Você está usando esses produtos caros?
e métodos de previsão inadequados?

Uma revisão dos processos de previsão existentes

Analisamos o processo de previsão em uma grande empresa industrial e comparamos a precisão de suas previsões históricas com os 10 maiores especialistas internacionais em previsão. Ao final do projeto, incluímos um modelo estatístico e ficamos surpresos com o resultado: o modelo estatístico superou todos eles. De onde se originaram os desvios de precisão e como eles poderiam ser evitados?

Após discussões com meteorologistas do setor e do setor bancário
Descobrimos que as empresas que usaram o método qualitativo confiaram na tomada de decisões individuais. Isso foi uma surpresa, considerando como esse método está altamente exposto a preconceitos na tomada de decisões, como a falácia da conjunção. Realizar a previsão como parte de uma decisão em grupo reduziria o impacto desses preconceitos e ajudaria a reduzir os preconceitos individuais.

O caso do uso de vários métodos de previsão
Além de usar decisões em grupo, vimos que outra forma de diminuir o viés é usar vários métodos de previsão, como análise de séries temporais, porque isso permite que as previsões se confirmem mutuamente. Com base nos aprendizados que adquirimos, construímos o Indicio. Mas os problemas mencionados acima são apenas parte do problema. Se reduzirmos o zoom e olharmos para o panorama geral, encontraremos inúmeras falhas na forma como a previsão é conduzida hoje.

Não está se destacando com o Excel

No que diz respeito aos modelos estatísticos e às previsões, o Excel só pode contratar um estatístico até agora.

Usar o Excel para fazer previsões pressupõe indiretamente que as planilhas sejam usadas como bancos de dados; exigir essa obrigação do Excel é uma das razões mais notórias das ineficiências comerciais. A identificação dos principais indicadores requer o uso de correlação para encontrar relações causais. Fazer isso no Excel pode dar espaço para algumas correlações engraçadas, o que é o pesadelo de qualquer analista.

Uma correlação engraçada/espúria ocorre quando o modelo estatístico encontra uma relação causal entre duas correlações aparentemente desconectadas que não têm nada a ver uma com a outra. Como resultado, receber correlações engraçadas é nada menos que um desastre se você busca uma previsão precisa.

Exemplos de correlações engraçadas

O impacto da imaturidade da ciência de dados na precisão das previsões

Quando as organizações começaram a coletar dados há cerca de 60 anos, esses dados foram limpos e apresentados em relatórios padrão que eventualmente foram digitalizados no que hoje chamamos de software ERP (Enterprise Resource Planning) e BI (Business Intelligence).

O primeiro atuando como coletor de dados e o segundo sendo a análise dos dados coletados. O que os dois têm em comum é que eles têm modelos de previsão integrados, mas são criados apenas para descrever o desenvolvimento histórico, o que os torna menos precisos. O oposto disso é o surgimento do aprendizado de máquina, que possibilitou modelos preditivos otimizados para descrever o futuro e, portanto, mais precisos.

Atualmente, muitas organizações usam algum tipo de constelação de ERP/IB, que pode gerar uma compreensão de eventos passados e, assim, extrair insights deles para alterar adequadamente a produção e o orçamento, mas, infelizmente, a falta de medidas preditivas e a baixa precisão forçam os usuários a obter insights com base na precisão inadequada em comparação com dados preditivos factuais.

Programação de modelos estatísticos em R -
o bom, o ruim e o feio

Programar modelos estatísticos em R para prever é algo comum. Muitas empresas contratam um estatístico para fazer exatamente isso. No entanto, isso pode rapidamente se tornar um empreendimento caro e demorado, considerando que todos os modelos em uso precisam ser examinados e todas as variáveis precisam ser testadas. Também não é garantido que um estatístico possa fazer isso sozinho, a menos que tenha conhecimento em programação e estatística.

Também é uma vantagem ser um matemático habilidoso com o objetivo de entender se novas teorias e modelos são úteis para esse propósito. Mas encontrar uma pessoa que tenha conhecimento em muitos assuntos e que, ao mesmo tempo, entenda os impulsionadores do mercado é raro. Para quem é avesso ao risco, é aconselhável evitar ter apenas um funcionário nisso, considerando o quão difícil é para alguém entender completamente o código criado por outra pessoa.

Uma plataforma como a Indicio foi criada pensando no usuário - para simplificar a previsão. Baseada no aprendizado de máquina, a interface permite que você realize previsões sem esforço com base nas pesquisas mais recentes, execute modelos estatísticos avançados e incorpore big data simultaneamente.

Ele escolhe os algoritmos de aprendizado de máquina mais apropriados e, em seguida, otimiza automaticamente o pré-processamento de dados, a engenharia de recursos e os parâmetros de ajuste de cada algoritmo para criar e classificar modelos altamente precisos. Em seguida, recomenda o melhor conjunto ponderado de modelos a ser implantado de acordo com a meta de dados e previsão da empresa.

Assim, em vez de criar modelos estatísticos que levariam meses para serem desenvolvidos por um estatístico, a Indicio pode criar centenas de modelos e implantar o modelo de melhor desempenho em poucas horas.