Gazdaságpolitikai előrejelzések adatbányászat segítségével

1. Gazdaságpolitikai előrejelzések adatbányászat segítségével IIR szakkonferencia a felsővezetés számára: Adatbányászat & tudásfeltárás Újszerű eszközök és technikák az üzleti döntéstámogatáshoz 2003. január 28-29. Budapest Pitlik, SZIE - 2003, IIR

2. Bemutatkozás: Adatbányászat & K+F GAZDA$ÁGI INFORM@TIKA TANSZÉKhttp://miau.gau.hu Kutatás • Önálló MI-eljáráscsalád nemzetközi háttérrel (generátormodell, 1987-2002) Gazdasági alkalmazás • STOCKNET (fundo-chartista tőzsdei alkalmazás, 1997) Consulting • EU-konform agrárpolitikai tanácsadás (1996-) Oktatás • White box megoldások akár forráskód nélkül is táblázatkalkulációs felületen (OTKA F030664) • 1-4 fős egyedi tematikájú tanfolyamok valódi érdeklődőknek Pitlik, SZIE - 2003, IIR

3. Tematika (avagy egy EU5 projekt tapasztalatai) • A politikai tanácsadás alapjai • Makrogazdasági adatok gyűjtése, minősége • Globális trendek, tendenciák előrejelzése (pl. időjárás, tőzsde) • Piaci folyamatokra vonatkozó adatok elemzése (pl. világpiaci árak) • Az elemzések módszertana, az eredmények értelmezése, kockázatai • Makrogazdasági jövőképek kapcsolata a vállalati döntéshozatallal Pitlik, SZIE - 2003, IIR

4. A politikai tanácsadás alapjai • Adatvagyon felmérés (objektivitás) • Heterogén források, konszolidálatlan fogalmak • Inkonzisztenciák feltárása, kiküszöbölése • Módszertani rugalmasság (megrendelői igények elfogadása, generálása) • Ötlettől a döntésig minden feladatként merülhet fel… • Célelvű white-box modellek építése (gépi tanulás, indukció) Csapdahelyzetek • Nem elegendő a szimuláció, előrejelzés kell! Mégis igaz, hogy: • az előrejelzések objektív beválását (furcsa mód) nem feltétlenül kell vizsgálni… hiszen a döntéshozó sokszor maga sem tudja, milyen helyesen látja előre a várható folyamatokat… • Minden jövőkép csak valószínű, s a döntéshozó nehezen képes a „valószínű igazsággal” dolgozni. Pitlik, SZIE - 2003, IIR

5. Makrogazdasági adatok gyűjtése, minősége I. • Nincs sem hazai, sem nemzetközi (OLAP-alapú) egységes szemléletű, (agrár)-közgazdasági adatbázis (DWH). • A politikai tanácsadás szinte már akkor is sikeres, ha (mélyen) konzisztens adatokat képes felmutatni (ágazat, megye, idő) • Az inkonzisztenciák kezelése rendezetlen (KSH-OMMI, OECD). • Egyidejűleg több konzisztens állapot is valószínű (SPEL) Példák • Magyarország területe… • OECD támogatások, update • 19 megye <> 1 ország • MIMIR-MIVIR-IIER (MSZR) • Szarvasmarhalétszám KSH vs. OMMI • Turisztikai számla (2003) Pitlik, SZIE - 2003, IIR

6. Makrogazdasági adatok gyűjtése, minősége II. Klasszikus (konzisztencia-független) lépések • Feldolgozandó adatok mennyiségének (tanulási & teszt-objektumok, ill. változók számának) meghatározása • Adatminőség (extrém adatok és hiányzó adatok kezelése) • Primer és szekunder adatok aránya • Időkorlátok, IT-kapacitás • … Problémák • Antagonizmusok (minden mindennel összefügg) • Szubjektivitás (SUECR, céltalanság tétele, teljes mértékben paraméterezhető gépi tanulás) Pitlik, SZIE - 2003, IIR

