A Big Data prediktívvé teszi-e a gazdaság jövőjét?

Az előadások a következő témára: "A Big Data prediktívvé teszi-e a gazdaság jövőjét?"— Előadás másolata:

1 A Big Data prediktívvé teszi-e a gazdaság jövőjét?
Márton András

2 Az előrejelzés fogalmai
Prognózis: a jövő a múlt és a jelen folytatása Predikció: nagy valószínűséggel bekövetkező jövőváltozat Foresight: előrelátás a jövőfeltáró képesség és ok-okozati kényszerűség elve mentén Vízió: jövőre vonatkoztatott kép akarati és cselekedeti elemekkel Prognózis: ~ viszonylag nagy megbízhatósági fokú ~ tudományosan megalapozott ~ tudományos módszerekkel kidolgozott = „következmény-jövő” Predikció: ~ megbízható állítás a dolgok jövőbeli állásáról ~ nagy valószínűséggel bekövetkező változat ~ általában egy („előre megmondott”) jövőváltozat ~ nem szükségszerű jellemzője az idődimenzió ~ a mindennapi életben sok helyütt jelen van ~ a hasznos predikció mérhető és teljesen megérthető rendszerekre vonatkozik (pl. üzemanyag igény) ~ komplex társadalmi rendszerre és nem-materiális jelenségekre (pl. értékek, érzelmek) nem készíthető Foresight ~ előrelátás, jövőbelátás emberi alapképesség, óvatosság, körültekintés, jártasság, ami megvéd bizonyos hibák elkövetésétől segít a veszélyek elkerülésében és a kockázatok csökkentésében egyenletessé teszi a rendszerek működését beépül a mindennapjainkba Vízió: ~ jövőre vonatkoztatott kép/képek ~ pozitív kép/képek ~ társadalmi kultúra, civilizáció által befolyásolt/ak ~ akarati, cselekedeti elemeket is tartalmaz/nak Márton András

3 A gazdaság jövője – mai folyamatok
Háborúk USA+EU=TTIP (transzatlanti szabadkereskedelmi megállapodás) India a Marsnál Magyarország Paks Internetadó Alkoholmonopólium Bankok, multik Háborúk: Ukrajna -> EU-s szankciók Oroszországnak, orosz import Dél-Amerikából, katonai kiadások: NATO: 1020 mrd$, Eurázsiai Unió: 92 mrd$ (HVG) Közel-Kelet -> társadalmi nehézségek, katonai kiadások (Izrael rakétaelhárító rendszere) (IPM) Transzatlanti megállapodás: nyertesek: autóipar, energiaipar, élelmiszeripar, elektronikai ipar, vegyipar; veszélyeztetett: élelmiszeripar, kisvállalkozások -> szabályozási védelem (HVG) India: karikatúra! Magyarország: Paks 2 – „legtisztább” energiaforrás, energiafüggetlenség VS. évtizedes elköteleződés és hiteltörlesztés Internetadó + Alkoholmonopólium: plusz bevétel a költségvetésnek, egészséges életmód támogatása? (lásd trafik és kaszinó) Bankok, multik: jó multik (Audi, Mercedes), rossz multik (Tesco, bankok) -> munkahelyek, GDP, versenyképesség (ld. Később) Márton András

4 Volt-e valaha előre jelezhető a gazdaság?
Igen: éves és többéves költségvetések (‘50-’60-as évek) → prognózis a múltbeli adatok alapján Igen 2: szcenáriók alkalmazásával (‘70-es évek) → minőségileg eltérő jövők feltárása Nem: informatikai válság 2000-ben, világválság 2008 óta → stratégiai menedzsment, felsővezetői víziók, a jövő alakítása Igen: Mészáros Igen 2: Shell az olajválságkor Nem: A jövő kívánatos tulajdonságai (pl. erősebb orientáció, erősebb integrációs törekvés) hogyan bátorítanak jelenbeli tevékenységeket (pl. márkázás, tervezés, folyamatok), amelyek módszereket vagy végrehajtási módokat alakítanak ki Chikán A. (2005): Vállalatgazdaságtan, 474. o. Márton András

5 A Big Data matematikai-statisztikai lehetőségei
Javítja az előrejelzési pontosságot a korábban kevés adattal dolgozó területeken (betegségek, eltitkolt esetek, segélyezés) Javítja az előrejelzési pontosságot az egyéni (fogyasztói) szokások követésével (személyre szabott marketing) Modellezés pontosítása? → a statisztikában általában adatot sűrítenek Javítja az előrejelzési pontosságot: különösen azoknál a szűk rétegeknél, amelyekről jelenleg nagyon kevés adat van feldolgozva: Edison-kóros betegek gyógyulási esélyei, ALS → jegesvödör-próba (!), családon belüli erőszak, segélyezés Egyének követése Modellezés pontosítása: adatsűrítés -> dimenzió redukció (főkomponens analízis -> talán jobb főkomponensek), csoportképzés (klaszterek -> pontosabb klaszterközép), felsővezetői (pénzügyi) jelentések -> várhatóan kerekítési határon belüli eltérés Márton András

