A análise preditiva prevê resultados futuros utilizando dados históricos. Ela responde à pergunta: o que é provável que aconteça? Um retalhista prevê a procura de um produto no próximo trimestre. Um banco prevê quais os clientes que provavelmente não pagarão um empréstimo. Um hospital prevê quais os doentes que correm o risco de serem readmitidos. As previsões são probabilísticas. Vêm com níveis de confiança, não com garantias. Um modelo que prevê a rotatividade de clientes com 80% de precisão estará errado em 20% das vezes. O valor está em agir com base nas probabilidades, e não em esperar certeza.

As técnicas variam desde a regressão simples até à aprendizagem automática complexa. Os modelos de regressão encontram relações entre variáveis ​​e prevêem um resultado numérico. Os modelos de classificação prevêem categorias, como a rotatividade ou a não rotatividade. Os modelos de séries temporais prevêem os valores ao longo do tempo, tendo em conta a sazonalidade e as tendências. As redes neuronais lidam com padrões complexos em grandes conjuntos de dados. A qualidade da previsão depende da qualidade dos dados e da relevância das características. Um modelo treinado com dados desatualizados prevê o passado, não o futuro. Um modelo com dados de treino enviesados ​​produz previsões enviesadas. A seleção das características é tão importante como a escolha do algoritmo. O modelo mais sofisticado não consegue compensar entradas em falta ou irrelevantes. A análise preditiva é poderosa. Também é fácil usá-la de forma inadequada. Uma previsão não é uma decisão. É uma entrada para uma decisão.

Técnicas preditivas

• Regressão — valores numéricos previstos
• Classificação — prever categorias
• Séries temporais — tendências de previsão e sazonalidade
• Redes neuronais — reconhecimento de padrões complexos
• Métodos de conjunto — combinam múltiplos modelos

A análise preditiva olha para o futuro. A perspectiva é sempre incerta. O valor está em preparar-se para o que é provável, e não em saber o que é certo.