Soluções · Análise e decisão

Inteligência para decisões

Preparar decisões com sinais, cenários, restrições e consequências visíveis.

Numa página

Modelos e sistemas para classificar, priorizar, antecipar, comparar cenários e trazer evidência em situações concretas e avaliáveis.

01Modelos que ajudam a decidir sem fingir que substituem a decisão. Construímos sistemas de classificação, priorização, previsão e comparação de cenários em torno de decisões concretas.
02Da previsão à decisão. O modelo estima; o sistema decide como utilizar essa estimativa.
03Otimização. Quando existem várias alternativas e restrições, não basta antecipar o que vai acontecer.

Modelos que ajudam a decidir sem fingir que substituem a decisão.

Construímos sistemas de classificação, priorização, previsão e comparação de cenários em torno de decisões concretas.

Antes de selecionar um método representamos a situação que a organização quer melhorar:

Da previsão à decisão

O modelo estima; o sistema decide como utilizar essa estimativa. Pode ordenar casos, comparar cenários, propor uma ação, ativar uma revisão ou abster-se. Essa tradução precisa de objetivos, custos de erro, restrições e um sinal posterior com o qual avaliar o resultado.

Otimização

Quando existem várias alternativas e restrições, não basta antecipar o que vai acontecer. Também pode ser necessário escolher uma atribuição, uma sequência ou um compromisso entre objetivos. Integramos previsão e otimização quando ambas as funções fazem parte da mesma decisão.

Uma decisão útil não termina ao produzir um score. Precisa de um limiar, de uma política, de uma pessoa ou de um processo que saiba o que fazer com ele, e de um sinal posterior que permita aprender se o resultado melhorou.

Começar pela decisão que se toma hoje

Perguntamos que decisão se toma hoje, quem a toma, que alternativas existem, que informação se conhece nesse momento, que informação chega depois, que objetivo se quer melhorar, que restrições devem ser respeitadas, que custo tem cada tipo de erro, que capacidade tem o processo para atuar sobre a recomendação e que resultado permitirá aprender.

Esta representação impede que o projeto otimize uma métrica técnica desligada do uso. Uma previsão de maior precisão pode revelar-se menos útil se chegar tarde, se exigir dados que ainda não existem, se produzir demasiados casos para rever ou se concentrar os erros em situações de alto impacto.

Baselines que representam o trabalho atual

A comparação principal é a forma como a organização decide hoje: uma regra, um limiar, uma heurística, uma média histórica, um modelo já em produção, o critério de uma equipa ou uma política de atribuição.

O novo sistema é comparado nas mesmas condições de informação, tempo e capacidade. Uma melhoria técnica adquire valor quando se traduz numa decisão mais bem preparada, mais consistente, mais rápida, mais barata ou mais segura.

Incerteza e calibração

A incerteza faz parte da saída. Trabalhamos para que uma probabilidade de setenta por cento tenha um significado empírico consistente dentro do âmbito avaliado, e observamos a calibração por segmentos, horizontes e períodos.

A incerteza pode ser utilizada para ajustar limiares, encaminhar casos, pedir informação, escolher outro modelo, mostrar um intervalo, reduzir o alcance, abster-se ou solicitar critério humano.

Políticas, capacidade humana e resultado posterior

A política define que ação corresponde a cada intervalo, que restrições prevalecem, que casos precisam de revisão, que capacidade existe, o que acontece quando faltam dados, quando é atualizada, o que se regista e como se reverte. Permanece examinável e versionada: uma mudança no modelo não modifica silenciosamente a autoridade ou o percurso.

Depois da entrada em produção observamos qualidade preditiva, calibração, deriva, latência, custo, decisões humanas, correções, taxa de utilização e efeito operativo. A otimização torna explícitos objetivos e restrições e permite comparar as consequências de prioridades diferentes.

Esta solução aplica machine learning, otimização e modelos de decisão dentro da inteligência operacional: o sinal entra num percurso que conserva estado, autoridade e verificação.

O que construímos

01DefinirRepresentamos a decisão, as suas alternativas, as suas restrições e o seu horizonte temporal.
02AprenderUtilizamos machine learning, estatística ou regras consoante o tipo de informação e a natureza do problema.
03CompararAvaliamos alternativas, cenários, incerteza e sensibilidade.
04IntegrarIncorporamos o modelo dentro do processo em que os seus resultados podem ser utilizados.
05ObservarVerificamos como se comporta com dados novos e como afeta a decisão real.

Capacidades habituais

Classificação, ranking, forecasting, deteção de anomalias, scoring, recomendação, otimização e análise de cenários.

Escolhemos regras, modelos estatísticos, machine learning ou otimização consoante a natureza do dado, a estabilidade do fenómeno, o custo de cada erro e a forma como a decisão poderá ser avaliada.

01que decisão precisa de melhorar?
02que informação está disponível quando é tomada?
03que custo tem cada erro?
04que parte exige critério humano?
05como saberemos se o sistema melhora realmente o resultado?

O sistema por dentro

Maturidade · Operacional

Como se organiza: Representamos primeiro a decisão: alternativas, informação realmente disponível no momento de decidir e custo de cada tipo de erro. Sobre essa representação treinamos modelos tabulares — habitualmente gradient boosting — ou aplicamos regras quando a condição é explícita. A saída entra no processo como um sinal acompanhado da sua incerteza, não como uma ordem.
O que pode examinar-se: Podemos mostrar o caderno de avaliação sobre dados públicos ou sintéticos, com curvas de calibração, matriz de custos e importância de variáveis. Também o diagrama de onde entra a previsão no fluxo e de quem decide depois dela.
Como se verifica: Avaliamos com validação temporal para não deixar passar informação futura, e comparamos sempre com a regra ou o critério que hoje se aplica, e não com o acaso. Depois da entrada em funcionamento acompanhamos calibração e deriva com os dados novos.

Condições e limites

Um modelo treinado sobre decisões passadas herda os seus enviesamentos, pelo que mantemos revisão humana nos casos de maior custo. Quando o fenómeno muda de regime, o desempenho cai antes de as métricas o assinalarem. O sistema descreve associações: não produz explicações causais.