Методы машинного обучения как инструмент повышения эффективности управления социально-экономических систем

Рынок цифровых технологий, направленных на автоматизацию и деятельности социально-экономических, в настоящее время смещает акценты на классы и методы искусственного интеллекта. Сегодня крупные, средние и малые предприятия имеют возможность доступа и внедрения «умных» инструментов для персонализированного маркетинга, анализа рисков и мошенничества, прогностического обслуживания оборудования и т.п.

Рынок приложений машинного обучения постоянно растет. Уже можно констатировать частные результаты трансформации рынка информатизации рынка информатизации рынка, когда малый бизнес может позволить себе развернуть пакетные алгоритмы машинного обучения, разработанные как бизнес-решения.

Внезапная коммерциализация машинного обучения стала возможной в значительной степени из-за доступности превосходного и дешевого оборудования, архитектуры обработки и роста технологий поддержки, таких как BigData и Hadoop.

С машинным обучением традиционная интеллектуальная аналитика была заменена многоуровневым вероятностным прогнозированием, где каждый предсказанный результат имеет связанную вероятностную меру, приводящую к ряду вероятностей, а не одной вероятности. Подобные прогнозы могут быть применены в любых сферах социально-экономических систем. Например, прогностическая аналитика в энергетической отрасли включают в себя оценку энергетических нагрузок, прогнозирование цен, прогнозирование выработки энергии ветра и прогнозирование выработки солнечной энергии.

В открытых исследованиях MIT Sloan Review Management декларируются следующие результаты:

• •    Получение большей прогнозирующей точности путем создания и оптимизации моделей склонности для руководства продажей и перекрестными продажами -это то, где машинное обучение сегодня вносит вклад в стратегии продажи всенаправленного оружия.

• •    По меньшей мере 40% западных компаний уже используют машинное обучение для повышения эффективности продаж и маркетинга.

• •  38% западных компаний кредитовали машинное обуче

ние для улучшения показателей эффективности продаж.

• •    Несколько европейских банков увеличивают продажи новых продуктов на 10% при одновременном сни-

• жении оттока 20%. Недавнее исследование McKinsey показало, что десятки европейских банков заменяют методы статистического моделирования машинным обучением. Банки также увеличивают оценки удовлетворенности клиентов и стоимость жизни клиентов.

Способность машинного обучения масштабироваться по широкому спектру услуг по управлению контрактами, обслуживанию клиентов, финансам, юридическим вопросам, продажам, котировкам к деньгам, качеству, ценообразованию и производственным задачам связана с его способностью постоянно учиться и совершенствоваться. Алгоритмы машинного обучения носят итеративный характер, постоянно учатся и стремятся оптимизировать результаты. Каждый раз, когда происходит просчет, алгоритмы машинного обучения исправляют ошибку и начинают другую итерацию анализа данных. Эти вычисления происходят в миллисекундах, что делает машинное обучение исключительно эффективным при оптимизации решений и прогнозировании результатов.

Рассмотрим возможность прогнозирования продаж автомобильных комплектующих по открытым данным компании PowerHorsetractors.

Начнем с того, что подготовим график временных рядов для данных. Ниже приведен код R, который мы использовали для чтения данных в R и построения графика временных рядов.

Очевидно, что приведенная выше диаграмма имеет тенденцию к росту продаж, и есть также сезонный компонент.

Чтобы удалить восходящий тренд через 1-й порядок, дифференцируем ряд и преобразуем его в статичный

• > plot(diff(data),

уlab='Differenced sales')

Далее нам нужно сделать ряд статичный по дисперсии для создания надежных прогнозов с помощью моделей ARIMA

Один из лучших способов сделать ряд, статичным по дисперсии, - это преобразование исходной серии через logtransform (рисунок 1).

Теперь создадим графики автокорреляции (ACF) и частичный автокорреляционный коэффициент (PACF), чтобы идентифицировать шаблоны в приведенных выше данных, которые являются стационарными по среднему значению и дисперсии. Идея состоит в том, чтобы идентифицировать присутствие компонентов AR и MA в остатках. Ниже приведен код R для создания графиков ACF и PACF (рисунок 2).

На следующем шаге предскажем продажи автокомплектующих на ближайшие 3 года, то есть на 2018, 2019 и 2020 годы, по вышеуказанной модели (рисунок 3).

• > data = read.csv(' http://ucanalytics.com/blogs/wp-content/uploa ds/2015/06/Tractor-Sales.csv')

> data = ts(data[,2].start = c(2006,l).frequency = 12)

• >    plot(data, xlab='Years'. ylab - 'sales')

  

  Рисунок 1. Преобразование исходной серии через logtransform

  
  

• >    par(mfrow - c(l,l))

pred - predict(ARiMAfit, n.ahead = 36)

pred plot(data,type='l',xlim=c(2006,2020),ylim=c(l,1600),xlab

'Year'.ylab - ’sales')

1ines(10A(pred$pred),col-'blue')

11nes(10л(ргedSpred+2*predSse),col-'orange')

11nes(10A(pred$pred-2*pred$se),col-'orange’)|

Рисунок 2. Графики автокорреляции (ACF) и частичный автокорреляционный коэффициент (PACF)

Рисунок 3. Прогноз продажавтокомплектующих на 2018 г., 2019 г., 2020 г.

Синей линией на диаграмме отображается выход с прогнозируемыми значениями продаж комплектующих. Диапазон ожидаемой ошибки (т.е. 2-кратное стандартное отклонение) отображается оранжевыми линиями по обе стороны от прогнозируемой синей линии.

Таким образом, можно констатировать, что с развитием методов машинного обучения традиционная интеллектуальная аналитика была заменена многоуровневым вероятностным прогнозированием, где каждый предсказанный результат имеет связанную вероятностную меру, приводящую к ряду вероятностей, а не одной вероятности. Подобные прогнозы могут быть применены в любых сферах социально-экономических систем.