Já nos acostumamos a acompanhar as grandes potencialidades que podem ser proporcionadas pelo uso correto (e ético) de tecnologias de inteligência artificial e algoritmos de reconhecimento de padrões a partir dos dados. Aplicações de sucesso não faltam: desde a gestão de risco de crédito e cobrança em bancos, passando pela análise de churn em operadoras de telefonia e seguradoras, sofisticados processos de previsão de demanda no varejo, bem como predição de falhas de equipamentos na indústria. Esses e muitos outros constituem um amplo espectro de possibilidades que, quando bem utilizadas e operacionalizadas, geram grande potencial de retorno para empresas de todos os tamanhos e setores.
Toda vez que dados são analisados, três grandes variantes de análise podem ser consideradas: análise descritiva, análise preditiva e análise prescritiva. Na análise descritiva, basicamente observamos o que aconteceu no passado, por meio de dashboards, segmentações e descrições dos dados. Na análise preditiva, o foco está em entender o que vai acontecer no futuro (e é aí que estão a maioria dos algoritmos de aprendizado de máquina, como regressão linear e logística, redes neurais e florestas aleatórias). Por fim, a análise prescritiva vai além de predizer o futuro, permitindo às empresas entender qual pode ser a melhor decisão a ser tomada. É aí que residem grandes oportunidades de trazer mais eficiência para os processos de decisão das companhias.
A análise prescritiva já vai além da modelagem preditiva e apresenta um caráter propositivo, sendo popularmente conhecida como otimização matemática, já que, por meio de métodos de pesquisa operacional (Operations Research), a melhor decisão, entre milhões de possibilidades distintas é encontrada pelos solvers matemáticos (que estabelecem a solução para cada distinto problema de negócio). Por conta da característica da otimização de buscar as melhores decisões, a partir de restrições e condições de negócio previamente definidas, ela tem enorme potencial de geração de retorno para as empresas e, no jargão popular, é comum dizer que a otimização ajuda as empresas a não deixarem dinheiro na mesa, o que significa serem mais eficientes em suas decisões. Mas como a otimização complementa e vai além dos métodos de aprendizado de máquina?
De maneira objetiva, pode-se dizer que a otimização consome os achados e insights gerados pelos algoritmos de aprendizado de máquina. Por exemplo, em um projeto de otimização de limites de crédito no setor financeiro, é fundamental entender qual é a reação esperada do cliente a cada potencial oferta gerada pelo banco, bem como o potencial retorno (receita) decorrente do uso do produto, insights estes determinados por modelos preditivos de aprendizado de máquina.
Esses achados enriquecem bastante o contexto da análise e, a partir deles, distintos algoritmos de otimização (programação linear, não-linear, linear inteira, linear inteira mista, estocástica, quadrática, etc.) podem ser aplicados a partir das características de cada problema a ser resolvido. Inúmeras aplicações e casos de sucesso fazem uso da otimização matemática para geração de retorno financeiro para as empresas. Algumas dessas aplicações podem ser aqui listadas:
– Varejo: Otimização de preços do dia a dia, otimização de promoções, otimização de processos de liquidação de estoque, otimização de inventário, otimização de estoques de peça de reposição, otimização do planejamento de sortimentos.
– Telecomunicações: Otimização de campanhas de marketing e de cobrança, otimização da distribuição de carga de cobrança para os escritórios de cobrança, otimização de tráfego de rede, otimização de equipes de campo.
– Seguros: Otimização de preços para apólices novas e no processo de renovação do seguro, otimização de guinchos, frotas de atendimento e equipes de campo.
– Bancos e financeiras: Otimização de linhas de crédito, Otimização de preços, campanhas de marketing e de cobrança, otimização da distribuição de carga de cobrança para os escritórios de cobrança, do processo de gestão de numerários em caixas automáticos, otimização de preços (rendimento) para depósitos, assim como otimização de contra-ofertas em propostas de financiamento de automóveis.
– Indústria em geral: Otimização logística, otimização de agendamento de voos, otimização de frotas, otimização de estoque e de equipes de campo, entre outras inúmeras aplicações.
Em termos de resultados esperados da otimização, muitas empresas que investiram em projetos dessa natureza apuraram e seguem obtendo melhorias expressivas em termos de eficiência operacional (redução de custos), aumento de rentabilidade das operações, assim como aumento de market share, decorrente de políticas mais ajustadas de prospecção de novos clientes.
Marcelo Fernandes, gerente de Desenvolvimento de Negócios em Telecom, Seguros e Otimização da FICO América Latina.
