Barry Mostert | Diretor Sênior de Marketing de Produtos, Oracle Analytics | Janeiro de 31 2023
A análise e o machine learning (ML) existem há décadas, mas o uso de machine learning foi limitado devido aos desafios associados a ele. O ML exigia o uso intensivo de processadores e habilidades e ferramentas especializadas que não estavam disponíveis para todos. No entanto, a chegada da computação em nuvem tornou mais econômico e fácil para muitas organizações acessar a escala de poder computacional necessária para executar o machine learning. E os avançados recursos de processamento de nossos smartphones e laptops permitiram que praticamente todos acessassem e usassem análises com ML e tomassem decisões mais assertivas e baseadas em dados.
A análise é o processo de descobrir, interpretar e comunicar padrões significativos nos dados. A análise ajuda a gerar insights significativos a partir de uma variedade de fontes de dados. A análise de negócios se concentra no uso de insights derivados de dados para tomar decisões mais assertivas que levam ao aumento das vendas, redução da rotatividade de funcionários, rotas de entrega otimizadas e outras melhorias de negócios que ajudam as organizações a ter sucesso.
O machine learning é uma aplicação de inteligência artificial (IA) que permite que os computadores aprendam e melhorem automaticamente com a experiência sem serem explicitamente programados. O ML depende do desenvolvimento de modelos que acessem os dados e os utilizem para aprender por conta própria e depois fazer inferências, recomendações e previsões. O processo de treinamento desses modelos começa com a alimentação de grandes volumes de observações ou dados históricos, o que requer recursos computacionais de processamento intensivo. Em seguida, os modelos treinados são aplicados a novos conjuntos de dados para descobrir e apresentar insights baseados em dados.
O machine learning para análises é o processo de usar algoritmos de ML para auxiliar o processo de análise de avaliação de dados e descoberta de insights com o objetivo de tomar decisões que melhorem os resultados dos negócios.
O machine learning na análise oferece suporte aos especialistas de duas maneiras:
A análise sem machine learning depende da análise humana para gerar análises, encontrar insights e fazer recomendações com base em suas interpretações. Os resultados dependem muito das experiências e das opiniões profissionais do especialista.
O uso de machine learning com análise melhora o processo analítico de duas maneiras principais:
O uso de ML na análise não é um requisito e só deve ser usado quando apropriado. Aumentar a análise com ML da maneira correta melhora os processos de decisão existentes. Por exemplo, ao trabalhar com um novo conjunto de dados, o ML pode ser usado para analisá-los automaticamente e fornecer insights derivados, como narrativas e visualizações textuais.
Boas plataformas de análise fornecem recursos de machine learning para todos os níveis de usuários, desde usuários avançados que conhecem os algoritmos comumente usados e como ajustá-los, a pessoas que desejam obter uma experiência simples e sem código para aplicar o ML a seus conjuntos de dados.
Os usuários com pouca ou nenhuma experiência em machine learning podem adicionar cálculos avançados, como previsões (análise preditiva), clusters, linhas de referência e linhas de tendência aos seus projetos de visualização com apenas um clique. Esse método usa algoritmos genéricos e é útil para destacar possíveis anomalias nos dados que podem exigir uma investigação mais aprofundada.
O exemplo abaixo é um gráfico simples que mostra a receita ao longo do tempo com a previsão gerada automaticamente sombreada em cinza. O monitoramento da receita futura esperada é fácil, e o padrão futuro previsto nesse caso se alinha às expectativas; nenhuma anomalia é aparente.
Usuários que realizam análises:
usuários de negócios sem experiência em codificação
Os especialistas de negócios podem não saber por onde começar ao criar histórias visuais com dados desconhecidos. Isso faz com que o especialista use sua experiência profissional para orientar o processo de produção de suas análises. No entanto, esta abordagem pode introduzir o viés humano e levar a resultados imprecisos. Uma abordagem melhor é permitir que o ML avalie primeiro todos os dados e, em seguida, destaque os achados visualmente com narrativas descritivas. Em seguida, o especialista inicia suas análises com base no que os dados estão dizendo a eles.
