Napjainkban egy vállalkozás sikeréhez elengedhetetlen, hogy megfelelő információkkal, adatokkal rendelkezzünk a döntéseink megalapozásához. Az utóbbi években dinamikusan növekedett az elemzésekhez felhasználható adatok köre. A digitalizáció és az adattárház technológiák elterjedésével jelentős adathalmazok váltak elérhetővé bármely vállalkozás számára szinte bármilyen üzleti tevékenységre vonatkozóan. Ezzel párhuzamosan egyre szélesebb körben rendelkezésre állnak olyan technológiai megoldások, amelyek a jelentős számítás kapacitást igénylő elemzések akár valós idejű futtatását is lehetővé teszik. Ennek hatására jelentősen kibővül az adat alapú döntés támogató modellek felhasználási területe, ezen belül is egyre nagyobb teret hódítanak a gépi tanulás (ún. „machine learning”) algoritmusok.
Tanulás emberi beavatkozás nélkül?
A gépi tanulásra úgy tekinthetünk, mint olyan algoritmusok gyűjtőnevére, melyeknek célja az adatokban rejlő összefüggések feltárása, vagy bizonyos döntések meghozatala, emberi beavatkozás nélkül. A gépi tanulás folyamata jellemzően múltbeli adatok, megfigyelhető döntési helyzetek megismerésével történik, melyek alapján az algoritmus a jövőre vonatkozó előrejelzéseket készít, döntéseket hoz meg. Az ember szerepe az algoritmusok futtatásához szükséges adatbázisok előkészítésére, a megfelelő algoritmusok típusának kiválasztására és a betanítási ill. tesztelési szabályok meghatározására korlátozódik. Ennek során az adatbázist felosztjuk egy fejlesztési és egy tesztelési mintára. Előbbi szolgál az algoritmusok paraméterezésére, utóbbin pedig a modell hatékonyságát, stabilitását mérjük vissza.
Napjainkban a gépi tanulás algoritmusokból egyre több, hatékonyabb, „okosabb” jelenik meg, ami lehetőséget ad az adatainkban rejlő összefüggések, információk minél jobb feltárására. Ezzel párhuzamosan viszont az algoritmusok „betanítása” is egyre több erőforrást és szakértelmet igényel.
Hogyan alkalmazható a pénzügyek területén?
A gépi tanuló algoritmusokon alapuló modellek bármilyen területen alkalmazhatóak, ahol megfelelő mennyiségű adat elérhető, a pénzügy kifejezetten jó terepnek számít ebben. A pénzügyi adatokban rejlő olyan összefüggések is feltárhatóak, amelyek korábban rejtve maradtak a hagyományos módszerekkel dolgozó elemzők számára.
A gépi tanuló algoritmusok segítségével egy bank már a hitel igénylésének pillanatában meg tudja mondani, hogy a potenciális adós mekkora valószínűséggel fogja fizetni a hitelének törlesztő részleteit, meghatározható egy vállalat azon ügyfeleinek köre, akit érdemes egy marketing kampánnyal megkeresni, vagy akár automatizálható, hogy egy vállalat beérkező szállítói számlái milyen főkönyvi számokra kerüljenek lekönyvelésre. Utóbbi esetben, ha több évre visszamenőleg rendelkezésre állnak a könyvelési és számla adatok, tanuló algoritmusok segítségével automatikusan hozzá lehet rendelni a bejövő számlákhoz tartozó főkönyvi számot és ÁFA kódot. Így a könyvelést végző kollégára kevesebb rutinszerű feladat hárulhat. Az algoritmus a könyvelők által jóváhagyott könyvelési tételek alapján folyamatosan tanul, így például egy könyvelő általi módosítást követően, egy hasonló számlát legközelebb már a megfelelő helyre sorol be.
Mi lehet a siker kulcsa?
A sikeres alkalmazás kulcstényezői az alábbiak:
- az elemzéshez szükséges adatok jó minőségben állnak rendelkezésre.
- A megoldandó probléma világos és egyértelműen megfogalmazott
- A tanulási folyamaton biztosított a megfelelő szakértői kontroll
- A modellek és azok eredményei integrálódnak az üzleti folyamatokba.