Traditionele analyses van tijdreeksen en voorspellingsmethoden zijn niet nieuw. De laatste tijd hebben bedrijven als Google en Facebook echter geïnvesteerd in het ontwikkelen van tijdreeksmodellen die traditionele technieken combineren met Machine Learning (ML).
Wat is de reden dat Big Tech bedrijven plots op zoek zijn naar manieren om de voorspellingstechnieken te optimaliseren en waarom zouden alle bedrijven en hun managers zich moeten bezig houden met deze nieuwe voorspellingstechnieken?
Men zou kunnen stellen dat wetenschappers superkrachten creëren in hun labo's. Als de managers van vandaag maar één superkracht zouden moeten kiezen, dan zou dat de mogelijkheid zijn om de toekomst te voorspellen. De mogelijkheid om nauwkeurig een reeks te voorspellen is van cruciaal belang in veel industrieën. Denk maar aan toepassingen zoals beursanalyse, patroonherkenning, voorspelling van aardbevingen, economische voorspellingen, censusanalyse, enzovoort. Tegelijkertijd heeft de COVID-19 pandemie de tekortkomingen van de traditionele planningsaanpak blootgelegd, met de nadruk op de rigiditeit van kwartaal- en jaarplanning op specifieke momenten in de tijd. Het is nu duidelijk dat bedrijven de technologie en vaardigheden nodig hebben die de flexibiliteit vergroten en hen in staat stellen om dynamische plannen en voorspellingen uit te voeren, gebaseerd op meerdere inputs en outputs, en dit op een continue basis.
Om een voorspelling te maken, vertrouwen de meeste bedrijven op tijdreeksen. Tijdreeksen zijn een opeenvolging van waarnemingen van dezelfde variabele die op regelmatige tijdstippen worden geregistreerd. Voorbeelden van tijdreeksen zijn overal te vinden, van BBP-groei tot windsnelheid op een specifieke plaats tot de evolutie van de verkoopcijfers, het zijn allemaal variabelen die in de loop van de tijd worden gemeten.
Vertrouwend op tijdreeksanalyses proberen bedrijven vervolgens de gegevens te modelleren en patronen te vinden in de historische gegevens. Deze patronen kunnen wijzen op een trend, of op seizoensgebonden patronen - bijvoorbeeld wanneer de verkoop in december een piek vertoont. Met tijdreeksen kunt u ook proberen te voorspellen hoe een bepaalde verandering vandaag de dag de toekomstige waarden van een bepaalde uitkomst zal beïnvloeden. U kunt bijvoorbeeld proberen te voorspellen hoe de financiële beperkingen van bedrijven tijdens deze crisis op lange termijn invloed zullen hebben op de angst van werknemers voor banenverlies in de komende jaren. En terwijl tijdreeksen een gevestigde theoretische basis hebben in de statistiek en de dynamische systeemtheorie, hebben ze met de huidige pandemie veel aandacht gekregen.
In de eerste week van december heeft Facebook, in samenwerking met Stanford University, zijn nieuwe open source tijdreeks modellering van Python-bibliotheek NeuralProphet uitgebracht. Een paar dagen later publiceerde ook Google een nieuw open source AI-algoritme, voor het voorspellen van tijdreeksen met behulp van AutoML. En hoewel er enkele verschillen zijn tussen de twee voorgestelde technieken, hebben ze gemeen dat de manier waarop bedrijven en hun managers de toekomst kunnen voorspellen aanzienlijk zal verbeteren: beide technieken zijn gebaseerd op deep learning neurale netwerken.
Ten eerste zijn dergelijke deep learning neurale netwerken in staat om automatisch functies te leren en te extraheren uit ruwe en onvolmaakte gegevens. Dit kan heel nuttig zijn omdat tijdreeksen in realiteit vaak moeilijkheden ondervinden zoals onregelmatige tijdsstructuren, ontbrekende waarden, zware ruis, en complexe onderlinge relaties tussen meerdere variabelen. Dit stelt beperkingen aan de klassieke voorspellingsmethoden, gelukkig hebben neurale netwerken bewezen robuust te zijn voor ruis in invoergegevens en kunnen ze zelfs het leren en voorspellen ondersteunen bij ontbrekende waarden.