7. Feladatok I.: Globális trendek, tendenciák előrejelzése • Általános, nemzetközi gyakorlat az exogén változók előrejelzésére az agrár-szektormodellezés során: • egyedi idősorok bizonyos típusú trendjeinek előállítása • szubjektív választás a lehetséges trendek között • Újszerű, hasonlóság-alapú megközelítések: • Objektumok képzése (pl. ország-év) • Heterogén magyarázó tényezők (Xi) kiválasztása • Egymásra épülő modellhelyességi mutatók (BSC?) • Túltanulás elkerülése Példa • 8 év múlva várható hozamváltozás mértéke? (demo) • AUTO-TREND Pitlik, SZIE - 2003, IIR

8. Feladatok II.: Piaci folyamatokra vonatkozó adatok elemzése • Hagyományos (kézi-vezérlésű, nem tanulás-alapú) modellek: • Kereslet-kínálati restrikciók • Demográfiai szempontok • Egyéb gazdaságpolitikai tényezők • Újszerű (context free) hasonlóság-alapú megközelítés: • Objektumok képzése • Heterogén magyarázó tényezők (Xi) kiválasztása • Egymásra épülő modellhelyességi mutatók (BSC?) • Túltanulás elkerülése Példa • Világpiaci árak levezetése (OECD, FAPRI, IAP vs. WAM) • PIR (hivatalos sertés-állományprognózis vs. TDK-dolgozatok) Pitlik, SZIE - 2003, IIR

9. Az elemzések módszertana • WAM (white box) • Tetszőleges probléma • Tetszőleges (tanulási) adatbázis • Tetszőleges megoldási tér • TETSZŐLEGES CÉLFÜGGVÉNY • Sajnos: nem célirányos keresés • Verseny • A piaci DM termékekkel egyenrangú, • önképzést támogató megoldás Pitlik, SZIE - 2003, IIR

10. Az eredmények értelmezése • Céltalanság tétele • BSC (komplex elvárás-rendszer egyedi becslés-értékelés helyett) • Mikor kell lecserélni egy már bevált modellt? • Hazudós függvények • „Péntektől hétfőig” Pitlik, SZIE - 2003, IIR

11. Makrogazdasági jövőképek kapcsolata a vállalati döntéshozatallal Külső információs rendszer építése • Egyedi elemzések vs. információs szövetkezés • Adathozzáférés (szövetkezés) • Elemzések (személyre szabott) • IT (web services?) • Önszerveződés vs. állami szerepvállalás Pitlik, SZIE - 2003, IIR

12. Javaslatok • Mielőtt mások által készített adatbányászati eszközökkel (black box) kezdünk elemezni, érdemes saját (white box) közelítéseket készíteni, ill. ilyen tanfolyamot elvégezni (pl. árak, kereslet,…) • Ha nem tudjuk, milyen pontosan látjuk előre a jövőt intuitív úton, ill. hagyományos módszerekkel, ritkán leszünk elégedettek az új módszerekkel… • Egy előrejelzés akkor helyes, ha a gépi tanulás keretrendszere, de különösen a célfüggvény testre szabott (tudni kell, mit is keresünk)… • Ha nem lehet péntektől hétfőig eredményre jutni, ne is próbálkozzunk tovább… Pitlik, SZIE - 2003, IIR

13. Ajánlott irodalom(MIAÚ-CD / HU ISSN 1419-1652) • OTKA I.& II. & III. • IA 2002 • GMT 2002 • WAM • Inkonzisztenciák (PPT, demo) • Tanácsadás informatikai felelőssége • Agrár-szektormodellek • IDARA • MAGISZ nyilatkozattervezet • MIMIR----IIER Pitlik, SZIE - 2003, IIR

14. Köszönöm a figyelmet! pitlik@miau.gau.hu Pitlik, SZIE - 2003, IIR