Nos últimos anos, os adivinhadores de dados têm feito um grande sucesso com suas previsões, prevendo tudo desde a política até a segurança pública.

Eis a profecia impecável de Nate Silver, Estado por Estado, sobre as eleições presidenciais de 2012. Ou os palpites cada vez mais robustos da Netflix de quais filmes você vai gostar, ou as previsões de salvação da cidade de Nova York sobre como parar os incêndios antes que comecem.

Confira 3 dicas para conduzir análises de Big Data!

Mas, apesar dessas histórias de sucesso, vamos observar os fatos: a maioria das previsões fracassam. Em 2007, economistas projetaram apenas 3% de chances de que a economia dos EUA entraria em recessão em 2008 – um ano que apresentaria a maior retração desde os anos 1920.

Em 2009, os cientistas não previram a chegada da gripe suína, então previram de forma incorreta sua trajetória quando a detectaram. As falhas de previsão são, infelizmente, a norma.

Explicamos o motivo de uma carreira em Data Science ser uma boa escolha. Clique aqui! 

Qualquer pessoa que já teve um amigo ou parente temperamental pode estar cético de que o comportamento humano é previsível. Mas, ao avaliar um conjunto de dados maior, surge um quadro diferente: usando as ferramentas e abordagens analíticas corretas, você pode realmente prever o comportamento humano com precisão excepcional.

1) Entender como os seres humanos realmente se comportam

Antes de começar a prever o comportamento humano, você precisa primeiro ter certeza de ter uma compreensão firme do que faz com que as pessoas se comovam. E pode nem sempre ser o que você esperaria.

Algoritmo não é sinônimo de inteligência artificial! Leia mais aqui!

Por exemplo, o dinheiro nem sempre é uma forma confiável de motivar as pessoas. Caso em questão: há vários anos, a Associação Americana de Aposentados perguntou a um grupo de advogados se eles estariam dispostos a prestar serviços jurídicos a aposentados carentes, com um desconto de 30 dólares/hora. Eles se recusaram. Mas quando perguntaram aos advogados se ajudariam de graça, eles responderam esmagadoramente que sim.

Da mesma forma, uma extensa pesquisa mostrou que as pessoas frequentemente respondem mais fortemente às chamadas normas sociais (como altruísmo e pressão dos colegas) do que às normas do mercado (como bônus em dinheiro ou descontos). 

Por exemplo, simplesmente dizer às pessoas como seu uso de energia se compara ao de seus vizinhos as leva a economizar energia – muito mais do que anunciar a economia de dólares ou os benefícios ambientais de um uso menor. 

Não há falta de padrões psicológicos contra-intuitivos e aparentemente irracionais que nos caracterizam como seres humanos. Portanto, se você está interessado em prever como as pessoas vão se comportar no futuro, então você tem que começar a dominar como seus cérebros estão conectados agora.

2) Conheça seu campo

Imagine que você é um meteorologista de sucesso na TV. Um dia, você recebe um telefonema do aeroporto local, perguntando se pode ajudá-los a construir uma previsão do tempo de 3 dias para ajudar os pilotos locais durante os próximos dias.

Entusiasmado para ajudar, mas sem saber melhor, você emite uma previsão focalizando a temperatura, a chuva e a umidade. Há um pequeno problema, no entanto.

Confira nosso tutorial de Data Science para iniciantes aqui! 

Como você não está familiarizado com as necessidades dos aviadores, você negligencia considerar outros fatores críticos como visibilidade, altura das nuvens e direção do vento. Sua falta de contexto industrial se traduz em uma previsão (perigosamente) inadequada.

A importância de reunir o contexto prático é igualmente importante quando se trata de prever o comportamento humano. Por exemplo, ao prever a quantidade de energia que os clientes das concessionárias economizarão, é preciso considerar fatores contextuais que moldam a indústria energética, tais como variações sazonais no consumo, diferenças regionais nos combustíveis para aquecimento e a dinâmica do mercado local de eletricidade.

