Como funciona a Análise de Decisão dentro das empresas

Tomar decisões é um processo arriscado em qualquer empresa – mas a Ciência de Dados pode apontar caminhos mais seguros

Para quem não conhece, a Análise de Decisão é um método de tomada de decisão que basicamente envolve a identificação e avaliação de todos os aspectos de uma decisão, além da tomada de ações com base na decisão que produz o resultado mais favorável. Pode parecer simples, mas esta é uma ferramenta poderosa e complexa, que pode ser aplicada em diferentes contextos dentro da Ciência de Dados.

De maneira bem simples, o objetivo da análise de decisão é garantir que as decisões sejam tomadas com todas as informações e opções disponíveis. Isso se aplica a decisões de investimento, de lançamento de produtos, de mudança de estratégia, entre diversos outros exemplos. Assim, sendo uma forma de tomada de decisão, os fundamentos da análise de decisão podem ser usados para resolver uma infinidade de problemas, desde questões de negócios complexas até problemas simples do dia-a-dia. O que torna essa uma ótima solução para uso em um ambiente de dados. 

O que é e como funciona a Análise de Decisão

A Análise de Decisão é uma forma de centralizar todas as informações e variáveis possíveis antes de tomar uma decisão. Em geral, essa análise permite que as empresas avaliem e modelem os resultados potenciais de várias decisões para determinar o curso de ação a seguir. Para conseguir ainda mais eficácia, a ideia é entender os vários aspectos de um problema e, consequentemente, de sua solução, para tomar a decisão com o máximo de informações em mãos.

Nesse sentido, a Análise de Decisão envolve a compreensão de vários objetivos, resultados e incertezas, incluindo o uso de probabilidades para medir o resultado esperado de diferentes decisões. Uma das maneiras de fazer isso é enquadrar o problema de uma forma que permita uma análise mais aprofundada, e não apenas superficial. Esse enquadramento é normalmente a primeira parte da análise de decisão, e exige a criação de uma estrutura para avaliar o problema de várias perspectivas. Uma vez que essa estrutura é criada, um modelo passa a ser desenvolvido, a fim de avaliar os cenários mais favoráveis. Um exemplo deste tipo de estratégia são as chamadas Árvores de Decisão.

Árvores de decisão: a ciência de fazer escolhas

Assim, depois de criar uma estrutura para avaliar um problema, esses modelos são utilizados para avaliar os resultados de possíveis decisões. Vale dizer que modelos são representações visuais de resultados esperados, e servem para ilustrar determinadas decisões em comparação com outras alternativas. Um dos modelos mais comuns na Análise de Decisão são as Árvores de Decisão. Ou seja, modelos em forma de árvore que possuem “ramificações”, representando resultados potenciais para aquele problema.

Em geral, as árvores de decisão são usadas porque são simples de entender. Além disso, elas fornecem informações valiosas sobre um problema, assim como possíveis resultados, alternativas e probabilidades de cada tipo de decisão. Isso ajuda na avaliação de qual decisão poderá se tornar a mais favorável no futuro. Ou seja, dá uma indicação mais clara e assertiva de qual caminho seguir.

Assim, além de uma boa técnica com bons resultados, é também ótima abordagem para uma compreensão melhor de como funciona o aprendizado de máquina.

Assim como um fluxograma, a árvore de decisão estabelece nós (decision nodes) que se relacionam entre si por uma hierarquia. Existe o nó-raiz (root node), que é o mais importante, e os nós-folha (leaf nodes), que são os resultados finais. No contexto de machine learning, o raiz é um dos atributos da base de dados e o nó-folha é a classe ou o valor que será gerado como resposta.

Uma árvore pega emprestada uma noção de tomada de decisões que está muito presente em outras áreas, por isso, é mais acessível.

Encontrando o Valor Esperado 

Usando seu modelo de pesquisa e sua  Árvore de Decisão, você pode começar a calcular os valores esperados de cada opção. Nesse sentido, o valor esperado representa o resultado médio de cada decisão. Para concluir esta etapa, você deve atribuir valores monetários ou numéricos a cada resultado, e determinar a probabilidade de cada um. Dessa forma, você estará apto a tomar uma decisão mais assertiva. 

