{"id":26589,"date":"2021-06-16T20:29:14","date_gmt":"2021-06-16T20:29:14","guid":{"rendered":"https:\/\/building.nu.com\/beyond-prediction-machines\/"},"modified":"2024-02-22T18:01:44","modified_gmt":"2024-02-22T18:01:44","slug":"alem-das-maquinas-preditivas","status":"publish","type":"post","link":"https:\/\/building.nu.com\/pt-br\/alem-das-maquinas-preditivas\/","title":{"rendered":"Al\u00e9m das m\u00e1quinas preditivas"},"content":{"rendered":"\n

Eu gosto muito de um livro chamado M\u00e1quinas Preditivas<\/a>, escrito por tr\u00eas economistas. Eles s\u00e3o precisos na explica\u00e7\u00e3o sobre o que \u00e9 um aprendizado de m\u00e1quina e por que isso \u00e9 t\u00e3o valioso. Simplificando, o aprendizado de m\u00e1quina nos fornece previs\u00f5es baratas.<\/p>\n\n\n\n

Pode n\u00e3o soar t\u00e3o impressionante, mas precisamos reconhecer que previs\u00f5es est\u00e3o presentes em mais lugares do que pensamos. Previs\u00e3o n\u00e3o trata apenas do futuro (embora pudesse ser, por exemplo, se voc\u00ea quiser prever a demanda futura para administrar seu estoque), trata de gerar informa\u00e7\u00f5es sobre o presente e o passado.<\/p>\n\n\n\n

Isso acontece quando a previs\u00e3o classifica transa\u00e7\u00f5es de cart\u00e3o de cr\u00e9dito como fraudulentas, um tumor em uma imagem como maligno, ou quando uma pessoa segurando um iPhone \u00e9 a propriet\u00e1ria.<\/p>\n\n\n\n

N\u00e3o \u00e9 diferente no Nubank.<\/p>\n\n\n\n\n\n

M\u00e1quinas Preditivas no Nubank<\/h2>\n\n\n\n

N\u00f3s usamos m\u00e1quinas preditivas para prever o assunto de uma mensagem do e-mail de um cliente, permitindo-nos encaminh\u00e1-la para o especialista em atendimento ao cliente mais adequado. N\u00f3s prevemos se algu\u00e9m ser\u00e1 inadimplente em um empr\u00e9stimo antes de conceder cr\u00e9dito. E, \u00e9 claro, usamos a previs\u00e3o para descobrir se uma transa\u00e7\u00e3o de cart\u00e3o de cr\u00e9dito \u00e9 fraudulenta.<\/p>\n\n\n\n

Saber que o aprendizado de m\u00e1quina trata basicamente de previs\u00f5es tamb\u00e9m aprimora nossa comunica\u00e7\u00e3o com outras equipes. Podemos explicar que, se o problema de uma empresa pode ser rotulado como um problema de previs\u00e3o, provavelmente podemos resolv\u00ea-lo. Al\u00e9m disso, quando dizemos que o aprendizado de m\u00e1quina \u00e9 um superpoder da previs\u00e3o, l\u00edderes que n\u00e3o s\u00e3o da \u00e1rea t\u00e9cnica podem alocar melhor os cientistas de dados sem se deixarem levar pela empolga\u00e7\u00e3o de que podemos fazer todo tipo de milagre.<\/p>\n\n\n\n

Quando tudo o que voc\u00ea tem \u00e9 um martelo…<\/h2>\n\n\n\n

Ver o aprendizado de m\u00e1quina do ponto de vista da previs\u00e3o \u00e9 uma limita\u00e7\u00e3o poderosa. Isso nos prende a uma s\u00e9rie espec\u00edfica de problemas e nos torna cientistas de dados especialistas nesse assunto. Mas n\u00e3o deixa de ser uma limita\u00e7\u00e3o. Pelo que vimos, uma empresa moderna tem in\u00fameros problemas que n\u00e3o podemos rotular como tarefas de previs\u00e3o (acredito que a maioria deles).<\/p>\n\n\n\n

