Ir para o conteúdo

Consultora de data science em Zwolle

Criamos modelos que atribuem pontuações e fazem comparações, para que a sua equipa saiba onde concentrar primeiro a atenção. É assim que a Van Amersfoort Racing acompanha jovens pilotos.

Com a Van Amersfoort Racing, estamos a desenvolver uma ferramenta que permite à equipa de corridas acompanhar e comparar jovens pilotos

Encontrar pilotos talentosos é um desafio: tal como na pista, quer estar um passo à frente da concorrência. Juntos, estamos a desenvolver uma ferramenta inteligente que permite à Van Amersfoort Racing acompanhar e comparar facilmente jovens pilotos.

Leia o caso de estudo

Que pedido, cliente ou candidato devemos analisar primeiro hoje?

Chegam-lhe mais processos, pedidos ou sinais do que a sua equipa consegue analisar em profundidade. Um modelo pontua-os e ordena-os, colocando os mais importantes no topo. A sua equipa toma as decisões, mas começa pelo que mais importa.

Agende uma conversa

Pontuar, ordenar e comparar, com uma explicação para cada posição na lista

Fale connosco sobre o seu desafio

Comparar talentos

Para a Van Amersfoort Racing, estamos a desenvolver uma ferramenta para acompanhar e comparar jovens pilotos.

Acesso mais rápido à informação para agentes

Para uma agência de gestão desportiva, criámos uma plataforma que permite aos agentes aceder mais rapidamente a informações relevantes sobre os jogadores.

Clientes em risco

Para a DPG Media, trabalhámos na redução do churn através de análise avançada de dados: quem está prestes a cancelar e quem deve contactar primeiro?

Explicação da pontuação

Cada posição na lista indica os fatores que tiveram mais peso, para que um colaborador possa verificar os cálculos por detrás da escolha.

Uma classificação só é útil se a sua equipa confiar nela

  1. O que é uma boa escolha

    Definir em conjunto o que, em retrospetiva, foi uma escolha acertada e que dados poderiam tê-la previsto.

  2. O modelo ao lado do especialista

    Comparar a classificação do modelo com a da sua equipa em casos cujo resultado é conhecido.

  3. Integrado no trabalho

    A pontuação surge onde a equipa já trabalha, acompanhada de uma explicação e de uma verificação regular para confirmar que continua correta.

Temos dados suficientes para pontuar casos?

Fale connosco para avaliar

É adequado quando

Chegam muitos casos, sabe depois quais foram as escolhas acertadas e os resultados ficam registados. Assim, um modelo pode aprender o que caracteriza um bom candidato ou pedido.

Não é adequado quando

Há apenas alguns casos por ano ou ninguém regista o que aconteceu. Nesse caso, uma lista de verificação fixa ou um bom relatório é, para já, o melhor primeiro passo.

O que determina a dimensão

Quantas fontes estão envolvidas, se os resultados já são registados, como a pontuação é integrada no trabalho e quem fica responsável pela manutenção do modelo.

O modelo toma a decisão?

Não. Ordena os casos e mostra porquê. A decisão continua a caber à sua equipa e, quando estão em causa dados pessoais, definimos antecipadamente o que o modelo pode utilizar.

Regras fixas, uma pontuação simples ou um modelo que aprende: qual se adequa à sua decisão?

Regras fixas

Escolha esta opção se alguns critérios claros determinarem a decisão. As regras são fáceis de explicar e manter.

Uma pontuação simples

Escolha esta opção se quiser ponderar um conjunto reduzido de características. O nosso conselho: comece por aqui e compare o resultado com as escolhas dos seus especialistas.

Um modelo que aprende

Escolha esta opção se houver muitos casos e características e os resultados forem registados. O modelo aprende então padrões que uma regra não detetaria.

Desde 2016, desenvolvemos modelos para o desporto, os media e organizações fora de Amsterdam

A Data Science Lab existe desde 2016 e é parceira da Microsoft e da Databricks. Trabalhámos com a Van Amersfoort Racing e a DPG Media e partilhamos o que aprendemos nas nossas Techdays.

Agende uma primeira conversa

A decisão que a sua equipa toma todos os dias é o tema da primeira conversa

Stef Stoelwinder

Stef Stoelwinder

Business Development

Stef é o seu primeiro ponto de contacto. Na primeira conversa, falamos sobre a decisão que a sua equipa toma todos os dias e os dados disponíveis.

Que conjunto de pedidos, processos ou candidatos pretende ordenar?

Diga-nos que decisão a sua equipa toma e que dados estão disponíveis. Responderemos por e-mail ou agendaremos uma primeira conversa.

Introduza um endereço de e-mail válido.

Diga-nos como podemos ajudar.

Perguntas frequentes

Desenvolve modelos que preveem, classificam ou ordenam, e assegura que são utilizados no trabalho quotidiano. Esta página centra-se na atribuição de pontuações e na comparação: que pedido, cliente ou candidato deve receber atenção primeiro.

Encontra outras aplicações em aplicações de IA.

Não. Trabalhamos a partir da Westerdoksdijk, em Amesterdão. Colaboramos online com organizações em Zwolle e no resto de Overijssel, e deslocamo-nos até elas para testar os resultados com os seus especialistas.

Nenhum dos casos de estudo aqui apresentados decorreu em Zwolle; mostram o que desenvolvemos.

Comparando as duas em casos cujos resultados são conhecidos. Assim, vê onde o modelo e os seus especialistas concordam e onde divergem. Discutimos sobretudo essas diferenças, porque revelam o que o modelo sabe e o que não sabe.

O modelo só passa a ser utilizado quando ordena os casos pelo menos tão bem como os seus especialistas.

Muitas vezes, modelos de classificação ou regressão que produzem uma probabilidade ou pontuação; por vezes, um modelo de ordenação. A escolha depende dos dados e do grau de explicabilidade necessário para o resultado.

Pode ler mais sobre as técnicas em machine learning.

Definindo antecipadamente as características que o modelo não pode utilizar e verificando depois se os resultados diferem entre grupos. Quando estão envolvidas pessoas, muitas vezes é necessária uma DPIA.

Veja o que fornecemos para esse efeito em DPIA para IA.

Sim, é uma aplicação frequente. Trabalhámos com a DPG Media na redução da perda de clientes através de análise avançada de dados.

Pode ler como se constrói um modelo deste tipo em prever a perda de clientes.

Onde a equipa já trabalha: no CRM, numa lista de trabalho ou num relatório, acompanhada de uma explicação. Uma pontuação apresentada num ecrã separado geralmente não é utilizada.

Pode ler como mantemos um modelo em produção em MLOps.

Quando há poucos casos ou quando ninguém regista o resultado de uma decisão. Nessas condições, um modelo não consegue aprender; primeiro, é necessária uma lista de verificação ou um melhor registo dos resultados.

Também desaconselhamos um modelo se algumas regras claras já permitirem tomar boas decisões.