Κίνδυνος μοντελοποίησης με μοντέλα Hadoop - ανδρείκελα

Η μοντελοποίηση των κινδύνων είναι μια άλλη σημαντική περίπτωση χρήσης που ενεργοποιείται από τον Hadoop. Θα διαπιστώσετε ότι ταιριάζει απόλυτα με τη χρήση της ανίχνευσης απάτης στο ότι είναι μια πειθαρχία που βασίζεται σε μοντέλο. Όσο περισσότερα δεδομένα έχετε και όσο περισσότερο μπορείτε να "συνδέσετε τις τελείες", τόσο πιο συχνά τα αποτελέσματά σας θα αποφέρουν καλύτερα μοντέλα πρόβλεψης κινδύνου.

Η συνολική λέξη κινδυνεύει μπορεί να πάρει πολλές έννοιες. Για παράδειγμα, η πρόβλεψη του πελάτη είναι ο κίνδυνος ενός πελάτη να μετακομίζει σε έναν ανταγωνιστή. ο κίνδυνος δανειακού χαρτοφυλακίου σχετίζεται με τον κίνδυνο αθέτησης · ο κίνδυνος στην υγειονομική περίθαλψη καλύπτει τη γκάμα από το περιορισμό της επιδημίας στην ασφάλεια των τροφίμων έως την πιθανότητα επαναμόλυνσης και πολλά άλλα.

Ο τομέας των χρηματοπιστωτικών υπηρεσιών (FSS) επενδύει τώρα σημαντικά στη μοντελοποίηση κινδύνου με βάση τον Hadoop. Ο τομέας αυτός επιδιώκει να αυξήσει την αυτοματοποίηση και την ακρίβεια της εκτίμησης κινδύνου και της μοντελοποίησης έκθεσης.

Η Hadoop προσφέρει στους συμμετέχοντες την ευκαιρία να επεκτείνουν τα σύνολα δεδομένων που χρησιμοποιούνται στα μοντέλα κινδύνου τους για να συμπεριλάβουν υποκεφαλαιοποιημένες πηγές (όπως πηγές που δεν χρησιμοποιούνται ποτέ), όπως e-mail, instant messaging, κοινωνικά μέσα και αλληλεπιδράσεις με την εξυπηρέτηση πελατών μεταξύ άλλων πηγών δεδομένων.

Τα μοντέλα κινδύνου στο FSS εμφανίζονται παντού. Χρησιμοποιούνται για την πρόληψη του πελάτη, την προσομοίωση του εμπορίου, τον εταιρικό κίνδυνο και την ανάλυση της έκθεσης και πολλά άλλα.

Όταν μια εταιρεία εκδίδει ασφαλιστήριο συμβόλαιο κατά των φυσικών καταστροφών στο σπίτι, μια πρόκληση βλέπει σαφώς πόσα χρήματα κινδυνεύουν. Εάν ο ασφαλιστής αποτύχει να επιφυλάξει χρήματα για πιθανές πληρωμές, οι ρυθμιστικές αρχές θα επεμβαίνουν (ο ασφαλιστής δεν το θέλει). εάν ο ασφαλιστής βάζει πάρα πολλά χρήματα στα αποθεματικά του για να πληρώσει τις μελλοντικές αξιώσεις πολιτικής, δεν μπορούν στη συνέχεια να επενδύσουν τα ασφάλιστρα και να κερδίσουν (ο ασφαλιστής δεν το θέλει).

Πολύ απλά, αυτές οι εταιρείες δυσκολεύονται να δοκιμάσουν το άγχος τους τα μοντέλα κινδύνου. Η δυνατότητα αναδίπλωσης περισσότερων δεδομένων - για παράδειγμα, των καιρικών συνθηκών ή της συνεχώς μεταβαλλόμενης κοινωνικοοικονομικής κατανομής της πελατειακής τους βάσης - τους δίνει περισσότερες γνώσεις και ικανότητες όταν πρόκειται για την κατασκευή μοντέλων καλύτερου κινδύνου.

Τα μοντέλα κινδύνου κατασκευής και προσομοίωσης ακραίων καταστάσεων όπως αυτό που μόλις περιγράψαμε είναι ένα ιδανικό έργο για τον Hadoop. Αυτές οι λειτουργίες είναι συχνά υπολογιστικά δαπανηρές και, όταν δημιουργείτε ένα μοντέλο κινδύνου, πιθανότατα μη πρακτικό να τρέχετε εναντίον αποθήκης δεδομένων, για τους εξής λόγους:

Η αποθήκη πιθανότατα δεν είναι βελτιστοποιημένη για τα είδη ερωτημάτων που εκδίδονται από το μοντέλο κινδύνου.(Η Hadoop δεν δεσμεύεται από τα μοντέλα δεδομένων που χρησιμοποιούνται στις αποθήκες δεδομένων.)

• Μια μεγάλη ad hoc παρτίδα εργασίας, όπως ένα εξελισσόμενο μοντέλο κινδύνου, θα προσθέσει φορτίο στην αποθήκη, επηρεάζοντας τις υπάρχουσες αναλυτικές εφαρμογές. (Η Hadoop μπορεί να αναλάβει αυτό το φόρτο εργασίας, απελευθερώνοντας την αποθήκη για τακτικές αναφορές επιχειρήσεων.)

• Τα πιο προηγμένα μοντέλα κινδύνου μπορεί να χρειαστεί να επηρεάσουν μη δομημένα δεδομένα, όπως το ακατέργαστο κείμενο. (Ο Hadoop μπορεί να χειριστεί αποτελεσματικά το έργο αυτό.)