6 A Big Data társadalmi oldalról
A NASA-nál, CERN-nél és más – versenyző – vállalatoknál induló trend (gyenge jel): közösségre szervezés (crowdsourcing) Világhálózatra kapcsolt személyi gépek mint szerver Gazdasági vonzat: olcsó (költségszétterítés) Veszélyek egyéni és hálózati szinten is A nagy adat szempontjából a világméretű hálózatra kapcsolt személyi gépek fölös kapacitásának kihasználása releváns Veszélyek: 1. magánadatok eltulajdonítása; 2. magánszemélyek „online arcának” felrajzolása (Villanásokban LifeLinear példa = Google) <-> magánszemélyek valódi kiléte; 3. e-támadások hatékonyságának növelése és ún. zombihálózatok (rosszindulatú e-levelek küldése hűtőszekrényről) Márton András

7 Magasabb szinteken (ország, világ)
A korábban említetteken túlmenően kérdéses, hogy javítja-e a predikciós lehetőséget Sok munkahely (adatelemzés) → algoritmusok és modellek vagy mesterséges intelligencia? A döntés alapja a tapasztalat és megérzés → adat és elemzés (emberek vagy gépek?) EU-s támogatások összpontosítása: fotonika, robotika, fejlettebb hálózatok, „jövő üzemei” Sok munkahely: Kérdés, hogy az algoritmusok és modellek vagy a mesterséges intelligencia fejlődik-e olyan gyorsan, hogy a munkahelyeknek még feltöltődni sem lesz idejük a robotok elterjedése előtt? (Szerintem nem, bár az adatelemzési munkahelyekre vonatkozó víziók is túlzóak -> több százezer az EU-ban.) To grasp the potential impact of Big Data, look to the microscope, says Erik Brynjolfsson, an economist at Massachusetts Institute of Technology’s Sloan School of Management. The microscope, invented four centuries ago, allowed people to see and measure things as never before — at the cellular level. It was a revolution in measurement. In business, economics and other fields, Professor Brynjolfsson says, decisions will increasingly be based on data and analysis rather than on experience and intuition. “We can start being a lot more scientific,” he observes Másrészt: „A most induló big data partnerség a Horizont 2020 program keretében működő 8 további PPP tevékenységét egészíti ki, többek között: Fotonika, Robotika, Nagy teljesítményű számítástechnika, Fejlett 5G hálózatok a jövő internetéhez és A jövő üzemei. Ezek olyan stratégiai technológiák, amelyek a tudásalapú európai gazdaság kulcsfontosságú ágazataiban fogják támogatni a növekedést és a munkahelyteremtést, ráadásul jelentős társadalmi kihívásokra is válaszokat keresnek.” Több százezer új munkahely: Márton András

8 Egyéb gazdasági implikációk
Tárolás: szerverparkok, külső adattárak, hordozható adattárak (2,5 trillió (1018) bájt naponta; az összes adat 90%-a az elmúlt két évben alakult) + hibák Elérés: a jelenlegi algoritmusok elérési ideje az adatmennyiség növekedésével együtt nő, bonyolódik, hibákkal telítődik + számítási kapacitás Felhasználhatóság: dekódolási nehézségek, avulás Összességében: hatékonysági kérdés (ráfordítás / haszon) 2,5 trillió bájt/nap: Márton András

9 Hazánk versenyképessége
A gazdaság helyzetét döntő mértékben befolyásolja a versenyképesség, ezt pedig a hozzáadott érték (minőség) és az export (hatékonyság) A multinacionális vállalatok elvárásai (kritériumok) mind emberi vagy infrastrukturális kérdések, egyik sem információ-feldolgozási Chikán-cikk: és Ebben: a külföldi tőkebefektetés és a versenyképesség mértéke között pozitív korreláció van. Chikán Attila kiemelte: nem egyszerűen teljesíthetők azok a kritériumok (stabil, transzparens pénzügyi helyzet; jól átlátható vezetői felelősség; erős szakmai hozzáértés, partnerség; megbízhatóság; rugalmas gyártó és logisztikai kapacitások; méretgazdaságosság elérése; innovációs készség), amelyeket a multik várnak el a magyar beszállítóktól, azonban ez már nem jelent akkora sokkot a hazai vállalkozásoknak, mint régebben. Márton András

