Veel mislukte implementaties begonnen met een modelkeuze die niet aansloot bij de aard van het financiele probleem. Een voorspellingsmodel voor kasstromen vraagt iets anders dan een classificatiemodel voor kredietrisico.
Fouten bij modelkeuze
Complexe modellen gekozen zonder baseline
Als je team geen lineaire regressie of eenvoudig beslisboom-model heeft getest als benchmark, weet je niet of het complexe model daadwerkelijk beter is. Soms is het dat niet.
Tijdreeksstructuur genegeerd bij sequentiele financiele data
Standaard classificatiemodellen gaan uit van onafhankelijke observaties. Financiele data is zelden onafhankelijk over tijd. ARIMA, Prophet of LSTM-structuren zijn dan beter geschikt, afhankelijk van de datahoeveelheid.
Snelle zelfevaluatie voor modelkeuze
Is je doelvariabele continu of categorisch? Hoe ver vooruit moet je voorspellen? Hoeveel historische datapunten heb je per entiteit? Moet het model verklaarbaar zijn voor externe audit? Deze vier vragen bepalen je modelcategorie, niet de hype rond een algoritme.
Geen aandacht voor klasse-onbalans bij risicoclassificatie
Bij wanbetalingspredictie zijn positieve gevallen zeldzaam. Een model dat altijd nee zegt, haalt al een hoge nauwkeurigheid. Zonder F1-score of precision-recall analyse zie je dit probleem niet.
Conclusie
Modelkeuze is een analytische beslissing, geen marketingkeuze. Documenteer de redenering achter je keuze voor je begint te bouwen.