados, procurando correlações ou anomalias ou prevendo o desempenho futuro".

Aqui estão sete dicas que os adotantes de análise preditiva bem-sucedidos usam para evitar ou resolver desafios comuns de projetos.

1. Criar e executar uma estratégia formal
Fazer rápido demais definitivamente não é a melhor maneira de abordar a análise preditiva.

"Um passo inicial na construção de uma estratégia de análise preditiva é determinar as metas e os objetivos a serem cumpridos", aconselha Scott Moody, gerente sênior da CBIZ Risk and Advisory Services. A implantação, por exemplo, será projetada para aumentar as vendas? Irá detectar fraudes e/ou identificar áreas de risco?  "Manter o objetivo em mente no desenvolvimento da estratégia facilitará concentrar os esforços especificamente no que a estratégia visa alcançar", observa ele.

Karrie Sullivan, diretora do Culminate Strategy Group, sugere a realização de um inventário inicial, reunindo as fontes de dados relevantes de todas as unidades de negócios para determinar o estado geral de prontidão da análise preditiva. "Tome nota do volume, histórico, formatos, sobreposição entre sistemas e processos adjacentes, etc.", diz ela.

Por fim, antes de implantar a análise preditiva nas principais áreas de negócios, execute alguns testes informais para ter uma ideia de como a tecnologia pode ser usada para prever situações de negócios no mundo real. Inicie experiências em áreas que tendem a ter uma abundância de dados, como marketing ou atendimento ao cliente. "O objetivo desta etapa é simplesmente colocar todos na mesma página sobre o que a análise preditiva pode fazer", explica Sullivan.

2. Garantir a qualidade dos dados

Análises preditivas perspicazes exigem dados confiáveis. Dados imprecisos garantem resultados errados ou enganosos . "Um primeiro passo para garantir a qualidade dos dados é ter controles de entrada automatizados", afirma Moody.

Sempre que a qualidade dos dados está além do controle da organização, como quando os dados são obtidos de um fornecedor externo, a revisão da qualidade desses dados deve ser o primeiro passo no processo de análise, diz Moody. "Analisar demais a análise antes de verificar e corrigir problemas de qualidade de dados pode levar a uma grande quantidade de retrabalho se problemas com a qualidade forem posteriormente detectados", adverte.

Crosby, no entanto, acredita que hoje em dia as empresas não precisam ser tão exigentes quanto à qualidade dos dados como em anos anteriores. "Felizmente, o estado da arte não exige mais que os dados sejam limpos ou totalmente compreendidos", observa ele. "Podemos usar o Machine Learning para inferir automaticamente dados fora do padrão", diz ele. O que realmente importa, observa Crosby, é ter acesso a tantos dados brutos quanto possível. "Então, você precisará instrumentar seus sistemas e coletar muitos dados", afirma.

3. Gerenciar o volume de dados

Embora ter acesso a grandes pools de dados geralmente seja bom, o fornecimento de enormes quantidades de dados supérfluos em ferramentas de análise preditiva pode atrasar desnecessariamente os processos essenciais, e arriscar desnecessariamente a exposição de dados confidenciais a olhos curiosos. "Ter acesso a muitos dados pode criar desafios para saber quais são os dados certos a utilizar para análise", explica Moody. "Manter um bom inventário de dados ajudará a garantir que os dados corretos sejam utilizados ao executar a análise preditiva".

Na opinião de Sullivan, o truque para gerenciar o volume de forma eficiente e eficaz está em entender exatamente quais conjuntos de dados são potencialmente úteis e quais podem ser desconsiderados com segurança. Um cientista de dados qualificado é o mais qualificado para tomar essas decisões. "Os cientistas de dados às vezes encontram valor em dados que a maioria das pessoas descartaria como 'ruído'", observa ela.

4. Respeitar a privacidade e a propriedade dos dados

Enfrentando o crescente escrutínio público e governamental, as empresas estão agora assumindo o desafio de proteger a privacidade e a propriedade dos dados muito mais seriamente do que há alguns meses. Os adotantes de análise preditiva não são exceção. Restringir o acesso a arquivos e usar apenas os especificamente necessários para análise é a prática recomendada. "Campos de mascaramento que identificam indivíduos também podem ser uma forma eficaz de respeitar a privacidade de dados", diz Moody. "Também existem inúmeras ferramentas para desidentificar dados, diminuindo as preocupações com privacidade."

