Pozostałe przykłady zastosowa ´n bez szczegółowych analiz finansowych

Zastosowanie modeli predykcyjnych jest coraz to szersze. Jedynymi barierami ich zastosowa´n mo˙ze by´c ludzka wyobra´znia i brak posia-dania odpowiednich danych. Innym problemem jest tak˙ze zdobycie danych do wykonania testów procesu biznesowego.

Nawet je´sli jeszcze nie gromadzimy wła´sciwych danych, to i tak mo˙zna ju˙z przeprowadza´c testy, chocia˙z w niektórych przypadkach to tak˙ze jest niemo˙zliwe. W medycynie czy biostatystyce nie zawsze mo˙zna (lub nawet nie powinno si˛e) przeprowadza´c kalkulacje finan-sowe. Przypu´s´cmy np., ˙ze rozwa˙zamy przypadek zachorowalno´sci na raka. Okazuje si˛e, ˙ze mo˙zna z do´s´c du˙z ˛a moc ˛a predykcyjn ˛a (pra-wie 80% Giniego) przybli˙za´c prawdopodobie´nstwo ´smierci lub zgo-nu pacjenta ze wzgl˛edu na pierwsze objawy lub pierwsz ˛a diagnoz˛e zachorowania na raka (Delen et al., 2005). Modele te s ˛a oczywi´scie oparte na gł˛ebokiej diagnozie medycznej. Czy powinno si˛e zatem wylicza´c zysk z ocalenia lub ´smierci pacjenta? Nawet nie powinno si˛e takiego pytania stawia´c. Mo˙zna natomiast wykorzystywa´c mode-le predykcyjne do profilaktyki, gdy˙z nie tylko prognozuj ˛a one przy-szł ˛a ´smier´c pacjenta, ale tak˙ze wyja´sniaj ˛a tego przyczyny. Mo˙zna te˙z stosowa´c modele do wyboru terapii – skoro potrafimy prognozowa´c zgon lub prze˙zycie, to mo˙zna to uszczegóławia´c i pyta´c o prze˙zycie pod warunkiem przej´scia danej terapii. Mo˙zna te˙z w ostateczno´sci

przy ograniczonym bud˙zecie słu˙zby zdrowia, selekcjonowa´c pacjen-tów do poddania ich wła´sciwej terapii, która jest bardzo kosztowna.

Inne zastosowania, szczególnie wykorzystywane w telekomuni-kacji, ubezpieczeniach i bankowo´sci, to wykrywanie nadu˙zy´c (ang.

fraud detection), gdy główn ˛a ide ˛a jest identyfikacja klientów pod k ˛ a-tem jakiego´s rodzaju oszustwa, wyłudzenia lub kradzie˙zy.

Szczególny rodzaj działalno´sci przest˛epczej jest znany pod spe-cjaln ˛a nazw ˛a „prania brudnych pieni˛edzy” (ang. anti money launder-ing – AML). Do przeciwdziałania tej działalno´sci s ˛a zobowi ˛azane w zwi ˛azku z tym i monitorowane wszystkie banki pod kar ˛a du˙zej grzywny, wyznaczanej przez Główny Inspektorat Finansowy (GIF).

Nie wolno zapomnie´c o metodach skoringowych stosowanych tak˙ze w bankowo´sci wobec portfeli korporacyjnych i w szczegól-no´sci małych i ´srednich przedsi˛ebiorstw (ang. small medium enter-prises– SME), w których przede wszystkim s ˛a znane zastosowania modelu Z-score (Altman, 1968). Wszystkie metody, analizy i strate-gie procesu akceptacji przedstawione w rozdziale 3 mo˙zna by powtó-rzy´c, zast˛epuj ˛ac jedynie słowo „klient” słowem „przedsi˛ebiorstwo”.

Oczywi´scie modele s ˛a budowane na podstawie zupełnie innych da-nych i wska´zników, ale problemy takie jak opłacalno´s´c procesu ak-ceptacji, obci ˛a˙zenie próby i problem wniosków odrzuconych oraz in-na warto´s´c mocy predykcyjnej po zastosowaniu modelu w systemie decyzyjnym s ˛a tak˙ze tu obecne i stanowi ˛a podstawowe zagadnienie optymalizacji zarz ˛adzania portfelem SME.

