BR102015016246A2

BR102015016246A2 - System and method for prescriptive analysis

Info

Publication number: BR102015016246A2
Application number: BR102015016246-4A
Authority: BR
Inventors: Shroff Gautam; Agarwal Puneet
Original assignee: Tata Consultancy Services Limited
Priority date: 2014-07-04
Filing date: 2015-07-06
Publication date: 2017-11-07
Also published as: MX2015008690A; CA2896052A1; AU2015203754A1; JP6782680B2; JP2018060547A; CA2896052C; EP2963608A1; AU2015203754B2; JP2016027471A; US20160004987A1; US10586195B2

Abstract

sistema e método para análise prescritiva. o presente assunto divulga o sistema e método para executar uma análise prescritiva. a simulação é efetuada a partir dos dados de entrada (xinput) e dos parâmetros de simulação (µ) para gerar os dados de simulação (d). além do mais, os dados de previsão podem ser revistos processando os dados de simulação (d) utilizando o modelo de previsão (m). adicionalmente, o valor prescritivo (x) pode ser determinado com base nos dados de previsão utilizando o modelo de otimização. o valor prescritivo (x) pode ser determinado de modo a que uma função objetiva associada ao modelo de otimização seja otimizada, sendo que a otimização da função objetiva indica um objetivo empresarial a ser alcançado. adicionalmente, as fases de simulação, previsão e determinação podem ser interativamente efetuadas até a função objetiva não poder ser mais otimizada, satisfazendo uma condição pré-definida. além do mais, em cada interação, à exceção da primeira interação, os dados de entrada (xinput) são o valor prescritivo (x) determinado na interação imediatamente anterior, enquanto na primeira interação, os dados de entrada (xinput) são dados de referência.

Description

Relatório Descritivo da Patente de Invenção: “SISTEMA E MÉTODO PARA ANÁLISE PRESCRITIVA”.

[001 ] REFERÊNCIA CRUZADA PARA APLICAÇÕES RELACIONADAS E

PRIORIDADE

[002] A presente aplicação reivindica prioridade a partir da aplicação da patente indiana 2177/MUM/2014 arquivada em 4 de julho de 2014.

[003] Campo T écnico [004] O presente assunto aqui descrito, no geral, refere-se a um método e um sistema para análise de dados, mas especificamente, fornecer uma análise prescritiva.

[005] Antecedentes da Invenção [006] Os dados possuem um papel essencial no ambiente de análise empresarial atual. Especificamente, quando se tem em consideração dados de grandes dimensões, torna-se uma tarefa crítica manusear e gerir tais dados de grandes dimensões. Além do mais, os dados de grandes dimensões no seu estado não processado não fornecem qualquer valor que possa ser útil na análise empresarial. Para fornecer a análise empresarial e derivar idéias de negócio a partir dos dados de grandes dimensões, estão disponíveis várias técnicas de análise de dados na arte. A maioria das técnicas de análise de dados baseia-se na análise de previsão. Na análise de previsão, ao efetuar análises estatísticas sobre os dados do histórico ou passados, podem ser previstas possibilidades futuras prováveis para um evento ou situação que ocorra em um ambiente empresarial.

[007] As possibilidades futuras prováveis previstas na análise de previsão podem indicar possíveis riscos ou oportunidades no futuro. Com base nos riscos ou nas oportunidades previstos, os empresários poderão ter que tomar decisões manualmente. Tais decisões manuais não são com frequência completas e fiáveis. Adicionalmente, não é fornecido qualquer apoio na tomada de decisões com base nas possibilidades futuras previstas. As decisões são geralmente efetuadas para escolher a estratégia certa ou correta que possa melhorar as possibilidades futuras previstas. Contudo, a análise de previsão está limitada apenas ao fornecimento de possibilidades futuras ou resultados futuros, e, desse modo, não conseguem fornecer decisões para tirar vantagem das oportunidades ou reduzir os riscos previstos como possibilidades futuras. Desse modo, a análise de previsão não têm muito valor exceto se suportarem o processo de tomada de decisão. Assim, existe uma longa sensação de necessidade por métodos e sistemas que ajudem na derivação das decisões empresariais com base na análise de dados.

[008] Resumo [009] Este resumo destina-se a introduzir aspectos relacionados com sistemas e métodos para análise de previsão implementada e a seguir descrita com mais pormenor na descrição pormenorizada. Este resumo não se destina a identificar características essenciais do assunto nem se destina a ser utilizada para determinar ou limitar o âmbito do assunto.

[010] Em uma implementação, é apresentado um sistema para executar a análise prescritiva. O sistema inclui um processador e uma memória acoplada ao processador para executar uma pluralidade de módulos armazenados na memória. A pluralidade dos módulos inclui um módulo de simulação, um módulo de previsão, um módulo de determinação e um módulo iterativo. O módulo de simulação simula a partir da dados de entrada (Xinput) e parâmetros de simulação (μ), utilizando um modelo de simulação, para gerar dados de simulação (D). O módulo de previsão prevê os dados previstos processando os dados de simulação (D) utilizando um modelo de previsão. Adicionalmente, o módulo de determinação determina um valor de prescrição (x’) com base nos dados previstos utilizando um modelo de otimização. Adicionalmente, o modelo de otimização determina o valor de prescrição (x’) de tal maneira que uma função objetiva associada ao modelo de otimização é otimizada, sendo que a otimização da função objetiva indica um objetivo empresarial a ser alcançado. Adicionalmente, o módulo iterativo instrui o módulo de simulação, o módulo de previsão e o módulo de determinação a efetuarem interativamente as fases de simulação, previsão e determinação respectivamente até a função objetiva já não poder ser mais otimizada, satisfazendo uma condição pré-definida. Além do mais, em cada interação, à exceção da primeira interação, os dados de entrada (xinput) são o valor prescritivo (x’) determinado na interação imediatamente anterior, enquanto na primeira interação, os dados de entrada (xinput) são dados de referência.

