Quatro armadilhas da análise preditiva

[av_image src=’http://www.proof.com.br/wp-content/uploads/2015/08/IMAGENS-BLOG-PREDITIVA-845×321.jpg’ attachment=’6158′ attachment_size=’entry_with_sidebar’ align=’center’ styling=” hover=” link=” target=” caption=” font_size=” appearance=” overlay_opacity=’0.4′ overlay_color=’#000000′ overlay_text_color=’#ffffff’ animation=’no-animation’][/av_image]

[av_textblock size=” font_color=” color=”]

4 armadilhas da análise preditiva

[/av_textblock]

[av_hr class=’default’ height=’50’ shadow=’no-shadow’ position=’center’ custom_border=’av-border-thin’ custom_width=’50px’ custom_border_color=” custom_margin_top=’30px’ custom_margin_bottom=’30px’ icon_select=’yes’ custom_icon_color=” icon=’ue808′]

[av_textblock size=” font_color=” color=”]
O objetivo da análise preditiva é ir além das estatísticas e mostrar, através dos dados coletados, uma melhor visão do que vai acontecer no futuro. Assim é possível tomar decisões melhores e produzir insights que levarão a ações melhores.

No entanto, há uma série de armadilhas de análise predetiva nas quais as empresas caem ao tentar aproveitar as vantagens da análise preditiva.

Conheça quatro delas:

Pensamento mágico

Algumas empresas enxergam analytics como uma espécie de mágica: basta colocar alguns dados e colher os lucros dos resultados.

As organizações, no entanto, precisam entender bem o que querem antes de investir em analytics, especialmente quando se trata de fazer previsões.

O business analytics serve para identificar quatro elementos: riscos, oportunidades, fraudes e demandas.

Um único modelo construído não pode ser aplicado em todo lugar. Cada um dos quatro usos de business analytics geralmente demanda um modelo diferente.

Por isso, as empresas precisam determinar o que querem, pois pode ser necessário um modelo para cada questão.

Começar pelo topo

Muitas organizações costumam começar a usar análise preditiva pelo topo das organizações para serem convencidas de sua importância.

No entanto, a análise preditiva funciona melhor em decisões feitas repetidamente.

O time de executivos geralmente é responsável por tomar decisões estratégicas, em geral, situações únicas. Outras decisões relacionadas ao topo de uma organização costumam ser táticas, relativamente complexas e difíceis de formalizar.

Por outro lado, decisões operacionais, como a escolha de um fornecedor ou a determinação de uma extensão ou não de crédito, são mais próprias para a análise preditiva.

Construir modelos limitados

As empresas precisam enquadrar a análise preditiva de acordo com ações. Em vez de observar o quanto um cliente é bom, por exemplo, pensar em quais ações podem ser tomadas em relação a ele, como a mudança de um fornecedor.

Empresas que não entendem os tipos de decisões que querem tomar terão dificuldades para obter retorno do uso da análise preditiva.

O foco em decisões pode ajudar a evitar a criação de modelos de analytics que não podem ser escalados. Especialistas em analytics não são mais conectados aos negócios da empresa que outros profissionais.

O foco em decisões pode ajudar a fechar essa lacuna. Caso contrário, os especialistas podem acabar criando modelos que se aplicam a apenas uma situação ou são complexos e caros demais para serem reutilizados facilmente.

Muitas vezes, empresas querem usar um conjunto de algoritmos preditivos sem pensar em como usá-los. Se os pilotos não forem construídos de forma escalada, não poderão ser “industrializados” para que possam ser usados em outras situações para responder às mesmas perguntas.

As empresas precisam testar seus modelos e aprender a adaptá-los procurando maneiras de escalar o impacto de suas decisões.

Procurar dados purificados

Muitas empresas ficam estagnadas pela falta de qualidade de seus dados. Bons dados são úteis, mas as empresas devem começar pela decisão que querem tomar e então procurar pelos dados que possam ajudar a prever os aspectos.

Os dados precisam vir de fora das paredes corporativas.  Para muitos casos, os dados necessários não precisam ser imaculados.

As ferramentas Splunk para business analytics, fornecidas pela PROOF, podem obter informações de negócio em tempo real a partir de dados de máquina, integrar e analisar dados estruturados junto a dados de máquina para criar contexto, complementar tecnologias de BI para obter insights e analisar e prever cenários a partir da análise de dados.

Com MIT Sloan Management Review
[/av_textblock]

[av_hr class=’default’ height=’50’ shadow=’no-shadow’ position=’center’ custom_border=’av-border-thin’ custom_width=’50px’ custom_border_color=” custom_margin_top=’30px’ custom_margin_bottom=’30px’ icon_select=’yes’ custom_icon_color=” icon=’ue808′]

[av_blog blog_type=’taxonomy’ link=’category,103′ blog_style=’blog-grid’ columns=’3′ contents=’title_read_more’ content_length=’content’ preview_mode=’custom’ image_size=’medium’ items=’3′ offset=’0′ paginate=’no’ conditional=”]