10 Példák DE az innovációs kérdésekben kis-közepes szinten nagy lehetőségek rejlenek: WhatsApp és Facebook (külföld) Radoop Kft. (magyar) Slamby (magyar) Malkiel majma és a profi tőzsdebefektetők → az adatelemzés legyen a stratégia alapja? WhatsApp Facebook általi felvásárlása: Egy 50 alkalmazottal dolgozó, online üzenet- és médiaküldési alkalmazást fejlesztő céget 19 milliárd amerikai dollárért (4 milliárd dollár készpénzért, 12 milliárd dollárnyi Facebook-részvényért és további 3 milliárd dollár értékű korlátozott részvényért) vásároltak fel a fennállásának 6. évében, ami egy főre vetítve 380 millió dolláros vételárat jelent (Stone, 2014) Stone, B. (2014): Facebook Buys WhatsApp for $19 Billion. Businessweek.com, február letöltve: „Megmondják előre, melyik szín lesz a divat a következő nyáron, és azt is, kik lesznek az első vevők, és hol akarnak vásárolni. De azt is vizsgálják, hogyan növekednek a paprikák. A budapesti cég prediktív elemzéssel foglalkozik, azaz nagy mennyiségű adathalmazokat elemeznek üzleti előrejelzés céljából.” Egyszerű kezelői felület (hozzá nem értők számára is jó), szoftverlicensz alapú üzleti modell. (Radoop, HVG) Slamby: Multicéget is húzott már ki a csávából egy debreceni cég egyik fejlesztése, amellyel adatokat lehet kinyerni az ember által kezelhetetlenné vált információhalmazból. A Slamby nem hagyományos adathalász banda, hanem igazi startup. Gyermekvédelmi szűrőprogram, számlák és könyvelési tételek kiválogatása, címkézés és kategorizálás, adatszivárgás visszakövetése (titkos anyagok) régen törölt elemek esetén is. (HVG) Egy professzionális tőkeportfólió-menedzser és a Wall Street Journal tőzsdeoldalaira bekötött szemmel darts-tűket dobáló majom portfóliói ugyanolyan hozamot produkálnak (pontosabban a majmoké jobb, a tranzakciós költségek előtt legalábbis) Malkiel: R. D. Arnott – J. Hsu – V. Kalesnik – P. Tindall (2013): The Surprising Alpha from Malkiel’s Monkey and Upside-Down Strategies. The Journal of Portfolio Management, Vol. 39, No. 4. Márton András

11 Összefoglalásul – a válasz: NEM
A nagy adatban rejlő lehetőségek nem lebecsülendők! Az azt legintenzívebben felhasználó iparágak (informatika, IKT) gyorsan változnak Big Data → Big Trash: óriási mennyiségű digitális szemét Big Data-hype: divat és „hit” Az IKT-iparágak gyors változása m Digitális szemét, amely nemcsak technológiai, hanem gazdaságossági okokból sem érdemes kiaknázásra, emiatt a prediktív előrejelzés várhatóan nem lehet/lesz pontosabb. „Ha csak hit vezet, ott vakon megyünk.” - B. Franklin Márton András

12 Gartner: hype-görbe (for emergent technologies) (2013)
5-10 év a produktivitási szakasz eléréséig. Forrás: Márton András

13 „A terv semmi, a tervezés minden.”
Üzenet „A terv semmi, a tervezés minden.” Dwight D. Eisenhower Márton András

14 Felhasznált irodalom és források
Nováky Erzsébet (szerk.) (2006): Jövőkutatás. Aula Kiadó, Budapest Hideg Éva (2012): Jövőkutatás paradigmák. Aula Kiadó, Budapest Mészáros Tamás (2002): A stratégia jövője – a jövő stratégiája. Aula Kiadó, Budapest Cummings-Daellenbach: A guide to the future of strategy? The History of Long Range Planning. Long Range Planning, April. Vol. 42., pp Chikán Attila (2005): Vállalatgazdaságtan. Aula Kiadó, Budapest Márton András

15 Felhasznált irodalom és források 2.
Barabási Albert-László (2010): Villanások. A jövő kiszámítható. Nyitott Könyvműhely, Budapest Márton András

16 Felhasznált irodalom és források 3.
Stone, B. (2014): Facebook Buys WhatsApp for $19 Billion. Businessweek.com, letöltve: letöltve: letöltve: R. D. Arnott – J. Hsu – V. Kalesnik – P. Tindall: The Surprising Alpha from Malkiel’s Monkey and Upside-Down Strategies. The Journal of Portfolio Management, Vol. 39, No. 4. (Summer 2013) letöltve: Márton András