[011] Em uma outra implementação, é apresentado um método para executar a análise prescritiva. O método poderá incluir a simulação a partir de um dado de entrada (xinput) e parâmetros de simulação (μ), utilizando um modelo de simulação para gerar dados de simulação (D). O método poderá incluir ainda dados de previsão previstos pelo processamento dos dados de simulação (D) utilizando um modelo de previsão. Adicionalmente, o método poderá incluir a determinação de um valor prescritivo (x’) com base nos dados previstos pela utilização de um modelo de otimização. Adicionalmente, o modelo de otimização determina o valor de prescrição (x’) de tal maneira que uma função objetiva associada ao modelo de otimização é otimizada, sendo que a otimização da função objetiva indica um objetivo empresarial a ser alcançado. Adicionalmente, o método poderá incluir a execução iterativa das fases de simulação, previsão e determinação, por um processador, até a função objetiva não poder mais ser otimizada, satisfazendo uma condição pré-definida. Além do mais, em cada interação, à exceção da primeira interação, os dados de entrada (xinput) são o valor prescritivo (x’) determinado na interação imediatamente anterior, enquanto na primeira interação, os dados de entrada (xinput) são dados de referência.

[012] Ainda em uma outra implementação é apresentado um meio legível de computador não transitório que possui um programa executável em um dispositivo de computação para executar uma análise. O programa inclui um código do programa para simulação a partir de dados de entrada (xinput) e parâmetros de simulação (μ), utilizando um modelo de simulação de modo a gerar dados de simulação (D). O programa inclui ainda um código do programa para dados previstos de previsão processando os dados de simulação (D) utilizando um modelo prescritivo. Adicionalmente, o programa inclui um código do programa para determinar um valor prescritivo (x’) baseado nos dados previstos utilizando um modelo de otimização. Adicionalmente, o modelo de otimização determina o valor de prescrição (x’) de tal maneira que uma função objetiva associada ao modelo de otimização é otimizada, sendo que a otimização da função objetiva indica um objetivo empresarial a ser alcançado. O programa inclui ainda um código do programa para efetuar interativamente as fases de simulação, previsão e determinação até a função objetiva não poder ser mais otimizada, satisfazendo uma condição pré-definida. Além do mais, em cada interação, à exceção da primeira interação, os dados de entrada (xinput) são o valor prescritivo (x’) determinado na interação imediatamente anterior, enquanto na primeira interação, os dados de entrada (xinput) são dados de referência.

[013] Breve descrição dos Desenhos [014] A descrição pormenorizada é descrita com referência às figuras anexas. Nas figuras, o(s) dígito(s) mais à esquerda de uma referência identifica(m) a figura na qual a referência aparece em primeiro lugar. Os mesmos números são utilizados em todos os desenhos para se referirem a características e componentes.

[015] A Figura 1 ilustra uma implementação de rede de um sistema para efetuar uma análise prescritiva, de acordo com uma versão do presente assunto.

[016] A Figura 2 ilustra o sistema, de acordo com uma versão do presente assunto.

[017] A Figura 3A-3D ilustra diferentes metodologias para executar a análise prescritiva em pormenor, de acordo com várias versões do presente assunto.

[018] A Figura 4 ilustra um método para executar a análise prescritiva, de acordo com uma versão do presente assunto.

[019] Descrição Pormenorizada [020] Sistemas e métodos para fornecer uma análise de dados, mais particularmente, descrição da análise prescritiva. Existem várias abordagens disponíveis para efetuar a análise dos dados. Uma das abordagens disponíveis é a análise de previsão. Geralmente, este tipo de análise de dados, ou seja, análise de previsão, é necessário para melhorar os processos empresariais. Os processos empresariais podem estar associados a atividades estruturais que podem resultar em um serviço ou produto específico. Estes serviços ou produtos podem ser aproveitados por um grupo de utilizadores ou de clientes em um domínio em particular. Ao aproveitar tais serviços ou produtos, o cliente deve passar por diferentes fases associadas ao serviço ou produto. Em algumas das fases, é necessária a previsão para prever as possibilidades futuras para ajudar o cliente a tomar a decisão adequada. Por exemplo, os dados demográficos sobre os consumidores podem ser utilizados para prever o seu comportamento de compras. Em um outro exemplo, os padrões históricos de reclamações de garantia podem ser utilizados para prever avarias futuras ao nível das peças.

[021] Contudo, as previsões acima mencionadas ou o comportamento de compras e as avarias futuras ao nível das peças podem não fornecer qualquer ação específica para otimizar os processos empresariais ou uma função objetiva indicativa de um objetivo dos negócios. Em uma versão, a função objetiva poderá ser a redução dos custos ou o aumento dos lucros. Em uma outra versão, as funções objetivas poderão ser o preço a ser cobrado aos clientes, quanto custa ou o stock para fornecimento de peças de substituição em garantia, e similares. Assim, a análise de previsão está limitada pelo fornecimento de apenas possibilidades futuras ou resultados futuros ao utilizador.

