Análise preditiva: 5 formas de a utilizar em seu benefício

A análise preditiva utiliza dados históricos para prever resultados futuros e ajudá-lo a tomar melhores decisões, identificando padrões e tendências.

Neste artigo, vou explicar em detalhe o que é a análise preditiva, mostrar-lhe como pode potenciar a sua estratégia de marketing B2B e apresentar formas práticas de a aplicar para resolver desafios reais de gestão. Ficará a saber exatamente como integrar a análise preditiva no seu processo de tomada de decisões para obter resultados mais inteligentes e menos stressantes.

O que é a análise preditiva?

A análise preditiva é um conjunto de ferramentas para modelar o desempenho futuro com base no desempenho passado. Trata-se de um conjunto de processos matemáticos para projetar tendências a partir dos dados que possui e chegar aos resultados que pretende prever. Ao selecionar os dados históricos relevantes e aplicar um conjunto adequado de ferramentas, pode prever de forma fiável os resultados das políticas e iniciativas que está atualmente a considerar.

Para colocar isto em termos práticos, imagine que é um responsável de recursos humanos encarregado de contratar pessoas para escrever código para o departamento de TI da sua empresa. Com base na sua experiência, determinadas universidades formam licenciados que têm melhores resultados neste tipo de trabalho. Assim, analisa os seus candidatos em busca de palavras-chave como "CalTech", "MIT" ou "University of California Berkeley". De uma forma muito simples, acabou de aplicar a sua própria análise preditiva para estabelecer uma relação relevante entre a universidade de um candidato e o desempenho que este poderá ter na sua empresa.

Precisará de uma capacidade de computação considerável e de bons algoritmos de aprendizagem automática para lidar com associações mais complexas. Imagine que os seus dados de vendas anteriores mostram que a sua empresa vende mais fogo de artifício nas semanas que antecedem o Ano Novo e o Dia da Independência dos Estados Unidos, mas que a sua subsidiária vende grandes quantidades de peru em novembro, mesmo antes do Dia de Ação de Graças. Numa outra associação relativamente óbvia, pode prever antecipadamente como serão as suas vendas de fogo de artifício e de peru apenas com base no desempenho passado e na data do calendário.

Levar a análise mais longe

Indo mais longe, pode ter experiência no lançamento de marcas nas redes sociais, mas o seu desempenho anterior tem sido irregular e dececionante. Utilizando ferramentas de marketing com modelos avançados de análise preditiva, a sua análise de dados mostra que as mensagens da marca passam facilmente do Twitter para o Instagram, mas raramente fazem o percurso inverso. Neste caso, pode desenvolver conhecimentos práticos, como iniciar sempre uma campanha no Twitter ou aumentar a sua audiência no Instagram para obter um melhor desempenho. 

Até agora, vimos algumas formas muito simples de prever acontecimentos futuros utilizando métodos de análise preditiva extremamente simples, mas é possível ir muito mais longe. A sua pontuação de crédito FICO é um tipo de análise preditiva. Ao analisar o seu historial de pagamentos atempados, o crédito disponível, a utilização atual do crédito e vários outros fatores, a pontuação FICO prevê com um elevado grau de precisão a probabilidade de incumprir as suas dívidas. Pode até ter em conta o número de verificações de crédito que realizou nos últimos 2 anos para determinar se está desesperadamente à procura de extensões de crédito, um sinal de problemas futuros.

De volta ao local de trabalho, pode ser um responsável pelo controlo de qualidade cuja função é manter as máquinas em funcionamento. Qualquer período de inatividade pode custar dinheiro à sua empresa, pelo que tem de prever quando e onde é provável que ocorram avarias. O seu sistema de aprendizagem automática analisa anos de dados anteriores e determina que as avarias ocorrem quando uma peça crítica se desgasta, o que acontece mais rapidamente quando a temperatura de funcionamento é elevada. O conhecimento prático neste caso consiste em operar as máquinas com menor intensidade ou investir num sistema de refrigeração maior para manter as temperaturas baixas, reduzir o desgaste das peças críticas e prolongar a vida útil das máquinas, podendo poupar milhões de dólares.

