Сущностная корректировка в прогнозировании

Под оценочной корректировкой понимается модификация статистических прогнозов, основанная на человеческой интуиции, опыте или знаниях в конкретной области. Этот процесс особенно важен в областях, где эксперты считают, что статистические модели сами по себе не могут охватить все тонкости явлений реального мира, которые они призваны предсказать. Оценочные корректировки могут либо дополнять, либо переопределять модели, основанные исключительно на данных, позволяя прогнозистам включать дополнительную информацию, которая может отсутствовать в исторических данных.

Важность в прогнозировании

Хотя статистические модели могут обрабатывать огромные объемы данных и выявлять закономерности, которые могут быть невидимы человеческому глазу, у них есть ограничения. Модели по своей сути ретроспективны и делают прогнозы на основе исторических данных. Такая зависимость от исторических данных означает, что им будет сложно объяснить беспрецедентные события или будущие изменения обстоятельств. Однако человеческое суждение может заполнить эти пробелы, включив в себя выводы из недавних событий, ожидаемых изменений в политике или возникающих тенденций, которые не отражены в исторических данных.

Области применения

Сущностная корректировка используется в различных областях: – Финансовые рынки. Трейдеры могут корректировать прогнозы цен на акции на основе последних новостей, которые еще не отражены в данных. – Управление цепочками поставок. Менеджеры могут корректировать прогнозы спроса в зависимости от предстоящих маркетинговых кампаний или запуска новых продуктов. – Прогноз погоды. Метеорологи могут изменять прогнозы погоды, генерируемые компьютером, на основе недавних наблюдений или знаний об уникальных местных закономерностях.

Техники

Существует несколько методов интеграции оценочных корректировок:

Регулировка, основанная на интуиции

Это предполагает изменение прогнозов на основе интуиции или интуиции. Эксперты могут полагаться на свой опыт, чтобы внести небольшие корректировки в прогнозы, основанные на моделях.

Структурированное суждение

Более систематический подход включает в себя правила и критерии корректировки прогнозов. Такие методы, как методы Дельфи или сценарное планирование, могут формализовать то, как экспертные суждения интегрируются в прогнозы.

Гибридные модели

Гибридные модели сочетают статистические методы с экспертными данными. Алгоритмы машинного обучения могут включать в себя человеческие корректировки в качестве дополнительных функций модели.

Проблемы

Несмотря на свою полезность, оценочные корректировки сопряжены с проблемами:

Предвзятость

Человеческое суждение подвержено таким предубеждениям, как чрезмерная самоуверенность, привязка и эвристика доступности. Это может привести к систематическим ошибкам в корректировках.

Отсутствие прозрачности

В отличие от статистических моделей, оценочные корректировки могут быть непрозрачными, что затрудняет понимание того, как были получены окончательные прогнозы.

Последовательность

Суждения корректировок могут значительно различаться у разных экспертов, что приводит к несогласованности прогнозов.

Количественная оценка воздействия

Измерение выгоды от корректировок, основанных на суждениях, может оказаться сложной задачей. Может быть трудно объяснить точность прогноза статистической моделью или человеческим вкладом.

Тематические исследования

Финансовые рынки

В финансовой отрасли такие компании, как Renaissance Technologies, используют как количественные модели, так и человеческий опыт. Нанимая команду докторов наук в различных научных дисциплинах, они строят надежные модели, а также рассматривают оценочные корректировки для учета таких событий, как объявления о прибылях и убытках, геополитические события и т. д. Renaissance Technologies

Управление цепочками поставок

Такие компании, как Amazon, используют сложные алгоритмы для прогнозирования спроса, но по-прежнему требуют человеческого контроля для учета таких переменных, как рекламные акции, праздники или экономические сдвиги. Амазонка

Прогноз погоды

Национальная метеорологическая служба (NWS) использует сложные метеорологические модели, но позволяет опытным метеорологам вносить корректировки на основе наблюдений в реальном времени и уникальных местных погодных условий. Национальная метеорологическая служба

Методы оценки корректировок, основанных на суждениях

Для количественной оценки эффективности оценочных корректировок можно использовать различные методологии: – Бэктестирование: сравнение прогнозов с поправками и без них с фактическими результатами.

• Реальные эксперименты: реализация и мониторинг результатов для измерения точности прогнозов. – Метрики ошибок. Использование статистических показателей ошибок, таких как средняя абсолютная ошибка (MAE) или среднеквадратическая ошибка (RMSE), для сравнения производительности.

Лучшие практики

Обучение

Обеспечьте комплексное обучение для улучшения качества суждений. Обучение может быть сосредоточено на выявлении предубеждений, понимании ограничений модели и эффективном использовании знаний предметной области.

Системный подход

Примите структурированный подход для интеграции оценочных корректировок. Последовательно применяйте правила и критерии для обеспечения единообразия.

Постоянное улучшение

Регулярно пересматривайте и совершенствуйте процесс корректировки. Включите циклы обратной связи, чтобы понять влияние и эффективность человеческого вклада.

Документация

Тщательно документируйте причины каждой корректировки. Прозрачность гарантирует, что будущие корректировки будут основаны на историческом контексте и обоснованиях.

Будущие тенденции

ИИ и сотрудничество людей

Будущие достижения могут привести к более тесной интеграции между моделями машинного обучения и человеческим суждением. ИИ может помочь, отмечая, когда, вероятно, потребуется участие человека, или извлекая уроки из прошлых оценочных корректировок, чтобы улучшить свои собственные будущие рекомендации.

Данные в реальном времени

Приток источников данных в режиме реального времени может улучшить оценочные корректировки, предоставляя актуальную информацию, которая, возможно, еще не включена в модели. Такие области, как Интернет вещей, могут обеспечить немедленную подачу данных для существенного формирования краткосрочных прогнозов.

Улучшенная визуализация

Сложные инструменты визуализации могут помочь прогнозистам лучше вносить коррективы, предоставляя более четкое представление как о прогнозах модели, так и об основных тенденциях данных.

Заключение

Осмысленная корректировка прогнозирования остается жизненно важным процессом во многих областях, обеспечивая баланс между количественными моделями и человеческой интуицией. Несмотря на существование проблем, внедрение лучших практик и достижений в области искусственного интеллекта и визуализации данных может повысить эффективность и точность этого подхода.