Conhecer seu campo também tornará sua previsão mais útil para aqueles que dependem dele. Ao desenvolver uma previsão quantitativa de economia de energia para uma empresa de serviços públicos, é importante estar bem versado no cenário regulatório de sua indústria.

Isso porque muitas empresas de serviços públicos enfrentam obrigações legais rigorosas para atingir um determinado nível de economia de energia (por exemplo, uma redução de 2% na demanda regional de energia a cada ano), e estão sujeitas a grandes penalidades se falharem a meta. Como um forecaster neste contexto, você gostaria de incorporar esta necessidade de certeza em suas previsões estatísticas.

3) Construir um conjunto de dados estelares

Em Deus confiamos, todos os outros devem trazer dados.

Previsões baseadas em visões teóricas ou sentimentos instintivos não têm um excelente histórico. Em 1995, quando o fundador da empresa de redes de computadores 3Com pressagiou que a Internet “seria espetacularmente supernova e, em 1996, catastroficamente colapso”, ele estava provavelmente confiando mais na especulação do que em dados concretos.

Para prever sistematicamente o comportamento humano, um conjunto de dados experimentais de alta qualidade é uma necessidade. Ele serve como um recurso para aprender como as pessoas se comportam sob diferentes condições.

Digamos que você esteja curioso sobre quanta eletricidade as pessoas do Nordeste provavelmente economizarão neste verão, em resposta a receber conselhos personalizados de eficiência energética a cada mês. Um milhão de kilowatt-hora? Dois milhões? Não há necessidade de adivinhar aqui. 

Em vez disso, você pode prever com precisão a resposta consultando um conjunto de dados de vários anos que combina informações sobre o tempo, o consumo de eletricidade a nível doméstico e o impacto histórico de conselhos personalizados sobre o uso de energia.

Um conjunto de dados rico e grande leva tempo para ser construído e uma experiência especial para ser mantido. Mas os benefícios são proporcionais. 

4) Use métodos científicos

Vista sua bata de laboratório. Usar dados para fazer previsões robustas é um processo científico.

Como átomos e moléculas são para a física, os dados são para as estatísticas. E, similar ao que ocorre em um laboratório científico, o processo de transformar dados em um modelo de previsão eficaz baseia-se em fazer hipóteses, testá-las rigorosamente e avaliar continuamente os resultados.

A escolha dos melhores métodos científicos para fazer suas previsões depende da natureza de seus dados.

5) Distinguir Sinal do Ruído (escolha suas variáveis sabiamente)

Modelos preditivos têm tudo a ver com a determinação das relações estatísticas entre as variáveis e, em seguida, com a quantificação das implicações para o futuro.

O desafio fundamental na previsão comportamental é que existem literalmente milhares de variáveis a escolher – todas elas poderiam teoricamente estar correlacionadas com as decisões e ações das pessoas: renda, idade, condições climáticas locais, filiação política, preços de mercadorias, tamanho da família, gostos musicais, etc.

Mas, a menos que você seja um feiticeiro, não é necessariamente óbvio quais variáveis são os preditores mais significativos de um determinado comportamento humano (por exemplo, economia de energia), e quais variáveis são menos relevantes. 

Previsores efetivos são ágeis no uso de métodos científicos para identificar e zerar as variáveis estatisticamente mais significativas – ou seja, para distinguir o “sinal” do “ruído”.

Modelos de comportamento preditivos baseados firmemente no sinal são poderosos porque refletem as forças reais subjacentes que fazem com que os seres humanos façam o tic-tac.

Isso significa que você pode levar com confiança seu modelo através das fronteiras e climas, povoá-lo com valores para um determinado contexto, e ainda esperar que ele faça previsões precisas.

Published On: novembro 24th, 2021 / Categories: Data Science /

Aprenda a conseguir trabalho

Se inscreva para receber acesso gratuito ao módulo Conseguindo Trabalho!

Obrigado por se inscrever!
Houve um erro ao enviar sua inscrição. Tente novamente mais tarde.

Ao acessar, você concorda em receber nossos comunicados.