Modelagem de Riscos com Hadoop
modelagem de risco é outro caso de uso principal que está energizada por Hadoop. Você verá que ele se aproxima do caso de uso de detecção de fraude em que é uma disciplina baseada em modelos. Quanto mais dados você tem e quanto mais você puder # 147 ligar os pontos, # 148- quanto mais vezes os seus resultados irão produzir melhores modelos de determinação de previsão.
A palavra abrangente risco pode assumir um monte de significados. Por exemplo, a previsão de rotatividade de clientes é o risco de um cliente se mudar para um competitor- o risco de uma carteira de crédito refere-se ao risco de risco de inadimplência nos cuidados de saúde abrange a gama de contenção surto de segurança alimentar para a probabilidade de reinfecção e mais .
O sector dos serviços financeiros (FSS) está agora a investir fortemente na modelagem de risco baseados em Hadoop. Este sector procura aumentar a automação e precisão da sua avaliação de risco e modelagem de exposição.
Hadoop oferece aos participantes a oportunidade de ampliar os conjuntos de dados que são usados em seus modelos de risco para incluir fontes subutilizados (ou fontes que nunca são utilizados), tais como e-mail, mensagens instantâneas, mídias sociais, e as interações com os representantes de serviço ao cliente, entre outras fontes de dados.
modelos de risco em FSS aparecer em todos os lugares. Eles são usados para a prevenção de perda de clientes, modelagem de manipulação comercial, de riscos corporativos e análises de exposição, e muito mais.
Quando uma empresa emite uma apólice de seguro contra desastres naturais em casa, um desafio é ver claramente quanto dinheiro está potencialmente em risco. Se a seguradora não reservar dinheiro para possíveis pagamentos, as autoridades vão intervir (a seguradora não quer isso) - se a seguradora coloca muito dinheiro em suas reservas para pagar reivindicações políticas futuras, eles não podem, em seguida, investir o seu dinheiro prémio e fazer um lucro (a seguradora não quer isso, quer).
Algumas empresas são # 147-cego # 148- ao risco que enfrentam, porque eles têm sido incapazes de executar uma quantidade adequada de simulações catastróficas referentes à variação na velocidade do vento ou taxas de precipitação (entre outras variáveis) como eles se relacionam com a sua exposição.
Muito simplesmente, essas empresas têm dificuldade de estresse-teste seus modelos de risco. A capacidade de dobrar em mais dados - por exemplo, os padrões climáticos ou a constante mudança de distribuição socioeconômica da sua base de clientes - dá-lhes muito mais conhecimento e capacidade quando se trata de construir melhores modelos de risco.
Construção e risco de testes de esforço modelos como o que acabamos de descrever é uma tarefa ideal para Hadoop. Estas operações são muitas vezes computacionalmente caro e, quando você está construindo um modelo de risco, provavelmente impraticável para correr contra um armazém de dados, por estas razões:
O armazém provavelmente não está optimizado para os tipos de consultas emitidas pelo modelo de risco. (Hadoop não está vinculado pelos modelos de dados usados em armazéns de dados.)
Um trabalho em lotes grandes, ad hoc, como um modelo de risco evoluindo acrescentaria carga para o armazém, influenciando aplicações analíticas existentes. (Hadoop pode assumir essa carga de trabalho, liberando o armazém para relatórios de negócios regular.)
Mais modelos de risco avançados podem precisar de levar em consideração os dados não estruturados, como texto simples. (Hadoop pode lidar com essa tarefa de forma eficiente.)