white pattern

Análise preditiva

O que é predictive analytics?

Predictive analytics ou análise preditiva, é um tipo de análise que utiliza estatística, data science, machine learning e outras técnicas para prever o que acontecerá no futuro. A análise preditiva responde à pergunta: “O que é mais provável de acontecer no futuro com base nas tendências históricas?”

As empresas podem utilizar análises preditivas para identificar possíveis riscos e oportunidades. Uma vez estabelecidos, os insights preditivos podem então ser utilizados para prescrever a ação que uma empresa deve tomar.

Por que a análise preditiva é importante?

A análise preditiva é importante porque permite que as empresas estimem com precisão o que provavelmente acontecerá em seguida. Isso permite que as empresas detectem e evitem problemas potenciais ou superem a concorrência, capitalizando rapidamente novas oportunidades.

Tipos de modelagem preditiva

O aprendizado supervisionado e não supervisionado, são duas abordagens de modelagem diferentes que podem ser utilizadas para a criação de modelos preditivos, solucionando problemas específicos.


SurepvisedLearning

O aprendizado supervisionado envolve o ensino de um algoritmo para chegar a uma conclusão específica com base em dados históricos. Por exemplo, se a pergunta for: "Iremos perder este cliente?", um analista pode considerar dados históricos sobre a rotatividade de clientes no passado e treinar um algoritmo para determinar quais clientes têm mais probabilidade de serem perdidos com base nesses dados. Resumindo, um analista cria um conjunto de dados de treinamento com um resultado conhecido (ou seja, rotatividade ou não rotatividade) que o algoritmo usa para criar um modelo preditivo com base em dados históricos.


UnsupervisedLearning

A aprendizagem não supervisionada envolve o ensino de um algoritmo para procurar semelhanças ou padrões nos dados e agrupar as coisas com base nessas informações sem ser ensinado o que procurar. Por exemplo, uma plataforma de mídia de streaming pode utilizar a aprendizagem não supervisionada para agrupar usuários com base em semelhanças no comportamento de visualização. O serviço de streaming pode então utilizar esses clusters ou segmentos para fornecer uma recomendação sobre o que assistir em seguida.


Três tipos de algoritmos utilizados para modelagem preditiva são:


Classification

Classificação: um algoritmo supervisionado que prevê uma categoria ou "rótulo de classe" com base em dados históricos. Exemplo: um cliente de e-mail que rotula um e-mail como "spam" com base em um algoritmo de classificação que considera atributos passados.

Regression

Regressão: um algoritmo supervisionado que prevê um valor ou número com base em dados históricos. Exemplo: com base na localização, tamanho e outros fatores, um algoritmo de regressão pode prever o valor de uma casa.

Clustering

Clustering: um algoritmo não supervisionado que classifica os dados em grupos com base em padrões e características semelhantes. Exemplo: um site de e-commerce pode utilizar um algoritmo de cluster para classificar clientes com base na navegação e no histórico de compras para ajudar a informar a estratégia de marketing.

Como funciona a análise preditiva?

A análise preditiva sempre começa com um problema de negócios (rotatividade e perda de clientes, processos ineficientes, etc.). Em seguida, o processo de análise preditiva segue estas etapas:

Adquirir os dados necessários para a decisão: podem ser dados comportamentais, de equipamentos, sociais ou financeiros. As informações históricas que ajudarão a prever resultados futuros.

Integrar, combinar e limpar dados de treinamento: certifique-se de que os dados para treinar o modelo estejam no formato correto para que as técnicas analíticas sejam utilizadas.

Construir o modelo preditivo: selecione um algoritmo e valores de parâmetros iniciais e comece o processo iterativo de comparar a previsão do modelo com a saída correta, ajustando repetidamente os valores de parâmetros até que o modelo esteja prevendo com precisão os dados de treinamento.

Validar o modelo preditivo: mostre os dados históricos “não vistos” do modelo e compare suas previsões com o que realmente aconteceu para garantir que o modelo não seja superajustado aos dados de treinamento.

Implantar o modelo preditivo: hospede o modelo para fornecer acesso aos dados de entrada para pontuação, monitorando o desempenho do modelo e refazendo o treinamento conforme necessário.

Integração do sistema de negócios: utilize a pontuação preditiva para tomar medidas (melhoria de processos, manutenção preditiva, monitoramento de equipamentos).

Casos de uso de análise preditiva

A análise preditiva pode ajudar diferentes empresas e departamentos a atingirem metas importantes e solucionar problemas. Embora existam centenas de exemplos de análise preditiva, abaixo você verá alguns exemplos gerais em várias áreas.


Sucesso dos clientes

  • Preveja quais clientes provavelmente irão ser perdidos dentro de um determinado período para que você possa tomar medidas para evitar a perda de clientes valiosos

  • Categorize os clientes em grupos predefinidos (também conhecidos como segmentos) com base em padrões para saber mais sobre eles

Setor de saúde

  • Preveja quais pacientes provavelmente perderão suas consultas para que você possa melhorar a produtividade dos médicos, garantindo um «tempo de inatividade» mínimo devido ao não comparecimento

  • Preveja quais pacientes estão insatisfeitos e por quê. Utilize essas informações para determinar como melhorar a satisfação do paciente

Seguros

  • Preveja quais segurados têm probabilidade de não renovar o seguro e crie uma estratégia para aumentar a retenção

  • Preveja quais sinistros provavelmente serão sub-rogados com sucesso para que você possa concentrar esforços em casos de alto potencial e otimizar a recuperação de pagamentos por perdas

Marketing

  • Preveja quais destinatários da pesquisa provavelmente responderão

  • Preveja quais clientes provavelmente responderão às mensagens da campanha e priorize o alcance para esses clientes

Vendas

  • Preveja quais clientes potenciais provavelmente responderão e priorize o contato com eles

  • Preveja quais outros produtos os clientes provavelmente comprarão para que você possa se concentrar nos esforços de vendas cruzadas e vendas adicionais

Como começar a utilizar a análise preditiva?

A plataforma Analytic Process Automation Platform™ oferece análise preditiva dentro do fluxo de trabalho analítico completo. O acesso aos dados, o preparo, a modelagem e o compartilhamento de resultados analíticos acontecem no mesmo local, em uma plataforma fácil de usar.

Você também pode ver como o Alteryx torna a análise preditiva mais acessível e ágil baixando o kit de início gratuito de análise preditiva. O kit de soluções conta com modelos analíticos para ajudá-lo a aprender a usar as ferramentas com ou sem código da Alteryx, para prever os gastos do cliente, fazer previsões de séries temporais e otimizar seus preços.

Para obter mais informações sobre as soluções de análise preditiva da Alteryx, entre em contato conosco hoje mesmo.  

e-Book
E-book
3 min to read

Revolucionários dos dados: facilitando a análise avançada | Alteryx

Analista
Líder de negócios
APA
Read Now
Livro Branco
White paper

Seis formas de ir do atrito analítico aos resultados instantâneos

Saiba como a plataforma Alteryx APA™ ajuda os líderes a superarem as barreiras para estabelecer uma cultura orientada por dados.

Líder de analytics
Líder de negócios
APA
Read Now
image

Case study: office relocation and the impact on employee commutes

Kit de início para análise preditiva

Este kit de início fornece modelos de análise para ajudá-lo a dominar a análise preditiva com modelos de regressão linear, previsão de séries temporais e análise A/B.

imagem

_$$$

Experimente gratuitamente por um mês

Com o Alteryx, o poder de solucionar problemas se resume a um simples arrastar e soltar.