Modelarea riscului cu Hadoop - manechine

Modelarea riscurilor este un alt caz major de utilizare care este alimentat de Hadoop. Veți observa că acesta se potrivește foarte bine cazului de detectare a fraudei prin faptul că este o disciplină bazată pe model. Cu cât aveți mai multe date și cu atât mai mult puteți "conecta punctele", cu atât mai des rezultatele obținute vor oferi modele mai bune de predicție a riscurilor.

Cuvântul care cuprinde riscul poate lua multe sensuri. De exemplu, prezicerea clientului este riscul ca un client să se mute la un concurent; riscul unui credit este legat de riscul de neplată; riscul de îngrijire a sănătății acoperă intervalul de timp de la izolarea focarului la siguranța alimentară la probabilitatea de reinfecție și mai mult.

Sectorul serviciilor financiare (FSS) investește în prezent în modelarea riscurilor bazate pe Hadoop. Acest sector urmărește creșterea automatizării și acurateței evaluării riscurilor și modelarea expunerii.

Hadoop oferă participanților posibilitatea de a extinde seturile de date utilizate în modelele lor de risc pentru a include surse (sau surse care nu sunt utilizate), cum ar fi e-mail, mesagerie instant, social media și interacțiunile cu serviciul pentru clienți reprezentanți, printre alte surse de date.

Modelele de risc din FSS apar peste tot. Acestea sunt folosite pentru prevenirea crizelor clienților, modelarea manipulării comerțului, analiza riscurilor corporative și a expunerilor și multe altele.

Atunci când o companie eliberează o poliță de asigurare împotriva catastrofelor naturale la domiciliu, o provocare văd în mod clar cât de mulți bani sunt potențial expuși riscului. Dacă asigurătorul nu reușește să rezerve bani pentru posibile plăți, autoritățile de reglementare vor interveni (asigurătorul nu vrea acest lucru); în cazul în care asigurătorul pune prea mulți bani în rezervele sale pentru a plăti pretențiile de politică viitoare, acestea nu pot să investească banii primului și să facă un profit (asigurătorul nu vrea nici asta).

Pur și simplu, aceste companii au dificultăți în încercarea lor de a-și controla modelele de risc. Abilitatea de a orienta mai multe date - de exemplu, modelele meteorologice sau distribuția socio-economică a bazei lor de clienți - care se schimbă mereu - le oferă o mai bună înțelegere și capacitate atunci când vine vorba de construirea unor modele de risc mai bune.

Modelele de construcție și de testare a stresului, precum cea descrisă anterior, reprezintă o sarcină ideală pentru Hadoop. Aceste operațiuni sunt adesea computațional costisitoare și, atunci când construiți un model de risc, probabil impracticabil pentru a rula împotriva unui depozit de date, din aceste motive:

Depozitul probabil că nu este optimizat pentru tipurile de interogări emise de modelul de risc.(Hadoop nu este obligat de modelele de date utilizate în depozitele de date.)

• Un lot de lucru ad-hoc mare, cum ar fi un model de risc în evoluție, ar adăuga sarcină în depozit, influențând aplicațiile analitice existente. (Hadoop își poate asuma acest volum de muncă, eliberând depozitul pentru raportarea obișnuită a afacerii.)

• Este posibil ca modelele de risc mai avansate să aibă nevoie de factori în date nestructurate, cum ar fi textul brut. (Hadoop poate gestiona eficient acea sarcină.)