O mundo em crise: já parou para pensar como a Ciência de Dados mudou com a Pandemia do COVID-19?
Na história da humanidade, tivemos momentos de crise que modificaram a nossa sociedade de forma profunda: as duas guerras mundiais, a crise de 1929, o atentado às torres gêmeas em 2001, etc. A cada momento como o que passamos atualmente, nossos padrões estruturais mudam, e “outliers” acabam se tornando tendência, modelando e impactando nossos padrões comportamentais e indicadores de negócios. Estes que no passado nos forneciam inteligência e direcionamentos, hoje, tornam-se inverossímeis indicadores míopes que podem no guiar erroneamente.
Um exemplo clássico deste tipo de “guinada 180º” é o colapso do mercado financeiro em 1929, fruto de um modelo de produção pautado na criação de estoques sem planejamento referente a capacidade de absorção do mercado e nem os infinitos reveses globais que impactam essa capacidade de absorção.
Uma coisa é certa: quem não aprende com o passado, está fadado a repetir o fracasso no futuro.
O covid-19 está mudando o formato das tomadas de decisão
Embora o desastre de 29 já fosse algo previsível, assim como o COVID-19 e o potencial colapso dos sistemas de saúde, a grande maioria do público não se ateve aos sinais, e tememos que o mesmo esteja sendo feito agora com a esfera da ciência de dados.
O que estamos atualmente passando com a pandemia do Coronavirus está mudando rapidamente nossa sociedade, economia e, principalmente, nossos padrões de consumo e comportamento. Acredito que muitos dos que estão lendo estão em processo de adaptação ou já se adaptaram ao home-office, e estão seguindo as recomendações da Organização Mundial de Saúde, certo? Pois bem, já pararam para pensar que o “você hoje” é diferente de “você antes disso tudo”? Já parou pra pensar que além do home-office, você mudará drasticamente outros comportamentos do seu cotidiano?
Precisamos rever nossas estratégias
Mas o que isso significa então? O que isso tem a ver com ML?
Modelos matemáticos de machine learning são, em muitas organizações, as lentes dos óculos pelas quais as visões estratégicas dos departamentos de inteligência e B.I predizem o comportamento do mercado para desenvolvimento de táticas e estratégias que guiarão o rumo das ações de todos os departamentos, em direção ao sucesso da organização.
As soluções de Machine Learning se baseiam em dados amostrais do passado para entender padrões e predizer possíveis cenários futuros. Com isso, mudanças profundas nas variáveis que são utilizadas nessa dinâmica afetam as respostas, uma vez que a ótica dos algoritmos e a forma com que os dados foram modelados remetem-se a uma outra realidade.
Séries históricas (vendas, acessos, ticket-médio, quantidade de horas assistidas em mídias digitais, etc), que antes possuíam padrões estáveis, podem ter rupturas que modificam sua estrutura original, e essas quebras podem acontecer de uma fase pré, durante e após um evento de pandemia. Ou seja, existe a possibilidade de mais de uma mudança.
Algoritmos e indicadores que antes representavam nossa realidade podem ser impactados diretamente e se tornarem obsoletos antes do tempo previsto, em outras palavras, os dados podem acabar apontando o caminho errado se nada for feito para atualizar seu modelo em relação à nova realidade.
Exemplos:
1 — Uma rede neural que previa valores futuros de vendas baseada nos últimos 6 meses de dados começará a divergir do valor previsto e do valor real, uma vez que a tendência de vendas e as variáveis consideradas na predição não levavam em consideração uma crise global.
2 — Um algoritmo de churn prediction em uma empresa de telecomunicações pode se tornar pouco assertivo, uma vez que não se esperava a mudança brusca de consumo que seus clientes passaram a ter ao permanecerem em suas casas, ou mesmo uma desaceleração inesperada da economia.
O que inevitavelmente irá acontecer é: a revisão sistemática de muitas soluções que já estão em fase produtiva, mas que por todos os motivos citados anteriormente perderam seu potencial preditivo e pereceram devido ao novo cenário brasileiro e global.
Dicas para manter tudo em ordem
Muita atenção agora em alguns pontos que podem ser vitais para que o seu vagão não saia do trilho.
Existem algumas diretivas que vão se tornar vitais nesse período:
- Se não existe acompanhamento ainda das métricas de modelo e de negócio, é primordial que isso seja feito o quanto antes
- Reavalie as features escolhidas e possíveis novas variáveis externas que podem adequar o modelo à nova realidade
- Revise a modelagem utilizada e o possível viés que um evento atípico pode trazer nos resultados. Ex.: Idosos em grupos de risco deixando de consumir produtos em momentos de resguardo podem ser prejudicados em algoritmos de risco de crédito
- Revise a periodicidade e granularidade das variáveis que o(s) modelo(s) utiliza(m). Por exemplo, se a solução utiliza as vendas diárias dos últimos 6 meses, provavelmente o último mês será impactado e causará uma ruptura e possível degradação
- Considere criar modelos diferentes para períodos antes, durante e após mudanças estruturais de dados, além de avaliá-los
- Avalie a frequência de treinamento. Ex. Se um modelo costumava a ser atualizado a cada mês, talvez seja melhor aumentar essa frequência em dias, horas ou mesmo optar por algoritmos de aprendizado on-line
Por fim, é importantíssimo à você, que se utiliza de modelos matemáticos para produção de inteligência na predição de comportamento para tomada de ações e desenvolvimento de estratégias, faça a revisão de seus modelos, uma vez que as lentes dos teus óculos possam estar começando a ficar “embaçadas” sem você notar.
Artigo escrito por:
Danilo C. M. Segura — Lead Data Scientist @DataSprints
André Gortari — Data Project Manager @DataSprints
