Seguradoras buscam alternativas no BA para combater o aumento de fraudes

1

O SAS, recentemente, realizou uma pesquisa com seguradoras nos Estados Unidos. O resultado apontou que somente 13% dos entrevistados usavam uma variedade de técnicas, incluindo Business Analytics e Advanced Analytics; e apenas 21% monitoravam a incidência de fraude em tempo real. E constatou que, dentre as companhias que fazem o uso do BA, 57% tiveram um crescimento anual de 4% na detecção de fraudes. Já as seguradoras sem soluções automatizadas de detecção, ou somente baseadas em regras de negócios, apenas 16% tiveram um crescimento similar.

Entre os maiores obstáculos enfrentados por muitas seguradoras estão as falhas em seus sistemas de detecção, soluções ultrapassadas, dificuldades no processo de integração de dados, e atividades de terceiros que resultam em dados incompletos ou não confiáveis.

Para minimizar os riscos, o SAS oferece as soluções de Analytics Avançadas, que fornecem uma abordagem para detecções. Normalmente, elas começam pela extração de dados existentes de seguradoras para ‘limpá-los’ e qualifica-los, se necessário. A tecnologia pode conectar os dados para fornecer uma investigação cautelosa dos clientes da empresa. Depois desse processo, a abordagem analítica híbrida deve ser aplicada, incorporando desde regras de negócios, passando por detecções de anomalias, modelos preditivos, mineração de textos e análise de redes de relacionamentos.

Para ler a matéria completa, clique aqui.

Fonte: SAS.com

 

Como utilizar o Hadoop com outras ferramentas

2

Você certamente já teve as seguintes dúvidas: “a utilização do Hadoop tem impacto na visualização e nas análises?” ou “como posso preparar os dados em Hadoop?”, ou ainda “que tipo de técnicas analíticas estão disponíveis para analisar dados no Hadoop?”.

Pensando em responder essas (e outras) dúvidas, o SAS junto com a TDWI elaborou o paper “Eight Considerations for Utilizing Big Data Analytics with Hadoop”, que tem como objetivo elucidar a forma como todas estas ferramentas interagem. Uma espécie de check-list que pode e deve ser usada como ajuda na exploração da análise do big data.

Fonte: SAS

Big data + Hadoop

1

Em um cenário de complexidade e de grande volume de dados, a utilização de ferramentas pode facilitar e oferecer maior agilidade na análise dessas informações. Atualmente existem ferramentas que podem ser utilizadas de forma complementar na análise de dados e ajudar a gerar insights.

O Hadoop é uma dessas ferramentas, que organiza as toneladas de dados existentes em múltiplas fontes. O mapeamento de dados permite a sua priorização e atribuição de relevância. Ou seja, quando combinado com ferramentas de análise torna-se um poderoso instrumento para os usuários de negócios.

Fonte: SAS

Para ler a matéria completa: http://www.sas.com/pt_br/insights/articles/data-management/descomplicando-big-data-hadoop.html

julho 14 2015 0comment

Modelagem Preditiva e a previsão do futuro

A análise preditiva permite maior conhecimento dos dados para poder prever o futuro, assim, é possível abordar o cliente certo, oferecer o produto ideal de acordo com o seu perfil e ter mais acerto e retorno nas campanhas.

Um modelo preditivo é o resultado da combinação de dados e matemática, onde o aprendizado pode ser transformado na criação de uma função de mapeamento entre um conjunto de campos de dados de entrada e uma resposta ou variável de destino, sendo possível criar situações ou simular ações e analisar seus resultados, antes mesmo delas serem implantadas, fazendo assim, uma previsão do futuro (possibilidade).

Cada vez mais utilizada por empresas e indivíduos em todo o mundo, a análise preditiva extrai valor de dados históricos obtidos de pessoas e sensores. Dados de pessoas incluem transações estruturadas de clientes (por exemplo, de compras online) ou dados não estruturados obtidos da mídia social. Por outro lado, dados de sensores são obtidos a partir de um bombardeio de dispositivos utilizados para monitorar estradas, pontes, prédios, maquinário, grade elétrica, atmosfera e clima. Neste artigo, o foco será nas técnicas de modelagem. Elas são os algoritmos matemáticos utilizados para “aprender” os padrões ocultos em todos esses dados.

Após ser desenvolvido e validado, o modelo preditivo consegue generalizar o conhecimento aprendido dos dados históricos para prever o futuro. Dessa forma, ele pode ser utilizado para prever, por exemplo, o risco de perda ou deserção de clientes, no caso de dados de pessoas; ou o risco de quebra de maquinário, no caso de dados de sensores. Modelos como esses calculam a pontuação ou o risco implementando uma função de regressão. Modelos preditivos também podem ser utilizados para implementar uma função de classificação na qual o resultado é uma classe ou categoria.

A Infomev oferece o serviço de modelagem preditiva SAS. Para conhecer, clique no link ao lado: http://bit.ly/1Cv6Yn7

Fonte:IBM