Big Data w służbie banków centralnych

01.03.2018
Dostępność dużej ilości danych w czasie rzeczywistym otwiera bankom możliwość stosowania nowych metod statystycznych, ulepszania prognoz gospodarczych i ocen stabilności finansowej wraz z szybkim uzyskiwaniem informacji zwrotnych. Przynajmniej teoretycznie.

CC BY-SA luckey_sun


Obecnie korzystanie z Big Data przez banki centralne jest ograniczone, głównie ze względu na kwestie techniczne oraz związane z dostępnością zasobów. Wykorzystywanie dużych zbiorów danych jest zadaniem złożonym i wielowymiarowym, a regularne tworzenie informacji opartych na Big Data jest czasochłonne m.in. ze względu słabą jakość niektórych źródeł danych.

Big Data można zdefiniować jako zbiory danych, które są często produktem ubocznym działań handlowych lub społecznych (tzn. niestatystycznych) i dostarczają ogromnej ilości szczegółowych informacji na poziomie pojedynczych transakcji. Ta forma danych jest dostępna w czasie rzeczywistym (lub zbliżonym do czasu rzeczywistego) i może być wykorzystana do identyfikacji wzorców zachowań lub trendów gospodarczych.

Jednak nie każdy duży zbiór danych można zakwalifikować jako Big Data – w rzeczywistości krajowe urzędy statystyczne zajmowały się dużymi zbiorami danych obejmującymi miliony rekordów (na przykład danych spisowych) przez wiele lat bez określania ich jako Big Data.

Kluczowym czynnikiem, który należy wziąć pod uwagę podczas definiowania Big Data jest to, czy zbiór danych ma strukturę i czy można go analizować za pomocą standardowych technik statystycznych, czy też jest on nieustrukturyzowany i wymaga nowych narzędzi do analizy i przetwarzania zawartych w nim informacji.

Ekonomiści z banku centralnego Armenii wykorzystali Big Data – w postaci danych online m.in. ze stron internetowych supermarketów i agencji nieruchomości – w celu stworzenia indeksu naśladującego CPI oraz ceny nieruchomości w czasie rzeczywistym. Ostatecznie te miary miałyby wspierać prowadzenie polityki pieniężnej.

Podobne podejście do wykorzystania dużych zbiorów danych zastosowali ekonomiści szwedzkiego banku centralnego. Wyniki ich badania wskazują, że dzięki danym dziennym dotyczącym cen sprzedaży mi.in. wybranych owoców i warzyw podawanym przez szwedzkich sprzedawców internetowych, możliwa jest poprawa jakości krótkoterminowych prognoz inflacji w Szwecji.

Z kolei Bank Centralny Aruby korzysta z Big Data w celu prognozowania popytu turystycznego – turystyka jest bowiem głównym sektorem gospodarczym tej karaibskiej wyspy. Prognozowanie to jest możliwe na podstawie danych z wyszukiwarki Google, które są później przetwarzane za pomocą różnych technik uczenia maszynowego.

W opinii badaczy amerykańskiej Rezerwy Federalnej i Uniwersytetu Michigan dane o wysokiej częstotliwości dotyczące wysokości płac pracowników mogą znacząco poprawić jakość prognoz rynku pracy w USA. Dane, z których korzystali podczas badań pochodzą nie od agencji rządowych, ale od firmy ADP, która przetwarza dane dotyczące wynagrodzeń około 20 proc. zatrudnionych w amerykańskim sektorze prywatnym. Dane te charakteryzują się większą aktualnością i częstotliwością niż statystyki oficjalne, dlatego stanowią lepszą bazę do oceny przyszłych trendów na rynku pracy w Stanach Zjednoczonych.

W obszarze stabilności finansowej użycie dużych zbiorów danych może dotyczyć na przykład takich danych nieustrukturyzowanych, jak teksty z artykułów agencji informacyjnych, komunikaty banków centralnych i raporty z badań brokerów, które są analizowane w celu znalezienia wskaźnika wczesnego ostrzegania przed kryzysem w systemie finansowym. Takie właśnie badanie przeprowadzili ekonomiści Banku Anglii, którym – za pomocą tzw. text mining – udało się znaleźć zwroty i „narracje” będące wskaźnikiem sentymentu i ryzyka systemowego na rynku finansowym.

Pod innym kątem kwestie dotyczące stabilności finansowej były analizowane przez badaczy banku centralnego Chile. Na podstawie dużej liczby zanonimizowanych danych administracyjnych pochodzących z urzędów skarbowych stworzyli oni obraz sytuacji finansowej przedsiębiorstw, dzięki czemu wiadomo, w jakiej są sytuacji finansowej i jakie jest prawdopodobieństwo ich upadłości.

Mimo potencjalnych zalet wykorzystania dużych zbiorów danych przez banki centralne, stanowią one także źródło wielu wyzwań. Po pierwsze, używanie Big Data wymaga znacznych zasobów (m.in. teleinformatycznych) i odpowiedniego systemu zarządzania informacjami. Po drugie, zastosowanie dużych zbiorów danych do wspierania prowadzonych polityk przez banki centralne stwarza ryzyko w postaci fałszywego poczucia pewności i precyzji. Na przykład dane z serwisu Twitter będą reprezentować tylko pewien podzbiór całej populacji, a zatem stosunkowo mała próba może określać cały zbiór danych losowych.

Z tego punktu widzenia korzyści związane z Big Data, w szczególności tj. niskie koszty i szybkość pozyskania informacji, powinny być zrównoważone potencjalnymi  kosztami gospodarczymi i społecznymi możliwych błędnych decyzji, które mogą być oparte na nieodpowiednich lub niskiej jakości statystykach.


Tagi


Artykuły powiązane

Popularne artykuły

test