Diversas quest\u00f5es que uma empresa como o Nubank precisa responder envolvem otimiza\u00e7\u00e3o de tomadas de decis\u00e3o complicadas: entre um conjunto de op\u00e7\u00f5es poss\u00edveis, precisamos escolher a melhor forma de agir. Que limite de cr\u00e9dito eu deveria dar ao cliente para maximizar o valor em longo prazo (VPL)? Que taxa de juro eu deveria cobrar em um empr\u00e9stimo? Quantos e-mails de marketing eu deveria mandar para maximizar a convers\u00e3o sem irritar as pessoas? <\/p>\n\n\n\n

No geral, esses s\u00e3o problemas de tomadas de decis\u00e3o com v\u00e1rias escolhas dispon\u00edveis, e voc\u00ea precisa saber qual \u00e9 a melhor. Geralmente, voc\u00ea tem um tipo de m\u00e9trica de neg\u00f3cios que n\u00e3o<\/strong> \u00e9 poss\u00edvel controlar diretamente (vendas, quantidade de clientes, PNL…), mas \u00e9 poss\u00edvel<\/strong> influenciar com alguma alavanca (publicidade, pre\u00e7o, atendimento ao cliente). Ent\u00e3o, a quest\u00e3o \u00e9: como usar essa alavanca?<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n
\n

Primeiro, tentamos responder a essas perguntas com algo em que somos bons: modelos preditivos. Mas percebemos rapidamente que, al\u00e9m dessa abordagem n\u00e3o funcionar, ela deixou o problema mais complicado. Como nosso Diretor de Dados me disse uma vez: \u201cquando tudo o que voc\u00ea tem \u00e9 um martelo, tudo come\u00e7a a parecer um dedo.\u201d<\/em><\/p>\n<\/blockquote>\n\n\n\n

Atraindo mais clientes<\/h2>\n\n\n\n

Para entender melhor, considere um problema que toda empresa de tecnologia tem: atrair mais clientes. <\/p>\n\n\n\n

Aqui, vamos supor que voc\u00ea tenha uma estrat\u00e9gia de marketing cara, como dar um cupom para novos usu\u00e1rios. Algumas pessoas ir\u00e3o us\u00e1-lo e se tornar\u00e3o clientes de longo prazo (usu\u00e1rio 1, na imagem), mas outras apenas usar\u00e3o o cupom e n\u00e3o voltar\u00e3o mais (usu\u00e1rio 2). <\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

A pergunta \u00f3bvia \u00e9: para quem enviar os cupons? O que n\u00e3o fica t\u00e3o \u00f3bvio \u00e9 como responder a essa pergunta. Pode-se pensar que podemos usar um modelo de aprendizado de m\u00e1quina aqui. Certo. Digamos que sim. Vamos criar um modelo altamente preciso que prev\u00ea quem permanecer\u00e1 como cliente e quem n\u00e3o voltar\u00e1. N\u00f3s usamos uma por\u00e7\u00e3o de recursos, \u00e1rvores impulsionadas, fazemos a valida\u00e7\u00e3o cruzada correta e administramos para conseguir um modelo que prev\u00ea, com uma alt\u00edssima AUC (\u00e1rea sob a curva ROC), quem permanecer\u00e1.<\/p>\n\n\n\n

Ent\u00e3o, para cada cliente novo, seu modelo fornece um n\u00famero que diz quem tem mais chance de permanecer. E agora? Voc\u00ea ainda n\u00e3o respondeu \u00e0 pergunta original: para quem enviar os cupons?<\/p>\n\n\n\n

