Предиктивний аналіз у світі невизначеності: як це може працювати
28.08.2020
Прискорення розробки алгоритмів, використання нових підходів, постійний перегляд та валідація гіпотез, моделювання широкого спектру можливих варіантів розвитку подій – ось як дата-аналітика намагається пристосуватися до “нової нормальності”.
Пандемія COVID-19, яка принесла з собою значні зміни та невизначеність, поставила великі виклики перед бізнес-аналізом. Історичні дані, які використовувались для моделювання раніше, не дають достатньо інформації. Найближчою паралеллю до нинішньої ситуації могла б бути епідемія іспанського грипу століття тому — однак даних про неї порівняно з, наприклад, фінансовою кризою 2008 року, надто мало. Дата-фахівці роблять висновки і шукають способи пристосуватися до нових умов, пише InformationWeek.
Швидка адаптація
Зараз ми знаємо більше про вплив COVID-19 на діяльність організацій та поведінку споживачів, ніж на початку пандемії. Однак ситуація може змінитися, наприклад, країни можуть знову посилити карантин. Така мінливість підштовхує дата-аналітиків створювати нові моделі для аналізу big data швидше, ніж раніше.
“У моїй практиці були середовища, для моделювання трендів у яких створювалися нові алгоритми кожні півроку, але цього було не досить. Я вважаю, що зараз збільшення гнучкості моделювання через автоматизацію важливе як ніколи, просто тому, що дані змінюються так швидко”, — вважає Дрю Ферріс, очільник відділу досліджень штучного інтелекту у Booz Allen Hamilton.
З ним погоджується Ананд Рао, який відповідає за напрямок data analysis та штучного інтелекту у PwC.
“Це треба було робити ще до пандемії. Зараз спеціалісти шукають способи пришвидшити розробку нових алгоритмів, адже у бізнесу немає 6-8 тижнів”, — підкреслює він.
Нові підходи
Ферріс радить ставити під сумнів усі свої попередні гіпотези і формулювати нові — але не забувати перевіряти їх на реальних великих данних. Дуже важливо максимально автоматизувати процес валідації нових припущень підкреслює він.
Його компанія нещодавно використовувала лінійні регресії, однак зараз перейшла на агентне моделювання.
”Фактично це означає відтворення динамічної системи, у якій є індивідуальні актори; ви використовуєте дані про цих акторів, щоб змоделювати, що трапиться далі. Нічого радикально нового, але такий підхід дозволяє нам зазирнути в майбутнє, аналізуючи динаміку систему, а не історичні заміри”, — пояснює Ферріс.
Для того, щоб організації мали змогу реагувати та адаптуватися до мінливих обставин, у своєму аналізі big data вони також мають спиратися на дані з найрізноманітніших джерел, щоб мати повну картину того, що відбувається.
Моделювання сценаріїв
Ферріс вважає, що бізнес-аналітика наближається до того, щоб створювати якомога більше моделей для розуміння різних варіантів розвитку подій.
“На мою думку, якщо з цієї ситуації і можна зробити якийсь висновок, так це те, що у нас є можливість оперувати великими даними в такому масштабі, щоб вдаватися до дійсно незвичних експериментів, наприклад, створити алгоритм, який передбачає непередбачуване. Не бійтеся враховувати випадковість і генерувати шалені прогнози. Врешті-решт, вони можуть підготувати вас до нової кризи”, — говорить експерт.
Рао також стверджує, що від бізнесу надходить все більше запитів на симуляцію різних сценаріїв розвитку подій. “Також ми бачимо, як різні нові техніки використовуються у сфері штучного інтелекту, фахівці комбінують старі і нові підходи”, — зазначає він.
Перевага моделювання сценаріїв у тому, що воно дає змогу готуватися до різних варіантів розвитку подій. Наприклад, розрахувати вплив втручання уряду на пропозицію та попит або як різні сценарії можуть впливати на бізнес-процеси, вимоги до персоналу чи поведінку споживачів. Таким чином, якщо один зі прогнозів справдиться, у керівництва бізнесів заздалегідь була б інформація, до чого слід готуватися.
