Modelos de riesgo con hadoop

Modelos de riesgo es otro caso importante uso que está energizado por Hadoop. Usted encontrará que coincide de cerca el caso de la detección de fraudes uso en que se trata de una disciplina basada en el modelo. Cuanto más datos tiene y cuanto más se puede " conectar los puntos, " cuanto más a menudo sus resultados darán mejores modelos de predicción de riesgo.

La palabra que todo lo abarca riesgo puede tomar una gran cantidad de significados. Por ejemplo, la predicción de la pérdida de clientes es el riesgo de que un cliente se mueve a una competitor- el riesgo de una cartera crediticia se relaciona con el riesgo de riesgo defecto- en el cuidado de la salud se extiende por toda la gama de contención de brotes con la seguridad alimentaria a la probabilidad de reinfección y mucho más .

El sector de servicios financieros (SFS) está invirtiendo fuertemente en modelos de riesgo basada en Hadoop. Este sector tiene por objeto aumentar la automatización y la exactitud de su evaluación del riesgo y el modelado de la exposición.

Hadoop ofrece a los participantes la oportunidad de ampliar los conjuntos de datos que se utilizan en sus modelos de riesgo para incluir las fuentes subutilizadas (o fuentes que no se utilizan), tales como el correo electrónico, mensajería instantánea, redes sociales, y las interacciones con los representantes de servicio al cliente, entre otras fuentes de datos.

Los modelos de riesgo en FSS aparecen por todas partes. Se utilizan para la prevención de la pérdida de clientes, modelado manipulación comercial, el riesgo corporativo y análisis de exposición, y más.

Cuando una empresa emite una póliza de seguro contra desastres naturales en el país, uno de los retos es ver claramente cuánto dinero está potencialmente en riesgo. Si el asegurador no puede reservar dinero para posibles pagos, los reguladores intervenir (el asegurador no quiere eso) - si la aseguradora pone demasiado dinero en sus reservas para pagar reclamaciones futuras de política, no pueden luego invertir su dinero premium y obtener un beneficio (el asegurador no quiere eso, tampoco).

Algunas empresas son " a ciegas " con el riesgo que enfrentan, ya que han sido incapaces de ejecutar una cantidad adecuada de simulaciones catastróficos relacionados con variación en la velocidad del viento o tasas de precipitación (entre otras variables) en relación con su exposición.

En pocas palabras, estas empresas tienen dificultades estrés probar sus modelos de riesgo. La capacidad de doblar en más datos - por ejemplo, los patrones climáticos o el siempre cambiante distribución socioeconómica de su base de clientes - les da mucha más penetración y capacidad a la hora de construir mejores modelos de riesgo.

La construcción de modelos de riesgo y de pruebas de tensión como la que acabamos de describir es una tarea ideal para Hadoop. Estas operaciones suelen ser computacionalmente caro y, cuando usted está construyendo un modelo de riesgo, probablemente poco práctico para correr contra un almacén de datos, por estas razones:

• El almacén probablemente no está optimizado para los tipos de consultas emitidas por el modelo de riesgo. (Hadoop no está vinculado por los modelos de datos utilizados en los almacenes de datos.)

• Un trabajo por lotes grandes, ad hoc, como un modelo de riesgo de evolución añadiría carga al almacén, que influyen en las aplicaciones analíticas existentes. (Hadoop puede asumir esta carga de trabajo, liberando el deposito para la presentación de informes regulares de trabajo.)

• Más modelos avanzados de riesgo pueden tener que tener en cuenta los datos no estructurados, tales como texto sin formato. (Hadoop puede manejar esa tarea de manera eficiente.)