modelagem preditiva
O que é modelagem preditiva?
A modelagem preditiva é o processo de usar resultados conhecidos para criar, processar e validar um modelo que pode ser usado para prever resultados futuros. É uma ferramenta usada em análise preditiva,. uma técnica de mineração de dados que tenta responder à pergunta "o que pode acontecer no futuro?"
Entendendo a modelagem preditiva
Ao analisar eventos históricos, as empresas podem usar a modelagem preditiva para aumentar a probabilidade de eventos de previsão, comportamento do cliente, bem como riscos financeiros, econômicos e de mercado.
A rápida migração para produtos digitais criou um mar de dados prontamente disponÃveis para as empresas. O big data é utilizado pelas empresas para melhorar a dinâmica do relacionamento cliente-empresa. Essa grande quantidade de dados em tempo real é recuperada de fontes como mÃdias sociais, histórico de navegação na Internet, dados de telefones celulares e plataformas de computação em nuvem.
No entanto, os dados geralmente não são estruturados e são muito complexos para os humanos analisarem em um curto perÃodo de tempo. Devido ao grande volume de dados, as empresas usam ferramentas de modelagem preditiva, geralmente por meio de programas de software de computador. Os programas processam grandes quantidades de dados históricos para avaliar e identificar padrões nos dados. A partir daÃ, o modelo pode fornecer um registro histórico, bem como uma avaliação de quais comportamentos ou eventos provavelmente ocorrerão novamente ou no futuro.
A modelagem preditiva pode ser usada por equipes esportivas para analisar as probabilidades de sucesso usando estatÃsticas de jogadores e análise situacional.
Aplicações de modelagem preditiva
A análise preditiva usa preditores ou recursos conhecidos para criar modelos preditivos que serão usados na obtenção de uma saÃda. Um modelo preditivo é capaz de aprender como diferentes pontos de dados se conectam. Duas das técnicas de modelagem preditiva mais utilizadas são a regressão e as redes neurais.
No campo da estatÃstica, a regressão refere-se a uma relação linear entre as variáveis de entrada e de saÃda. Um modelo preditivo com uma função linear requer um preditor ou recurso para prever a saÃda ou resultado. Por exemplo, um banco que espera detectar a lavagem de dinheiro em seus estágios iniciais pode incorporar um modelo preditivo linear.
O banco deseja identificar quais de seus clientes provavelmente se envolverão em atividades de lavagem de dinheiro em algum momento. Usando os dados dos clientes do banco, um modelo preditivo é construÃdo em torno do valor em dólares das transferências de dinheiro que os clientes fizeram durante um perÃodo de tempo.
O modelo é ensinado a reconhecer a diferença entre uma transação de lavagem de dinheiro e uma transação normal. O resultado ideal do modelo deve ser um padrão que sinalize qual cliente lavou dinheiro e qual não lavou. Se o modelo perceber que um padrão de fraude está surgindo para um determinado cliente, ele criará um sinal para ação, que será atendido pela unidade de prevenção de fraudes do banco.
Ferramentas de modelagem preditiva
Modelos preditivos também são usados em redes neurais, como aprendizado de máquina e aprendizado profundo, que são campos da inteligência artificial (IA). As redes neurais são inspiradas no cérebro humano e são criadas com uma teia de nós interconectados em nÃveis hierárquicos, que representam a base da IA. O poder das redes neurais está em sua capacidade de lidar com relacionamentos de dados não lineares. Eles são capazes de criar relacionamentos e padrões entre variáveis que seriam impossÃveis ou demorados demais para analistas humanos.
Por um lado, um banco pode inserir variáveis conhecidas, como o valor das transferências iniciadas por seus clientes em seu modelo para determinar quem provavelmente se envolverá em lavagem de dinheiro. Por outro lado, uma rede neural pode criar um padrão mais poderoso criando um relacionamento entre as variáveis de entrada. Essas variáveis de entrada podem incluir tempo de login, localização geográfica do usuário, endereço IP do dispositivo do usuário, destinatário ou remetente dos fundos e qualquer outra variável ou comportamento que possa estar envolvido na atividade de lavagem de dinheiro.
Outras técnicas de modelagem preditiva usadas por empresas financeiras incluem árvores de decisão, mineração de dados de séries temporais e análise Bayesiana. As empresas que aproveitam o big data por meio de medidas de modelagem preditiva são mais capazes de entender como seus clientes se envolvem com seus produtos e podem identificar potenciais riscos e oportunidades para a empresa.
##Destaques
A modelagem preditiva é o processo de usar resultados conhecidos para criar, processar e validar um modelo que pode ser usado para fazer previsões futuras.
As empresas podem usar a modelagem preditiva para prever eventos, comportamento do cliente, bem como riscos financeiros, econômicos e de mercado.
Duas das técnicas de modelagem preditiva mais utilizadas são a regressão e as redes neurais.