\u00c9 melhor enviar para os clientes com mais chance de permanecer? Mas e se eles permanecerem de toda forma? Por que gastar oferecendo-lhes um cupom? Ent\u00e3o, \u00e9 melhor dar os cupons para quem \u00e9 menos propenso a continuar como cliente? E se eles n\u00e3o permanecerem, mesmo com os cupons? Voc\u00ea s\u00f3 est\u00e1 desperdi\u00e7ando mais dinheiro!<\/em><\/p>\n\n\n\n

Se a resposta parece dif\u00edcil, significa que seu modelo n\u00e3o est\u00e1 prevendo<\/strong> o que voc\u00ea quer. Seu modelo \u00e9 \u00f3timo para distinguir entre quem permanecer\u00e1 e quem sair\u00e1. Mas o que voc\u00ea realmente quer \u00e9 descobrir qual dos grupos ter\u00e1 o maior e o menor crescimento ap\u00f3s receberem os cupons.<\/p>\n\n\n\n

Em outras palavras, n\u00e3o importam as probabilidades de convers\u00e3o, mas sim como elas mudam com os cupons. Vamos dar um exemplo para esclarecer. <\/em><\/p>\n\n\n\n

M\u00e1quinas preditivas: qual cliente permaneceria?<\/h2>\n\n\n\n

Vamos supor que voc\u00ea tenha dois tipos de clientes. O primeiro tipo (verde) tem uma base de convers\u00e3o maior e n\u00e3o precisa de muitos cupons para permanecer. J\u00e1 o segundo tipo (azul) tem uma base de convers\u00e3o menor, e permanecer\u00e1 apenas com mais cupons (ou cupons de alto valor, dependendo de como voc\u00ea rotula o problema). <\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Seu modelo prev\u00ea a convers\u00e3o de clientes. Ent\u00e3o, se voc\u00ea o usar para otimizar a estrat\u00e9gia de cupons e fornec\u00ea-los para os clientes com a chance de convers\u00e3o maior, voc\u00ea os estar\u00e1 fornecendo para v\u00e1rios clientes que n\u00e3o precisam de muitos cupons para permanecerem (verde).<\/p>\n\n\n\n

E se voc\u00ea os der para aqueles com menores chances de convers\u00e3o? Neste caso, seu p\u00fablico-alvo ser\u00e1 aqueles que realmente precisam de cupons para a convers\u00e3o, a\u00ed voc\u00ea tomar\u00e1 a decis\u00e3o correta.<\/p>\n\n\n\n

Mas perceba como isso \u00e9 acidental. Aqui, o tipo com a base de convers\u00e3o menor tamb\u00e9m precisa de mais cupons, mas a situa\u00e7\u00e3o poderia ser uma em que este mesmo grupo (azul) tamb\u00e9m precisasse de menos cupons para a convers\u00e3o, como na imagem abaixo. <\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Nesse segundo caso, o tipo com a base de convers\u00e3o maior (verde) tamb\u00e9m precisa de mais cupons para fazer diferen\u00e7a, enquanto o tipo com a base de convers\u00e3o menor (azul) precisa de menos cupons para ser feliz. <\/p>\n\n\n\n

A li\u00e7\u00e3o principal aqui \u00e9 que a convers\u00e3o n\u00e3o est\u00e1 necessariamente distinguindo a convers\u00e3o delta<\/strong>. Ou, em outras palavras, a convers\u00e3o n\u00e3o est\u00e1 necessariamente distinguindo quanto cada cliente responder\u00e1 a mais ou menos cupons.<\/p>\n\n\n\n

Como consequ\u00eancia, usar previs\u00f5es para uma tarefa de otimiza\u00e7\u00e3o como essa do exemplo pode ficar abaixo do ideal na melhor das hip\u00f3teses e muito caro no pior dos casos. Os modelos de previs\u00e3o s\u00e3o ferramentas fascinantes, mas isso n\u00e3o significa que sirvam para qualquer tarefa.<\/em><\/p>\n\n\n\n

