BRANDS' ECO A importância da gestão e governação de modelos preditivos

O tema da Analítica e da Inteligência Artificial (IA) é cada vez mais recorrente, afirmando-se mesmo que um dos segredos para a competitividade das empresas passa pela aposta nestas áreas. E quem fala em analítica fala de análises preditivas que, de forma objetiva, não são mais que uma forma de fazer previsões e “adiantar” o futuro através da análise de dados.

Olhando para o mercado atual e toda a sua combatividade, acredito que as empresas só conseguirão vingar e antecipar possíveis problemas se realmente tiverem a capacidade de vir a desenvolver modelos preditivos rigorosos e robustos. Sendo sabido que a criação destes modelos preditivos envolve um conjunto de metodologias que, ao falharem, a sua utilidade e qualidade será com certeza afetada.

E é sobre a importância da gestão e orquestração destes modelos preditivos que gostaria de falar. Segundo a consultora Gartner, “mais de 60% dos modelos desenvolvidos, com a intenção de os operacionalizar, acabaram por nunca andar para a frente.”

Na verdade, a gestão e governação dos processos preditivos é um aspeto muito importante e decisivo, já que ter a capacidade de prever cenários e tendências representa uma clara vantagem competitiva face à concorrência. No entanto, este trabalho de orquestração é complexo e requer plataformas que agilizem e simplifiquem todo o processo.

Imagine-se uma empresa com várias equipas a trabalhar com problemas de negócios diferentes, ora uma das necessidades que há é fazer a gestão dessas equipas.

E é aqui que o SAS pode ajudar ao disponibilizar uma plataforma (que faz a gestão e orquestração dos modelos) que permite não só registar modelos provenientes de diferentes tecnologias mas também, na mesma interface, compará-los e automaticamente identificar quando um modelo precisa de ser reavaliado, reajustado e até mesmo suplantado por outro. Conseguir analisar os modelos ao longo do tempo e receber alertas quando, por exemplo, do ponto de vista de negócio, determinado modelo deixou de ser interessante é ainda outro benefício desta plataforma que pode ser usada, mesmo que os modelos geridos pela plataforma não sejam SAS. Ou seja, a questão da integração com o Open Source, como por exemplo com o Python, o R, etc., é também importante de salientar.

O SAS oferece a possibilidade de se ter, através de uma única interface, os repositórios, não só para os diferentes modelos, mas também para as diferentes aplicações, onde os modelos irão atuar, fornecer uma estrutura sólida para comparar os modelos, testar as suas performances de tempos a tempos, monitorizar as suas qualidades preditivas, possibilitar a rastreabilidade e governança dos processos e auxiliar a identificar de pontos de melhorias.

A maioria das empresas tem pessoas que desenvolvem bons modelos, mas o que percebemos é que o problema não está na criação e sim, na operacionalização dos modelos. Quando dizemos operacionalização, estamos a falar em colocar os modelos onde eles apoiarão as tomadas de decisão. Seja num website financeiro para gerar indicações de transações fraudulentas, seja em aplicativos que fornecem recomendações de novos produtos ou na predição de falhas em turbinas eólicas. Quando temos os modelos a apoiar na tomada de decisão, aí sim eles estão operacionais. Mas como todas as informações são voláteis e dinâmicas, os modelos também vão perdendo o seu poder preditivo ao longo do tempo, sendo então necessário ter estruturas que permitam acompanhar e monitorizar os modelos, de forma transparente e flexível.

O SAS oferece a possibilidade de se ter, através de uma única interface, os repositórios, não só para os diferentes modelos, mas também para as diferentes aplicações, onde os modelos irão atuar, fornecer uma estrutura sólida para comparar os modelos, testar as suas performances de tempos a tempos, monitorizar as suas qualidades preditivas, possibilitar a rastreabilidade e governança dos processos e auxiliar a identificar de pontos de melhorias. Todo o processo pode ser automatizado e atualizado de forma dinâmica.

De acordo com a Bain & Company, “70% das empresas encara a analítica avançada como uma prioridade estratégica, mas apenas 10% acredita realmente estar a tirar proveito disso”.

A analítica avançada tem um poder transformador nos negócios, mas há que saber usá-la para retirar, dos dados e das informações, insights decisivos para as tomadas de decisão.

Os modelos preditivos são ativos estratégicos para as organizações. Construir a governança à sua volta é, portanto, um passo essencial na criação de valor e confiança. A recompensa é significativa: as empresas que têm operações e governança de modelo eficazes podem experimentar aumentos de receita e também reduzir as despesas operacionais em 20% ou mais, de acordo com o relatório The evolution of model risk management, da McKinsey & Co.

A governança de modelos preditivos também permite que os cientistas de dados e analistas de negócios limitem o tempo gasto para encontrar, entender e confiar nos dados que precisam e concentrar-se no núcleo dos seus trabalhos: construir modelos preditivos mais eficazes. Além disso, uma governança robusta limita ainda os riscos envolvidos na modelagem preditiva, fornecendo transparência nos próprios modelos e a limitação de privacidade dos dados usados.