Manter os modelos de previsão no rumo certo é preciso

Algoritmos sofisticados de análise de dados são cada vez mais usados para apoiar tomada de decisões em tempo real em ambientes dinâmicos. Mas às vezes eles falham espetacularmente. Em 2018, o marketplace imobiliário Zillow lançou o Zillow Offers, braço de “compra instantânea” do negócio. Ele aproveitou um algoritmo proprietário chamado Zestimate, que calcula por quanto um determinado imóvel residencial pode ser vendido. Com base nesses cálculos, a Zillow Offers planejava comprar, reformar e revender imóveis com lucro. Teve algum sucesso nos primeiros anos, mas o modelo não se ajustou à volatilidade do mercado em 2021. A Zillow perdeu, em média, US$ 25 mil por casa vendida no quarto trimestre daquele ano. Esse é um exemplo do que chamamos de inércia algorítmica: quando as organizações usam modelos algorítmicos para lidar com mudanças, mas não conseguem acompanhá-las.

Uma catástrofe de classificação de crédito

Para entender o fenômeno, realizamos um estudo aprofundado de outra organização que não conseguiu responder às mudanças no ambiente: a Moody’s, empresa de pesquisa financeira que fornece classificações de crédito para instrumentos financeiros complexos, como títulos lastreados em hipotecas residenciais (RMBS, na sigla em inglês). Em 2000, a Moody’s desenvolveu um modelo algorítmico proprietário chamado M3 Prime, que analisava dados sobre imóveis e detentores de hipotecas para estimar dois parâmetros centrais para calcular uma classificação de crédito: perdas esperadas para o pool hipotecário e a cobertura necessária para que um título mantenha uma classificação AAA. Um analista apresentaria uma recomendação ao comitê de classificação de risco da Moody’s, que daria uma classificação pública para o título. A Moody’s monitorou essas avaliações e atualizou ou rebaixou os títulos à medida que o ambiente mudava.

ExclusivoEste conteúdo faz parte da edição #15 do MIT SMR Brasil.Já tem acesso? Fazer loginAssinarComprar edição