Análise de decisões

Análise de Dados Bayesiana em Python

Michal Oleszak

Machine Learning Engineer

Análise de decisões

Quem decide busca maximizar lucro, reduzir custos, salvar vidas etc.

Uma seringa ao lado de três notas e o dígito 99%. Uma seta aponta dela para um único ícone de pessoa.

Análise de decisões

Quem decide busca maximizar lucro, reduzir custos, salvar vidas etc.

Uma seringa ao lado de uma única nota e o dígito 98%. Uma seta aponta dela para um grupo de pessoas.

Análise de decisões → traduzir parâmetros em métricas relevantes para orientar decisões

De posteriores a decisões

Para decisões estratégicas, é preciso conhecer as probabilidades de diferentes cenários.
Métodos bayesianos permitem traduzir parâmetros em métricas relevantes com facilidade.

Um ícone representando uma distribuição de taxa de cliques.

De posteriores a decisões

Para decisões estratégicas, é preciso conhecer as probabilidades de diferentes cenários.
Métodos bayesianos permitem traduzir parâmetros em métricas relevantes com facilidade.

Um ícone representando uma distribuição de taxa de cliques multiplicada por "impressions".

De posteriores a decisões

Para decisões estratégicas, é preciso conhecer as probabilidades de diferentes cenários.
Métodos bayesianos permitem traduzir parâmetros em métricas relevantes com facilidade.

Um ícone representando uma distribuição de taxa de cliques multiplicada por "impressions", multiplicada por "revenue per click".

De posteriores a decisões

Para decisões estratégicas, é preciso conhecer as probabilidades de diferentes cenários.
Métodos bayesianos permitem traduzir parâmetros em métricas relevantes com facilidade.

Um ícone representando uma distribuição de taxa de cliques multiplicada por "impressions", multiplicada por "revenue per click", igual a um ícone representando uma distribuição de receita.

Receita a posteriori

# Different revenue per click
num_impressions = 1000
rev_per_click_A = 3.6
rev_per_click_B = 3


# Compute number of clicks
num_clicks_A = A_posterior * num_impressions
num_clicks_B = B_posterior * num_impressions


# Compute posterior revenue
rev_A = num_clicks_A * rev_per_click_A
rev_B = num_clicks_B * rev_per_click_B

Dois gráficos de densidade com leve sobreposição.

Dois gráficos de densidade com grande sobreposição.

Forest plot

import pymc3 as pm


# Collect posterior draws in a dictionary
revenue = {"A": rev_A, "B": rev_B}


# Draw the forest plot
pm.forestplot(revenue)

Um gráfico com duas linhas, cada uma representando uma distribuição. O comprimento de cada linha indica o intervalo credível de 94%.

Forest plot

import pymc3 as pm

# Collect posterior draws in a dictionary
revenue = {"A": rev_A, "B": rev_B}

# Draw the forest plot
pm.forestplot(revenue, hdi_prob=0.99)

Um gráfico com duas linhas, cada uma representando uma distribuição. O comprimento de cada linha indica o intervalo credível de 99%.

Vamos analisar decisões!

Análise de Dados Bayesiana em Python