Em geral, para calcular o valor esperado, você precisa ter em mãos a probabilidade de cada resultado, assim como o valor resultante. Nesse caso, a fórmula para o valor esperado seria:

EV = (Probabilidade A * Retorno Esperado A) + (Probabilidade B * Retorno Esperado A)

Essa fórmula assume que uma decisão de negócios tem dois resultados. Ou seja, o sucesso ou o fracasso. Cada um é representado pela Probabilidade A ou B. Assim, o Retorno Esperado refere-se ao ganho ou perda esperado com cada resultado.

Como isso funciona na prática?

Certo, agora que entendemos o que é a Análise de Decisão e conferimos o modelo da Árvore de Decisão, vale explicar como isso funciona na prática. Ou seja, no dia a dia das empresas, especialmente quando há muitos dados envolvidos.

Tomamos como hipótese uma empresa de software, que está projetando e desenvolvendo um novo serviço para seus clientes. Contudo, o gerente precisa decidir se lançará o serviço no próximo mês ou aguardará mais seis meses. Para chegar à resposta, a empresa realiza pesquisas e descobre a probabilidade de sucesso para ambas as opções, juntamente com sua receita potencial. Ela também sabe quais são as probabilidades de falha e perdas correspondentes para cada opção.

Assim, é possível decidir entre duas opções. A primeira é lançar o serviço no próximo mês, com 55% de probabilidade de sucesso e receita potencial de US$ 250.000. Nesse caso, existe uma probabilidade de falha de 45%, e perda potencial de US$ 125.000.

Já a segunda opção é lançar o serviço em seis meses. Essa opção possui 65% de probabilidade de sucesso, com receita potencial de US$ 400.000. Já a probabilidade de falha é de 35%, e perda potencial de US$ 200.000.

Na sequência, a empresa precisa calcular o valor esperado de cada opção. Para isso, faz uso da seguinte fórmula:

Valor esperado da opção = (probabilidade de seu sucesso x receita potencial) + (probabilidade de seu fracasso x perda potencial). 

O resultado fica assim:

Valor esperado da Opção A = (55% x 250.000) + (45% x -$ 125.000) = $ 81.250

Valor esperado da Opção B = (65% x 400.000) + (35% x -$ 200.000) = $ 190.000

Assim, com base nos resultados, a empresa de software provavelmente decidirá esperar seis meses para lançar seu novo serviço, uma vez que o valor esperado é aproximadamente o dobro do valor que poderia ganhar se o lançasse no próximo mês.

Cientista de Dados ou Cientista de Decisão?

Por fim, quando falamos em Análise de Decisão, muitas pessoas ainda têm dúvidas sobre o papel do Cientista de Dados e do Cientista de Decisão dentro das empresas. Principalmente em grandes empresas, essa duplicidade pode ocorrer. Mesmo que existam diferenças entre eles, é preciso entender que os dados e a ciência de dados são fundamentais na hora de tomar decisões e impulsionar negócios. Portanto, muitas vezes essas posições acabam se fundindo em uma só. 

Em geral, Cientistas de Dados procuram entender, interpretar e analisar os dados disponíveis, com o objetivo de criar novos produtos e oferecer serviços personalizados. Portanto, qualidade de dados, rigor estatístico e perfeição de medição são muitas vezes suas marcas registradas. 

Já os Cientistas de Decisão enquadram a análise de dados em termos do processo de tomada de decisão. São eles que encontram diferentes maneiras de analisar dados, especialmente no que se refere a questões específicas de negócios. 

No fim, tudo o que importa é a forma de encarar o processo de tomada de decisão, tendo em mente a necessidade do uso dos dados para conseguir melhores resultados e fazer escolhas cada vez mais assertivas. Como explicamos, ambas as posições podem ser ocupadas pela mesma pessoa, ou por profissionais diferentes. O ideal é que a empresa tenha em mente sua estratégia, e dê todo o apoio aos profissionais de dados para seguirem integrando Data Science e Análise de Decisão sempre que possível.