# imports
# ====================================
import numpy as np
import pandas as pd
import streamlit as st
import streamlit.components.v1 as components
components.html(
"""
"""
)
st.markdown("
Применение методов машинного обучения в анализе банкротства
", unsafe_allow_html=True)
with open("./img.png", "rb") as f:
st.image(f.read(), use_column_width=True)
st.write(
"""
# Краткое описание задачи
Эффективное и заблаговременное прогнозирование банкротства компаний имеет важно значение для всех участников рынка. По мере развития информационного общества традиционные методы выявления банкротства становятся менее эффективными и более трудозатратными. Поэтому сочетание традиционных методов с современными моделями искусственного интеллекта может быть эффективно применено в современных экономических условиях.
Основная цель работы - оценить риск банкротства с помощью нескольких алгоритмов машинного обучения, сравнить результаты их работы, определить наилучшую модель и соответствующий набор признаков для прогнозирования банкротства компаний.
"""
)
with st.expander("Описание пайплайна работы", expanded=True):
st.write(
"""
## Этапы разработки
1. Поиск и сбор данных:
Был использован датасет из Тайваньского экономического журнала за период с 1999 по 2009 год. Банкротство компании было определено на основании правил ведения бизнеса Тайваньской фондовой биржи. (Ссылка на данные)
2. Обработка (препроцессинг):
Удаление ненужных колонок, one hot encoding категориальных переменных, заполнение пропущенных значений. С использованием библиотек pandas, numpy, seaborn.
3. Анализ статистических показателей и визуализация:
Инструменты для этого - с использованием библиотек pandas, seaborn.
4. Выбор моделей, обучение и валидация модели с ними (без фичей):
С использованием библиотек scikit-learn, pandas, seaborn.
5. Выбор моделей, обучение и валидация модели с ними (с фичами):
С использованием библиотек scikit-learn, pandas, seaborn.
6. Сравнение результатов:
Анализ и графическое представление работы алгоритмов. При некорректной работе или плохим результатом проводится п. 4 и п. 5.
7. Оформление микросервиса Streamlit:
С использованием библиотеки streamlit.
""",
unsafe_allow_html=True
)
with st.expander("Описание пайплайна работы", expanded=True):
st.write(
"""
## Информация о применении методов машинного обучения для бизнес-задач:
Прогнозирование финансовой неустойчивости – важный компонент управления компанией. Из-за банкротства акционеры теряют доходы, бизнес, нарушаются цепочки поставок, фискальные органы лишаются налоговых поступлений, госорганы фиксируют снижение экономического роста и повышение социальной напряженности, а работники вынуждены искать новую работу. Поэтому получение ясной картины финансового и имущественного состояния компаний уже много лет является целью специалистов самых разных областей знаний.
Компании активно внедряют современные технологии в основную деятельность, автоматизируя большое количество бизнес-процессов. Это позволяет выстраивать, например, электронную экспертизу, c помощью которой возможно оперативно объединять множество экспертов из разных предметных областей для полного охвата рассматриваемой проблемы и принятия коллективного решения. Электронная экспертиза также подразумевает взаимодействие людей с интеллектуальными системами, которые способны строить анализ и прогнозы на основе более широкого пространства переменных. Так, в частности, методы машинного обучения применяются уже в значительном количестве бизнес-задач, в том числе для интеллектуальной аналитики больших данных, которые компания аккумулирует для построения моделей прогнозирования.
Однако риски банкротства могут также возникнуть из-за некорректного стратегического менеджмента. Такой менеджмент подразумевает разработку долгосрочных целей и действий, которые позволят достичь более высоких результатов в будущем, например, стать лидирующей компанией в своей отрасли. Разрабатываемые при этом стратегии обычно носят амбициозный характер, поэтому цели компании в таком случае не направлены на пролонгацию сложившейся динамики. Правильный анализ стратегической ситуации также важен для прогнозирования банкротства. Существует множество методов для ее оценки, в том числе и на основе анализа больших данных.Источник
""",
unsafe_allow_html=True
)