Análise preditiva vs. análise de dados

Agora que tem uma visão geral do que é a análise preditiva, eis o que ela não é. Ou melhor, esta é a linha que separa a análise preditiva de outros conceitos relacionados com os quais pode facilmente ser confundida.

Em primeiro lugar, a análise preditiva não é o mesmo que a análise de dados, que é um conceito mais abrangente. Seria correto dizer que é um subconjunto da análise de dados, centrado num conjunto limitado de ferramentas para desenvolver modelos orientados para o futuro. Os outros tipos de análise de dados são:

• Análise descritiva: Um registo rigoroso e racionalmente organizado do que aconteceu no passado, apresentado de forma inteligível
• Análise de diagnóstico: Determinar por que razão as coisas aconteceram da forma como aconteceram no passado, idealmente para obter conhecimentos úteis para modelos preditivos posteriores
• Análise prescritiva: Conhecimentos práticos sobre o caminho que deve seguir a partir daqui e um conjunto de instruções sobre o que fazer (e não fazer) enquanto trabalha para alcançar um objetivo

Na realidade, não existem linhas claras e bem definidas a separar estes tipos de análise de dados, e todos podem contribuir para os restantes. Uma abordagem verdadeiramente poderosa à análise utiliza todos eles no lugar adequado para criar modelos sólidos de compreensão de situações complexas.

Análise descritiva

Por exemplo, pode ser um engenheiro a tentar conceber um automóvel mais seguro. Precisará de enormes quantidades de dados de análise descritiva provenientes de acidentes anteriores, incluindo relatórios sobre ferimentos, para desenvolver um modelo sobre a forma como os automóveis se deformam. A imagem obtida pode revelar que as vítimas de acidentes sofrem frequentemente lesões no pescoço. Esta é uma descrição de dados brutos, apresentada de uma forma que pode ler, mas precisa de ir mais longe para compreender o seu significado.

Análise diagnóstica

Por isso, sabe que existem muitas lesões no pescoço em acidentes de viação. O passo seguinte, a análise diagnóstica, diz-lhe porquê. Ao que parece, muitas pessoas batem com a cabeça nos para-brisas ou sofrem movimentos bruscos do pescoço para a frente e para trás. Por vezes, um objeto pesado atinge-as por trás durante um acidente, o que causa as lesões que está a observar.

Análise prescritiva

No terceiro passo, a análise prescritiva, desenvolve várias sugestões sobre como prevenir lesões no pescoço em acidentes de viação.

Poderia considerar a conceção do automóvel de modo a que este não se movesse enquanto o condutor não tivesse colocado um colar cervical. Poderia construir uma gaiola de segurança à volta da cabeça do condutor, feita de uma pesada blindagem de chumbo. Poderia instalar um assento ejetável automático que detetasse problemas e projetasse o condutor para fora ao primeiro sinal de perigo. E por aí fora. Nesta fase, não há más ideias, apenas ideias.

O seu trabalho ganha realmente forma nesta fase da análise preditiva. Ao executar modelos baseados no desempenho passado, aprende que os proprietários de automóveis ficam incomodados com dispositivos de segurança intrusivos e provavelmente desativariam os colares cervicais, o que os torna inviáveis. A adição de peso devido à blindagem e a redução do campo de visão dos condutores são contraproducentes. Os dados anteriores da indústria aeroespacial dizem-lhe que os assentos ejetáveis automáticos são, em geral, uma má ideia.

Mas há algumas ideias promissoras no conjunto, que a sua análise preditiva revela:

• Os cintos de segurança são uma forma económica de manter as pessoas estáveis num acidente.
• Os airbags amortecem o impacto dos corpos em movimento.
• O vidro de segurança parte-se facilmente, reduzindo as lesões na cabeça e no pescoço.
• Os sistemas de prevenção de colisões reduzem, desde logo, o risco de um acidente.