Infer\u00eancia causal ao resgate<\/h2>\n\n\n\n

Felizmente, voc\u00ea n\u00e3o precisa martelar seu dedo. Estou aqui para mostrar um caminho melhor. O truque \u00e9 perceber que n\u00e3o \u00e9 preciso estimar a convers\u00e3o. Em vez disso, \u00e9 preciso estimar a derivada da convers\u00e3o, ou a convers\u00e3o marginal, como os economistas diriam.<\/p>\n\n\n\n

A convers\u00e3o marginal mostra quanto uma convers\u00e3o aumentar\u00e1 com base em um pequeno aumento nos cupons. Isso \u00e9 perfeito para a otimiza\u00e7\u00e3o, pois mostra onde est\u00e1 o melhor custo-benef\u00edcio. <\/em><\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Por exemplo, o ponto onde a derivada \u00e9 maximizada corresponde ao ponto na curva onde a convers\u00e3o \u00e9 mais acentuada. Nesse ponto, um aumento nos cupons aumentar\u00e1 bastante a convers\u00e3o.<\/p>\n\n\n\n

H\u00e1 apenas um pequeno problema. As pessoas n\u00e3o t\u00eam sensibilidades tatuadas na testa. Ou seja, isso n\u00e3o \u00e9 uma quantidade observ\u00e1vel. N\u00f3s OBSERVAMOS se as pessoas se converteram ou n\u00e3o com uma certa quantidade de cupons, mas N\u00c3O observamos o qu\u00e3o sens\u00edveis s\u00e3o aos cupons. Esse \u00e9 o problema fundamental da infer\u00eancia causal.<\/em><\/p>\n\n\n\n

N\u00f3s nunca podemos ver a mesma pessoa em dois regimes de tratamento diferentes (cupons, neste caso). A consequ\u00eancia \u00e9 que n\u00e3o podemos solucionar esse problema com um modelo preditivo<\/strong> onde estabelecemos X como os recursos e Y como os resultados, simplesmente porque o Y que queremos, ou seja, a sensibilidade, n\u00e3o \u00e9 observ\u00e1vel. <\/p>\n\n\n\n

Para isso, recorremos \u00e0 infer\u00eancia causal, que \u00e9 precisamente a t\u00e9cnica que podemos usar para estimar a sensibilidade (tamb\u00e9m chamada de efeito de tratamento) e responder \u00e0s perguntas do tipo \u201ce se\u201d. A infer\u00eancia causal aparece no topo da lista<\/a> das ideias estat\u00edsticas mais importantes<\/strong> dos \u00faltimos 50 anos, uma posi\u00e7\u00e3o bem merecida.<\/p>\n\n\n\n

Interfer\u00eancia causal: respondendo \u00e0s perguntas do tipo \u201ce se\u201d<\/h2>\n\n\n\n

Todo mundo j\u00e1 ouviu falar que correla\u00e7\u00e3o n\u00e3o implica em causalidade<\/strong>. A infer\u00eancia causal nos ajuda a dizer o que acontece. \u00c9 um conceito fundamental na epidemiologia e na econometria, mas est\u00e1 se espalhando pelo campo da Ci\u00eancia de Dados. Acredito que seja porque soluciona uma imensa classe de problemas com que o aprendizado de m\u00e1quinas tradicional n\u00e3o consegue lidar bem.<\/p>\n\n\n\n

A infer\u00eancia causal responde o que aconteceria se eu escolhesse \u201cisso\u201d em vez de \u201caquilo\u201d, o que \u00e9 primordial em cada a\u00e7\u00e3o a ser tomada ou a que pergunta de personaliza\u00e7\u00e3o precisamos responder. <\/em><\/p>\n\n\n\n

Outro fator presente em todas as unidades de neg\u00f3cios do Nubank \u00e9 o uso de dados para descobrir o que aconteceria ap\u00f3s as poss\u00edveis decis\u00f5es que desejamos tomar. Por isso, levamos a pesquisa de infer\u00eancia causal muito a s\u00e9rio. Precisamos saber como o padr\u00e3o de gastos de um determinado tipo de cliente mudar\u00e1 diante de um aumento de limite, e se isso compensar\u00e1 o aumento do risco associado.<\/p>\n\n\n\n

