Analiza danych w biznesie: problemy i rozwiązania na przykładzie banku detalicznego
description
Transcript of Analiza danych w biznesie: problemy i rozwiązania na przykładzie banku detalicznego
Analiza danych w biznesie: problemy i rozwiązania na przykładzie banku detalicznego
Kim jest facet obsługujący rzutnik?
Nazywam się Sebastian Ptasznik i pracuję w Alior Banku.Zajmuję się przeprowadzaniem analiz na potrzeby sprawozdawczości zarządczej.
Plan prezentacji (45 minut)Wstęp (5 minut)1. Czym jest model? Typowe problemy (20 minut)2. Wnioskowanie3. Overfitting4. Przekleństwo wymiaru5. Organizacja informacji/struktura organizacji/inneJak zbudować dobry model? (15 minut)6. Bootstraping7. Stacking8. BoostingPodsumowanie (5 minut)Pytania
Wstęp (1)
Model jest to mechanizm, który pozwala wnioskować (generować prognozy) opierając się na danej informacji wejściowej.
Może odpowiadać na różne pytania: ile wynosi wartość danegosamochodu, z jakim prawdopodobieństwem Klient przestanie spłacać kredyt w następnym miesiącu, jaki będzie PKB w kolejnym kwartale, jaka jest zależność między inwestycjami bezpośrednimi a bezrobociem, czy klocek jest w kształcie serduszka, etc.
Wstęp (2): Przykłady modeli
Czy mam ochotę na piwo?
Piję piwo Czekam aż wróci mi ochota
Fragment specyfikacji modelu (DSGE) używanego przez NBP do prognozowania zmian w gospodarce.
TAK NIE
Model zmiennej dla binarnej (drzewo decyzyjne)
Typowe problemy
Wnioskowanie (1)
Odkrywanie znanych zależności(Klient posiadający kartę debetową ma konto)(Klienci po 85 roku życia nie biorą kredytów hipotecznych)
Wyciąganie nieistotnych statystycznie wniosków (Lewy słupek wyższy od prawego: „mężczyźni biorą wyższe pożyczki”)
Wnioskowanie fałszu(Używanie nieodpowiednich narzędzi np. porównywanie jedynie średnich)(Jakiekolwiek wyniki lepsze niż brak wyników)
Pojęcie „prawdy” w statystyceW świecie statystyki nie ma pojęcia „prawdy”, można jedynie z danym prawdopodobieństwem nie mieć podstaw do odrzucenia danej hipotezy. Nasza analiza daje fałszywe wnioski gdyż pominięte zostały ważne zmienne lub uchwycone zależności są przypadkowe.
0 0.2 0.4 0.6 0.8 1 1.20
0.2
0.4
0.6
0.8
1
1.2
Widać wyraźną zależność między…
Wyciąganie nieistotnych biznesowo wniosków(dotyczące małej grupy, lub bez przełożenia na potencjalne zyski: „Najwięcej żonatych Stefanów jest w Gdyni”)
Confidence/Support (Istotność wniosków a wielkość populacji, której dotyczą)
(34 letni kawalerowie z Radomia o imieniu Tomek, których nr telefonu zaczyna się od„671” z prawdopodobieństwem 95% wezmą pożyczkę w ciągu następnego kwartału)
Wnioskowanie (2)
Badane Zjawisko
Malutki fragment gdzie wiemy o co chodzi
Czym jest overfitting?Sytuacja gdy model opisuje dane, które posiadamy, nie zjawisko, które je wygenerowało.
Overfitting (1)(przetrenowanie)
KonkurencjaGospodarkaPrzestrzeń
Czas
SocjologiaPsychologia
Biologia
Przekonania
Doświadczenia
Osobowość
Wiązka zależności
Klient nr 12345
Miasto
Dochód
Płeć
Inne posiadane produkty
Historia transakcji
Stan cywilny
…
MODEL
Wniosek: Każdy Stefan bierze
kredyt na frytkownicę
Dlaczego się pojawia?
Przyczyny techniczne:Używamy za dużo zmiennych, więc łatwiej jest znaleźć nieprawdziwe zależności, które przypadkowo dobrze pasują do tego co obserwujemy. Wybierane są modele najlepiej dopasowane do danych, które „dobrze wyglądają” w chwili analizy, nie koniecznie te dające dobre (stabilne) prognozy.
Przyczyny pozatechniczne:Wybieranie wyników, które są zgodne z przekonaniami analityka lub oczekiwaniami przełożonych (szukajcie a znajdziecie).Bardzo łatwo usprawiedliwić złe własności prognostyczne opracowanego rozwiązania.
