Prognozowanie
Grupowa praca nad wdrożeniem predyktywnej analityki finansowej AI - dla zespołów, które chcą rozumieć dane, zanim dane staną się problemem.
Strukturyzowany proces, realne narzędzia
Czego wymaga ta praca
Zaangażowanie
Program składa się z 8 sesji grupowych po 90 minut każda, rozłożonych na 10 tygodni. Między sesjami uczestnicy pracują samodzielnie przez około 3–4 godziny tygodniowo - testując modele na własnych danych lub na zestawach przygotowanych przez prowadzącego.
Nie jest to kurs wideo do oglądania w wolnym czasie. Każda sesja wymaga przygotowania i aktywnego udziału. Postęp grupy zależy od tego, czy każdy uczestnik wnosi własne obserwacje z poprzedniego tygodnia.
- Dostęp do środowiska Python lub R z podstawową konfiguracją
- Znajomość arkuszy kalkulacyjnych i podstaw statystyki opisowej
- Gotowość do pracy z rzeczywistymi danymi finansowymi - własnymi lub anonimizowanymi
- Stabilne połączenie internetowe na czas sesji synchronicznych
Co opisują długoletni uczestnicy
Nie zebraliśmy tu opinii - zebraliśmy wzorzec. Trzy rzeczy, które uczestnicy po 6 miesiącach od zakończenia programu wymieniają jako rzeczywiście przydatne.
Dorota Kwiatkowska
Analityk finansowy, sektor ubezpieczeniowy
Po programie zaczęłam zadawać inne pytania przed budowaniem modelu. Wcześniej zaczynałam od danych - teraz zaczynam od tego, co model ma faktycznie przewidywać i dla kogo. To zmiana, której nie spodziewałam się po kursie grupowym.
Rafał Sobieralski
Kierownik działu ryzyka, bank regionalny
Najbardziej wartościowe były sesje, podczas których ktoś z grupy przynosił przypadek, który nie działał. Analizowaliśmy to razem przez 40 minut - i to zostało ze mną dłużej niż jakikolwiek slajd z teorią.
Agnieszka Bielecka
Specjalista ds. controllingu, firma produkcyjna
Rok po zakończeniu nadal korzystam z szablonów diagnostycznych, które opracowaliśmy w grupie. Nie z materiałów - z tego, co wspólnie zbudowaliśmy podczas sesji roboczych. Tego nie da się zrobić w pojedynkę w takim samym czasie.
Czego ten program nie robi
- Nie zastępuje wdrożenia produkcyjnego - program kończy się na etapie prototypu i walidacji modelu, nie na integracji z systemami transakcyjnymi firmy.
- Nie gwarantuje gotowego rozwiązania - każdy uczestnik wychodzi z narzędziami i wiedzą, ale dalsze wdrożenie zależy od specyfiki jego organizacji.
- Nie jest szkoleniem z programowania - zakładamy, że uczestnicy potrafią uruchomić skrypt i czytać kod, ale nie uczymy składni od podstaw.
- Nie dotyczy spekulacji rynkowych ani prognozowania cen instrumentów finansowych - zakres obejmuje analizę portfela, płynność i ryzyko kredytowe.
Praktyczne skutki
Po zakończeniu
Sposób oceny jakości danych
Uczestnicy zaczynają odróżniać dane wystarczające do budowy modelu od danych, które model jedynie pozornie zasilają. Ta zmiana widoczna jest już po 3 sesjach - zanim pojawi się jakikolwiek wynik.
Krytyczne podejście do wyników modeli
Model z dokładnością 91% może być bezużyteczny w praktyce finansowej - program uczy, kiedy i dlaczego tak się dzieje. Uczestnicy wychodzą z zestawem pytań, które zadają każdemu modelowi przed jego zastosowaniem.
Język rozmowy z działem IT
Analitycy finansowi po programie precyzyjniej formułują wymagania techniczne. Zmniejsza to liczbę iteracji między działem analiz a inżynierami danych - co w kilku organizacjach skróciło czas wdrożenia pilota z 14 do 6 tygodni.
Model płynności dla firmy leasingowej
Jeden z uczestników przyniósł na sesję 4 problem: firma dysponowała 36 miesiącami historii spłat, ale model regresji logistycznej dawał wyniki gorsze od prostej reguły eksperckiej stosowanej przez dział ryzyka od lat.
Przez dwie sesje grupowe analizowaliśmy, dlaczego tak się dzieje. Okazało się, że dane zawierały ukrytą sezonowość - spłaty w branży leasingowej koncentrują się w grudniu i marcu ze względu na zamknięcia budżetowe klientów. Model tego nie widział, bo nikt nie zakodował miesiąca jako zmiennej cyklicznej.
Po korekcie kodowania i dodaniu 2 zmiennych kontekstowych model zaczął wyprzedzać regułę ekspercką o 11 punktów procentowych w precyzji dla przypadków granicznych - tych, które faktycznie kosztują firmę.
miesięcy danych historycznych - wystarczających do budowy modelu po właściwym przetworzeniu zmiennych czasowych
punktów procentowych wzrostu precyzji dla przypadków granicznych po wprowadzeniu zmiennych cyklicznych
sesje grupowe potrzebne do zidentyfikowania i naprawienia błędu w strukturze danych wejściowych
Kiedy to ma sens
Program działa, gdy uczestnik wnosi do grupy konkretny problem - nie abstrakcyjną chęć nauki AI. Poniżej kilka warunków, które w praktyce decydują o tym, czy ktoś wyciągnie z programu to, po co przyszedł.
Masz dostęp do danych finansowych
Niekoniecznie dużych - wystarczy 18–24 miesięcy historii z jednego procesu: spłaty, należności, kosztów operacyjnych. Dane syntetyczne są dopuszczalne na pierwszych sesjach, ale ograniczają głębokość analizy.
Wiesz, co chcesz przewidywać
Najlepsze wyniki osiągają uczestnicy, którzy mają konkretne pytanie - np. „kiedy klient przestanie spłacać" lub „które faktury zostaną opóźnione o więcej niż 30 dni". Ogólne zainteresowanie AI nie wystarczy.
Możesz uczestniczyć regularnie
Opuszczenie więcej niż 2 sesji w ciągu programu sprawia, że uczestnik traci kontekst grupowy - a ten kontekst jest podstawą pracy na kolejnych sesjach. Program nie oferuje nagrań zastępczych.