Modelos prognósticos

Modelos prévios são algoritmos que avaliam valores ou eventos futuros baseados em dados históricos. Eles são a base dos analistas de alimentos, gestão de risco, marketing, antifrode e otimização operacional. A seguir, um guia prático que vai da escolha da formulação da tarefa à operação e controle de qualidade.

1) Formulação de tarefas e sinais

Regressão: previsão de valor contínuo (LTV, valor do depósito, valor do cheque).
Classificação: probabilidade de evento (saída do cliente em 30 dias, frod/não frod).
Classificação: organizar os objetos por relevância (recomendações).
Filas de tempo: previsão de calendário (tráfego, carga, receita).
Survival/horário anterior ao evento: estimativa de tempo antes de saída/novo pagamento.
Modelagem Uplift: aumento do efeito da exposição (que tipo de ação realmente altera o comportamento).
Vários estados/eventos simultaneamente.
Modelos Baieses e Prováveis: previsões com incertezas evidentes.

2) Dados e preparação

Grãos e janela de observação: identifique uma unidade de previsão (usuário/sessão/dia) e uma «janela» honesta de coleta de sinais até o momento da previsão.
Variável alvo: definição clara, horizontes (7/30/90 dias), exclusão de fugas futuras.
Sinais: unidades por janela (7/30/90), frequências comportamentais, sequências, encodings categóricos, interações, estatísticas por segmento.
Qualidade dos dados: omissões, emissões, duplicados, mudança de padrão, consistência das marcas de tempo.
Equilíbrio de classes: strata, pesagem, oversampling/undersampling - com cuidado para não fazer deslocamento.

3) Seleção de algoritmos

Lineares básicos: regressão linear/logística, regulação (L1/L2/Elastic Net) - rápida, interpretável.
Árvores e conjuntos: Random Forest, Gradien Boosting (XGBoost/LightGBM/CatBoost) - bazlins fortes.
Neuroseti: MLP/Seq2Seq/Transformer para patterns complexos (textos, sequências, filas de tempo).
Filas de tempo: ARIMA/ETS, Prophet, Gradien Boosting com lajes, DeepAR/N-BEATS/Temporal Fusion Transformer.
Uplift: abordagem de dois modelos, T-Learner/S-Learner/X-Learner, árvores de causa.
Survival: Cox, AFT, Random Survival Forests.
Bayess: GLM/modelos hierárquicos com repartições áureas.

Prática: comece com um basline simples e reproduzível, e adicione a dificuldade apenas com ganhos tangíveis em métricas e estabilidade.

4) Separação e validação

Temporal CM: para tarefas com tempo - cortes de datas (rolling/expanding windows).
Para classes desequilibradas.
Validação de grupo: Não permita «vazamentos» entre grupos (user _ id, campaign _ id).
Out-of-time teste: teste final para o período «futuro».
Basline: ingênuo (último valor, médio), frequência, simples logrega - para medir o valor real.

5) Métricas de qualidade

Classificação: ROC-AUC, PR-AUC (importante para eventos raros), logloss, Bryer score, Fórmula, precisão/recall @ k, lift/NDCG.
Regressão: RMSE/MAE/MAPE, sMAPE, R ², quantile loss (para percentilos).
Filas de tempo: MAPE/sMAPE/MASE, Pinball loss (previsão de quanta).
Survival: Concordance index, Brier para o tempo-antes-evento.
Uplift: Qini, uplift@k, AUUC.
Métricas de negócios: lucros incorporados, usuários retidos, redução de frota, SLA de precisão.

Recomendação: mantenha sempre dois níveis de métricas - «qualidade ML» e «efeito de negócio».

6) Calibragem e liminares

Calibragem de probabilidade: Platt, isotonic, temperatura escaling.
Escolha um limite para fins de negócio (lucro máximo/limitação de falsos custos), custo/multa.
Estabilidade do limiar: monitoramento com base na variação da distribuição.

7) Interpretabilidade e explicabilidade

Global: A importância dos sinais (gain, permutation), PDP/ICE, SHAP-Resumo.
Local: SHAP/LIME para explicar a decisão sobre o objeto.
Caveat: A interpretação é uma ferramenta para validar hipóteses e credibilidade, e não uma «verdade» absoluta.