[022] De acordo com a presente divulgação, de modo a otimizar a função objetiva e, desse modo, atingir um objetivo empresarial, é aqui proposto um método avançado de análise de dados, ou seja, a análise prescritiva. Em uma versão, para executar a análise prescritiva, é apresentada uma estrutura de fusão da informação prescritiva (PIF) na presente divulgação. A estrutura PIF pode basear-se em uma formulação Bayesian. No geral, na análise prescritiva, a função objetiva pode ser avaliada por um procedimento de otimização utilizando uma saída da análise de previsão. Considerando um cenário, para decidir a quantidade de recursos para fornecimento de reclamações de garantia, poderá ser necessário prever as avarias ao nível das peças com base em um modelo estatístico ou de previsão derivado dos dados anteriores. Em um outro cenário, para decidir estratégias de preços altamente personalizadas, poderá ser necessário saber como a procura se correlaciona com os atributos dos clientes, sendo que os atributos podem ser computados pelo modelo de previsão. De acordo com versões da presente divulgação, a análise prescritiva poderá ser efetuada no domínio científico e empresarial.

[023] Adicionalmente, a informação relativa ao domínio científico e empresarial pode ser recebida a partir de diversas fontes que podem ser fundidas para melhorar as previsões, bem como as prescrições pela estrutura PIF. Em alguns cenários, pode ser utilizado o modelo de previsão em combinação com um modelo de otimização. Por exemplo, a saída do modelo de previsão pode ser considerada como uma entrada no modelo de otimização, de modo a decidir a melhor estratégia para otimização da função objetiva. Considerando uma situação onde uma estratégia empresarial, isto é, preço ou publicidade do produto, pode afetar o comportamento do consumidor/cliente. Em tal situação, o modelo de previsão pode necessitar de modelar o comportamento do consumidor levando em consideração a estratégia empresarial considerada na prática. Isto poderá levar a tornar o processo de previsão-otimização iterativo, resultando em um processo consumidor de tempo. Para além do tempo, a estratégia empresarial proposta poderá não ser também recomendável para ser implementada, já que as políticas sub-otimizadas, relativas à estratégia empresarial, podem resultar em uma perda significativa de negócios. Isto deve-se ao fato de as decisões empresariais realmente executadas em um mundo real, raramente cobrirem mais do que uma pequena fração do possível espaço de design da estratégia empresarial proposta no passado, e os modelos de previsão e prescritivos não serem exatos para tais escolhas. Assim, poderá ser necessária a simulação, juntamente com a previsão e otimização, para ultrapassar este problema.

[024] Considerando um cenário de um domínio de produção, em qua uma tarefa é projetar um melhor produto ou um processo de produção, estão geralmente indisponíveis dados experimentais relativos ao design de um novo produto ou qualquer processo de produção em particular. Deste modo, pode ser utilizada uma simulação baseada na teoria. Mas, apesar das teorias científicas nas quais se baseiam as simulações serem as que coincide com as experiências, poderá ser um nível mais geral do que o produto ou processo particular a ser desenvolvido. Por isso, o que é realmente necessário pode ser o inverso, ou seja, parâmetros de design mais eficazes em termos de custos ou parâmetros de processos para alcançar propriedades de um produto pretendido. Assim, a estrutura PIF apresentada na presente divulgação fornece uma interferência inversa resumindo os dados de um modelo de simulação utilizando modelos de previsão estatísticos para facilitar a procura de parâmetros otimizados (ou seja, os parâmetros de design ou os parâmetros do processo. Adicionalmente, o modelo de simulação pode ser ajustado utilizando dados experimentais com a ajuda dos modelos de previsão. Assim, a estrutura PIF integra um modelo de previsão, um modelo de otimização e um modelo de simulação para melhorar as previsões e as prescrições.

[025] Embora os aspectos do sistema e método descritos para execução da análise prescritiva possam ser implementados em um vasto número de diferentes sistemas, ambientes e/ou configurações de computação, as versões são descritas no contexto do seguinte sistema exemplificativo.

[026] Em relação à Figura 1, é ilustrada uma implementação da rede 100 do sistema 102 para execução da análise prescritiva, de acordo com uma versão do presente assunto. Embora o presente assunto seja explicado considerando que o sistema 102 é implementado para execução da análise prescritiva em um servidor, poderá ser entendido que o sistema 102 possa ser também implementado em uma variedade de sistemas de computação, tais como computadores portáteis, computadores de secretária, notebook, estação de trabalho, computador principal, servidor, tablet, telemóvel e outros. Em uma versão, o sistema 102 pode ser implementado em um ambiente de nuvem. Será entendido que o sistema 102 pode ser acedido por múltiplos utilizadores através de um ou mais dispositivos do utilizador 104-1, 104-2...104-N, coletivamente referidos como utilizador 104 daqui em diante, ou aplicações residentes nos dispositivos do utilizador 104. Os exemplos dos dispositivos do utilizador 104 podem incluir, mas não estão limitados, a computador portátil, assistente digital pessoal, dispositivo manual portátil e estação de trabalho. Os dispositivos do utilizador 104 são acoplados de forma comunicativa ao sistema 102 através de uma rede 106.

[027] Em uma implementação, a rede 106 pode ser uma rede sem fios, uma rede com fios ou uma combinação das duas. A rede 106 pode ser implementada como uma de diferentes tipos de rede, tais como intranet, rede de área local (LAN), rede de área ampla (WAN), internet e outros. A rede 106 pode ser uma rede dedicada ou uma rede partilhada. A rede partilhada representa uma associação de diferentes tipos de redes que utilizam uma variedade de protocolos por exemplo, Protocolo de Transferência de Hipertexto (HTTP), Protocolo de Controlo da Transmissão/Protocolo de Internet (TCP/IP), Protocolo de Aplicação Sem Fios (WAP) e outros, para comunicar uns com os outros. A rede 106 poderá incluir ainda uma variedade de dispositivos de rede, incluindo routers, pontes, servidores, dispositivos de computação e outros.

