Análises descritiva, preditiva e prescritiva: Entenda seus significados e aplicações

Quando começamos a pensar em ciência de dados e em gestão Data Driven nas empresas, naturalmente surgem em pauta os três tipos de análise: descritiva, preditiva e prescritiva.

Em uma definição mais simples, podemos dizer que a análise descritiva olha para o passado dos dados e é onde apoia-se todo o trabalho do Business Intelligence, enquanto as análises preditiva e prescritiva têm um olhar para o futuro, fundamentando o trabalho do Data Analytics.

Essas visões não estão erradas, mas nesse artigo quero me aprofundar um pouco mais em cada uma delas, trazendo exemplos, aplicações, vantagens e desvantagens de cada uma delas, mostrando que podemos tirar proveito de todas, sem precisar abrir mão de uma em detrimento de outra.

Análise Descritiva

A análise descritiva é uma das ferramentas mais eficazes quando queremos retratar tendências e comportamentos a partir de dados obtidos de eventos já ocorridos. É sobre ela que a estatística se apoia para nos trazer avaliações desses cenários.

Por meio da análise descritiva é possível compreender se há repetições e padrões de dados, e identificar eventos que fogem ao cenário considerado normal, o que chamamos de outliers.

Utilizando a tecnologia disponível atualmente, facilmente podemos entender esses padrões, analisar trazendo o conhecimento que se acumula com o tempo, e tirar novas conclusões que auxiliam os tomadores de decisão na gestão de seus negócios, de forma muito mais rápida e segura do que somente trabalhando em cima de opiniões.

A principal aplicação da análise descritiva, além do uso acadêmico para apoiar estudos e pesquisas de diversas áreas, é usá-la para entender o mercado, analisando o comportamento da empresa e de seus clientes.

Por trabalhar com dados obtidos de eventos já ocorridos, a análise descritiva permite que se criei hipóteses com base nesses dados, de maneira imparcial, pois não há desvios em função de opiniões subjetivas, tendo nisso uma de suas principais vantagens.

A desvantagem da análise descritiva é que para que ela seja mais precisa, é preciso ter um volume de dados histórico considerável, e com uma boa avaliação da forma que os dados são coletados, pois senão ela pode levar a respostas confusas ou distorcidas.

Um exemplo de aplicação da análise descritiva é quando uma empresa colhe dados do perfil de seus clientes e os cruza com as compras que eles fizeram. Por meio dessa análise pode-se definir os produtos mais indicados para determinadas faixas etárias, poder aquisitivo, região etc.

Análise Preditiva e Prescritiva

As análises preditiva e prescritiva trazem a ciência de dados em prol dos negócios. Elas olham para o passado e preveem o futuro, combinando recursos tecnológicos como inteligência artificial e machine learning com conhecimentos estatísticos.

Enquanto a análise preditiva, utilizando-se de algoritmos para extrair informações e analisar padrões, nos fornece um comportamento esperado, a análise prescritiva vai mais além e nos fornece insights de cenários diversos e nos mostra quais ações precisam ser tomadas para seguir ou evitar um dos caminhos possíveis.

Obviamente que o processo para se chegar a esse ponto de diversos cenários e insights está diretamente relacionado com a qualidade e volume de dados que temos para entender o passado, e os recursos computacionais disponíveis para se processar toda essa informação e combinações possíveis em um curto espaço de tempo.

Se toda essa arquitetura não for bem desenhada pela estratégia de dados, corre-se o risco de decisões erradas que podem levar a empresa para rumos desastrosos e, por isso, é importante que se entenda que essa adoção requer profissionais qualificados, recursos adequados e tempo para que tudo seja devidamente “ensinado” e “aprendido” pela inteligência artificial e pelos algoritmos de machine learning.

Um exemplo de aplicação prática das análises preditivas e prescritivas é na análise de riscos para empresas logísticas, levando em consideração dados como condições do veículo que irá transportar a carga, histórico do motorista e do trajeto que será executado, considerando índice de acidentes, assaltos, chuvas etc. Com isso a empresa pode preparar a logística propondo caminhos ou horários alternativos, ou até mesmo programando paradas para revisões no veículo durante o trajeto.

Conclusão

Fica claro que cada tipo de análise tem suas aplicações elas precisam ser pensadas dentro do contexto do negócio, para que a prática adotada esteja alinhada com os objetivos almejados e com os recursos disponíveis, evitando escolhas que não estabeleçam uma boa relação custo x benefício.

O fato é que o ponto de partida para qualquer projeto que trate de gestão por dados, parte, impreterivelmente, pela adoção da análise descritiva. A partir dela passamos a ter uma visão do cenário atual da empresa e é possível definir os próximos passos, sejam eles usando as análises preditivas e prescritivas, ou não.

Ter o apoio de profissionais qualificados para conduzir esse processo é fundamental para tirar o melhor proveito das metodologias e tecnologias disponíveis e encurtar o caminho até o sucesso da empreitada.