Previsões de Longo Prazo vs. Curto Prazo em Machine Learning

Ao construir um modelo de machine learning, uma das questões mais frequentes é se deve optar por previsões de longo ou curto prazo. Por outras palavras, deverá desenvolver um modelo que preveja um evento amanhã ou num mês?

Este artigo ajuda a esclarecer este processo crítico de tomada de decisão. Apresentamos uma abordagem estratégica que simplifica o desafio de selecionar o horizonte temporal ideal para as previsões, o qual é determinante para a precisão das previsões em modelos de machine learning.

Qual Deve Ser o Horizonte Temporal das Suas Previsões?

Ao explorar previsões em modelos de machine learning, a primeira questão que surge é: "Qual deverá ser o horizonte temporal das minhas previsões?" Por exemplo, se está a prever a procura de determinados produtos, deverá fazer uma previsão para a próxima semana, trimestre ou ano?

A resposta é simples: geralmente prevemos melhor eventos de curto prazo do que eventos que ocorrem longe no futuro. Isto acontece porque, quanto maior o horizonte temporal, mais incerteza e desconhecidos introduzimos, que se traduzem numa qualidade preditiva inferior.

O Compromisso Entre Previsões de Longo e Curto Prazo

Quando decide qual o horizonte temporal para as previsões do seu modelo de machine learning, é importante considerar o compromisso entre operacionalidade e precisão.

Vejamos em detalhe.

À medida que o horizonte de previsão aumenta, a operacionalidade do modelo também aumenta. Por exemplo, se está a prever a procura um ano à frente e o seu ciclo de produção demora um mês, pode fazer uma ampla variedade de ações, desde negociar preços com os seus fornecedores até dimensionar corretamente a sua equipa operacional.

Mas há uma ressalva: este aumento de operacionalidade acontece à custa do poder preditivo, já que geralmente temos dificuldade em prever eventos a longo prazo. Além disso, para fazer estas previsões a longo prazo, seria necessário muitos dados — para uma previsão anual, precisaria de dados de pelo menos o ano anterior.

Se acredita que a sua empresa tem um modelo de IA menos que perfeito num contexto empresarial, considere ler este artigo sobre Como Rentabilizar Modelos de IA Imperfeitos: Um Guia para Decisores Empresariais

Qual É o Horizonte Temporal Ideal para o Seu Modelo?

O horizonte temporal ideal é aquele com o horizonte de previsão mais curto onde ainda mantém elevada operacionalidade.

Comece por questionar-se: Qual é o período mais curto no qual as previsões podem ainda impactar significativamente as suas decisões empresariais? Por exemplo, uma previsão com horizonte de um mês é o seu horizonte ideal se o seu processo de produção demora um mês. Dá-lhe tempo suficiente para ajustar com base na previsão, sem se aventurar demasiado longe no futuro incerto.

Este conceito de previsões de longo vs. curto prazo não é exclusivo ao tempo, mas também se aplica à forma como direta ou indireta é a ação que está a prever. Por exemplo, se está a desenvolver um sistema de recomendação num site de e-commerce, as suas previsões poderão incluir ações imediatas como um utilizador clicar num produto ou adicioná-lo ao carrinho.

Conclusão

Em resumo, o compromisso entre operacionalidade e poder preditivo é crucial ao decidir entre previsões de longo e curto prazo em modelos de machine learning.

O nosso conselho? Escolha sempre o horizonte de previsão mais curto que lhe permita tomar medidas significativas. Esta abordagem ajudará a tirar o máximo proveito do seu modelo de machine learning e contribuirá para uma tomada de decisões informada e um impacto empresarial positivo das previsões de machine learning.

eBook Gratuito: Como transformar o seu negócio com IA

Descarregue o nosso eBook e descubra os erros mais comuns na implementação de projetos de IA e como evitá-los.

Envie-me o eBook

Obtenha Conteúdo Adicional!

Nome(Obrigatório)

E-mail(Obrigatório)

submitting form agree policy(Obrigatório)

Ao submeter este formulário concordo com os Termos e Política de Privacidade.

E-mail

Este campo destina-se a fins de validação e deve ser deixado inalterado.

Envie agora!