A aplicação de técnicas estatísticas na modelagem de sistemas de simulação de cenários (what-if) é muito útil para identificar hipóteses e representar possíveis resultados de negócio considerando diversas variáveis.

Então, se você quer aprender agora conceitos básicos e técnicas de what-if, continue a leitura deste post.

What-if: sistemas de simulação

De forma simplificada, sistemas what-if são soluções que permitem a simulação de cenários de forma dinâmica. Isso quer dizer que quem utiliza essa técnica para obter resultados diferentes a partir da visualização de cenários hipotéticos pode alterar as principais variáveis desses sistemas, como:

  • volume de vendas
  • preço de produto
  • margem líquida

Ainda hoje, uma planilha é a ferramenta mais utilizada para simular resultados, principalmente por ser simples de usar e estar amplamente difundida no mercado.

É desta forma, portanto, que muitas empresas continuam fazendo previsões: por meio de planilhas eletrônicas, como MS Excel e Google Sheets, deixando equivocadamente as ferramentas de modelagem específicas para isso, como os sistemas what-if, relegadas a projetos de maior complexidade.

E cada vez isso faz menos sentido, pois novas alternativas e tecnologias para a modelagem e simulação de cenários estão sempre surgindo, como Arena e Flexsim, por exemplo.

Ou seja, com a proliferação de projetos de data warehouse (DW) e de ferramentas de business intelligence (BI), esperamos que o uso de planilhas para o desenho de cenários fique cada vez mais obsoleto.

E isso vai acontecer porque não é possível utilizar planilhas conscientemente escolhendo perder as vantagens da manipulação de grandes volumes de dados com a velocidade de acesso permitida pelas ferramentas de BI.

Sistemas what-if: dificuldades

Grande parte das soluções de inteligência de negócio não permite simulações de cenários de maneira automática ou requer grandes alterações no modelo de dados, o que dificulta a sua utilização pela pessoa que é usuária padrão.

E é relevante lembrar que esses sistemas são geralmente de código proprietário e não modulares, o que infelizmente implica alto custo e dificuldade na utilização em ambientes diversos.

Em suma, a importância de utilização de dados cada dia ganha mais força e, com isso, empresas e profissionais buscam soluções data driven para a tomada de decisões e os sistemas what-if são recursos avançados criados para atender a demandas desse novo mercado.

No entanto, ainda há muitos desafios. Por exemplo, a utilização de softwares simples como o Excel, não permite a integração e/ou conexões diretas com big data e banco de dados. Além disso, as soluções mais robustas (BI e DW) têm um custo alto e são complexas de serem implementadas.

Mas não é para desanimar! Tendo isso em mente, nosso principal objetivo com este artigo é simplificar o processo de simulação e demonstrar como a Indicium trabalha para superar esses desafios.

Conceitos envolvidos em um sistema what-if

Dados são gerados em aplicações operacionais, como ERPs, CRMs, sistemas de PDV etc. Tais aplicações geralmente armazenam essas informações em bancos de dados relacionais (SQL).

Para fins analíticos, é recomendado que esses dados sejam armazenados em um data warehouse, ou em outra estrutura equivalente, e transformados em informações relevantes para um negócio.

A partir disso, ferramentas de BI, como MS PowerBI, Tableau, Looker ou Qlik, podem ser integradas à base de dados já organizada permitindo a geração de relatórios e visualizações intuitivas com base nessas informações armazenadas no DW.

Assim, gráficos, tabelas, mapas e outras ilustrações são geradas nesse processo que chamamos de análise descritiva.

Mas as mesmas informações podem ser utilizadas em outros processos, de data mining ou data science por exemplo, para identificar padrões entre as variáveis de um negócio e prever novos valores e situações por meio da análise preditiva. E, por fim, os modelos de simulação e otimização podem ser criados para suportar uma tomada de decisão assertiva.

Os três estágios de analytics

Veja que a análise descritiva é o ponto de partida no processo de analytics. Apesar disso, essa é a etapa que recebe mais suporte de ferramentas e tecnologias.

