Baixe o app para aproveitar ainda mais
Prévia do material em texto
Estudo de Caso Banco BHC, na cidade de Belo Horizonte, Minas Gerais, que atua como prestadora de serviços. Analisando o contexto da instituição e de seus anseios, e o que ela objetiva alcançar. As análises, por meio do algoritmo R, e a técnica de machine learning deverão ser geradas a partir dos dados da empresa. Machine Learning em R O aprendizado de máquina é um ramo da ciência da computação que estuda o projeto de algoritmos capazes de aprendê-los. As atividades típicas de aprendizado de máquina são aprendizado conceitual, aprendizado funcional ou "modelagem preditiva", agrupamento e localização de modelos preditivos. Por exemplo, essas tarefas são aprendidas por meio de dados disponíveis observados por meio de experiência ou educação. O aprendizado de máquina espera que a inclusão de experiência na lição de casa melhore o aprendizado. O objetivo final é melhorar e automatizar o aprendizado para que humanos como nós não tenham que interferir. A linguagem R é baseada na linguagem de programação S criada na década de 1970. Criado na década de 1990 como uma alternativa ao código aberto, o OR é popular entre cientistas e estatísticos e é usado principalmente como uma ferramenta prática para análise exploratória interativa de dados. A linguagem R, ao contrário do que geralmente se acredita, é uma linguagem de programação que permite criar scripts e empacotá-los como bibliotecas, para que você não fique limitado a sessões repetitivas. As soluções baseadas em script fornecem resultados mais consistentes e confiáveis do que os fluxos de trabalho tradicionais que exigem muita interação manual com a interface gráfica do usuário. A linguagem R é uma linguagem de programação tipada dinamicamente. Ou seja, você pode alterar os tipos de dados contidos nas variáveis nos programas em execução. Isso melhora o programa, eliminando a necessidade de conversões de tipo de dados. Aplicações de Machine Learning para aprovação de crédito O crédito é um grande negócio que tem impacto direto e indireto em quase todos os setores da economia. Segundo o Banco Central, o saldo de crédito operacional do sistema financeiro atingiu 3,1 trilhões de rands em junho de 2018. Nesse período, a oferta de crédito do sistema financeiro atingiu 3,1 trilhões de reais, num total de 312 bilhões de reais. A dívida é um grande negócio. Com dezenas de milhões de pessoas detendo trilhões de empréstimos reais, qualquer tecnologia pode melhorar ligeiramente os lucros ou a participação de mercado das empresas que detêm os empréstimos. Ambos valem a pena. .. Como resultado, bancos e empresas iniciantes da indústria estão constantemente procurando maneiras de inovar, e é exatamente isso que a IA faz. Basicamente, o crédito é sobre previsão de aprendizado de máquina e seleção natural. Uma parte do valor do empréstimo está vinculada à qualidade de crédito do indivíduo ou empresa que fez o empréstimo. Quanto mais dados disponíveis sobre tomadores individuais (e como indivíduos semelhantes pagaram no passado), mais precisamente sua qualidade de crédito pode ser medida. Até agora, os credores analisaram apenas algumas métricas, como o valor das garantias (carros, residências, empresas, obras de arte, etc.), mas os negócios incluem o uso de contas de mídia social e da internet. . Navegação, geolocalização e outras informações em seu smartphone para determinar a probabilidade de inadimplência. O aprendizado de máquina permite que você analise todas essas fontes de dados, geralmente atingindo milhares de propriedades do mutuário, para tomar decisões consistentes. Uso da Análise Preditiva no processo de cobrança e análise de crédito Para enfrentar a concorrência do mercado, os gerentes precisam conhecer e implementar novas táticas. No setor financeiro, essa necessidade é ainda mais evidente. Para garantir a viabilidade operacional, a tecnologia pode (e deve!) Ser aplicada a processos industriais. Utilizando técnicas preditivas, as operações obtêm recursos, por exemplo, para realizar análises de crédito de clientes. Dessa forma, você pode evitar taxas de inadimplência muito altas e tornar as concessionárias mais confiáveis e acessíveis. Outra aplicação possível está sendo renegociada, facilitada pela disponibilidade de ferramentas que permitem centralizar e organizar os dados, cruzá-los com perfis de consumo, e também formatar o plano mais atraente e eficaz. Agora que entendemos o conceito um pouco melhor, vamos examinar mais de perto os benefícios da aplicação de técnicas de análise preditiva às operações de coleta. Usando big data e técnicas de análise preditiva, as equipes de finanças podem prever os riscos associados ao crédito de clientes com critérios e critérios mais