Modelagem de risco com Hadoop - dummies

A modelagem de risco é outro caso importante de uso que é ativado pela Hadoop. Você achará que ele combina com o caso de detecção de fraude em que é uma disciplina baseada em modelos. Quanto mais dados você tiver e quanto mais você pode "conectar os pontos", mais frequentemente seus resultados renderão melhores modelos de previsão de risco.

A expressão abrangente risco pode assumir muitos significados. Por exemplo, a previsão do churn do cliente é o risco de um cliente se mudar para um concorrente; o risco de um livro de empréstimo se refere ao risco de inadimplência; O risco nos cuidados de saúde abrange a gama desde a contenção de surtos até a segurança alimentar até a probabilidade de reinfecção e muito mais.

O setor de serviços financeiros (FSS) agora está investindo fortemente na modelagem de risco baseada em Hadoop. Este setor procura aumentar a automação e a precisão de sua avaliação de risco e modelagem de exposição.

A Hadoop oferece aos participantes a oportunidade de ampliar os conjuntos de dados que são usados ​​em seus modelos de risco para incluir fontes subutilizadas (ou fontes que nunca são utilizadas), como e-mail, mensagens instantâneas, mídias sociais e interações com o serviço ao cliente representantes, entre outras fontes de dados.

Os modelos de risco no FSS aparecem em todos os lugares. Eles são usados ​​para prevenção de churn dos clientes, modelagem de manipulação comercial, análise corporativa de risco e exposição, e muito mais.

Quando uma empresa emite uma apólice de seguro contra desastres naturais em casa, um desafio é claramente ver quanto dinheiro está potencialmente em risco. Se a seguradora não reservar dinheiro para possíveis pagamentos, os reguladores irão intervir (a seguradora não quer isso); se a seguradora colocar muito dinheiro em suas reservas para pagar as reivindicações de políticas futuras, eles não podem então investir seu dinheiro premium e obter lucro (a seguradora também não quer isso).

Algumas empresas são "cegas" ao risco que enfrentam porque não conseguiram executar uma quantidade adequada de simulações catastróficas relativas à variação na velocidade do vento ou nas taxas de precipitação (entre outras variáveis) à medida que elas se relacionam para sua exposição.

Simplesmente, essas empresas têm dificuldade em testar o estresse em seus modelos de risco. A capacidade de dobrar mais dados - por exemplo, padrões climáticos ou a distribuição socioeconômica em constante mudança de sua base de clientes - lhes proporciona uma visão e capacidade muito maiores quando se trata de construir melhores modelos de risco.

Modelos de risco de construção e testes de estresse como o que acabamos de descrever é uma tarefa ideal para o Hadoop. Essas operações geralmente são computacionalmente caras e, quando você está construindo um modelo de risco, é provável que não seja executado em um data warehouse, por estas razões:

• O depósito provavelmente não está otimizado para os tipos de consultas emitidas pelo modelo de risco.(O Hadoop não está vinculado pelos modelos de dados usados ​​nos data warehouses.)

• Um grande trabalho ad hoc, como um modelo de risco em evolução, adicionaria carga ao armazém, influenciando as aplicações analíticas existentes. (Hadoop pode assumir esta carga de trabalho, liberando o armazém para relatórios de negócios regulares.)

• Modelos de risco mais avançados podem ter como fator em dados não estruturados, como texto em bruto. (Hadoop pode lidar com essa tarefa de forma eficiente.)