E, embora boa parte do esforço para alcançar uma tomada de decisão assertiva ocorra depois da análise descritiva, a deficiência de técnicas e metodologias está justamente nos últimos dois estágios de analytics.

Isso porque é ali que são necessárias as técnicas mais avançadas e as equipes mais qualificadas para a execução e o uso dos sistemas.

Passado, presente e futuro

Aplicações de BI permitem responder perguntas sobre o passado e o presente dos processos empresariais. Por exemplo, pode-se responder perguntas como:

  • qual foi o faturamento do produto X no ano de 2020?
  • quais clientes foram responsáveis por pelo menos 10% do faturamento da empresa nos últimos cinco anos?
  • qual é a produtividade média da empresa ano a ano?
Pirâmide de business intelligence (Golfarelli, 2009)

Ao contrário do BI, uma análise what-if quer modelar o futuro de um negócio sob um conjunto de hipóteses, também chamadas de cenários.

A análise what-if é uma simulação com uso intensivo de dados cujo objetivo principal é inspecionar o comportamento de um sistema complexo (uma organização ou um departamento) sob alguns prováveis cenários.

Por isso, simulações what-if analisam o impacto das mudanças em um conjunto de variáveis independentes em um conjunto de variáveis dependentes. Com isso, oferecem uma representação simplificada de um negócio e ilustram suas características fundamentais com base nos dados históricos de uma empresa (Kellern et al., 1999).

Estrutura de um sistema what-if

Para modelar um DW, há uma etapa de transformação de dados chamada ETL. Esse processo possui semelhanças com a estrutura lógica necessária para a modelagem what-if.

Por exemplo, em ambas as modelagens, uma série de dados de entrada (input) é processada por um modelo ou função que gera um novo conjunto de dados de saída (output).

Mas também há diferenças, e a principal é que, no caso do ETL, apenas dados históricos são utilizados, enquanto que para a concretização da análise what-if são necessários novos conjuntos de dados e modelos externos.

Fluxo de dados de ETL ou de uma simulação

Para que o cenário funcione em um modelo de simulação what-if, são estabelecidos relacionamentos complexos entre variáveis correspondentes e entidades de um domínio (ex. vendas, produtos, clientes, custos etc.).

Esse cenário é composto pelos seguintes elementos:

  1. o conjunto das variáveis que são objeto de uma simulação;
  2. as fontes variáveis;
  3. a forma funcional como as fontes se relacionam;
  4. o modelo;
  5. e o conjunto de parâmetros adicionais utilizados para gerar o resultado.

Cada cenário descreve formas e alternativas de construir uma predição de interesse para a empresa a partir de dados históricos reais, parâmetros ou hipóteses adicionais.

As hipóteses de um cenário podem ser divididas entre:

  1. hipóteses sobre os parâmetros de negócio;
  2. parâmetros do modelo;
  3. e o próprio modelo em si.

Isso significa que deter o histórico dos dados armazenados em um banco de dados relacional não é suficiente para criação das hipóteses de um cenário. E que é preciso identificar a forma funcional como esses dados se relacionam, e combinar essas informações com outras variáveis que não estão diretamente vinculadas ao negócio.


Elementos do cenário: dados, parâmetros e funções de um modelo de simulação

Enquanto as ferramentas de BI respondem perguntas sobre o passado e presente de um negócio, uma análise what-if procura responder o que vai acontecer no futuro ou em hipóteses atípicas, caso alguma variável chave do negócio seja alterada. Por exemplo:

  1. Qual será o lucro da empresa se ela aumentar em 20% o preço do produto X?
  2. Qual será o impacto nas vendas se a empresa reduzir 15% do investimento em publicidade na área Y?

Análise what-if: simulações e resultados

Para responder diversas perguntas e hipóteses de negócio, como as que citamos como exemplos neste artigo, um modelo de simulação deve ser desenvolvido.

Ele precisa ser capaz de expressar as relações complexas entre a variável dependente que se quer prever (como o lucro anual) e as variáveis independentes que se quer “ajustar” (como o preço do produto X).