Temos que saber qual tipo de cliente responder\u00e1 melhor a um e-mail oferecendo venda cruzada de empr\u00e9stimos em compara\u00e7\u00e3o a um sobre investimentos. N\u00f3s nos preocupamos muito com a rea\u00e7\u00e3o dos clientes em rela\u00e7\u00e3o a mudan\u00e7as nas taxas de juros. Tudo isso se trata de problemas causais, pois eles fazem perguntas do tipo \u201ce se\u201d. <\/p>\n\n\n\n

Desvend\u00e1-los \u00e9 mais complexo do que jogar tudo em um pipeline de aprendizado de m\u00e1quinas e obter previs\u00f5es. Precisamos criar testes controlados aleat\u00f3rios e bem projetados; controlar vieses que nos enganam e nos fazem encontrar causalidade onde existe apenas correla\u00e7\u00e3o, e usar experimentos naturais. <\/em><\/p>\n\n\n\n

A infer\u00eancia causal \u00e9 um assunto t\u00e3o amplo e interessante que sou incapaz de abordar tudo em uma \u00fanica postagem. Mas n\u00e3o se preocupe. Como a infer\u00eancia causal tem se tornado cada vez mais relevante para a equipe de Ci\u00eancia de Dados do Nubank, pode apostar que publicaremos mais artigos sobre isso. Enquanto isso, se quiser saber mais sobre esse assunto, eu selecionei uma lista de recursos interessantes (e obviamente voltada \u00e0 Economia). Divirta-se!<\/p>\n","protected":false},"excerpt":{"rendered":"