[028] Referindo agora a Figura 2, o sistema 102 está ilustrado de acordo com uma versão do presente assunto. Em uma versão, o sistema 102 pode incluir pelo menos um processador 202, uma interface de entrada/saída (l/O) 204 e uma memória 206. O processador 202 pode ser implementado como um ou mais microprocessadores, microcomputadores, microcontroladores, processadores de sinal digital, unidades de processamento central, máquinas de estado, circuitos lógicos e/ou todos os dispositivos que manipulem sinais baseados em instruções operacionais. Entre outras capacidades, o processador 202 está configurado para localizar e executar as instruções legíveis no computador ou módulos armazenados na memória 206.

[029] A interface 1/0 204 pode incluir uma variedade de interfaces de software e hardware, por exemplo, uma interface web, uma interface gráfica do utilizador e outras. A interface 1/0 204 pode permitir ao sistema 102 interagir com um utilizador diretamente ou através de dispositivos do cliente 104. Adicionalmente, a interface l/O 204 pode ativar o sistema 102 a comunicar com outros dispositivos de computação, tais como servidores web e servidores de dados externos (não ilustrados). A interface l/O 204 pode facilitar múltiplas comunicações em uma vasta variedade de redes e tipos de protocolo, incluindo redes com fios, por exemplo, LAN, cabo, etc. e redes sem fios, tais como WLAN, celular ou satélite. A interface l/O 204 pode incluir uma ou mais portas para ligação de vários dispositivos uns aos outros ou a outro servidor.

[030] A memória 206 pode incluir todos os meios legíveis em computador ou produtos de programas de computador conhecidos na versão incluindo, por exemplo, a memória volátil, tal como a memória de acesso aleatório estático (SRAM) e a memória de acesso aleatório dinâmico (DRAM), e/ou a memória não volátil, tal como a memória de apenas leitura (ROM), ROM programável eliminável, memórias flash, discos rígidos, discos óticos, discos compactos (CDs), disco versátil digital ou disco vídeo digital (DVDs) e fitas magnéticas. A memória 206 pode incluir módulos 208 e dados 220.

[031] Os módulos 208 incluem rotinas, programas, objetos, componentes, estruturas de dados, etc., que efetuam tarefas particulares ou implementam tipos de dados abstratos particulares. Em uma implementação, os módulos 208 podem incluir um módulo de simulação 210, um módulo de previsão 212, um módulo de determinação 214, um módulo iterativo 216 e outros módulos 218. Os outros módulos 218 podem incluir programas ou instruções codificadas que complementam aplicações e funções do sistema 102.

[032] Os dados 220, entre outras coisas, agem como repositório para armazenar os dados processados, recebidos e gerados por um ou mais dos módulos 208. Os dados 220 podem incluir também uma base de dados dos dados de simulação 222, uma base de dados do valor prescritivo 224 e outros dados 226. De acordo com as versões da presente divulgação, os dados 220 do sistema 102 podem incluir também os dados previstos e os dados anteriores.

[033] Em relação agora à Figura 3A-3D, ilustra diferentes metodologias para execução da análise prescritiva em pormenor, de acordo com várias versões do presente assunto. Para facilitar a execução da análise prescritiva, a estrutura de fusão da informação prescritiva (PIF) pode ser implementada no sistema 102. A estrutura PIF pode ser explicada em fases em relação às figuras 3A a 3D. Figuras 3A, 3B, 3C e 3D ilustram uma análise prescritiva em ciclo aberto, uma análise prescritiva adaptativa, uma análise prescritiva baseada na simulação e a estrutura PIF completa, respectivamente. Inicialmente, a análise prescritiva em ciclo aberto (relativa à fig. 3A) é explicada em pormenor. Na fig. 3A é ilustrada uma abordagem da análise prescritiva convencional na qual os dados anteriores (Y) podem ser modelados utilizando o modelo de previsão (M). Os dados anteriores (Y) são também referidos com dados reais ou como dados experimentais ao longo das especificações. Adicionalmente, o modelo de previsão (M) pode gerar uma distribuição P (y|M) que pode ser utilizada como previsora para valores futuros. Por exemplo, supondo que os dados anteriores (Y) capturam as avarias de peças durante algum tempo em uma população de veículos no campo, as avarias das peças podem ser modeladas utilizando uma distribuição Weibull, através da qual um número esperado de avarias no futuro pode ser computado utilizando a distribuição P (y|M).

[034] Através da análise de previsão tradicional, apenas se pode prever resultados futuros ou possibilidades futuras e, desse modo, a análise de previsão tradicional não fornece quaisquer ações prescritivas. Para ultrapassar esta limitação, a análise prescritiva como aqui divulgada, liga o modelo prescritivo (M) e o modelo de otimização, conforme ilustrado na figura 3A. A ligação é efetuada de modo a que uma saída do modelo de previsão (M) seja considerada como uma entrada do modelo de otimização. Por exemplo, as avarias previstas podem ser utilizadas para fornecer fundos suficientes para cobrir as reclamações de garantia para equilibrar de forma ideal penalizações comerciais que possam surgir devido a um sobre fornecimento ou subfornecimento.

[035] De notar que o procedimento de previsão tal como ilustrado na fig. 3A pode ser formulado como uma seleção do modelo Bayesian, ou seja, pode ser escolhido um modelo de previsão M’ mais provável para os dados Y disponíveis. Tais modelos de previsão podem fornecer previsões probabilísticas do volume de avarias futuras (y), ou seja, P (y|M), utilizando o qual c(x, y), isto é, pode ser computada a penalização para o sobre fornecimento ou subfornecimento para qualquer gasto de fornecimento da garantia particular e volume de avaria prevista. Em um exemplo, o modelo de previsão (M) pode prever avarias para diferentes peças yi, cada uma a atrair penalizações para o sobre fornecimento e subfornecimento. Assim, a fase de otimização poderá necessitar de escolher a estratégia de fornecimento que pode reduzir as penalizações esperadas na distribuição P (y|M), ou seja, penalização total para todas as peças em um nível agregado.