Assim, incorpora estas ideias razoáveis no seu projeto atualizado, que a sua análise prevê que produzirá os melhores resultados pelo dinheiro gasto. O ciclo repete-se então, à medida que uma nova geração de automóveis mais seguros é lançada, se envolve em acidentes e gera mais dados para trabalhar, tornando os automóveis cada vez mais seguros no futuro.

Tipos comuns de modelos preditivos

Tudo isto é ótimo até agora, mas quais são, na realidade, as ferramentas da análise preditiva? Como funciona? O que fazem efetivamente a inteligência artificial, a aprendizagem automática e todas as outras coisas semelhantes?

Bem, existem quatro modelos básicos para este tipo de análise. As diferentes plataformas utilizam todos ou apenas alguns deles, e a sua utilização depende realmente do contexto. Eis uma breve descrição dos diferentes tipos.

Modelo de classificação

A classificação poderia ser chamada, com a mesma facilidade, segmentação. Esta abordagem divide grandes conjuntos de dados em partes com relações significativas. Se alguma vez esteve envolvido num projeto de estudos de mercado, está familiarizado com a segmentação demográfica. Se já tentou fazer marketing de skates para idosos, já aprendeu como algumas classificações podem ser importantes.

Os modelos específicos para uma classificação precisa incluem a análise de regressão logística, as árvores de decisão, as florestas aleatórias, as redes neuronais e a análise de Naïve Bayes.

Modelo de previsão

A previsão é uma das abordagens mais utilizadas, em parte porque é tão versátil e em parte pela sua capacidade de atribuir valores numéricos em tempo real a fenómenos históricos complexos e sem valores numéricos.

Por exemplo, pode utilizar o historial dos lançamentos de produtos da sua marca para prever o tráfego no seu site no dia em que lança uma campanha. Utilizando este número, avisa o seu fornecedor de alojamento web e pede largura de banda adicional. Como resultado, obtém imenso tráfego, o seu site não bloqueia e as vendas são fortes.

Modelo de agrupamento

Os modelos de agrupamento são muito poderosos e o desenvolvimento de algoritmos de aprendizagem profunda tornou-os assustadoramente eficazes. Funcionam detetando correlações entre coisas do mundo real, comparando-as com outras coisas e fazendo depois previsões com base nessas associações.

Por exemplo, o seu modelo de agrupamento pode perceber que as pessoas que compram fraldas, leite adaptado, mobiliário para o quarto do bebé e cadeiras altas têm uma probabilidade muito elevada de também comprarem seguros de saúde e material escolar num futuro próximo. Ao guardar esta informação, ela pode tornar-se a base de um discurso de vendas bem-sucedido, direcionado para estas pessoas até 18 anos mais tarde, quando um cliente estiver a comercializar empréstimos para estudantes.

Como provavelmente já adivinhou, existem muitos destes modelos. Os algoritmos de agrupamento comuns incluem o agrupamento k-means, o agrupamento por deslocamento da média, o agrupamento espacial baseado na densidade de aplicações com ruído (DBSCAN), o agrupamento por maximização da expectativa (EM) utilizando modelos de mistura gaussiana (GMM) e o agrupamento hierárquico.

Modelos de séries temporais

É discutível, mas os primeiros analistas de séries temporais terão sido os caçadores-recoletores que observaram que os animais migravam com as estações do ano. Esta abordagem acompanha ciclos para prever acontecimentos futuros.

O exemplo apresentado acima sobre o aumento das vendas de perus em novembro é um exemplo de análise de séries temporais. Os tipos específicos de modelos que poderia utilizar neste caso incluem autorregressão (AR), média móvel (MA), ARMA e ARIMA. 

3 benefícios da modelação preditiva

Há muito a dizer sobre estes modelos preditivos e sobre a forma como ajudam na tomada de decisões. Para obter uma visão mais clara, apresentamos três áreas onde pode aplicar os modelos para obter excelentes resultados.

