O termo previsão é frequentemente usado para se referir a um palpite ou opinião informada. Para compreendermos melhor, vamos seguir um roteiro. Este roteiro é baseado no Cross Industry Standard Process for Data Mining, ou CRISP-DM, que é um método bastante utilizado para planejar e executar projetos de ciência de dados.
Em nosso roteiro, existem seis etapas e descreverei brevemente o que acontece em cada etapa aqui.
1- Compreensão do negócio
É muito importante ter uma compreensão do problema que você está tentando resolver e as vantagens que essa solução trará para o cliente. Um barco à deriva, sem direção ou destino não chega a lugar algum. Então, precisamos de um destino, um objetivo. Por exemplo, qual será o número de vendas de um produto no próximo trimestre? Antes de trabalhar em um projeto, defina seu objetivo.
2- Compreensão dos dados
Você deve estar familiarizado com seus dados antes de poder trabalhar com eles. Se você não tiver dados suficientes para esse problema, é fundamental entender os tipos de dados disponíveis e fazer um plano para selecionar os dados a serem coletados. Dessa forma, você saberá como processá-los para as suas previsões.
3- Preparação dos dados
Nesse estágio, é importante garantir que os dados possam ser processados pelos modelos de previsão. Você pode preparar dados manipulando valores ausentes, processando os valores discrepantes (outliers) e aplicando técnicas de normalização ou padronização. E, finalmente, por vezes será necessário transformar dados categóricos em dados numéricos, pois a maioria dos modelos aceita apenas dados numéricos.
4- Modelagem
É quando todo o seu trabalho duro pode ser colocado em prática fazendo as previsões. Você precisa dividir os dados em dois gupos: teste e treinamento. Use dados de treinamento para treinar o modelo e, em seguida, use os dados de teste para avaliar a qualidade do modelo.
5- Avaliação
O próximo passo é testar para ver se o modelo fez um bom trabalho usando os dados de teste. Existem diferentes métodos de avaliação que você pode usar para prever o sucesso do modelo. Às vezes, a avaliação ajuda você aperceber que o seu modelo não foi bem-sucedido. Nesse caso, você deve voltar ao estágio de modelagem. Muitas vezes, nesse processo, você ficará alternando entre os estágios de modelagem e avaliação.
6- Implantação
Finalmente, nessa etapa todo o seu trabalho duro pode ser implantado, porque você encontrou o modelo adequado para resolver o problema com os dados disponíveis.
Conclusão
Muitas vezes este mapa não é uma linha reta. Teremos muitas idas e vindas, especialmente nas partes de avaliação e modelagem, onde teremos que voltar e melhorar a previsão para obter uma pontuação de avaliação mais alta.
Tenha em mente que as métricas de avaliação são úteis, mas no final das contas, há também um aspecto humano, a opinião de especialistas no assunto, que precisa ser levado em consideração antes de fazer qualquer avaliação final importante. Então, se você estiver pronto, vamos começar nossa jornada nessa trilha de previsão.