[036] Adicionalmente, a figura 3B ilustra uma análise prescritiva adaptativa no ambiente de ciclo fechado. Na implementação anterior, a ocorrência real do evento não poderá mudar, por exemplo, taxa de avaria de peças. Contudo, em alguns domínios poderá não ocorrer dessa forma e a própria ocorrência do evento poderá ser alterada devido à estratégia otimizada. De acordo com as versões da presente divulgação, a figura 3B pode ser considerada para suportar uma tarefa para dar os preços dos bens de ode modo diferente com base na disponibilidade dos consumidores em pagar. Nesse caso, a estratégia sobre qual o preço a cobrar a quem pode de fato afetar a quantidade que as pessoas compram e, por sua vez, a receita total obtida. De acordo com a figura 3B, quando uma estratégia ideal (x) é colocada em prática, a sua receita total obtida torna-se parte dos dados de entrada (xinput). Adicionalmente, os dados anteriores (Y) podem ser dados de vendas mensais (neste caso), em que ao modelar os dados das vendas mensais, é possível prever as vendas futuras esperadas utilizando o modelo de previsão (Μ). O modelo de previsão (M) resulta também em uma distribuição P (y|x, M) que pode ser utilizada para estimar um componente de y, que pode ser a quantidade de vendas, a partir de outros elementos, tais como demografia, etc., bem como o preço cotado x. Considerando um caso no qual os dados de vendas mensais, isto é, Y incluem o valor pelo qual é vendido um artigo/produto ao cliente (isto é, ys), bem como o seu perfil demográfico (do cliente) (isto é, yd), de modo a que y= [ys+ yd]. Com base nos dados de vendas mensais, pode ser estimada uma distribuição a posterioricomo P (ys| yd, x, M). Adicionalmente, o modelo de previsão (M) pode ser ativado para agrupar os clientes com base no seu perfil demográfico e outras informações seguidas pela regressão linear dentro de cada grupo produzindo um modelo de elasticidade de preços ys = b - mx, que se torna na média de uma distribuição Gaussiana a posteriori para o perfil demográfico representado por cada grupo k, assim, P (ys|k, x, Μ) = N (bk - mkx, o).

[037] De seguida, na fase de otimização, o objetivo pode ser escolher uma estratégia de preços, ou seja, um preço individual Xk para cada grupo k de modo a aumentar a receita de vendas (isto é, ys * Xk) que pode ser somada para todos os clientes. Tais otimizações podem ser rastreáveis quando o número de estratégias, isto é, placas de preços “I” π = {π 1...π I}, e segmentos k é pequeno. Em uma situação, os segmentos k mencionados e a estratégia de preços x = {x1 ....x2}, a receita esperada de tal atribuição podem ser facilmente computados, quer utilizando o P (ys|k, x, M) = N (bk - mkx,) quer assumindo o comportamento de cada cliente no grupo que pode ser gerido pela média do grupo, isto é, ys = bk - mkXk. Como existem possíveis atribuições de preço lk, a complexidade de alcançar uma atribuição ideal para os grupos k mencionados pode ser O (nlk), em que n é o número de consumidores.

[038] No caso atual, os grupos, juntamente com os seus coeficientes de regressão, são uma entrada na fase de otimização. Contudo, estas duas fases parecem estar desacopladas e de fato, é este o caso em muitas das organizações que efetuam a análise de dados. Por palavras simples, a modelagem de previsão e as previsões que produz são apenas entradas utilizadas para a estratégia empresarial, em vez das duas serem uma atividade integrada. Contudo, é possível demonstrar através das experiências que a estratégia ideal depende de fato da escolha do modelo de previsão (M), e desse modo, a alimentação das estratégias prescritas X em outras iterações de previsão tem benefícios. De acordo com as versões da presente divulgação, o modelo de previsão (M) pode ser escolhido com base não apenas nos dados anteriores (Y), mas também em X (isto é, as estratégias prescritas). Desse modo, o agrupamento pode basear-se na demografia dos clientes, bem como no seu comportamento de consumo em resposta à estratégia de preços.

[039] Adicionalmente, a figura 3C ilustra o papel do modelo de simulação na análise prescritiva. Considerando o exemplo anterior de vendas a clientes, foi assumido que as estratégias escolhidas foram realmente implementadas na prática, de modo a que as iterações posteriores possam ter em consideração as respostas do cliente aos diferentes preços e utilizar as observações reais de Y e X para derivar o modelo de previsão (M). Mas, na prática, pode não ser um caso, em vez disso, será apenas um pequeno conjunto de variações que podem ser de fato testados no campo, ou mesmo nada, já que, pelo menos em empresas tradicionais, tais decisões empresariais são efetuadas ‘estrategicamente’, por exemplo, trimestralmente. Em tal situação, a análise adaptativa de ciclo fechado (conforme explicado na fig. 3B) torna-se difícil ou quase impossível de implementar.

[040] Para ultrapassar tal situação, é divulgada a análise prescritiva baseada na simulação utilizando o modelo de simulação, conforme ilustrado na figura 3C. O modelo de simulação pode ser selecionado com base em teorias específicas do domínio, por exemplo, um sistema físico ou um comportamento humano. De acordo com as versões da presente divulgação, o comportamento humano pode incluir informações/fatores, tais como, o modo como as pessoas se comportam quando lhes são apresentados descontos em oposição a preços meramente mais baixos, o modo como esses comportamentos dependem dos seus perfis demográficos e influenciam os amigos, rede social e outros.