Podsumowanie

Nigdy w historii ludzko´sci nie było czasów lepszych od obec-nych, w których analizy danych tak bardzo s ˛a potrzebne i oczekiwa-ne. Jest to złota era Big Data, gdy konferencji na ten temat pojawia si˛e tak du˙zo, ˙ze prelegenci maj ˛a cz˛esto kłopot ze znalezieniem cza-su, aby wzi ˛a´c w nich wszystkich udział. Internet jest przepełniony serwisami, blogami, masowymi emailami z tematyki Business Intel-ligence, Business Analytics czy Big Data. Prawie codziennie poja-wiaj ˛a si˛e informacje o nowo powstałym o´srodku, centrum szkolenio-wym czy edukacyjnym zwi ˛azanym z Big Data. Pobudza to wszystko do refleksji: skoro tak du˙zo si˛e o tym mówi, to dlaczego tak mało w literaturze czy na konferencjach pojawia si˛e konkretnych przykła-dów udowadniaj ˛acych u˙zyteczno´s´c zaawansowanej analizy danych?

Najcz˛e´sciej podczas prezentacji podkre´sla si˛e walory danego rozwi ˛ a-zania technologicznego: ˙ze jest elastyczne, skuteczne, szybkie w ob-słudze, konfigurowane w intuicyjnym interfejsie, metodami przeci ˛ a-gnij i upu´s´c. Podkre´sla si˛e np. to, ˙ze obecne technologie potrafi ˛a li-czy´c prognozy dla milionów szeregów czasowych w czasie kilku go-dzin, ale ju˙z mało precyzyjnie wykazuje si˛e ich trafno´s´c. Prezentuje si˛e bardzo wygodne narz˛edzia wizualizacji danych, ale zbyt mało uwagi po´swi˛eca si˛e interpretacji danych i wykazaniu u˙zyteczno´sci biznesowej. Mo˙zna odnie´s´c wra˙zenie, ˙ze zachwyt nad technologi ˛a u´spił nasz ˛a czujno´s´c; zamiast wykorzystywa´c pot˛eg˛e obliczeniow ˛a do lepszego rozumienia biznesu i jego składowych procesów, kolek-cjonujemy gad˙zety.

Temat ksi ˛a˙zki i podstawowy jej cel – wykazanie przydatno´sci za-awansowanej analizy danych na podstawie danych symulacyjnych – wydaje si˛e bardzo wa˙zny w obecnych czasach. Rozumowanie przed-stawiane na kolejnych stronach ksi ˛a˙zki uwypukla przesłanie, ˙ze u˙zy-teczno´s´c analizy danych jest problemem mentalnym, a nie techno-logicznym. Owszem bez obecnej techniki nie potrafiliby´smy wyko-na´c tak du˙zej liczby oblicze´n, ale najwa˙zniejsze pytanie brzmi: co liczy´c i jak to wykorzysta´c w biznesie? Na tak postawione pytanie jest znacznie trudniej odpowiedzie´c. Łatwiej jest zrobi´c prezentacj˛e, podczas której metod ˛a klikania tworzy si˛e model predykcyjny

pro-gnozuj ˛acy przypadki odej´scia klientów. Trudniej udowodni´c, ˙ze ów model naprawd˛e przynosi korzy´sci w firmie. Jeszcze trudniej wy-kaza´c konkretne kwoty zysku, przychodów czy strat. Coraz cz˛e´sciej dochodzi si˛e do wniosku, ˙ze zarówno ´srodowisko naukowe, jak i ´sro-dowisko konsultingowe nie s ˛a gotowe do rzetelnego udowadniania korzy´sci ze stosowania zaawansowanej analizy danych. Owszem tra-dycyjn ˛a metod ˛a firm konsultingowych jest tworzenie projektów PoC (ang. proof of concept), gdy w konkretnej firmie, przy konkretnych uwarunkowaniach, udaje si˛e wykaza´c wspomnian ˛a przydatno´s´c. Ale wnioski z realizacji takiego projektu z reguły s ˛a chronione, czyli nie mo˙zna ich prezentowa´c podczas działa´n przedsprzeda˙zowych (ang.

presale), a tym bardziej podczas wykładów dla studentów. Mamy za-tem powa˙zn ˛a luk˛e w procesie kształcenia. Pojawiaj ˛a si˛e grupy tzw.

ekspertów, którym dopisało szcz˛e´scie i znale´zli si˛e akurat w takich okoliczno´sciach, ˙ze mieli okazj˛e zetkn ˛a´c si˛e z rzeczywistymi dany-mi, co mylnie uto˙zsamiaj ˛a z do´swiadczeniem z zakresu know-how.

