Prospects for the implementation of predictive Analytics in the financial activities of the enterprise based on Big data technology

 

Abstract: This article analyzes methods for implementing predictive analytics using Big Data technology. The prospects of applying the technology in the financial sphere of companies are considered. Such software systems as "PRANA", "Apache Kafka", "Apache Spark"are analyzed.

Keywords: predictive analytics, Big Data, software, forecasting, company scaling.

 

Предиктивная аналитика представляет собой совокупность методов интеллектуального анализа, с помощью которых реализуется обработка текущих и архивных данных. Данный вид аналитики, прежде всего, базируется на математических методах в выборе оптимальной стратегии, другими словами, на теории игр. Импликация методов прогностической аналитики в деятельность предприятия позволяет детерминировать вероятность того или иного события и произвести оптимизацию финансовых потоков предприятия.

       Внедрение Big Data систем в реализацию предиктивной аналитики – это прежде всего комплексный многоступенчатый проект, который реализуется в рамках цифровизации бизнеса. В данной модели предиктивная аналитика базируется на оптимальном объеме данных, который был архивирован за счет технологии Больших данных и корректно структурирован для реализации алгоритмов машинного обучения.

Рисунок 1 – Модель реализации предиктивной аналитики.

Источник: Авторская схема

 

       В настоящий момент времени на рынке программного обеспечения существует ряд приложений, реализующих процесс предиктивной аналитики. Примерами могут служить такие приложения, как «Apache Kafka» - распределенный программный брокер сообщений, который поддерживает транзакционность при работе потребителями и поставщиками событий, «Apache Spark» - Big Data фреймворк с открытым исходным кодом для распределенной пакетной и потоковой обработки неструктурированных и слабоструктурированных данных.

       Использование алгоритмов предиктивной аналитики на основании технологии Big Data в цифровой корпоративной системе управления компанией подразумевает влияние на все корпоративные процессы внутри компании: от маркетинговых исследований, до анализа финансовых показателей. Данная информационная модель анализа деятельности организации отражает суть ее перехода от медленного сценарного анализа и статистического моделирования на основе ретроданных к прогнозированию и управлению в реальном времени на базе предиктивной аналитики, базирующаяся на оптимизационных моделях, функционирующих с большими объемами данных.

       В проведенном анализе российского рынка технологий, которые основаны на принципах предиктивной аналитики, наиболее успешным примером является система «ПРАНА», разработанная компанией АО «РОТЕК». Система «ПРАНА» представляет собой IIoT – решение, которое сочетает в себе технологии Big Data, машинного обучения, а также методы акустической эмиссии и системы мониторинга силовых трансформаторов. Данная система предиктивной аналитики уже была интегрирована в системе управления базами данных YandexClickHouse.

       Реализация алгоритмов «ПРАНА» подразумевает возможность подключения к системе каждой новой единицы оборудования, после чего происходит генерация цифрового образа, который представляет ряд математических моделей, описывающих оптимальное поведение в различных режимах эксплуатации. Таким образом, система способна в постоянном режиме производить анализ текущего состояния и в ситуации отклонения, в автоматическом режиме выстроить ряд параметров, вносящих наибольший вклад в улучшение состояния системы.

       Однако, несмотря на перспективность алгоритмов предиктивной аналитики, данная технология не часто используется в финансовой сфере компаний, однако существует несколько направлений, в которых, в перспективе, может быть использована данная технология.

1. Использование предиктивной аналитики в прогнозировании продаж

В настоящий момент времени большинство компаний ориентируется на продажи продуктов без учета специфики потребителей, которая, в свою очередь, вносит ряд факторов, влияющих на будущий уровень продаж. Технология предиктивной аналитики позволяет сгенерировать общее уравнение, после чего, на основании совокупности данных из разных источников создать прогноз продаж с высоким уровнем точности

2. Использование предиктивной аналитики в целях распределения ресурсов

       В связи с ограниченностью ресурсов компании, перед любой компанией стоит задача в распределении имеющихся ресурсов наиболее эффективным образом, который будет иметь максимальный экономический эффект. Качественно построенная платформа предиктивной аналитики позволяет анализировать ресурсы и все сопутствующие факторы, генерируя отчет с информацией, необходимой для прибыльного решения.

3. Построение бюджета с помощью программного обеспечения и предиктивной аналитики

       Алгоритмы предиктивной аналитики могут также быть использованы в оптимизации бюджета. Создание годового бюджета компанией подразумевает импликацию тысяч позиций, многие из которых включают в себя прогнозируемую, а не текущую стоимость, что впоследствии может привести к расхождению запланированных затрат с фактическими расходами в конце финансового года.

       Технологии предиктивного анализа на основе технологии Big Data способны детерминировать неочевидные закономерности, что позволяет определять тенденции стоимости исследуемых позиций и генерировать своевременный, точный бюджет компании.

4. Использование механизмов предиктивной аналитики для обеспечения плавного масштабирования компании.

       Программное обеспечение предиктивной аналитики способно анализировать большие объемы данных, составляя прогнозы и предсказания, которые необходимы для генерации стратегических бизнес-решений. Основываясь на слабоструктурированных данных из нескольких сфер, механизмы предиктивной аналитики способны предоставлять необходимое количество данных, которые позволят составить план развития с высокой вероятностью успешной реализации.

       По нашему мнению, одним из наиболее перспективных направлений по обработке больших массивов данных является предиктивная аналитика, позволяющая организациям принимать рациональные решения с целью достижения лучших результатов в будущем. Посредством анализа данных организация получает совершенно новые возможности, в том числе механизмы по предсказанию угроз, предотвращению мошенничества, а также защиты доходов и репутации. Несмотря на высокий потенциал данной технологии, существует ряд негативных факторов, которые в перспективе могут помешать реализации точного анализа. Бессилие предиктивного анализа в учете «неизвестных» факторов объясняется теорией «черного лебедя». Непредвиденные переменные, которые необходимо учесть в предиктивном анализе, могут существенно уменьшить вероятность выдачи «надежного» решения той или иной проблемы. Однако, именно технология больших данных в предиктивной аналитике позволяет нивелировать вероятность появления так называемых «непредвиденных переменных», что указывает на высокий потенциал применения данной технологии в финансовой деятельности компании.

 

Список литературы

1. Предикативная (предиктивная) аналитика // Журнал: Tadviser Государство. Бизнес. ИТ [Электронный ресурс] – Режим доступа: https://www.tadviser.ru/index.php/Статья:Предикативная_аналитика_(предиктивная,_прогнозная,_прогностическая)_Predictive_analytics (дата обращения: 16.12.2020).

2. Завьялова Н. А., Вылегжанина Е. В. Big Data: практика применения технология для планирования и прогнозирования финансовых показателей // Вестник алтайской академии экономики и права. – 2020. - №8 – С. 55-60.

3. Потенциал больших данных для финансовой сферы // Журнал: Корпоративный менеджмент [Электронный ресурс] – Режим доступа: https://www.cfin.ru/itm/olap/opportunities_in_big_data.shtml#_ftnref5 (дата обращения: 15.12.2020).

4. Хасанов А. Р. Влияние предиктивной аналитики на деятельность компаний // Журнал: Стратегические решения и риск-менеджмент. – 2018. – С. 108-113.

5. Брускин С. Н. Модели и инструменты предиктивной аналитики для цифровой корпорации // Журнал: Вестник Российского экономического университета им. Г. В. Плеханова. – 2017. - №5 (9).

Спесивцева А.В.

Научный руководитель: Амерсланова А.Н.

Финансовый университет при Правительстве РФ