Análise Preditiva

Cada projeto preditivo começa com uma especificação de decisão escrita. Qual é a decisão que o modelo irá informar? Quem a toma? Qual é o custo de um erro em qualquer direção? Com que rapidez o decisor precisa da previsão, e em que nível de granularidade? Qual é o processo atual que está a ser aumentado ou substituído, e quão bom é ele na mesma métrica? Sem estas respostas, o trabalho de modelagem tende para a métrica que o cientista de dados está mais confortável em otimizar; com elas, cada troca posterior tem um ponto de referência.

Somos particularmente atentos aos custos assimétricos. Na previsão de procura, uma sobre-previsão de stock perecível custa diferente de uma sub-previsão de um produto principal; na modelagem de rotatividade, um falso positivo pode desencadear uma oferta de retenção cara, enquanto um falso negativo perde um cliente por completo. Projetamos funções de perda, limiares de decisão e requisitos de confiança para refletir essas assimetrias explicitamente, em vez de depender de uma métrica simétrica padrão para lisonjear o modelo.

O horizonte é tratado com cuidado semelhante. Uma previsão de curto horizonte e uma previsão de longo horizonte são geralmente problemas diferentes, exigindo diferentes características e diferentes modelos. Resistimos à tentação de fingir que um modelo cobre todos os horizontes, e construímos a interface de planeamento para expor o horizonte explicitamente.

• Especificação da decisão antes da modelagem
• Sintonia de perda assimétrica e limiares
• Seleção de modelos adequada ao horizonte
• Estruturas hierárquicas (região, canal, SKU)
• Estratégias de arranque a frio para novas entidades
• Fluxos de trabalho de sobreposição para julgamento humano

A nossa prática abrange todo o conjunto de ferramentas preditivas: suavização exponencial clássica e ARIMA onde a simplicidade vence; árvores impulsionadas por gradientes com engenharia de características ricas para problemas tabulares; modelos de espaço de estados e séries temporais estruturais Bayesianas para previsões interpretáveis e probabilísticas; modelos globais profundos modernos como Temporal Fusion Transformers, N-BEATS e DeepAR onde a aprendizagem entre séries ajuda; modelos de sobrevivência para problemas de tempo até ao evento; e florestas de isolamento, autoencoders e métodos probabilísticos para deteção de anomalias. Cada um tem um domínio em que é a resposta certa.

Somos particularmente apaixonados pela previsão probabilística. Uma previsão pontual força os decisores a agir como se o futuro fosse certo; uma previsão probabilística permite-lhes precificar o risco explicitamente. Previsões de quantis, intervalos de previsão e distribuições preditivas completas permitem políticas de inventário, decisões de capacidade e estratégias de precificação que as previsões pontuais não podem suportar. O esforço adicional de engenharia é modesto, e o benefício operacional é grande.

Também prestamos muita atenção à reconciliação hierárquica. As previsões produzidas independentemente em diferentes níveis de uma hierarquia de negócios — país, região, loja; marca, categoria, SKU — quase nunca são coerentes entre si. Os métodos de reconciliação (MinT, top-down, combinações bottom-up) restauram a coerência e quase sempre melhoram a precisão ao mesmo tempo.

“Uma previsão probabilística bem calibrada vale mais do que uma previsão pontual ligeiramente mais precisa.”

A maioria dos projetos preditivos falha no seu primeiro contacto com a produção não porque o modelo é mau, mas porque a avaliação foi realizada com uma métrica que não representava o custo operacional de errar. Projetamos estruturas de avaliação que espelham o ambiente de implantação: validação cruzada do tipo rolling-origin que respeita o tempo, períodos de retenção que incluem os padrões sazonais que o modelo enfrentará, e métricas que incorporam os custos assimétricos identificados durante o enquadramento.

Fazemos testes retrospetivos agressivamente, inclusive contra a linha de base deliberada de fazer o que o negócio faz atualmente. Um novo modelo que supera uma linha de base sofisticada por uma pequena margem é muito mais impressionante — e muito mais fiável — do que um que supera um espantalho por uma grande margem. Onde possível, recriamos decisões históricas e medimos o custo monetário da previsão do modelo em relação ao custo da decisão realmente tomada na altura.

A calibração recebe atenção explícita. Uma previsão probabilística que promete intervalos de 90% deve conter a verdade em cerca de 90% das vezes, ou o planeamento que dela depende falhará silenciosamente. Testamos a calibração em dados de retenção e recalibramos onde necessário, usando técnicas como a previsão conforme.

Uma previsão que vive num dashboard separado raramente é acionada. Integramos sistemas preditivos diretamente nos fluxos de trabalho de planeamento que eles devem informar — no ciclo S&OP, na ferramenta de planeamento de procura, no CRM, na consola do centro de contacto — para que a previsão seja consumida onde a decisão é tomada. Este trabalho de integração é tipicamente a diferença entre um modelo que é admirado e um que é usado.

A sobreposição humana é tratada como uma funcionalidade, não como um sinal de falha. Os planeadores detêm contexto que o modelo não tem — o lançamento de um concorrente, uma conhecida interrupção no fornecimento, uma decisão de marketing ainda não visível nos dados — e um sistema que não pode aceitar a sua introdução será rapidamente ignorado. Projetamos interfaces de sobreposição que capturam a razão para a sobreposição juntamente com o valor, para que as sobreposições se tornem dados de treino para o próximo ciclo.

A monitorização operacional abrange o erro de previsão em produção, o desvio nas distribuições de entrada e as alterações no viés e calibração das previsões. Onde os modelos retreinam num horário, este horário é informado pela taxa de mudança observada; onde retreinam por sinal, as condições de disparo são explícitas e revistas regularmente.

A melhoria da precisão preditiva traduz-se em valor para o negócio através de mecanismos operacionais específicos — menor stock de segurança, níveis de serviço mais elevados, menos ruturas de stock, centros de contacto com melhor pessoal, gastos de retenção mais seletivos, decisões de capacidade mais confiantes. Trabalhamos com finanças e operações para tornar esses mecanismos explícitos antes do início do projeto e para os medir após a implementação, para que o valor do sistema possa ser defendido em qualquer futuro caso de negócio.

Em todos os nossos projetos, o resultado singular mais comum é uma redução significativa do capital de giro associado ao inventário ou a amortecedores de segurança, juntamente com uma melhoria nos níveis de serviço. O segundo mais comum é a desativação de um processo de previsão manual cujo esforço estava anteriormente oculto no pessoal operacional.