[041] De acordo com uma versão, o modelo de simulação pode considerar uma entrada x e um parâmetro μ como uma entrada para produzir dados de simulação D. Com frequência, tais simulações demoram muito tempo a executar, tornando difícil efetuar análises inversas. Adicionalmente, o modelo de previsão (M) pode ser utilizado para resumir os resultados de muitos ciclos de simulação. O modelo de previsão (M) pode ser utilizado para efetuar uma análise inversa, em que a análise inversa é reduzida para uma distribuição P aposteriori (yin|yout, D, M). Além do mais, o yinsão os parâmetros de entrada no modelo de simulação e o y0ut é a saída comportamental desejada. De acordo com as versões da presente divulgação, o yin é equivalente aos parâmetros de simulação (μ) e os valores prescritivos (x’) isto é, xinput, e a saída comportamental desejada yout é equivalente aos dados de simulação (D) (de acordo com a fig. 3D). Adicionalmente, a organização do modelo de simulação em conjunto com o modelo de previsão (M) e o modelo de otimização, é explicada na figura 3D em pormenor.

[042] A Figura 3D corresponde à estrutura PIF implementada no sistema 102 apresentado na presente divulgação. O modelo de simulação é geralmente utilizado para argumentar os dados anteriores ou dados experimentais coletivamente chamados de “dados reais” (Y) considerados como entrada. O modelo de simulação pode receber dados de entrada (xinput) e parâmetros de simulação (μ) como entrada. Após receber a entrada, o módulo de simulação 210 do sistema 102 simula a partir dos dados de entrada (xinput) com base nos parâmetros de simulação (μ) para gerar dados de simulação (D). Os dados de simulação (D) podem ser guardados em uma base de dados de dados de simulação 222 do sistema 102. Além do mais, os parâmetros de simulação (μ) e o modelo de simulação podem ser escolhidos de modo a que os dados de simulação (D) combinem com os dados reais (Y) observados, correspondentes aos dados de entrada (x). Em uma versão, os parâmetros de simulação (μ) podem ser considerados como suposições sobre o sistema físico a ser estudado.

[043] De seguida, o módulo de previsão 212 do sistema 102 pode prever os dados de previsão processando os dados de simulação (D) utilizando o modelo de previsão (M). Na fase de previsão, o modelo de previsão (M) pode resumir os resultados de muitos ciclos de simulação, isto é, saída do modelo de simulação. Uma das razões para utilizar o modelo de previsão (M) é efetuar a análise inversa, ou seja, computar quais os parâmetros de entrada que devem produzir uma determinada saída. Assim, o modelo estatístico serve dois objetivos, primeiro resumir os resultados do modelo de simulação e Segundo, garantir que os resultados do processo geral não se podem separar dos dados reais Y.

[044] Adicionalmente, o módulo de determinação 214 do sistema 102 pode determinar um valor prescritivo (x’) com base nos dados previstos utilizando um modelo de otimização. O valor prescritivo (x’) determinado pode ser guardado na base de dados do valor prescritivo 224 do sistema 102. Adicionalmente, o valor prescritivo (x’) pode ser determinado de modo a que uma função objetiva associada ao modelo de otimização seja otimizada, sendo que a otimização da função objetiva indica um objetivo empresarial a ser alcançado. De acordo com as versões da presente divulgação, a função objetiva pode ser a redução dos custos ou o aumento dos lucros. Em uma outra versão, a função objetiva pode ser qual o preço a ser cobrado aos clientes, quais os custos ou stock para fornecimento de peças de substituição em garantia e outros.

[045] A partir da figura 3D, é possível observar que o modelo de otimização destina-se a escolher estradas de design adequadas “x” para redução do modelo de custos c(x, y), que pode ser o objetivo real do modelo de previsão (M). De modo a alcançar o objetivo, o modelo de simulação e os parâmetros de simulação (μ) podem ser escolhidos em um espírito Bayesian para aumentar a probabilidade dos dados X e Y observados e dados simulados D. Assim, conforme ilustrado na figura 3D, o modelo de previsão e os parâmetros de simulação (μ) são escolhidos para aumentar [046] õsP (M|x, D,) + õyP (M|X, Y).......................equação 1.

[047] Em que õs e õy controlam os pesos relativos dos dados de simulação em relação aos dados do mundo real. Ao utilizar a equação 1 anterior, o modelo de previsão (M) pode ser ele próprio considerado com base nos dados de simulação (D). Adicionalmente, tos dados de simulação (D) que são gerados com base nos dados de entrada (xinput) e os parâmetros de simulação (μ) são considerados utilizando a equação 1. Após efetuar as fases de simulação, previsão e determinação, é computado um seguinte valor prescritivo ideal (x’) para reduzir um E[c(x, y)] esperado na distribuição P a posteriori, isto é, ......equação 2 [048] Assim, na fase seguinte da análise prescritiva, o módulo iterativo 216 do sistema 102 instrui o módulo de simulação 210, o módulo de previsão 212 e o módulo de determinação 214 para efetuar interativamente as fases da simulação, previsão e determinação respectivamente, até a função objetiva já não poder ser mais otimizada, satisfazendo uma condição pré-definida. Ou seja, as iterações podem ser efetuadas até estar satisfeita a condição pré-definida. A condição pré-definida pode ser em um exemplo, um conjunto pré-definido de lucros de vendas definido por uma empresa correspondente a um volume de vendas pré-definido previsto para um determinado produto. De modo similar, a condição pré-definida pode incluir, em um outro exemplo, um valor pré-definido de fundos a serem fornecidos para reclamações de garantia. Assim, as iterações podem ser efetuadas até a condição pré-definida ser cumprida ou alcançada. Em alternativa, as iterações podem ser interrompidas quando não é possível otimizar mais a função objetiva.

