Ao longo dos anos, muitos modelos foram desenvolvidos para prever a demanda. Com o surgimento da IA, modelos mais sofisticados surgiram. Mas nenhum deles consegue capturar perfeitamente a complexidade da realidade. Toda previsão carrega algum nível de incerteza.
Por exemplo, considere uma livraria. Os fatores que influenciam a demanda são numerosos e frequentemente difíceis de definir: a localização da loja, presença online, reputação, horário de funcionamento e assim por diante. Sem esquecer o elemento humano: clientes. Entender por que alguém decide comprar um livro, quando e quantos, envolve um comportamento humano complexo que é difícil de definir com precisão.
Ainda assim, os modelos são valiosos. Mesmo que não sejam 100% precisos, nos fornecem uma expectativa razoável do que o futuro reserva. Sempre há uma margem de erro, mas ela pode ser controlada e minimizada à medida que refinamos os modelos ao longo do tempo.
Então, como prevemos a demanda futura? Aprendendo com o passado. Hoje, quando as pessoas ouvem a palavra previsões, elas geralmente pensam em Inteligência Artificial, especialmente modelos de aprendizado de máquina capazes de analisar grandes quantidades de dados históricos para prever tendências futuras. No entanto, modelos estatísticos tradicionais também são ferramentas poderosas para previsão.
Cada modelo de previsão tem seus pontos fortes e limitações exclusivos. Modelos estatísticos, como suavização exponencial, oferecem soluções efetivas e diretas para previsão de demanda. Eles geralmente são mais fáceis de implementar, interpretar e manter em comparação a modelos de Machine Learning e de IA Preditiva/Prescritiva mais complexos.
Quando a precisão da previsão depende de um maior grau de certeza, ou quando incorpora uma gama mais ampla de variáveis explicativas (como indicadores econômicos externos, promoções ou sazonalidade), os modelos de ML podem oferecer vantagens. Em última análise, a melhor escolha depende dos nossos KPIs específicos, das métricas de erro e da complexidade dos padrões de demanda que precisamos capturar.
O que torna a IA Preditiva ainda mais poderosa é a capacidade de alavancar dados em tempo real para potencializar experiências e recomendações no momento para os clientes. Quer melhorar a capacidade de recomendação? Aí entra em cena a IA Prescritiva, capaz de sugerir o melhor curso de ação possível, dada determinada necessidade de atendimento da demanda prevista.
Enquanto a IA Preditiva prevê o futuro com base em dados passados (ou atuais, em tempo real), a IA Prescritiva nos diz como podemos moldar o futuro conforme as necessidades do negócio, como já vimos aqui.
Quer melhorar a descrição do problema? Aí a IA Generativa começa a fazer algum sentido, ao ajudar a gerenciar informações/dados para o desenvolvimento de sistemas de IA mais personalizados e dinâmicos. “A interação entre predição, prescrição e geração dá aos profissionais de IA opções poderosas quando se trata de entender uma intenção e decidir a melhor maneira agir para entregar resultados”, comenta Ricardo Taborda, sócio da 7D Analytics.
Quer entender melhor?
Modelagem estatística e Machine Learning são comumente usados para IA Preditiva. Pode responder a perguntas investigativas, como se seus dados de pagamento incluem transações estatisticamente semelhantes àquelas que você determinou anteriormente como fraudulentas. É como dizer “encontre mais como isto”.
O principal desafio com a análise preditiva é que os insights que ela gera são limitados aos dados e em determinados contextos, como o de gerenciamento de risco de fraude, a maioria das empresas normalmente não tem grandes quantidades de transações fraudulentas para treinar um modelo eficaz. Isso significa que conjuntos de dados pequenos ou incompletos não produzirão previsões tão precisas.
A análise prescritiva, por sua vez, usa dados de uma variedade de fontes — estatísticas, aprendizado de máquina, mineração de dados — para identificar possíveis resultados futuros e mostrar a melhor opção, ao mesmo tempo em que sugere o que fazer a seguir.
A beleza da IA Prescritiva está na sua capacidade de considerar múltiplas variáveis e resultados potenciais simultaneamente, algo com que o cérebro humano frequentemente luta. Ela pode pesar prós e contras, calcular riscos e sugerir o melhor curso de ação em cenários complexos. No entanto, é crucial lembrar que a IA prescritiva é uma ferramenta para auxiliar na tomada de decisões, não substituir o julgamento humano inteiramente. A decisão final deve sempre envolver supervisão humana, especialmente em situações de alto risco.
Ela permite que você visualize resultados ou riscos futuros e entenda por que eles acontecerão. Em um estado ideal, a análise prescritiva também pode prever o efeito de decisões futuras, incluindo os efeitos cascata que essas decisões podem ter em diferentes partes do negócio.
O poder e os recursos de indexação dos LLMs comerciais de hoje estão começando a desbloquear respostas inteligentes sobre o que os usuários devem fazer quando apresentados a certos riscos, padrões ou eventos anômalos. Ainda não é perfeito, mas tem melhorado com o tempo, além do fato de ajudar em várias partes do processo de previsão.
Técnicas de IA Generativa podem ser particularmente úteis para ajudar os usuários a incorporar fontes de dados não estruturados em análises empresariais — descritivas, preditivas e prescritivas —, gerar dados sintéticos (inclusive para variáveis não mensuráveis antes!), traduzir problemas de negócios em modelos analíticos e entender e explicar os resultados dos modelos.
LLMs também podem auxiliar na criação de representações visuais de padrões e distribuições de dados, facilitando a interpretação e a compreensão de dados complexos. Isso pode ser usado para criar painéis para informar decisões de negócios ou para dar suporte ao preenchimento de papelada, por exemplo, para aplicações FDA ou formulários alfandegários no setor de logística.
A IA Generativa e as IAs Preditiva e Prescritiva se complementam de maneiras únicas e eficazes. Os modelos generativos podem enriquecer os recursos preditivos da análise imitando a distribuição de dados, criando modelos mais robustos e gerando cenários possíveis para dar suporte ao processo de previsão. O mesmo vale para os processos de recomendação. O aprimoramento do problema de negócio aportado pela GenAI permite que modelos Preditivos e Prescritivos considerem mais variáveis e dados mais diversos, levando a previsões e recomendações mais perspicazes e precisas.
Conclusão: o que é melhor do que uma tecnologia de ponta para o seu negócio? Várias tecnologias combinadas! O futuro aponta para uma integração de capacidades preditivas, prescritivas e generativas, em sistemas capazes de entregar um valor aprimorado para empresas e para toda a sociedade. Compreender a aplicabilidade de cada uma e investir em capacitação é o melhor a fazer hoje.