Rischi La modellazione del rischio con Hadoop - dummies

La modellizzazione del rischio è un altro caso d'uso importante che è potenziato da Hadoop. Scoprirete che è strettamente correlato al caso d'uso del rilevamento delle frodi in quanto si tratta di una disciplina basata su modelli. Più dati hai e più puoi "connettere i punti", più spesso i tuoi risultati produrranno migliori modelli di previsione del rischio.

La parola onnicomprensiva rischio può assumere molti significati. Ad esempio, la previsione di abbandono del cliente è il rischio che un cliente si trasferisca su un concorrente; il rischio di un prestito è correlato al rischio di inadempienza; il rischio nell'assistenza sanitaria copre la gamma dal contenimento del focolaio alla sicurezza alimentare, alla probabilità di reinfezione e altro ancora.

Il settore dei servizi finanziari (FSS) sta ora investendo molto nella modellizzazione del rischio basata su Hadoop. Questo settore cerca di aumentare l'automazione e l'accuratezza della valutazione del rischio e della modellizzazione dell'esposizione.

Hadoop offre ai partecipanti l'opportunità di estendere i set di dati utilizzati nei loro modelli di rischio per includere fonti sottoutilizzate (o fonti che non vengono mai utilizzate), come e-mail, messaggistica istantanea, social media e interazioni con il servizio clienti rappresentanti, tra le altre fonti di dati.

I modelli di rischio in FSS appaiono ovunque. Vengono utilizzati per la prevenzione del churn dei clienti, la modellazione della manipolazione commerciale, il rischio aziendale e l'analisi dell'esposizione e altro ancora.

Quando un'azienda emette una polizza assicurativa contro i disastri naturali a casa, una sfida è vedere chiaramente quanti soldi sono potenzialmente a rischio. Se l'assicuratore non riesce a prenotare denaro per eventuali pagamenti, i regolatori interverranno (l'assicuratore non lo vuole); se l'assicuratore mette troppe risorse nelle sue riserve per pagare le future richieste di polizza, non possono quindi investire il tuo premio in denaro e realizzare un profitto (l'assicuratore non vuole neanche questo).

Alcune aziende sono "cieche" al rischio che affrontano perché non sono state in grado di eseguire un'adeguata quantità di simulazioni catastrofiche relative alla varianza della velocità del vento o dei tassi di precipitazione (tra le altre variabili) che si riferiscono alla loro esposizione.

Molto semplicemente, queste aziende hanno difficoltà a testare i loro modelli di rischio. La possibilità di inserire più dati, ad esempio i modelli meteorologici o la distribuzione socioeconomica in continua evoluzione della loro base di clienti, offre loro molte più informazioni e capacità quando si tratta di costruire modelli di rischio migliori.

I modelli di rischio per la costruzione e lo stress test come quello appena descritto sono un compito ideale per Hadoop. Queste operazioni sono spesso dispendiose dal punto di vista computazionale e, quando si sta costruendo un modello di rischio, probabilmente poco pratici da eseguire in un data warehouse, per questi motivi:

• Il magazzino probabilmente non è ottimizzato per i tipi di query emessi dal modello di rischio.(Hadoop non è vincolato dai modelli di dati utilizzati nei data warehouse.)

• Un ampio lavoro batch ad hoc come un modello di rischio in evoluzione aggiungerebbe carico al magazzino, influenzando le applicazioni analitiche esistenti. (Hadoop può assumere questo carico di lavoro, liberando il magazzino per i normali report aziendali.)

• È possibile che più modelli di rischio avanzati debbano tenere conto di dati non strutturati, come il testo non elaborato. (Hadoop può gestire questa attività in modo efficiente.)