Uma parte enorme da equipe de Ci\u00eancia de Dados do Nubank tem focado em usar infer\u00eancia causal juntamente com o aprendizado de m\u00e1quina tradicional para solucionar alguns dos nossos maiores problemas.<\/p>\n","protected":false},"author":178110132,"featured_media":24284,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[2503,2502],"tags":[2958,2504,2540],"class_list":["post-26589","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-analytics","category-data-science-machine-learning-pt-br","tag-causal-inference-pt-br","tag-ciencia-de-dados","tag-machine-learning-pt-br"],"acf":[],"yoast_head":"\nAl\u00e9m das m\u00e1quinas preditivas - Building Nubank<\/title>\n<meta name=\"description\" content=\"Uma parte enorme da equipe de Ci\u00eancia de Dados do Nubank tem focado em usar infer\u00eancia causal juntamente com o aprendizado de m\u00e1quina tradicional para solucionar alguns dos nossos maiores problemas.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/building.nu.com\/pt-br\/alem-das-maquinas-preditivas\/\" \/>\n<meta property=\"og:locale\" content=\"pt_BR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Al\u00e9m das m\u00e1quinas preditivas - Building Nubank\" \/>\n<meta property=\"og:description\" content=\"Uma parte enorme da equipe de Ci\u00eancia de Dados do Nubank tem focado em usar infer\u00eancia causal juntamente com o aprendizado de m\u00e1quina tradicional para solucionar alguns dos nossos maiores problemas.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/building.nu.com\/pt-br\/alem-das-maquinas-preditivas\/\" \/>\n<meta property=\"og:site_name\" content=\"Building Nubank\" \/>\n<meta property=\"article:published_time\" content=\"2021-06-16T20:29:14+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-02-22T18:01:44+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/i0.wp.com\/building.nu.com\/wp-content\/uploads\/2021\/06\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1\" \/>\n\t<meta property=\"og:image:width\" content=\"1440\" \/>\n\t<meta property=\"og:image:height\" content=\"600\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Matheus Facure\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Matheus Facure\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. tempo de leitura\" \/>\n\t<meta name=\"twitter:data2\" content=\"21 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/alem-das-maquinas-preditivas\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/alem-das-maquinas-preditivas\\\/\"},\"author\":{\"name\":\"Matheus Facure\",\"@id\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/#\\\/schema\\\/person\\\/84622cde3deb7475f4e2b49cb5294d30\"},\"headline\":\"Al\u00e9m das m\u00e1quinas preditivas\",\"datePublished\":\"2021-06-16T20:29:14+00:00\",\"dateModified\":\"2024-02-22T18:01:44+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/alem-das-maquinas-preditivas\\\/\"},\"wordCount\":1925,\"commentCount\":0,\"image\":{\"@id\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/alem-das-maquinas-preditivas\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/building.nu.com\\\/wp-content\\\/uploads\\\/2021\\\/06\\\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1\",\"keywords\":[\"causal inference\",\"ci\u00eancia de dados\",\"machine learning\"],\"articleSection\":[\"Data & Analytics\",\"Data science & Machine Learning\"],\"inLanguage\":\"pt-BR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/alem-das-maquinas-preditivas\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/alem-das-maquinas-preditivas\\\/\",\"url\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/alem-das-maquinas-preditivas\\\/\",\"name\":\"Al\u00e9m das m\u00e1quinas preditivas - Building Nubank\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/alem-das-maquinas-preditivas\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/alem-das-maquinas-preditivas\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/building.nu.com\\\/wp-content\\\/uploads\\\/2021\\\/06\\\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1\",\"datePublished\":\"2021-06-16T20:29:14+00:00\",\"dateModified\":\"2024-02-22T18:01:44+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/#\\\/schema\\\/person\\\/84622cde3deb7475f4e2b49cb5294d30\"},\"description\":\"Uma parte enorme da equipe de Ci\u00eancia de Dados do Nubank tem focado em usar infer\u00eancia causal juntamente com o aprendizado de m\u00e1quina tradicional para solucionar alguns dos nossos maiores problemas.