A maneira mais simples de evitar violações de privacidade é manter dados apenas pelo tempo mínimo necessário. "Ao eliminar dados efêmeros rapidamente, obtendo insights enriquecidos de alto valor durante o processo, você evita o problema da privacidade dos dados brutos", explica Crosby.

5. Maximizar a usabilidade

A tecnologia de análise preditiva funciona melhor quando modelos complexos são projetados desde o início para gerar resultados fáceis de entender. No entanto, isso geralmente não é o caso. Na realidade, as organizações geralmente se deparam com resultados tão intricados e impenetráveis ​​que somente os cientistas de dados podem interpretá-los com precisão. No outro extremo da escala, há interpretações tão simplistas que fornecem pouco ou nenhum valor para as partes interessadas.

Para alcançar a maior usabilidade possível, é importante construir e implantar interfaces de usuário tendo os usuários finais em mente. "Embora os modelos subjacentes possam ser sofisticados, a interface do usuário pode se tornar realmente simples", diz Mohan Giridharadas, fundador e CEO da LeanTaaS. Olhe para a pesquisa do Google na Web ou nos dispositivos móveis para se inspirar. "A experiência do usuário com esses produtos é amigável para praticamente qualquer pessoa, mas esconde a incrível complexidade de software e hardware que empresas como o Google incorporam em seus produtos", observa Giridharadas.

A análise preditiva é uma ciência iterativa, observa Ben Gaines, gerente de produto Adobe Analytics Cloud. Este fato se torna imediatamente aparente assim que um modelo é lançado. "Você começará a ver como o modelo funcionou, e se esforçará para ajustá-lo e recalibrá-lo para obter insights mais precisos e acionáveis", explica Gaines. Um modelo preditivo pode, por exemplo, ajudar uma organização a prever tendências, como o tráfego esperado em vários dispositivos, permitindo aos usuários prever impressões por página e definir orçamentos e metas com base nas receitas projetadas. "Depois de medir as impressões verdadeiras e como ajustar orçamentos e metas, você pode ajustar seu modelo a partir daí", sugere.

analisededados

6. Manter os custos sob controle
Aquisição de dados e despesas com folha de pagamento são os dois maiores itens na maioria dos orçamentos analíticos, observa Arnold Pravinata, diretor de ciência da Marlette Funding. Para ajudar a controlar os custos dos dados, Pravinata recomenda verificar regularmente se algum dinheiro está sendo desperdiçado em dados inúteis ou minimamente eficazes.

Os custos de armazenamento também podem ser montados rapidamente conforme os estoques de dados aumentam. Sullivan acredita que a melhor maneira geral de controlar os custos é centralizar os dados e aplicar uma sólida estratégia de governança. "Tenho certeza de que estaremos falando sobre como automatizar a manutenção da análise preditiva de forma mais ampla nos próximos dois anos, mas agora ainda estamos bloqueando e atacando", observa.

7. Escolher as ferramentas certas

O mercado de análise preditiva está se expandindo rapidamente, o que significa que os novos adotantes devem analisar uma série desconcertante de plataformas e ferramentas. Poucas empresas possuem talento próprio para fazer escolhas inteligentes nessas áreas. Estabelecer tais habilidades internamente requer tempo e dinheiro. Portanto, a maioria das organizações procura alguma forma de ajuda externa ao desenvolver um plano de análise preditiva. Ao fazer isso, é importante prestar muita atenção nos produtos e serviços recomendados e considerar como eles se encaixarão nos planos de longo prazo da organização. "Procure soluções que não prendam você a algoritmos analíticos particulares ou pilhas de aprendizado", aconselha Crosby. "Como todos são de código aberto, sua plataforma de análise deve poder atualizar dinamicamente os fluxos de dados para algoritmos mais novos e avançados."



Reportagens mais lidas

Acesse a comunidade da CIO

LinkedIn
A partir da comunidade no LinkedIn, a CIO promove a troca de informações entre os líderes de TI. Acesse aqui