8) Implantação de combate

Serving: online (REST/gRPC, atraso baixo) e batch (hora/dia).
Versioning: modelos, dados, esquemas e fichas (registry).
Fichadores: coerência online/offline, ponto-in-time correto.
Controlo de atrasos: orçamento para extração de sinais, inferência, pós-processo.
Fail-safe: regras em default, degradação a beisline, timeout e retrai.
A/B e rollout gradual: lançamentos canários, shadow/inference mirroring.

9) Monitoramento e deriva

Qualidade: métricas em venda (ROC-AUC/PR-AUC em editoras atrasadas, KPI de negócios).
Distribuição PSI/JS-divergence/KL, à deriva de sinais e alvo.
Data Health: proporção de omissões, cardealidade de categorias, espólios, atrasos de piplins.
Alerting e SLO: liminares, runibucos (o que fazer em caso de degradação).
Retrening: agendado, desencadeado à deriva, sazonal; controle de regressão de qualidade.

10) Segurança, complacência e ética

Privacidade: minimização de dados, pseudonimização, controle de acesso.
Justiça: verificação de bias por segmento (falso positivo/negativo rate), correção de sample/limiar.
GDPR/normas locais: metas de processamento, prazo de armazenamento, direito de explicação.
Auditoria e reprodução: rastreamento de versões, montagens reproduzidas, registro de soluções.

11) Modelos para malas típicas

Saída (churn): classificação binária; métricas - PR-AUC, teste uplift para campanhas de retenção; conclusão - priorização de off.
Antifrode: classificação de alto equilíbrio; métricas - PR-AUC, recall @ low-FPR; restrições latencas rigorosas.
LTV/ARPU: regressão ou regressão quântil; recalibragem regular.
Previsão de carga/receita: filas temporárias; conjunto de modelos estatísticos e ML; sazonalidade e feriados como fici.
Recomendações pessoais: classificação/matrifactorização/modelo seq; atualizações online e exposição (mult-armed bandits).

12) Processo (ML Lifecyple)

1. Problema e KPI 2. Dados e fichas 3. Basline → 4. Modelos e seleção →

2. Calibragem e liminares 6. Validação e A/B → 7. Serving e monitorização → 8. Retrening/evolução.

Cada etapa é documentada com esquemas de dados, configs de treinamento, versões de artefatos, resultados de experiências.

13) Engenharia de sinais (breve)

Unidades: montantes/médios/quanteis pelas janelas.
Contadores e frequências: conversões, raras categorias.
Lajes e tendências temporárias, delta, suavizações exponenciais.
Encoding de categorias: target/stats encoding (com vazamentos com cuidado), WoE, one-hot/Hasing.
Textos e eventos: TF-IDF, embeddings, sequence-fici.
Lógica de negócios: sinais de domínio (por exemplo, «dias com o último pagamento»).

14) Gerenciamento de experiências

Tracking, métricas, parâmetros, artefactos, datasets.
Hiperparâmetros: processo Baies, random/grid search, paragem precoce.
Controle de fichas: catálogo de data, contrato de esquema, testes de compatibilidade.

15) Folha de cheque antes de vender

Não há fuga de futuro; validação temporária correta
As métricas são resistentes a mudanças; há um teste OOT
Calibragem verificada; Limite de negócios selecionado
Documentação de fichas e contratos de dados
As funções de degradação e alertas estão configuradas
Plano de retrening e critérios de paragem
Verificações legais e éticas superadas

Mini-glossário

À deriva de distribuição: alteração das estatísticas de dados/alvo no tempo.
Calibragem: probabilidade de ocorrência real.
Uplift: previsão da diferença de efeito entre «processados» e «verificados».
Teste OOT: teste de modelo em um período completamente invisível durante o treinamento/validação.

Resultado

O modelo prévio não é apenas um algoritmo, mas um processo: uma tarefa adequada, disciplina de dados, validação rigorosa reproduzida por deplotas-pipas, monitoramento e ética. Seguir o ciclo descrito reduz o risco de «belas métricas em off» e aumenta o valor real do produto.

Modelos prognósticos