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/alem-das-maquinas-preditivas\\\/#breadcrumb\"},\"inLanguage\":\"pt-BR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/alem-das-maquinas-preditivas\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-BR\",\"@id\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/alem-das-maquinas-preditivas\\\/#primaryimage\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/building.nu.com\\\/wp-content\\\/uploads\\\/2021\\\/06\\\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/building.nu.com\\\/wp-content\\\/uploads\\\/2021\\\/06\\\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1\",\"width\":1440,\"height\":600},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/alem-das-maquinas-preditivas\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Al\u00e9m das m\u00e1quinas preditivas\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/#website\",\"url\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/\",\"name\":\"Building Nubank\",\"description\":\"We make the extraordinary happen\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"pt-BR\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/#\\\/schema\\\/person\\\/84622cde3deb7475f4e2b49cb5294d30\",\"name\":\"Matheus Facure\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-BR\",\"@id\":\"https:\\\/\\\/building.nubank.com.br\\\/wp-content\\\/uploads\\\/2021\\\/06\\\/avatar_user_178110132_1622652046-96x96.png\",\"url\":\"https:\\\/\\\/building.nubank.com.br\\\/wp-content\\\/uploads\\\/2021\\\/06\\\/avatar_user_178110132_1622652046-96x96.png\",\"contentUrl\":\"https:\\\/\\\/building.nubank.com.br\\\/wp-content\\\/uploads\\\/2021\\\/06\\\/avatar_user_178110132_1622652046-96x96.png\",\"caption\":\"Matheus Facure\"},\"description\":\"Matheus Facure graduated in Economics from Universidade de Bras\u00edlia in 2017 and has been working in Nubank since then. At some point, he became a Data Science Manager for the Collections and Credit Card team at Nubank. Now he works mostly as an Individual Contributor at the Credit BU, where he specializes in Causal Inference and making sure our ML models are aligned with the business they try to optimize.\",\"url\":\"https:\\\/\\\/building.nu.com\\\/pt-br\\\/author\\\/matheus-facure\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Al\u00e9m das m\u00e1quinas preditivas - Building Nubank","description":"Uma parte enorme da equipe de Ci\u00eancia de Dados do Nubank tem focado em usar infer\u00eancia causal juntamente com o aprendizado de m\u00e1quina tradicional para solucionar alguns dos nossos maiores problemas.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/building.nu.com\/pt-br\/alem-das-maquinas-preditivas\/","og_locale":"pt_BR","og_type":"article","og_title":"Al\u00e9m das m\u00e1quinas preditivas - Building Nubank","og_description":"Uma parte enorme da equipe de Ci\u00eancia de Dados do Nubank tem focado em usar infer\u00eancia causal juntamente com o aprendizado de m\u00e1quina tradicional para solucionar alguns dos nossos maiores problemas.","og_url":"https:\/\/building.nu.com\/pt-br\/alem-das-maquinas-preditivas\/","og_site_name":"Building Nubank","article_published_time":"2021-06-16T20:29:14+00:00","article_modified_time":"2024-02-22T18:01:44+00:00","og_image":[{"width":1440,"height":600,"url":"https:\/\/i0.wp.com\/building.nu.com\/wp-content\/uploads\/2021\/06\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1","type":"image\/jpeg"}],"author":"Matheus Facure","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"Matheus Facure","Est. tempo de leitura":"21 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/building.nu.com\/pt-br\/alem-das-maquinas-preditivas\/#article","isPartOf":{"@id":"https:\/\/building.nu.com\/pt-br\/alem-das-maquinas-preditivas\/"},"author":{"name":"Matheus Facure","@id":"https:\/\/building.nu.com\/pt-br\/#\/schema\/person\/84622cde3deb7475f4e2b49cb5294d30"},"headline":"Al\u00e9m das m\u00e1quinas preditivas","datePublished":"2021-06-16T20:29:14+00:00","dateModified":"2024-02-22T18:01:44+00:00","mainEntityOfPage":{"@id":"https:\/\/building.nu.com\/pt-br\/alem-das-maquinas-preditivas\/"},"wordCount":1925,"commentCount":0,"image":{"@id":"https:\/\/building.nu.com\/pt-br\/alem-das-maquinas-preditivas\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/building.nu.com\/wp-content\/uploads\/2021\/06\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1","keywords":["causal inference","ci\u00eancia de dados","machine learning"],"articleSection":["Data & Analytics","Data science & Machine Learning"],"inLanguage":"pt-BR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/building.nu.com\/pt-br\/alem-das-maquinas-preditivas\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/building.nu.com\/pt-br\/alem-das-maquinas-preditivas\/","url":"https:\/\/building.nu.com\/pt-br\/alem-das-maquinas-preditivas\/","name":"Al\u00e9m