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