rígidos. Como resultado, as decisões costumam ser mais precisas, autonomia organizacional e fluxo de caixa saudável. Em segundo lugar, a equipe em questão não teria que carregar uma carga de trabalho pesada se a tecnologia analítica fosse retirada das operações diárias. Desta forma, você pode dedicar tempo a atividades de valor agregado que contribuem diretamente para a otimização de recursos e potencial operacional. Qualquer empresa que queira ser competitiva deve trabalhar duro todos os dias para reduzir o risco operacional em seus negócios. Nesse contexto, a ciência de dados com a tecnologia é certamente uma importante aliada. Ao disponibilizar métodos específicos de análise preditiva, os gestores atuam de forma a minimizar os transtornos que podem impactar mais ou menos a sustentabilidade da empresa. Você está intrigado com o assunto deste artigo? Você gostaria de continuar acessando conteúdo de qualidade neste tópico? Siga-nos em nossa página do Facebook para se manter atualizado. Análise preditiva, análise de crédito, cobrança Machine Learning na compreensão dos dados Ao mesmo tempo, ainda existem muitos mal-entendidos e dúvidas sobre isso, principalmente no que se refere à interpretabilidade dos resultados. Afinal, o que acontece em um algoritmo ao analisar uma variável, como você prioriza um dado sobre outro e como você interpreta e produz um resultado consistente e assertivo? Na realidade, o aprendizado de máquina tem um grande potencial para melhorar produtos, processos e pesquisar e resolver problemas do mundo real, mas nem sempre é claro explicar como os algoritmos existem no mundo real. A máquina faz a previsão. E isso pode ser uma barreira para a adoção da tecnologia . . Para entender melhor esse tópico, conversamos com a cientista de dados da UniSoma, Monica Quast. Monica é bacharel em Ecologia pela Unicamp e bacharel em Biologia e Estatística. Estamos desenvolvendo aplicativos de aprendizado de máquina para prever a evasão de alunos do ensino superior, prever as necessidades de diferentes disciplinas e classificar as variantes relacionadas à epilepsia. Contribuição para a Tomada de Decisões A predição baseada no aprendizado de máquina é baseada na evolução dos modelos estatísticos tradicionais com recursos explicativos. Isso significa que podemos não apenas gerar previsões, mas também interpretar o modelo para destacar os fatores que estudamos e que mais contribuíram para as observações. Por exemplo, considere investir em vários canais de marketing para avaliar as vendas de produtos. Modelos estatísticos tradicionais podem mostrar quais canais são mais importantes, priorizar investimentos e orientar a tomada de decisões. No entanto, essa previsão não é tão precisa quanto um modelo de aprendizado de máquina, especialmente ao lidar com problemas complexos onde muitos fatores interagem. Monica, por outro lado, explica que "os modelos de aprendizado de máquina podem ser difíceis de interpretar devido à sua complexidade, o que significa que são muito úteis para fazer previsões,mas difíceis de entender quando se tenta entendê-los. Entender a relação entre fatores e consequências “Parte da dificuldade de interpretação dos algoritmos de aprendizado de máquina se deve às chamadas caixas pretas ou caixas pretas que correspondem aos padrões. A imagem não pode ser interpretada. "Mesmo quando os dados são incluídos e as previsões são feitas, não sabemos o que está acontecendo lá dentro", explicam os cientistas. Ou seja, as previsões estão aí, mas não está claro como foram geradas e quais fatores têm mais impacto nos resultados. Isso ocorre porque é um modelo complexo que captura relacionamentos que não são necessariamente lineares. REFERENCIAS BIBLIOGRAFICAS Data Camp https://www.datacamp.com/community/tutorials/machine-learning-in-rCiência e Dados Dev Media https://www.devmedia.com.br/trabalhando-com-a-linguagem-r/33275 3 Dimensões https://www.3dimensoes.com.br/post/aplica%C3%A7%C3%B5es-de-machine-learning- para-aprova%C3%A7%C3%A3o-de-cr%C3%A9dito Blog RedCred https://blog.redecredauto.com.br/o-que-e-analise-preditiva-e-quais-seus-beneficios-nos- processos-de-cobranca/ Unisoma https://www.unisoma.com.br/machine-learning-e-a-interpretabilidade-dos-dados/ https://www.3dimensoes.com.br/post/aplica%C3%A7%C3%B5es-de-machine-learning-para-aprova%C3%A7%C3%A3o-de-cr%C3%A9dito https://www.3dimensoes.com.br/post/aplica%C3%A7%C3%B5es-de-machine-learning-para-aprova%C3%A7%C3%A3o-de-cr%C3%A9dito https://blog.redecredauto.com.br/o-que-e-analise-preditiva-e-quais-seus-beneficios-nos-processos-de-cobranca/ https://blog.redecredauto.com.br/o-que-e-analise-preditiva-e-quais-seus-beneficios-nos-processos-de-cobranca/ https://www.unisoma.com.br/machine-learning-e-a-interpretabilidade-dos-dados/
Compartilhar