[049] Em uma versão, em cada interação de múltiplas iterações, à exceção da primeira interação, os dados de entrada (xinput) são o valor prescritivo (x’) determinado na interação imediatamente anterior. Na primeira interação, os dados de entrada (xinput) são os dados de referência ou a informação necessária a priori para iniciar o processo de simulação, gerando desse modo, dados de simulação D e implementando subsequentemente as fases do método na estrutura PIF. Os especialistas irão notar e apreciar que tal análise prescritiva baseada na iteratividade é necessária já que o mundo real poderá não incluir uma cobertura suficiente de possíveis estratégias “x”, e assim, surge a necessidade de simulação. De seguida, a simulação, baseada nos sistemas físicos ou no comportamento humano são computacionalmente dispendiosos e consumidores de tempo para executar cada escolha da possível estratégia x e parâmetros de simulação (μ). Assim, os conjuntos de x para os quais as simulações devem ser executadas devem ser reduzidos.

[050] Considerando um exemplo em que uma escolha ideal do parâmetro de simulação (μ°) possa ser considerado para gerar dados de simulação (D°) para uma gama de estratégias (x°) em relação a uma vizinhança razoavelmente variada das estratégias X realmente executadas com os dados do mundo real em Y. Com base no cenário anterior, pode ser computada uma estratégia ideal (x1). Agora com base no modelo inicial M° instalado utilizando estes ciclos, a suposição para os parâmetros de simulação desconhecidos para μ1 podem ser refinados. Adicionalmente, o sistema 102 pode reexecutar a simulação, expandindo mais a gama de estratégias para {x1}, e expandindo também desta vez o conjunto em uma vasta vizinhança de x1. Adicionalmente, o conjunto de dados aumentados resultantes [D1, D2] podem ser utilizados para adaptar um modelo revisto M2 utilizando o sistema 102 para atualizar ainda os parâmetros de simulação de μ1 a μ2, e por aí adiante. O sistema 102 repete interativamente este processo até o sistema não conseguir efetuar mais progressos na otimização do modelo de custos c(x, y) enquanto adapta adequadamente algumas observações do mundo real, isto é, os dados de entrada (xinput).

[051] Em relação agora à Figura 4, é ilustrado o método de execução da análise prescritiva, de acordo com uma versão do presente assunto. O método 400 pode ser descrito no contexto geral de instruções executáveis de computador. No geral, as instruções executáveis de computador podem incluir rotinas, programas, objetos, componentes, estruturas de dados, procedimentos, módulos, funções, etc., que efetuam funções particulares ou implementam tipos de dados abstratos particulares. O método 400 pode ser também praticado em um ambiente de computação distribuída onde as funções são efetuadas por dispositivos remotos de processamento que estão ligados através de uma rede de comunicações. Em um ambiente de computação distribuída, as instruções executáveis do computador podem estar localizadas nos meios de armazenamento locais ou remotos do computador, incluindo dispositivos de armazenamento de memória.

[052] A ordem na qual o método 400 é descrito não se destina a ser considerada como uma limitação e qualquer número dos blocos do método descrito podem ser combinados em qualquer ordem para implementar o método 400 ou métodos alternativos. Adicionalmente, os blocos individuais podem ser apagados do método 400 sem se afastar do espírito e âmbito do assunto aqui descrito. Além do mais, o método pode ser implementado em qualquer hardware, software, firmware adequado ou sua combinação. Contudo, para facilitar a explicação, nas versões abaixo descritas, o método 400 pode ser considerado a ser implementado no sistema acima descrito 102.

[053] No bloco 402, pode ser efetuada uma fase de simulação a partir de dados de entrada (xinput) e parâmetros de simulação (μ) para gerar dados de simulação (D). Além do mais, a simulação pode ser efetuada utilizando um modelo de simulação.

[054] No bloco 404, os dados previstos podem ser previstos processando os dados de simulação (D), em que a previsão pode ser efetuada utilizando um modelo de previsão (M).

[055] No bloco 406, pode ser determinado um valor prescritivo (x’) com base nos dados previstos utilizando um modelo de otimização. Adicionalmente, o valor prescritivo (x’) pode ser determinado de tal maneira que uma função objetiva associada ao modelo de otimização é otimizada, sendo que a otimização da função objetiva indica um objetivo empresarial a ser alcançado.

[056] No bloco 408, as fases efetuadas nos blocos 402, 404 e 406 são interativamente efetuadas até a função objetiva não poder ser mais otimizada, satisfazendo uma condição pré-definida. Além do mais, em cada interação, à exceção da primeira interação, os dados de entrada (xinput) são o valor prescritivo (x’) determinado na interação imediatamente anterior, enquanto na primeira interação, os dados de entrada (xinput) são dados de referência.

[057] Embora tenham sido descritas implementações para métodos e sistemas para execução da análise prescritiva no idioma específico às características estruturais e/ou métodos, deve entender-se que as reivindicações anexas não estão necessariamente limitadas às características específicas ou métodos descritos. Em vez disso, as características específicas e métodos são divulgados como exemplos de implementações para executar a análise prescritiva.