Segurança e redução do risco

A segurança consiste, em grande medida, em prever os comportamentos das pessoas e em ter isso em conta antecipadamente. As fechaduras das portas pressupõem que, a certa altura, as pessoas tentarão rodar os manípulos. As pistas de auditoria forense antecipam que alguém tentará apropriar-se indevidamente de dinheiro.

Em marketing, os seus dados históricos podem sugerir que as fugas de informação são mais comuns com fornecedores terceiros. Por isso, decide não divulgar informações até às datas de lançamento dos produtos ou até segmentar a informação para a manter segura.

Eficiência operacional

As ferramentas preditivas podem melhorar significativamente a sua eficiência operacional, ajudando-o a prever a procura. Se tiver um centro de atendimento muito ocupado de manhã cedo e ao fim da tarde, mas praticamente vazio durante o resto do dia, dispõe de dados que o ajudam a programar os turnos.

Colocar os funcionários com horário à hora durante as horas de maior movimento e reduzir a sua presença quando ninguém está a telefonar permite posicionar os seus recursos exatamente onde são necessários e nos momentos certos, em vez de ter falta de pessoal nas horas de maior afluência e pessoal a mais quando está tudo calmo.

Melhoria da tomada de decisões

Este é o ponto mais importante. Está a recorrer, na prática, à análise preditiva para obter um código de batota relativamente ao desempenho futuro. Pense novamente nas pontuações FICO. Deve conceder crédito a alguém com um elevado risco de incumprimento e uma pontuação baixa? Deve recusar-se a enviar um novo cartão de crédito a alguém com uma pontuação de 790? O modelo analítico ajuda-o a prever resultados futuros com base no desempenho passado.

5 formas de utilizar a análise preditiva a seu favor

Segmentação de clientes e públicos

Já sabe que os seus clientes são diferentes uns dos outros, mas tendem a agrupar-se em segmentos que os grandes conjuntos de dados revelam. A mineração de dados tem má reputação, mas é o primeiro passo para criar agrupamentos coerentes sobre os quais pode generalizar e aos quais pode direcionar ações de forma mais eficiente.

Aquisição de novos clientes

Conquistar novos clientes é excelente, e a capacidade de o fazer de forma consistente através das suas campanhas de marketing dá à sua marca uma vantagem competitiva. Técnicas como os modelos de regressão linear ajudam-no a aperfeiçoar os seus fluxos de trabalho e a tirar o máximo partido das campanhas de aquisição de novos clientes.

Classificação de potenciais clientes

Separar o trigo do joio é uma parte importante da inteligência empresarial, especialmente na classificação de potenciais clientes e no desenvolvimento de um novo público. A modelação da propensão mostra para onde é provável que o público avance consigo e quais são os potenciais clientes mais promissores.

Recomendações de conteúdos e anúncios

Os anúncios podem ser incomodativos quando não são pretendidos ou quando promovem produtos de que o espetador não necessita. A filtragem colaborativa elimina esse incómodo e torna muito mais provável que as suas mensagens publicitárias sejam bem recebidas.

Personalização das experiências dos clientes

Quer seja um retalhista, trabalhe no setor dos serviços financeiros ou faça previsões meteorológicas para empresas de transporte marítimo, a segmentação automatizada ajuda-o a analisar todos os resultados que poderia gerar e a proporcionar uma experiência personalizada a todas as pessoas com quem interage. Trata-se de uma otimização a nível pessoal, com potencial para causar o maior impacto no seu marketing, uma vez que estabelece uma ligação pessoal com todas as pessoas com quem a sua marca interage.

A caminho do futuro

Foi bastante informação para abordar, mas esperamos que esteja agora muito melhor informado sobre os benefícios do software de análise de marketing e sobre a forma como este pode ajudar na análise preditiva. Também existe muito mais informação disponível, caso a procure. Subscreva o boletim informativo da The CMO para se manter a par das dicas, tendências, recomendações de software mais recentes e muito mais na área do marketing.