A lã australiana é um grande negócio – ou mais precisamente, é um grande negócio composto de vários pequenos negócios. Com um valor anual de 3 bilhões de dólares australianos, a lã australiana é responsável por até 70 porcento da lã como matéria prima usada em roupas. Ainda é vendida bastante da forma tradicional, e a cada ano mais de 450000 lotes são vendidos em leilões abertos. É um mercado muito arriscado tanto para os fazendeiros como para os compradores que fazem contratos adiantados para entregar a lã para os processadores.

Lãs Diferentes, Preços Diferentes
Embora a indústria determine um indicador de mercado para o preço dos diferentes tipos de lã, há uma necessidade de um modelo numérico para estimar preços prováveis para cada lote individual usando suas próprias medidas. Modelos baseados em análise de regressão funcionam satisfatoriamente para tipos muito comuns de lã, mas não podem ser aplicados para muitos outros tipos que estão no mercado. Recentemente, Kimbal Curtis, um especialista do setor no Departamento de Agricultura da Austrália Ocidental, começou a usar NeuralTools para prever preços de mercado para lotes com tipos de lã menos abundantes.

Foi um desafio ideal para o NeuralTools. Por causa do registro detalhado do mercado, o número de registros era grande mas também havia dados faltantes; os preços eram dinâmicos; e o relacionamento do preço com as características da lã era não-linear e interativo, assim como dinâmico. Kimbal começou seu modelo treinando o NeuralTools em um conjunto de aproximadamente 6.000 registros em um período de seis meses. Para este propósito ele estabeleceu variáveis categóricas independentes para fatores como vendas, data e aspectos qualitativos da lã que afetam o preço. Ele definiu como variáveis numéricas independentes as características físicas mensuráveis da lã. Em seguida, ele usou a funcionalidade Procura de Melhor Rede (Best Net Search) do NeuralTools para determinar que a melhor forma computacional era Redes Neurais Generalizadas para Regressão.

Encontrando Fatores Críticos e Prevendo com Precisão
Após testar sua rede neural em mais de 1.500 casos, Kimbal avaliou a capacidade preditiva de seu modelo emergente comparando os resultados do modelo com preços do mundo real e usar a função de Analise de Impacto Variável no NeuralTools para determinar quais variáveis exerceram maior influência na precisão do modelo. Ele foi capaz de apontar o diâmetro da fibra de lã como vital e simplificou o modelo descartando as variáveis não influentes. Kimbal então refinou seu modelo usando a funcionalidade Previsão ao Vivo – que atualiza as previsões da rede neural em tempo real quando os dados de entrada se alteram – para investigar as relações entre preço, tamanho da fibra de lã e resistência da fibra de lã para vários diâmetros de fibra. Alguns passos de refinamento adicionais e o resultado é um modelo em planilha que não apenas produz previsões confiáveis de preços de lã mas também permite que os compradores e vendedores explorem as implicações de preço das variáveis independentes.

“NeuralTools lida de forma apta com as complexidades do problema,” relata Kimbal, “me deixando livre para concentrar nos relacionamentos que encontrou e compará-los com nossa experiência no mercado de lã.” E ele tem alta admiração pela facilidade de uso do software. “O que eu realmente dou valor em um pacote analítico é a habilidade de usá-lo para resolver problemas reais sem o processo em si se tornar um problema. Uma vez que eu compreenda as opções analíticas e escolha o conjunto apropriado para o meu propósito, o NeuralTools resolve o problema.”

» NeuralTools