A mai vállalkozások számára elengedhetetlen, hogy döntéseiket alapos, megbízható adatokra alapozzák. Az elmúlt években jelentősen bővült azoknak az adatoknak a köre, amelyek elemzésre rendelkezésre állnak: a digitalizáció és az adattárház-technológiák elterjedésével nagy adathalmazok váltak elérhetővé különböző üzleti tevékenységeket érintően. Ezzel párhuzamosan olyan technológiai megoldások jelentek meg, amelyek a nagy számítási kapacitást igénylő elemzések akár valós idejű futtatását is lehetővé teszik. Ennek hatására az adatvezérelt döntéstámogató modellek alkalmazási területe jelentősen kiszélesedett, és egyre gyakrabban alkalmaznak gépi tanulásra (machine learning) épülő algoritmusokat.
Mi a gépi tanulás?
A gépi tanulás gyűjtőfogalom olyan algoritmusokra, amelyek célja az adatokban rejlő összefüggések feltárása vagy döntések meghozatala emberi beavatkozás nélkül. A tanulási folyamat általában múltbeli adatok és megfigyelt döntési helyzetek alapján történik: a rendszer ezek alapján készít előrejelzéseket vagy hoz döntéseket a jövőre nézve. Az ember feladata elsősorban az adatok előkészítése, a megfelelő algoritmustípus kiválasztása, valamint a betanítási és tesztelési szabályok meghatározása. A gyakorlatban az adatbázist általában fejlesztési és tesztelési mintára osztják: az előbbit az algoritmus paraméterezésére használják, az utóbbi pedig a modell hatékonyságának és stabilitásának visszamérésére szolgál.
Az elmúlt időszakban egyre több, hatékonyabb és „okosabb” gépi tanulási algoritmus jelent meg, amelyek jobb lehetőséget adnak az adatokban rejlő információk feltárására. Ugyanakkor a modellek betanítása egyre több számítási erőforrást és szakértelmet igényel.
Alkalmazási lehetőségek a pénzügyekben
A gépi tanuláson alapuló modellek bármely területen alkalmazhatók, ahol elegendő mennyiségű adat áll rendelkezésre; a pénzügy kifejezetten jó terep a módszerek számára. A gépi tanulás képes olyan összefüggéseket feltárni pénzügyi adatokban, amelyeket hagyományos elemzési módszerekkel nehezebb észrevenni.
Példák a gyakorlati alkalmazásokra:
- Hitelkockázat előrejelzése: egy bank már a hitelkérelem beadásának pillanatában meg tudja becsülni, mekkora valószínűséggel törleszti az ügyfél a hitelt.
- Marketingcélzás: meghatározható egy vállalat ügyfélbázisából, mely ügyfeleket érdemes megcélozni egy kampánnyal.
- Könyvelés automatizálása: a beérkező szállítói számlák főkönyvi számokra és ÁFA-kódokra történő hozzárendelése automatizálható, feltéve, hogy több évre visszamenőleges könyvelési és számlaadat áll rendelkezésre.
Az automatizált hozzárendelés esetén a modell a könyvelők által jóváhagyott tételekből folyamatosan tanul: ha egy könyvelő módosít egy számlát, a jövőben a hasonló számlákat már a megfelelő számlasorhoz sorolhatja.
A siker feltételei
A gépi tanulás üzleti környezetben történő sikeres alkalmazásához több kulcstényező szükséges:
- Megfelelő minőségű adatok: az elemzéshez szükséges adatoknak tisztának és megbízhatónak kell lenniük.
- Világos problémameghatározás: a megoldandó feladatot egyértelműen kell definiálni.
- Szakértői kontroll a tanulási folyamat során: emberi felügyelet biztosítja, hogy a modell tanulása és viselkedése megfeleljen az üzleti elvárásoknak.
- Integráció az üzleti folyamatokba: a modellek eredményeit a napi munkafolyamatokhoz és rendszerekhez kell illeszteni.
Ezek hiányában a gépi tanulás alkalmazása nehezebben hozza meg a várható hatékonyságnövelést, míg meglétük esetén jelentős teher csökkenés és jobb döntéstámogatás érhető el a pénzügyi és adminisztratív folyamatokban.
