Automatizar decisões de forma inteligente é possível, combinando o uso de Machine Learning e regras de negócio

 

As empresas têm conseguido introduzir o poder dos insights analíticos do Machine Learning nas suas operações de negócio, mas integrá-los na automação das decisões necessita implementar uma inteligência artificial explicável (XAI).

Este artigo apresenta o potencial da combinação da escoragem preditiva com a abordagem prescritiva (regras de negócio) para entregar as melhores decisões operacionais. O resultado é um conjunto de regras de negócio que alia uma estratégia de negócio e eventuais restrições regulatórias (lógica determinística) com os insights de um modelo de Machine Learning treinado a partir de dados históricos.

Exemplo prático

No exemplo abaixo, em tempo de execução da regra, um serviço de escoragem considera todos os atributos do cliente que faz parte o contexto da decisão corrente, e a classificação analítica (baixa escoragem de crédito e propensão a desistência baixa ou média) condiciona a aceitação da solicitação daquele cliente.

Se:

  • A classificação do cliente é PLATINUM
  • A escoragem do crédito do cliente é BAIXA
  • Não é verdadeiro que a propensão do cliente a desistir é ALTA

Então,

Aceitar a solicitação do cliente.

Aprendendo a inferir

O Machine Learning é a aplicação de algoritmos de natureza estatística capaz de processar uma grande quantidade de dados contextuais (observações) e dados comportamentais (variáveis resposta), com possibilidade de apreender e inferir um modelo estatístico caracterizado por um conjunto de variáveis inter-relacionadas, que, ao ser estimulado com novos dados, calcula uma escoragem, ou seja, a probabilidade de um determinado fato ocorrer (ou não).

As duas tabelas a seguir apresentam a complementaridade das regras de negócio para o Machine Learning junto a alguns exemplos:

 

 

Casos de uso

Alguns exemplos de casos de uso de automação das decisões operacionais:

BANCOS E SERVIÇOS FINANCEIROS: subscrição e acompanhamento dos empréstimos, adequação dos serviços ao perfil dos clientes, avaliação de risco, investigação regulatória, elegibilidade de serviços e automação dos pagamentos.

SEGURADORAS: Processamento automático de sinistros, subscrição (novas propostas e renovação de apólices), detecção e investigação de fraudes.

VAREJO: Serviços de atendimento ao cliente com recomendação de produtos e serviços (personalização de oferta up-sell / cross-sell), aplicação dos programas de fidelidade, cálculo de comissões de venda.

INDÚSTRIA: Qualidade e controle da manufatura, investigação dos defeitos, manutenção baseada em condições.

SAÚDE: Processamento dos tratamentos e acompanhamento dos pacientes, processos de correspondência de doadores.

GOVERNO: Cálculo de imposto, aposentadoria, pensões, detecção e investigação de fraudes, processamento de reclamações.

 

Com IBM Operational Decision Manager, os especialistas de negócio utilizam uma plataforma Web para realizar atividades, que não precisam envolver profissionais de Tecnologia da Informação:

  • Criar ou manter regras textuais ‘se... então... senão” e tabelas de decisão, utilizando um vocabulário de negócio;
  • Revisar as lógicas de decisão, se necessário;
  • Validar o que foi alterado, por quem, quando e por qual motivo;
  • Testar, simular, gerenciar e governar os artefatos de decisão;
  • Implantar as manutenções de regras no ambiente de Produção.

 

Se quiser saber mais sobre automação de decisões, pode contar comigo e com a equipe Scala.

Jerome Chartier
Advanced Analytics & Decision Management

 

-----------------------
Fontes:
IBM Impact 2020
IBM Decision Lab, Paris


machine learning

Machine Learning: quando usar? Sua empresa está preparada?

Quase todos os processos de negócios orientados por dados podem ser aprimorados com ferramentas de Machine Learning: segmentação de clientes, marketing personalizado, classificação de textoson bording de novos usuários, análise e prevenção de fraudes, entre tantos outros exemplos de uso. Mas há um fator importante que determina o sucesso dessa empreitada: é preciso um volume grande de dados para que a ferramenta de Machine Learning aprenda e, então, execute tarefa de forma autônoma.  

O aprendizado de máquina reúne ferramentas que “aprendem” a tomar uma decisão baseadas em exemplos, e não a partir de uma programação específica. Portanto, é preciso fornecer esses exemplos.  

Numa empresa de seguros, por exemplo, os segurados apresentam fotografias dos danos ocorridos, seja um amassado no carro, um vidro quebrado, um motor fundido etc. Antes da automação, uma pessoa deveria olhar foto por foto, milhares delas, para assegurar que o acidente de fato ocorreu 

Para o olho humano, é fácil entender um amassado na lataria. Mas, para uma máquina, será preciso milhares de imagens, em ângulos diferentes, com iluminação diferente, foco e distância, para que ela consiga aprender e distinguir a lataria amassada de, digamos, um latão de lixo. Porém, uma vez que aprenda, a máquina será capaz de executar a tarefa de forma incrivelmente mais rápida e precisa do que o homem, analisando milhares de imagens em segundos.  

Machine Learning, portanto, é uma ferramenta boa e que traz enorme impacto na empresa quando há volumes grandes de dados rotulados, de forma que os algoritmos possam aprender com eles. 

 

SUA EMPRESA ESTÁ PREPARADA?  

Eis algumas perguntas que você precisa responder antes de implementar um projeto de Machine Learning: 

  1. Seu projeto tem objetivos claros? Mesmo que seja um experimento, deve haver uma meta de negócios final que realmente importe e justifique os esforços.  
  1. Você definiu se o projeto de Machine Learning deve reduzir custos ou aumentar a receita?  Um projeto bem-sucedido reduzirá os custos, aumentará a receita ou ambos  
  1. Como o sucesso será medido? Cada projeto é diferente e será preciso estabelecer o KPI para avaliar seu impacto na organizaçãoAs métricas podem ser o número de horas gastas em uma tarefa, o número de erros, o engajamento de novos usuários, unidades vendidas etcPara essa medição, é preciso entender os dados de entrada de forma a aplicar os algoritmos adequados.  
  1. Sua organização está coletando os dados certos? Algoritmos de Machine Learning não fazem milagre. Eles precisam de grande volume de dados para funcionar, dados especificados e rotulados, para que o algoritmo possa analisá-los, compará-los e aprender com eles.  

 

SOLUÇÃO INDICADA 

O IBM Watson Machine Learning facilita a colaboração de desenvolvedores e cientistas de dados para integrar recursos preditivos a seus aplicativos. Desenvolvido na plataforma de análise SPSS da IBM, o Watson Machine Learning permite desenvolver aplicativos que tomam decisões mais inteligentes, resolvem problemas difíceis e melhoram os resultados do usuário. Desenvolver aplicativos de negócios inteligentes com mais facilidade e confiança 

Saiba mais, confira o vídeo:

machine learning

 

 

 

 

 

 

Para suas demandas de Machine Learning e de Inteligência Artificial, é bom poder trocar ideias com especialistas. Na Stefanini Scala eles estão à sua disposição.