No exemplo abaixo, um novo conjunto de dados é analisado pelo recurso integrado de ML, insights automáticos, que encontrou vários padrões e tendências nos dados que o especialista talvez nunca tenha considerado. Em seguida, um único clique adiciona essas descobertas à tela da pasta de trabalho. Isso oferece suporte a uma abordagem orientada por análise para contar histórias de dados e apresenta insights que podem ter sido perdidos.
Usuários comuns que usam insights automatizados:
usuários de negócios, cientistas de dados de cidadãos
Os usuários que estão familiarizados com diferentes tipos de algoritmos de machine learning e seus dados podem usar fluxos de dados no estilo "clique e arraste" para criar, ajustar, testar e publicar modelos personalizados de machine learning para conduzir suas análises preditivas, sem precisar codificar. Esses modelos de ML especificamente desenvolvidos criam previsões mais precisas para casos de uso específicos do que para casos genéricos.
O primeiro passo é treinar e testar o modelo de ML. Para isso, o usuário conecta uma origem de dados histórica com resultados conhecidos, escolhe o algoritmo de ML apropriado e define os parâmetros para esse caso de uso específico. O modelo é então testado em relação a novos dados para determinar a precisão. Se as previsões do modelo forem aceitáveis, ele poderá ser divulgado para um público mais amplo. Os modelos publicados podem ser executados por qualquer usuário em novos conjuntos de dados. Esse método de criar e testar modelos de forma centralizada garante que as pessoas com o treinamento e a experiência certos estejam criando modelos confiáveis. Além disso, fornece acesso fácil para a maioria dos usuários, removendo a dependência da TI para executar os modelos em seu nome.
Usuários comuns que treinam modelos de ML sem código:
cientistas de dados cidadãos, usuários avançados
Existem muitos tipos de machine learning, o que impede que as plataformas analíticas incluam tudo. Em vez disso, plataformas analíticas extensíveis permitem a integração com outros serviços de IA, expandindo assim as ofertas de ML disponíveis para usuários de análise. Os usuários da plataforma analítica talvez nem estejam cientes de que estão usando um outro serviço que fornece essa funcionalidade.
Por exemplo, se a classificação de imagem ainda não estiver incorporada à plataforma de análise, ela poderá ser integrada a soluções de análise para que os usuários possam fornecer novos conjuntos de dados, processá-los pelo serviço estendido e, em seguida, ter os resultados renderizados em seu painel. O exemplo mostra imagens que foram classificadas no Oracle Cloud Infrastructure (OCI) Vision com os resultados renderizados na Oracle Analytics Cloud.
Usuários comuns que integram serviços de ciência de dados:
cientistas de dados, cientistas de dados de cidadãos, especialistas em aplicações de TI
As aplicações analíticas são usadas para a análise direcionada de funções de negócios, como Oracle Analytics for HCM ou Analytics for ERP. Essas aplicações analíticas usam os métodos de machine learning descritos acima, mas fornecem modelos de ML pré-construídos para casos de uso específicos. Por exemplo, um aplicação de análise de ERP pode fornecer ML pronto para uso para previsão de pagamento no prazo ou detecção de anomalias de despesas, enquanto uma aplicação de análise de HCM pode fornecer modelos, como previsão de rotatividade de funcionários.
Usuários comuns:
usuários de negócios departamentais, especialistas de negócios
O machine learning incorporado à análise é um recurso poderoso para ampliar o processo de análise que evoluiu rapidamente com a computação em nuvem. Ele pode fornecer análises preditivas e identificar padrões, tendências e correlações em dados que, de outra forma, passariam despercebidos. Os modelos de ML também ajudam a reduzir o viés não intencional e permitem que as partes interessadas tomem decisões melhores e mais assertivas. Boas plataformas de análise fornecem recursos de ML em todos os níveis de usuários, facilitando o uso do ML em suas análises, independentemente de sua capacidade técnica.
Com plataformas de análise modernas, iniciar sua jornada com ML é mais fácil do que você imagina. O ML não substitui seus processos analíticos atuais, mas os amplia, recomendando novas opções que podem levar a melhores decisões de negócios.