Придуман новый способ прогнозирования продаж на основе анализа альтернативных данных

Новая модель для предсказания продаж

Главная проблема всех биржевых прогнозов заключается в том, что аналитикам доступен очень ограниченный объем информации, значительная часть которого составляют так называемые «шумные» данные, мешающие построению релевантных моделей поведения компаний на рынке. Отраслевые эксперты традиционно используют в своей работе не только общедоступные данные и мощные вычислительные инструменты, но и в не меньшей степени опираются на собственную интуицию и опыт. Последний фактор превращает биржевые прогнозы в некое подобие гадания на кофейной гуще (правдоподобности которому добавляет апелляция к тем или иным математическим расчетам).

Но, буквально в конце 2019 года исследователи из Массачусетского технологического института (MIT) разработали автоматизированную модель (использующую принципы машинного обучения), которая значительно превосходит людей в деле прогнозирования продаж бизнеса, особенно когда речь идет об очень ограниченном объеме «шумных» данных. Дело в том, что именно на предсказании объемов реализации товаров и услуг, главным образом, держится вера биржевых игроков в то, как поведут себя акции той или иной компании в будущем. И чем точнее здесь прогноз – тем, естественно, лучше.

Альтернативные данные открывают новые возможности

Главная особенность новой модели, предложенной Майклом Фледером (Michael Fleder), постдоком из Лаборатории систем информации и принятия решений (LIDS) и Девавратом Шахом (Devavrat Shah), директором Центра статистики и науки о данных MIT, заключается в анализе так называемых «альтернативных данных» – неточных, но часто генерируемых сведений о потребителях тех или иных продуктов. Такие данные могут включать в себя информацию о покупках, совершенных с помощью кредитных карт, данные со смартфонов покупателей об их местонахождении или даже спутниковые снимки, демонстрирующие, сколько автомобилей припарковано на участке, где реализуется та или иная продукция.

По мнению ученых, подобная информация в сочетании с более традиционными источниками информации, такими как годовые финансовые отчеты, показатели квартальной прибыли, пресс-релизы, может дать более четкую картину финансового состояния компании даже на ежедневной или еженедельной основе. «В финансовой сфере, особенно в биржевой ее части, данные решают все», – говорит Татьяна Бочарникова, глава представительства NetApp в России и СНГ. «Игроки рынка принимают решения, которые влияют не только на их компании, но зачастую и на всю мировую экономику. Поэтому организации постоянно ищут новые решения для работы с данными. Зачастую они работают с большими массивами информации, а их инфраструктура должна выполнять задачи не только по хранению, но также защите, скоростному доступу, перемещению данных и т.д. Облачные решения для таких компаний – жизненная необходимость, ведь работая в постоянно меняющейся среде, гибкость – самый большой козырь. Хорошим примером компании с подобной гибкостью может послужить Dow Jones, с которой NetApp сотрудничает уже 15 лет, и от чьей аналитики отталкивается большое число инвесторов и брокеров».

На 57% эффективнее аналитиков

Идея использования «альтернативных данных» в дополнение к основным в деле прогнозирования поведения компаний – не нова, но до сих пор было очень затруднительно получить точные оценки на их основе. Однако в середине декабря 2019 года в материалах Proceedings of ACM Sigmetrics Conference была опубликована статья, где исследователи описывают модель прогнозирования финансовых показателей, которая использует только анонимные сведения о еженедельных транзакциях по кредитным картам и трехмесячные отчеты о доходах целевой компании.

Исследование проводилось на базе более чем 30 организаций – как с помощью нового алгоритма, так и силами людей-аналитиков. Как показал итоговый результат – новая автоматизированная модель в среднем превзошла точность оценок экспертов с Уолл-стрит на 57%. Примечательно, что аналитики не были ограничены в выборе открытых источников информации, в то время как машинный алгоритм использовал только два типа данных и обрезанный объем выборки.

Не только финансы

Как ожидается, новая модель, разработанная в MIT, может дать преимущество инвесторам, трейдерам или компаниям, которым необходимо часто сравнивать свои продажи с показателями конкурентов. Помимо сферы финансов, модель может найти применение в сфере социологии и политологии – например, для изучения общественных настроений. На данный момент исследователи MIT ведут работы по усовершенствованию и доработке модели для возможности ее практического использования.