 |
| crédito imagem: blog.solides.com.br |
O que é Análise Preditiva?
Em uma análise muito simples a análise preditiva é a ciência do uso de dados históricos para prever resultados futuros. Análise preditiva e automação andam lado a lado. Sem automação, não seríamos capazes de sintetizar e derivar significado das enormes quantidades de dados que coletamos. Na verdade, "big data" é uma saída direta de automação. Por outro lado, os dados são o motor que impulsiona a automação inteligente, tornando-a mais inteligente, mais rápido e eficaz.
Embora muitas vezes usados de forma intercambiável, o aprendizado de máquina (Machining Learning) e as análises preditivas não são a mesma coisa. Os aplicativos de machining learning simplesmente automatizam o processo de análise preditiva.
O que é mineração de dados?
A Mineração de Dados é o processo de encontrar padrões ocultos dentro de grandes volumes de dados (ou seja, big data). Em análises preditivas, essas informações, conhecidas como conjuntos de dados, são então usadas para prever resultados futuros. No entanto, dado que as empresas estão coletando mais dados do que nunca, o principal desafio com a mineração de dados é garantir a qualidade dos dados. Portanto, preparar, armazenar, organizar e limpar dados efetivamente é um componente crítico da mineração de dados.
Embora estejamos apenas começando a explorar o poder do big data, as empresas já estão aproveitando os dados como uma vantagem competitiva chave em áreas como detecção de fraudes, marketing de mídia social e planejamento de demanda.
O que é...?
Classificação de dados: Para serem utilizados, os dados devem ser organizados em uma "matriz de dados", ou categoria, dentro do sistema. As matrizes de dados ajudam a limpar dados à medida que filtram anomalias + dados irrelevantes.
Modelagem de dados : é o processo de transformação de dados brutos em insights significativos. A modelagem preditiva usa dados históricos para mapear ou simular comportamentos futuros. Clusters de dados e árvores de decisão são dois tipos comuns de modelos de dados.
O que são clusters de dados?
Um cluster de dados é um algoritmo de aprendizado de máquina que cria modelos de dados agrupando dados em conjuntos com base em semelhanças. Ao contrário das árvores de decisão, elas não têm direção definida.
O clustering k-means usa técnicas de Machining Learning não supervisionadas para agrupar pontos de dados semelhantes com base em semelhanças, descobrindo padrões subjacentes. O algoritmo k-means começa organizando dados em categorias escolhidas aleatoriamente. Iterativamente refina esses cálculos até que os centroides tenham se estabilizado (não há alteração em seus valores porque o agrupamento foi bem sucedido) ou o número definido de iterações foi alcançado (agrupamento vizinho mais próximo).
Grupos de agrupamento biologicamente inspirados em conjunto, com base no que mantém cada ponto de dados longe um do outro, o que mantém um ponto de dados se movendo congruentemente com o outro e quais pontos de dados se movem juntos. Como o nome sugere, esses algoritmos são modelados após comportamento natural, como o comportamento de agrupamento e classificação de formigas ou o comportamento de forrageamento das aves.
O que são árvores de decisão?
Uma árvore de decisão é um modelo de aprendizagem direcionado, supervisionado e baseado em resultados. Mais fáceis de compreender (parecem fluxogramas) e menos suscetíveis a outliers, as árvores de decisão essencialmente usam dados históricos para mapear resultados potenciais. Com as árvores de classificação, os pontos de dados são então reconhecidos e definidos. Novos dados podem ser facilmente conectados.
Quando se combina árvores de classificação, ganha-se um conjunto. Esses algoritmos de aprendizagem supervisionados mais complexos filtram de forma mais eficaz os outliers, protegem contra preconceitos e, como resultado, fornecem modelos preditivos superiores.
Ao contrário das árvores de decisão típicas, uma árvore de regressão usa variáveis como entradas e números como saídas. Por exemplo, com base na idade, peso e sexo, uma árvore de regressão pode prever taxas de mortalidade para pacientes com doenças cardíacas.
Business Intelligence (BI) & Predictive Analytics
Business Intelligence (BI) é um termo abrangente que remete tanto às ferramentas tecnológicas utilizadas em análise de dados quanto em aplicativos de negócios (ou seja, dashboards, relatórios), bem como às estratégias e melhores práticas em torno desses recursos. Pode-se até dizer que a análise preditiva é um subconjunto de BI. As ferramentas de BI também ajudam as empresas a compartilharem dados e insights baseados em dados em toda a empresa, permitindo colaboração e escalabilidade.
Quais são alguns casos de uso para análise preditiva?
Potenciais aplicações para análises preditivas estão surgindo rapidamente. Da saúde, do varejo ao financiamento, não há indústria que já não esteja utilizando ou sendo impactada por análises preditivas. Além disso, as soluções de análise preditiva estão mais baratas e fáceis de implantar do que nunca.
Por exemplo, as organizações de saúde, entre muitas outras coisas, estão usando análises preditivas para detectar sinais precoces de deterioração do paciente na UTI, bem como melhor previsão de manutenção e reparos de equipamentos. As organizações de varejo e e-commerce aproveitam as análises preditivas para gerenciar o inventário e desenvolver campanhas de marketing personalizadas (pense em sugestões de produtos e anúncios personalizados). A análise preditiva também tem sido comprovada como uma ferramenta inestimável na identificação e prevenção de crimes cibernéticos.
E isso é apenas a ponta do iceberg. Embora estejamos apenas começando a ver do que as análises preditivas são realmente capazes, ela já está se tornando uma tecnologia básica para empresas e organizações em todos os setores.
 |
| AQC - Otimizando Processos |
Fonte: Elizabeth Mixson, AI data & analytics network, acessado em 27 agosto, 2021
Nenhum comentário:
Postar um comentário