Pemodelan risiko dengan Hadoop - dummies

Pemodelan risiko adalah satu lagi kes penggunaan utama yang dikuatkan oleh Hadoop. Anda akan mendapati bahawa ia hampir sepadan dengan kes penggunaan pengesanan penipuan kerana ia adalah disiplin berasaskan model. Semakin banyak data yang anda ada dan semakin anda dapat "menyambungkan titik," semakin sering hasil anda akan menghasilkan model ramalan risiko yang lebih baik.

Perkataan risiko yang merangkumi semua boleh mengambil banyak makna. Contohnya, ramalan pelanggan adalah risiko klien yang berpindah ke pesaing; risiko buku pinjaman berkaitan dengan risiko lalai; Risiko dalam penjagaan kesihatan merangkumi gamut dari pembekuan wabak untuk keselamatan makanan kepada kebarangkalian reinfeksi dan banyak lagi.

Sektor perkhidmatan kewangan (FSS) kini banyak melabur dalam pemodelan risiko berasaskan Hadoop. Sektor ini bertujuan untuk meningkatkan automasi dan ketepatan penilaian risiko dan pemaparan pendedahan.

Hadoop menawarkan peserta kesempatan untuk memperluaskan set data yang digunakan dalam model risiko mereka untuk memasukkan sumber yang tidak digunakan (atau sumber yang tidak pernah digunakan), seperti e-mel, mesej segera, media sosial, dan interaksi dengan perkhidmatan pelanggan wakil, antara sumber data lain.

Model risiko di FSS muncul di mana-mana. Ia digunakan untuk pencegahan pelanggan, pemodelan manipulasi perdagangan, analitik risiko dan pendedahan korporat, dan banyak lagi.

Apabila sebuah syarikat mengeluarkan polisi insurans terhadap bencana alam di rumah, satu cabaran jelas melihat berapa banyak wang yang berpotensi berisiko. Jika penanggung insurans gagal untuk menyimpan wang untuk pembayaran yang mungkin, pengawal selia akan campur tangan (penanggung insurans tidak mahu itu); jika penanggung insurans meletakkan terlalu banyak wang ke dalam rizabnya untuk membayar tuntutan dasar masa depan, mereka tidak boleh melabur wang premium anda dan membuat keuntungan (penanggung insurans tidak mahu itu, sama ada).

Sesetengah syarikat "buta" terhadap risiko yang mereka hadapi kerana mereka tidak dapat menjalankan simulasi bencana yang mencukupi mengenai varians kelajuan angin atau kadar hujan (antara pembolehubah lain) kepada pendedahan mereka.

Cukup mudah, syarikat-syarikat ini menghadapi kesukaran untuk menguji tekanan model-model risiko mereka. Keupayaan untuk melipat dalam lebih banyak data - sebagai contoh, corak cuaca atau pengedaran sosioekonomi yang sentiasa berubah dari pangkalan pelanggan mereka - memberi mereka lebih banyak wawasan dan keupayaan apabila membina model risiko yang lebih baik.

Bangunan dan model risiko ujian tekanan seperti yang diterangkan adalah tugas yang ideal untuk Hadoop. Operasi ini sering dikira mahal dan, apabila anda membina model risiko, mungkin tidak praktikal untuk menjalankan terhadap gudang data, atas alasan berikut:

• Gudang mungkin tidak dioptimumkan untuk jenis pertanyaan yang dikeluarkan oleh model risiko.(Hadoop tidak terikat dengan model data yang digunakan dalam gudang data.)

• Kerja batch besar, ad hoc seperti model risiko yang berkembang akan menambah beban ke gudang, mempengaruhi aplikasi analitik sedia ada. (Hadoop boleh menganggap beban kerja ini, membebaskan gudang untuk pelaporan perniagaan biasa.)

• Model risiko yang lebih maju mungkin memerlukan faktor dalam data tidak terstruktur, seperti teks mentah. (Hadoop boleh mengendalikan tugas itu dengan cekap.)