Overfitting (2)
Wraz ze zwiększającą się ilością obserwowanych cech, drastycznie wydłuża się czas potrzebny na dokonanie obliczeń.Istnieje większa skłonność modeli do overfitting’u.Problemy z software’em i sprzętem (350x 16 500 000)
Przykład: szukanie reguł asocjacyjnych (jeżeli A to B) dla 250 000 Klientów i 2 zmiennych trwa około 30-60 minut. Dla 5 zmiennych i reguł typu (jeżeli A i B to C) czas wydłuża się ~30 krotnie. Dla 10 zmiennych i reguł typu (jeżeli A i B i C to D) już 2520 krotnie. Dane transakcyjne potrafią zawieraćsetki zmiennych… Nie wiedząc gdzie szukać, zazwyczaj niczego się nie znajduje. Obliczenia trwające kilka dni nie są niczym niezwykłym (podobnie jak brak wyników).
Trudniej jest wybrać cechy istotne w danym badaniu.
Przekleństwo Wymiaru (1) (curse of dimensionality)
Od czego zależy wynagrodzenie ?
Przekleństwo Wymiaru (2)
Sytuacja nr 1wersja szowinistyczna ;)
Sytuacja nr 2
Organizacja informacji/struktura organizacji/inne
• Brak odpowiedniego software’u.• Potrzebne dane są w 9 różnych martach, 2 plikach csv, 1 excelu, 2 systemach zewnętrznych, maja rożne formaty,
różne struktury, są zgodne tylko w ujęciu kwartalnym. • Dane są tragicznej jakości (korekty, braki, obciążenia, błędy).• Brak danych.• Czas przeznaczony na analizę stanowi 10-20% czasu potrzebnego by ją przeprowadzić.• Wyniki 3 tygodniowej pracy należy zaprezentować na 2-3 slajdach, najlepiej graficznie.
(swoją analizę należy „sprzedać”)
Źródło: Dilbert.com
Jak zbudować dobry model?
BootstrapingMetoda polegająca na wielokrotnym losowaniu ze zwracaniem z próby, a następnie wykonywania dla każdej z podprób przeliczeń i obserwacji zmienności otrzymywanych w ten sposób wyników.
Losujemy z naszej próby jakąś część (podpróbę). Można
losować zachowując strukturę danych (stratyfikacja)
Na podstawie tej podpróby
budujemy model
Zapisujemy wnioski płynące z modelu
Losujemy z naszej próby jakąś część
(podpróbę)
Na podstawie tej podpróby wnioskujemy przy pomocy
modelu zbudowanego wcześniej na pełnej próbie.
Zapisujemy wnioski płynące z modelu
Przykład 1.Badamy czy nasz model jest wrażliwy na dane na jakich jest budowany.
Przykład 2.Badamy czy wnioski/prognozy otrzymywane z naszego modelu są stabilne.
BoostingMetoda polegająca na łączeniu kilku słabych modeli w jeden mocny. Każdy słaby model staje się „ekspertem” w wąskim wycinku badanego zjawiska. Modele składowe drogą głosowania decydują jaki jest końcowy wniosek/predykcja ( „ekspert” ma największą wagę głosu gdy obserwacja jest jego „specjalizacją”) .
Obserwacje gdzie model się pomylił przyjmują
większa wagę niż te gdzie dał prawidłowe prognozy
Budujemy nowy model
Nie Tak
Model 3
Model 2
Model 1
Model 4 „Ekspert”
Meta-modele (1)(Stacked Generalization)
Gdyby przeciętny meta-model byłby zwierzęciem, wyglądałby mniej więcej tak ;-) …
W metodzie tej łączy się wnioski/predykcje pochodzące z różnych modeli, w taki sposób by zmaksymalizować korzyści płynące z wykorzystania różnych narzędzi (każde z nich może szukać innego typu zależności między danymi). Może być to proste uśrednianie, jak również zbudowanie modelu, który wnioskuje opierając się na predykcjach innych modeli. Meta-model jest hybrydą.
Meta-modele (2)RekinoŚmiornicoDźwiedź
Podsumowanie
1. Model jest mechanizmem wnioskowania2. Łatwo popełnić błąd podczas analizy3. Trudno bez wiedzy eksperckiej na temat danego zjawiska je badać4. Poza technicznymi przeciwnościami istnieje cała gama innych
czynników utrudniających pracę5. Dobry model musi dawać stabilne wyniki, by to osiągnąć warto
skorzystać z symulacji i kombinowania prognoz.
Kontakt
[email protected]@alior.pl