programacao estatistica - Estudo de Caso N1

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/