Problem wi˛ec w tym, ˙ze okoliczno´sci te pojawiaj ˛a si˛e rzadko i z re-guły nikt nie jest dobrze przygotowany do tego, by je w pełni wyko-rzysta´c. Obowi ˛azkiem nauczyciela akademickiego czy te˙z naukowca jest działanie upowszechniaj ˛ace wiedz˛e i nauk˛e, a w tej dziedzinie oznacza to tworzenie ró˙znorodnych symulatorów umo˙zliwiaj ˛acych start wszystkim zdolnym studentom.

Tre´s´c kolejnych czterech rozdziałów opracowania jednoznacznie wskazuje, ˙ze sformułowane cele zostały zrealizowane. Jest mo˙zliwe wykorzystanie danych symulacyjnych w badaniach Credit Scoring i zaprezentowanie ich u˙zyteczno´sci w optymalizacji procesów biz-nesowych.

Modele skoringowe pozwalaj ˛a w procesie akceptacji kredytowej osi ˛aga´c miesi˛ecznie milionowe zyski, je´sli tylko mamy do czynie-nia z masowymi procesami, czyli odpowiednio du˙z ˛a liczb ˛a klientów wnioskuj ˛acych miesi˛ecznie o nowy kredyt, i je´sli tak˙ze poprawnie okre´sli si˛e wszystkie parametry automatycznego procesu.

Wykorzystanie modeli skoringowych jest bardzo szerokie i to nie tylko w bankowo´sci. Mo˙zna je stosowa´c zarówno w procesach zarz ˛ a-dzania kampaniami reklamowymi, jak i w utrzymaniu odchodz ˛acych klientów. Mo˙zna na ich podstawie powi˛eksza´c zyski o milionowe kwoty.

Wreszcie dzi˛eki danym symulacyjnym mo˙zliwe jest budowanie uproszczonych modeli finansowych procesów biznesowych, spełnia-j ˛acych istotn ˛a rol˛e edukacyjn ˛a i naukow ˛a oraz pozwalaj ˛acych u´swia-domi´c sobie istotne elementy procesu.

Podstawowy pomysł przedstawiony w ksi ˛a˙zce polega na uprosz-czeniu postaci modelu i prezentowaniu go jako narz˛edzia podziału na 20 równolicznych grup klientów ze zró˙znicowanymi warto´sciami wska´znika biznesowego takiego jak response rate lub bad rate dla ka˙zdej z grup. Innymi słowy, model predykcyjny oznacza tworzenie grup warto´sci statystyki interpretowanej biznesowo i porz ˛adkowanie ich od jej najmniejszej warto´sci do najwi˛ekszej. Tylko taka własno´s´c modelu jest potrzebna w analizowaniu jego biznesowej

u˙zyteczno-´sci. Jednocze´snie taki sposób prezentacji modelu jest banalnie prosty i nie wymaga rozumienia zaawansowanych metod budowy modeli statystycznych. Staje si˛e zatem narz˛edziem komunikacji in˙zyniera danych z przedstawicielami biznesu.

Tego typu sposoby przedstawiania rzeczy trudnych powinny na stałe zago´sci´c w´sród zagadnie´n poruszanych w trakcie szkole´n, kon-ferencji i studiów podyplomowych dla szeroko rozumianego bizne-su, by jak najlepiej i najpełniej przekona´c ´srodowisko, ˙ze w obec-nych czasach przewag˛e konkurencyjn ˛a uzyska si˛e przede wszyst-kim dzi˛eki analizie ju˙z zgromadzonych danych i wykorzystaniu ich w usprawnianiu istniej ˛acych procesów, a nast˛epnie ˙ze wła´sciwe ana-lizy danych stanu aktualnego pomog ˛a tak˙ze zdefiniowa´c nowe zada-nia, propozycje zmian procesów i wła´sciwo´sci nowych produktów.