Modelo preditivo é um sistema que aprende padrões em dados históricos e os usa para prever algo que ainda não aconteceu. A previsão pode ser um número, como o total de vendas, ou uma categoria, como "vai cancelar" ou "vai ficar".
É uma das aplicações mais antigas e úteis de machine learning em negócios.
Como funciona
O processo tem etapas bem definidas:
- Coletar dados: histórico com as variáveis relevantes e o resultado conhecido.
- Preparar: limpar erros, tratar valores faltantes e escolher as variáveis úteis.
- Treinar: o algoritmo encontra relações entre as variáveis e o resultado.
- Validar: o modelo é testado em dados que ele nunca viu, para medir a qualidade.
- Usar e monitorar: o modelo gera previsões novas e é revisado com o tempo.
Algoritmos comuns incluem regressão linear, árvores de decisão e redes neurais. Nem sempre o mais complexo é o melhor. Um modelo simples e bem validado costuma bastar.
O maior risco é o sobreajuste: o modelo decora o passado e erra no futuro. Por isso a validação em dados separados é essencial.
Exemplo prático
Uma loja quer prever quais clientes têm mais chance de não comprar de novo. Com dados de frequência, valor médio e tempo desde a última compra, treina-se um modelo que dá uma pontuação de risco por cliente.
from sklearn.linear_model import LogisticRegression
modelo = LogisticRegression()
modelo.fit(X_treino, y_treino)
risco = modelo.predict_proba(X_novo)[:, 1]Com isso, o time de marketing contata primeiro quem tem risco alto.
Para que serve
- Vendas e estoque: prever demanda e evitar falta ou excesso.
- Churn: identificar clientes prestes a sair.
- Finanças: estimar risco de crédito ou fraude.
- Operação: antecipar falhas de equipamentos.
Agentes de código podem ajudar a montar o pipeline, mas os dados e a validação continuam sendo responsabilidade sua.
Diferença entre modelo preditivo e modelo generativo
O modelo preditivo estima um resultado a partir de dados estruturados. O modelo generativo, como um LLM, cria conteúdo novo, como texto ou imagem. Os dois usam aprendizado de máquina, mas resolvem problemas diferentes.
Antes de construir, defina qual decisão a previsão vai apoiar. Um modelo preciso que ninguém usa não gera valor.