علم داده برای مدیران مالی؛ سه مفهوم که باید بدانید

مدل‌های مالی مبتنی بر هوش مصنوعی و یادگیری ماشین هر روز رایج‌تر می‌شوند. مدیر مالی لازم نیست آن‌ها را از صفر بسازد، اما باید بداند کجا به کار می‌آیند، چه مزیتی دارند و کجا خطا می‌کنند. علم داده برای مدیران مالی یعنی بلد بودن چند مفهوم پایه، تا بتوانید در پروژه‌های هوش مصنوعی سؤال درست بپرسید و گزارش‌های تیم داده را بی‌اعتماد یا بی‌دلیل نپذیرید.

چرا مدیر مالی باید زبان تیم داده را بداند؟

تیم علم داده معمولاً ساخت مدل‌های پیچیده را بلد است، ولی به‌اندازه‌ی مالی به کسب‌وکار نزدیک نیست. شما می‌دانید کدام عدد برای مدیرعامل مهم است، کدام داده تمیز است و کدام فصل غیرعادی بوده است. اگر واژگان پایه را بدانید، می‌توانید سؤال‌های درست بپرسید و جلوی مدلی را بگیرید که روی کاغذ دقیق است اما در عمل به کارتان نمی‌آید. مبانی هوش مصنوعی در مدل‌سازی مالی مقدمه‌ی خوبی برای این نگاه است.

مفهوم اول: همبستگی در برابر علیت

یکی از قواعد طلایی آمار این است که اگر دو متغیر در طول زمان نزدیک به هم حرکت می‌کنند، لزوماً یکی دیگری را نمی‌سازد. فروش بستنی و تعداد غرق‌شدگان هر دو در تابستان بالا می‌روند، اما یکی علت دیگری نیست؛ عامل سوم، یعنی گرمای هوا، هر دو را بالا می‌برد.

برای تشخیص علیت واقعی دو سؤال بپرسید:

• سازوکار علّی چیست؟ آیا توضیح منطقی دارد که چرا الف باعث ب می‌شود؟
• آیا دقت آماری کافی وجود دارد؟ گاهی داده‌ی کمی دارید و همبستگی فقط اتفاقی است.

اقدام عملی: از دانشمند داده درباره‌ی معنادار بودن آماری بپرسید و دنبال سازوکار بگردید. اگر نتواند توضیح دهد چرا ورودی روی خروجی اثر دارد، به مدل شک کنید.

مفهوم دوم: بک‌تست

مدل‌های هوش مصنوعی کاری می‌کنند که در مدل‌سازی سنتی تقریباً ناممکن است: وانمود می‌کنند گذشته هنوز اتفاق نیفتاده است. مثلاً مدل را با داده‌های یک سال پیش شروع می‌کنید و می‌بینید آن دوره را چقدر خوب پیش‌بینی می‌کرد. نتیجه این است که چند مدل می‌توانند با هم رقابت کنند و مدلی که کمترین اختلاف با واقعیت را دارد انتخاب می‌شود.

فرض کنید دو مدل پیش‌بینی فروش ماهانه را روی دوازده ماه گذشته آزمایش کرده‌ایم:

بدون بک‌تست نمی‌دانید کدام مدل بهتر است و فقط به اعتبار ارائه‌دهنده تکیه می‌کنید.

اقدام عملی: تا نتایج بک‌تست را ندیده‌اید، با استفاده از مدل هوش مصنوعی یا یادگیری ماشین موافقت نکنید. این قاعده شبیه آزمون تنش مدل مالی است: اعتماد بدون آزمایش، اعتماد نیست.

مفهوم سوم: انتخاب ویژگی

شاید عبارت «ورودی بد، خروجی بد» را شنیده باشید. دانشمندان کامپیوتر با آن یادآوری می‌کنند که بهترین مدل هم اگر ورودی نادرست بگیرد، پیش‌بینی ارزشمندی نمی‌دهد. در علم داده به ورودی‌های مدل «ویژگی» (Feature) می‌گویند و انتخاب ویژگی یعنی تصمیم بگیریم کدام داده‌ها وارد مدل شوند.

وقتی تیم داده مدلی را به شما ارائه می‌کند، همیشه این سؤال‌ها را بپرسید:

1. کدام ویژگی‌ها انتخاب شده‌اند؟
2. چرا این‌ها انتخاب شده‌اند؟
3. چه ویژگی‌های دیگری را امتحان کرده‌اید؟

و اگر دقت مدل کافی نیست، افزودن ویژگی‌های بیشتر یکی از راه‌های ارتقاست. مثلاً مدل پیش‌بینی نقدینگی فقط با فروش ماهانه ساخته شده؛ شاید افزودن شاخص‌های وصول مطالبات یا فصلی بودن آن را بهتر کند.

چک‌لیست سؤال برای جلسه با تیم داده

• همبستگی‌ای که نشان می‌دهید سازوکار منطقی هم دارد؟
• مدل روی چه دوره‌ای بک‌تست شده و خطا چقدر بوده است؟
• ویژگی‌ها چه هستند و چه چیزهایی کنار گذاشته شده؟
• مدل روی داده‌ی ناقص یا استثنایی (مثل دوره‌ی کرونا) چه می‌کند؟
• اگر مدل اشتباه کند، چه کسی و چگونه متوجه می‌شود؟

برای استفاده‌ی عملی از این سؤال‌ها در پیش‌بینی، تکنیک‌های پیش‌بینی مالی را هم مرور کنید.

پرسش‌های متداول

آیا مدیر مالی باید کدنویسی بلد باشد؟ خیر؛ شناخت مفاهیم و پرسیدن سؤال درست کافی است. کدنویسی مزیت است، نه الزام.

بک‌تست چه محدودیتی دارد؟ گذشته لزوماً آینده را نشان نمی‌دهد. مدلی که روی دوره‌ی گذشته خوب بوده ممکن است در شرایط جدید ضعیف عمل کند، پس نتیجه را با قضاوت انسانی ترکیب کنید.

همبستگی بالا همیشه بد است؟ نه، فقط نباید تنها دلیل تصمیم باشد. همبستگی بالا نقطه‌ی شروع تحقیق است، نه پایان آن.

انتخاب ویژگی را چه کسی باید تأیید کند؟ هم تیم داده و هم مالی؛ مالی می‌داند کدام داده معنای تجاری دارد.

جمع‌بندی

همبستگی علیت نیست، بک‌تست مدل را محک می‌زند و ویژگی‌های ورودی کیفیت خروجی را تعیین می‌کنند. اگر این سه مفهوم را بدانید، می‌توانید در پروژه‌های هوش مصنوعی نقش «سؤال‌کننده‌ی آگاه» را بازی کنید و از مدل‌های واقعاً مفید حمایت کنید.