REIVINDICAÇÕES

Claims

1. Método para executar uma análise prescritiva, caracterizado por o método incluir: simulação a partir de dados de entrada (xinput) e parâmetros de simulação (μ), utilizando um modelo de simulação para gerar dados de simulação (D); previsão de dados de previsão processando os dados de simulação (D) utilizando um modelo de previsão (M); determinação de um valor prescritivo (x’) com base nos dados de previsão utilizando um modelo de otimização, em que o modelo de otimização determina o valor prescritivo (x’) de modo a que uma função objetiva associada ao modelo de otimização seja otimizada e em que a otimização da função objetiva indica um objetivo empresarial a ser alcançado; e efetuar interativamente as fases de simulação, previsão e determinação através de um processador, até a função objetiva não poder ser mais otimizada, satisfazendo um condição pré-definida, sendo que em cada interação, a exceção da primeira interação, os dados de entrada (xinput) são o valor prescritivo (x’) determinado na interação imediatamente anterior e sendo que na primeira interação, os dados de entrada (xinput) são os dados de referência.

2. Método de acordo com a reivindicação 1, caracterizado por os parâmetros de simulação (μ) e o modelo de simulação serem escolhidos de modo a que os dados de simulação (D) sejam pareados com os dados reais (Y) observados correspondentes aos dados de entrada (xinput).

3. Método de acordo com a reivindicação 2, caracterizado por os parâmetros de simulação (μ) e o modelo de simulação serem escolhidos para maximizar uma equação 1, sendo a equação 1 õsP (M|x, D,) + õyP (M|X, Y), em que 5se õy indicam a ponderação relativa dos dados de simulação (D) em relação aos dados do mundo real, e sendo que os dados de simulação (D) são gerados utilizando o modelo de simulação.

4. Método de acordo com a reivindicação 1, caracterizado por incluir ainda a computação do valor prescritivo (x’) para minimizar o modelo de custos esperados E[c(x, y)] em uma distribuição P a posteriori utilizando uma equação 2,sendo a equação 2 que o E[c(x, y)] indica a função objetiva a ser otimizada.

5. Método de acordo com a reivindicação 1, caracterizado por o modelo de simulação ser selecionado com base na teoria específica do domínio, em que a teoria específica do domínio é pelo menos uma de um sistema físico e de um comportamento humano.

6. Sistema para executar uma análise prescritiva, caracterizado por o sistema 102 incluir: um processador 202; uma memória 206 acoplada ao processador 202, sendo que o processador 202 executa uma pluralidade de módulos 208 armazenados na memória 206, e em que a pluralidade dos módulos 208 incluindo: módulo de simulação 210 para simular a partir de dados de entrada (xinput) e parâmetros de simulação (μ), utilizando um modelo de simulação para gerar dados de simulação (D); módulo de previsão 212 para prever os dados de previsão processando os dados de simulação (D) utilizando um modelo de previsão (M); módulo de determinação 214 para determinar um valor prescritivo (x’) com base nos dados de previsão utilizando um modelo de otimização, em que o modelo de otimização determina o valor prescritivo (x’) de modo a que uma função objetiva associada ao modelo de otimização seja otimizada e em que a otimização da função objetiva indica um objetivo empresarial a ser alcançado; e módulo iterativo 216 que instrui o módulo de simulação 210, o módulo de previsão 212 e o módulo de determinação 214 para efetuar interativamente as fases de simulação, previsão e determinação respectivamente até a função objetiva não poder ser mais otimizada, satisfazendo uma condição pré-definida, sendo que em cada interação, à exceção da primeira interação, os dados de entrada (xinput) são o valor prescritivo (x’) determinado na interação imediatamente anterior e em que na primeira interação, os dados de entrada (xinput) são os dados de referência.

7. Sistema 102 de acordo com a reivindicação 6, caracterizado por os parâmetros de simulação (μ) e o modelo de simulação (S) serem escolhidos de modo a que os dados de simulação (D) sejam pareados com os dados reais (Y) observados correspondentes aos dados de entrada (xinput).

8. Sistema de acordo com a reivindicação 7, caracterizado por os parâmetros de simulação (μ) e o modelo de simulação serem escolhidos para maximizar a equação 1, sendo a equação 1 ÕSP (M|x, D,) + õyP (M|X, Y), em que o õs e õy indicam a ponderação relativa dos dados de simulação (D) em relação aos dados do mundo real e em que os dados de simulação (D) são gerados utilizando o modelo de simulação.

9. Sistema de acordo com a reivindicação 6, caracterizado por incluir ainda a computação do valor prescritivo (x’) para minimizar um modelo de custos esperados E[c(x, y)] em uma distribuição P a posteriori utilizando a equação 2, sendo a equação 2: que o E[c(x, y)] indica a função objetiva a ser otimizada.

10. Meio legível em computador não transitório, caracterizado por incluir um programa executável para executar a análise prescritiva, sendo que o programa inclui: um código do programa para simulação a partir dos dados de entrada (xinput) e parâmetros de simulação (μ), utilizando um modelo de simulação (M), para gerar dados de simulação (D); um código do programa para prever os dados de previsão processando os dados de simulação (D) utilizando um modelo de previsão; um código do programa para determinar um valor prescritivo (x’) com base nos dados de previsão utilizando um modelo de otimização, sendo que o modelo de otimização determina o valore prescritivo (x’) de modo a que uma função objetiva associada ao modelo de otimização seja otimizada, e em que a otimização da função objetiva indica um objetivo empresarial a se alcançado; e um código do programa para efetuar interativamente as fases de simulação, previsão e determinação até a função objetiva não poder ser mais otimizada, satisfazendo uma condição pré-definida, sendo que em cada interação, à exceção da primeira interação, os dados de entrada (xinput) são o valor prescritivo (x’) determinado na interação imediatamente anterior, em que na primeira interação, os dados de entrada (xinput) são os dados de referência.