Resumo

O estudo tem como objetivos realizar uma análise bibliométrica abrangente, identificar principais tendências e áreas de foco, avaliar desenvolvimentos metodológicos, e identificar lacunas e oportunidades de pesquisa.

Essa análise bibliométrica, espera fornecer uma visão panorâmica das tendências e desenvolvimentos na análise preditiva de dados ao longo do período e a compreensão desses padrões e áreas de foco contribuirá para identificar novas oportunidades de pesquisa

foi realizada uma análise bibliométrica no período de 2018 a abril de 2023, utilizando uma amostra final de 491 artigos em 278 periódicos acadêmicos, que serviram como base para uma análise quantitativa desenvolvida por meio de contagens de frequência e co-citações.

A academia está focando suas pesquisas em algoritmos de aprendizagem de máquina, mais adequados quando há complexidade e não linearidade nos dados, permitindo a criação de modelos mais sofisticados, capazes de se ajustar automaticamente aos dados, mas menos transparentes no processamento.

Embora os algoritmos de aprendizagem de máquina têham a vantagem de serem capazes de se ajustar automaticamente aos dados, sem a necessidade de especificar explicitamente uma equação de regressão ou modelo, seu processamento não é transparente para alcançar os resultados

A formação de pessoas que atuam com ciência de dados deverá adaptar-se com maiores exigencias no trato com dados para treinamento e ajuste adequado dos modelos que podem ser mais suscetíveis a overfitting, quando não generaliza bem para novos dados.

The study aims to perform a comprehensive bibliometric analysis, identify key trends and focus areas, assess methodological developments, and identify research gaps and opportunities.

This bibliometric analysis is expected to provide a bird's-eye view of trends and developments in predictive data analytics over time, and understanding these patterns and areas of focus will help identify new research opportunities.

A bibliometric analysis was carried out from 2018 to April 2023, using a final sample of 491 articles in 278 academic journals, which served as the basis for a quantitative analysis developed through frequency counts and co-citations.

The academy is focusing its research on machine learning algorithms, more suitable when there is complexity and non-linearity in the data, allowing the creation of more sophisticated models, capable of automatically adjusting to the data, but less transparent in the processing.

Although machine learning algorithms have the advantage of being able to automatically fit the data, without the need to explicitly specify a regression equation or model, their processing is not transparent in achieving the results.

The training of people who work with data science must adapt to greater demands in dealing with data for training and proper adjustment of models that may be more susceptible to overfitting, when it does not generalize well to new data.