Para isso, os dados históricos são utilizados para “calibrar” o modelo e realizar uma previsão (ou predição) dos lucros futuros.

Traduzindo para o modelo de simulação what-if, a partir dos cenários que definimos acima, ele precisa conter:

  • uma relação de todas as variáveis necessárias para estimativa do lucro de uma empresa, como a receita de vendas por produto, os custos em geral, a evolução dos preços de cada produto etc.
  • os dados de input das variáveis necessárias, como "o aumento de 20% do preço do produto X".
  • o modelo de previsão que relaciona o lucro com as demais variáveis de negócio de forma determinística ou não determinística.
  • os parâmetros do modelo que definem quantos anos considerar na previsão, qual o intervalo de confiança da estimativa etc.

Além disso, um modelo de simulação what-if deve contemplar três perspectivas de uma simulação:

  1. funcional: descreve como as variáveis se relacionam entre si;
  2. estática: define quais variáveis serão utilizadas e agregadas na criação de cada objeto (dataframe);
  3. dinâmica: descreve explicitamente a ordem de execução das tarefas (sequenciais, concorrentes ou alternativas).

Conclusões sobre a modelagem de sistemas what-if

Sistemas what-if são fundamentais para elevar a tomada de decisão a outro patamar. Isto é, incluir verdadeiramente a previsão e predição do futuro nos negócios.

Portanto, empresas modernas que já se preocupam com o futuro e utilizam recursos de what-if (ou similares) vão ganhar cada vez mais mais espaço em seus mercados e obter uma vantagem analítica e competitiva importante nos próximos anos.

Entretanto, existem obstáculos no caminho.

Sabemos que a eficiência dos modelos depende de um projeto de dados bem estruturado, que contemple o passado, o presente e o futuro.

Em outras palavras, tanto a configuração de passado e presente (por meio de ferramentas de DW e BI), quanto o desenvolvimento de modelos what-if têm como requisito uma estrutura de dados robusta e complexa, e nem todas as empresas têm os recursos necessários para investir nisso.

Mas apesar de parecer um assunto complexo, aqui na Indicium desenvolvemos metodologias e sistemas de dados que possibilitam a execução completa desses projetos de forma objetiva e simplificada.

Fazemos desde a implementação do ELT, data warehouses e data lakes, até a configuração de sistemas personalizados de data apps.

Portanto, é possível dizer que desenvolvemos soluções completas de passado, presente e futuro para que as empresas obtenham vantagem analítica em relação a seus concorrentes e atinjam objetivos como:

  • aumento nas vendas
  • diminuição de custos
  • aumento na qualidade
  • aumento de velocidade
  • mais produtividade
  • redução de riscos

Gostou deste conteúdo sobre sistemas what-if?

Assine nossa news e acesse nosso blog para aprender sempre mais sobre os conceitos, ferramentas e as técnicas mais avançadas do mundo dos dados.

Referências

GOLFARELLI, M.; RIZZI, S. What-if simulation modeling in business intelligence. International Journal of Data Warehousing and Mining. Hershey, Pensilvânia: IGI Globalout, out. 2009.

GOLFARELLI, M.; RIZZI, S.; PROLI, A. Designing what-if analysis: towards a methodology. In: Proceedings International Workshop on Data Warehousing and OLAP. Arlington, USA: 2006. (p. 51–58).

HAAS, P. J. et.al. Data is dead… Without what-if models. In: Proceedings of Very Large Data Bases Endowment - PVLDB, v. 4, n. 12, p. 1486-1489, ago 2011.

HAAS, P. J. et.al. Splash: simulation optimization in complex systems of systems. In: Proceedings of 50th Annual Allerton Conference. Universidade Estadual da Pensilvânia, CiteSeer x, 2012. CEFKIN, M. et.al. Splash: a progress report on building a platform for a 360 degree view of health. In: Proceedings of the 5th Informs Workshop on Data Mining and Health Informatics, DM-HI. Austin, TX, 2010.