Ten tweede ondersteunen deep learning algoritmen meerdere in- en outputs. Een univariate tijdreeks bevat, zoals de naam al aangeeft, slechts één tijdsafhankelijke variabele. Als we bijvoorbeeld het energieverbruik op een specifieke locatie willen voorspellen, zal de voorspelling in een univariaat tijdreeksenscenario uitsluitend gebaseerd zijn op de historische verbruikspatronen. Wanneer we deze voorspelling willen verbeteren met andere variabelen zoals temperatuurwaarden, luchtvochtigheid, etc., wordt dit een multivariate tijdreeks. Neurale netwerken kunnen niet alleen meerdere inputs ondersteunen om voorspellingen te doen voor complexere tijdreeksen, maar ze laten zelfs toe om meerdere outputs te genereren in een multi-stapsprognose, waarbij voorspellingen nodig zijn voor korte, middellange of lange horizonten.
Ten derde zijn deep learning netwerken ook goed in het extraheren van patronen in invoergegevens die zich over relatief lange reeksen uitstrekken. Denk bijvoorbeeld aan een film. In een film is wat er in het huidige frame gebeurt sterk afhankelijk van wat er in het vorige frame gebeurde. Geavanceerde neurale netwerken kunnen leren wat belangrijk is uit het verleden en hoe lang dit belangrijk blijft voor de toekomst. Deze benadering kan bijvoorbeeld door bedrijven worden gebruikt om modellen te bouwen die wisselkoersen voorspellen gebruik makend van het idee dat gedrag en prijspatronen uit het verleden invloed kunnen hebben op valutabewegingen en kunnen worden gebruikt om toekomstig prijsgedrag en -patronen te voorspellen.
Terwijl in de afgelopen jaren veel onderzoek is geïnvesteerd in ML voor het voorspellen van tijdreeksen, kwamen ze altijd met bescheiden resultaten. Deze keer lijkt het anders. Gezien dat zowel Google als Facebook op grote hoeveelheden data zitten, zijn ze erin geslaagd om algoritmes te ontwikkelen die zeer accuraat zijn in hun voorspellingen. Google heeft bijvoorbeeld statistieken geleverd over hoe het beter heeft gepresteerd dan 92% van de manuele modellen.
Een ander groot voordeel is dat deze nieuwe algoritmen erin geslaagd zijn om complexe tijdreeks problemen veel gemakkelijker op te bouwen en te voorspellen. Veel van de vorige voorspellingsmodellen hadden immers veel menselijke inspanning en expertkennis nodig om het model te construeren en te verfijnen, waardoor het gebruik ervan in de praktijk beperkt werd. Zowel het Facebook- als het Google-model zijn sterk geautomatiseerd en bedrijven en hun managers moeten zich vooral richten op het stellen van de juiste bedrijfsvraag, het voeden van het model met inputgegevens en het interpreteren van de resultaten.
Een laatste voordeel is dat dit alles tegen heel lage kosten gebeurt, omdat de algoritmes open source zijn en dus door iedereen gebruikt kunnen worden, dus door mensen die uit zowel grotere als kleinere bedrijven komen. Zo wordt de technologie als zodanig meer dan ooit voor iedereen toegankelijk! We zullen alleen een hoog niveau van ondernemerschap moeten tonen om het te omarmen en op een verantwoorde manier te gebruiken.
Emma Willems is doctoraatsstudent en Kristof Stouthuysen is Professor Management Accounting aan Vlerick Business School en KU Leuven. De auteurs zijn lid van het Center for Financial Leadership & Digital Transformation van de Vlerick Business School. Dit Center voert actiegericht onderzoek naar de financiële functie van de toekomst met een focus op de toepassing van technologieën zoals Artificiële Intelligentie. Het dient ook als kennis en netwerkplatform voor CFOs en financiële leiders die inzetten op de digital transformatie van hun bedrijf of afdeling.
Verdoe jij ook te veel tijd met het opvolgen van alle nieuwtjes in je feed? No worries, wij verzamelen alles wat nieuw is in de finance wereld. Al die nieuwtjes komen wekelijks in jouw mailbox terecht.
