Нетривиальные задачи прогноза или От тактического прогноза к стратегическому

Любой компьютерный прогноз на основе выборки данных представляет собой только тактическую инновацию - выборка не возникает одномоментно, поэтому играющий на этом же поле "противник" (например, если брать за пример экономику, то противниками будут остальные работающие в той же рыночной нише компании) может параллельно формировать свою выборку данных из этой же области, в сопоставимое время определять потребность в решении конкретных задач прогноза на основе собранной информации, усиливать свои управленческие решения использованием прогнозов, прогнозировать и рефлексировать возможные шаги нашей стороны в плане поставленных задач, применяемых методов прогнозирования и получаемых результатов. Стратегические прогнозы и предложения, неожиданные для противной стороны (да и для нас самих), компьютер делать не умеет - это прерогатива маркетологов, изобретателей и других людей, конструирующих новые товары, потребности и рыночные ниши, т.е. переводящих "игру" на другое поле. Однако, даже в рамках традиционного использования и анализа выборок данных можно находить инновационные постановки задач и получать преимущества от их решения.

Опишем два примера неочевидных подавляющей массе аналитиков постановок задач прогнозирования на основе выборки данных. Их особенностью является то, что если не сама идея, то конкретный результат принципиально не может быть спрогнозирован "противником" без явного повторения компьютерного моделирования на наборе аналогичных по свойствам данных (т.е. рассуждений-предположений "в уме" недостаточно), да и "визуальные" наблюдения противника за нашей стороной не помогают ему скопировать эффект от прогноза, т.к. вызванные этим прогнозом действия нашей стороны маскируются в массе остальных действий или качественно не отличаются от обычной деятельности. Можно назвать данные примеры примерами стратегического прогноза, т.к. они порождают новые объекты-ситуации и связанный с последними круг задач.

1. Задача предсказания-описания новых возможных категорий. Например, задача описания свойств группы покупателей, которая пока не "отметилась" в магазине, если магазин собирает некоторые характеристики покупателей - не просто анализирует обезличенные чеки, а привязывает время и даты, регулярности и списки покупок к конкретным лицам и, может быть, половозрастным и иным характеристикам этих лиц (пример подобного механизма сбора данных - розничная или мелкооптовая торговля, выдающая дисконтную карту или карту покупателя только после заполнения некоторой анкеты, и в дальнейшем отслеживающая даты и списки покупок по этим картам). В некотором роде, возникает задача, обратная к задаче кластерного анализа (кластеризации, автоматической классификации) - в многомерном пространстве данных ищутся не области "сгущений" (т.е. области часто возникающих типичных ситуаций и небольших отличий от них), а области, пока еще не заполненные представителями. И затем по конкретным найденным значениям, их интервалам и сочетаниям, маркетолог-аналитик может предположить и иные, нечисловые особенности этой потенциально возможной группы покупателей и придумать, как привлечь этих людей в магазин (например, просто добавочным товаром, без построения явной рекламной кампании, целевая аудитория которой "противнику" будет очевидна).

Примеры решения задачи генерации новых категорий с использованием нейросети Хопфилда (которая наряду с реализацией ассоциативной памяти неочевидно выполняет и задачу кластерного анализа - в один и тот же бассейн притяжения может попасть несколько эталонов) были описаны российским автором в середине 1990х годов - это если нетривиальные задачи решать и нетривиальными методами, что само по себе может быть интересно (для традиционной и нетривиальной задачи не надо строить две модели - обе задачи решаются единственной моделью).

2. Предсказание набора альтернативных траекторий для временных рядов. При выполнении долгосрочного прогнозирования временного ряда чаще всего результатом является единственное число (или единственная прогнозная "траектория" от настоящего к нужному будущему моменту), либо огрублённо-"размазанный" вариант, получающийся добавлением доверительного интервала к этому единственному числу или единственной траектории. Многовариантный прогноз в виде возможного ветвления траектории "по пути" к нужному финальному моменту не делается практически никогда. А такое ветвление вполне возможно, например, если прогнозируемый временной ряд порожден динамической системой (если говорить научным языком, эта система в пространстве своих скрытых, ненаблюдаемых параметров может иметь область, проходя через которую, сколь угодно близкие в этой области траектории через некоторое короткое время разойдутся очень далеко - т.е. система имеет малый показатель Ляпунова, да и в случае больших ляпуновских показателей исходно близкие траектории могут "разойтись" - на это потребуется больше времени, но может как раз на этот период времени и делается конкретный прогноз?). Поэтому хочется иметь универсальный инструмент, при необходимости прогнозирующий-генерирующий набор альтернатив (пучок траекторий) вместо единственного варианта.

Такой многовариантный алгоритм многошагового долгосрочного прогнозирования был предложен в начале 2000х годов европейскими учеными путем скрещивания метода одношагового прогноза и имитационного моделирования. Указание на несколько возможных альтернатив будущего и локализация конкретного момента времени, когда эти альтернативы возникают из некоторого единого предшествующего сценария, позволяет более целенаправленно управлять будущим по сравнению с ситуацией рассмотрения только единственного варианта прогноза, и искать те показатели или внешние воздействия, к которым в эти спрогнозированные моменты зарождения альтернатив будет чувствительна ситуация.