das m\u00e1quinas preditivas - Building Nubank","isPartOf":{"@id":"https:\/\/building.nu.com\/pt-br\/#website"},"primaryImageOfPage":{"@id":"https:\/\/building.nu.com\/pt-br\/alem-das-maquinas-preditivas\/#primaryimage"},"image":{"@id":"https:\/\/building.nu.com\/pt-br\/alem-das-maquinas-preditivas\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/building.nu.com\/wp-content\/uploads\/2021\/06\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1","datePublished":"2021-06-16T20:29:14+00:00","dateModified":"2024-02-22T18:01:44+00:00","author":{"@id":"https:\/\/building.nu.com\/pt-br\/#\/schema\/person\/84622cde3deb7475f4e2b49cb5294d30"},"description":"Uma parte enorme da equipe de Ci\u00eancia de Dados do Nubank tem focado em usar infer\u00eancia causal juntamente com o aprendizado de m\u00e1quina tradicional para solucionar alguns dos nossos maiores problemas.","breadcrumb":{"@id":"https:\/\/building.nu.com\/pt-br\/alem-das-maquinas-preditivas\/#breadcrumb"},"inLanguage":"pt-BR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/building.nu.com\/pt-br\/alem-das-maquinas-preditivas\/"]}]},{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/building.nu.com\/pt-br\/alem-das-maquinas-preditivas\/#primaryimage","url":"https:\/\/i0.wp.com\/building.nu.com\/wp-content\/uploads\/2021\/06\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1","contentUrl":"https:\/\/i0.wp.com\/building.nu.com\/wp-content\/uploads\/2021\/06\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1","width":1440,"height":600},{"@type":"BreadcrumbList","@id":"https:\/\/building.nu.com\/pt-br\/alem-das-maquinas-preditivas\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/building.nu.com\/pt-br\/"},{"@type":"ListItem","position":2,"name":"Al\u00e9m das m\u00e1quinas preditivas"}]},{"@type":"WebSite","@id":"https:\/\/building.nu.com\/pt-br\/#website","url":"https:\/\/building.nu.com\/pt-br\/","name":"Building Nubank","description":"We make the extraordinary happen","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/building.nu.com\/pt-br\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"pt-BR"},{"@type":"Person","@id":"https:\/\/building.nu.com\/pt-br\/#\/schema\/person\/84622cde3deb7475f4e2b49cb5294d30","name":"Matheus Facure","image":{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/building.nubank.com.br\/wp-content\/uploads\/2021\/06\/avatar_user_178110132_1622652046-96x96.png","url":"https:\/\/building.nubank.com.br\/wp-content\/uploads\/2021\/06\/avatar_user_178110132_1622652046-96x96.png","contentUrl":"https:\/\/building.nubank.com.br\/wp-content\/uploads\/2021\/06\/avatar_user_178110132_1622652046-96x96.png","caption":"Matheus Facure"},"description":"Matheus Facure graduated in Economics from Universidade de Bras\u00edlia in 2017 and has been working in Nubank since then. At some point, he became a Data Science Manager for the Collections and Credit Card team at Nubank. Now he works mostly as an Individual Contributor at the Credit BU, where he specializes in Causal Inference and making sure our ML models are aligned with the business they try to optimize.","url":"https:\/\/building.nu.com\/pt-br\/author\/matheus-facure\/"}]}},"jetpack_shortlink":"https:\/\/wp.me\/pbKBB5-6UR","jetpack_sharing_enabled":true,"jetpack_featured_media_url":"https:\/\/i0.wp.com\/building.nu.com\/wp-content\/uploads\/2021\/06\/Casual-Interference-Header.jpg?fit=1440%2C600&ssl=1","_links":{"self":[{"href":"https:\/\/building.nu.com\/pt-br\/wp-json\/wp\/v2\/posts\/26589","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/building.nu.com\/pt-br\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/building.nu.com\/pt-br\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/building.nu.com\/pt-br\/wp-json\/wp\/v2\/users\/178110132"}],"replies":[{"embeddable":true,"href":"https:\/\/building.nu.com\/pt-br\/wp-json\/wp\/v2\/comments?post=26589"}],"version-history":[{"count":8,"href":"https:\/\/building.nu.com\/pt-br\/wp-json\/wp\/v2\/posts\/26589\/revisions"}],"predecessor-version":[{"id":28198,"href":"https:\/\/building.nu.com\/pt-br\/wp-json\/wp\/v2\/posts\/26589\/revisions\/28198"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/building.nu.com\/pt-br\/wp-json\/wp\/v2\/media\/24284"}],"wp:attachment":[{"href":"https:\/\/building.nu.com\/pt-br\/wp-json\/wp\/v2\/media?parent=26589"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/building.nu.com\/pt-br\/wp-json\/wp\/v2\/categories?post=26589"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/building.nu.com\/pt-br\/wp-json\/wp\/v2\/tags?post=26589"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}