A Mathematical Pre‑Screening Framework for Training‑Free Model Selection in Time‑Series Cashflow Forecasting

تُعد الشركات الصغيرة والمتوسطة المحركات الأساسية للاقتصادات الحديثة، ومع ذلك فهي تعمل على حافة الهاوية حيث يمكن لدفعة واحدة متأخرة أن تؤدي إلى انهيار كامل. بالنسبة لهذه الشركات، لا يعد التنبؤ بموعد وصول الأموال مجرد عملية محاسبية؛ بل هو مسألة بقاء. ويكمن التحدي في البيانات نفسها؛ فخلافاً للشركات الضخمة التي تمتلك فرقاً مخصصة من علماء البيانات، غالباً ما يمتلك أصحاب الشركات الصغيرة سجلات تاريخية محدودة، ومعلومات غير منظمة، ولا يملكون الوقت لتجارب الخطأ والصواب. إنهم بحاجة لمعرفة أي برنامج حاسوبي يمكنه التنبؤ بتدفقاتهم النقدية بأفضل شكل، لكن عالم تعلم الآلة يقدم عشرات الخيارات، التي تتراوح بين الصيغ البسيطة والشفافة إلى الأنظمة المعقدة والمبهمة التي تعمل كصناديق سوداء. وتتمثل المعضلة المركزية في أنه لا توجد خوارزمية واحدة تعمل بشكل مثالي في كل حالة؛ فالأداة التي تتفوق مع مجموعات البيانات الضخمة والنظيفة قد تفشل فشلاً ذريعاً مع السجلات المشوشة والمتباعدة التي تميز المتاجر الصغيرة. علاوة على ذلك، يحتاج المدير الذي لا يفهم في البرمجة إلى الثقة في التنبؤ، مما يعني أن النموذج يجب أن يكون قابلاً للتفسير، وليس دقيقاً فحسب.

لقد اقترح باحث يدعى علي نبي زاده لاميري طريقة جديدة لحل هذه المشكلة، مبتعداً عن الطريقة التقليدية المتمثلة في اختبار كل نموذج ممكن حتى يعمل أحدها. وبدلاً من تشغيل عمليات محاكاة حاسوبية مكلفة لمعرفة ما سيحدث، قدمت الدراسة إطار عمل للفرز المسبق رياضياً. يتعامل هذا النهج مع اختيار النموذج كأنه لعبة مطابقة؛ حيث يطلب من المستخدم وصف حالته الخاصة باستخدام خمس خصائص بسيطة: حجم البيانات التي يمتلكها، ومدى ضجيج أو فوضى تلك البيانات، ومدى تفصيل السجلات، ونسبة نقاط المعلومات إلى مدخلات البيانات، والأهم من ذلك، الخبرة التقنية للشخص الذي يتخذ القرار. يتم بعد ذلك ترجمة هذه العوامل الخمسة إلى أربع احتياجات محددة: مدى حاجة النموذج لأن يكون مفهوماً، ومدى قدرته على التعامل مع الأخطاء، ومدى سرعة تشغيله، ومدى تعقيد الأنماط التي يحتاج إلى إيجادها.

يعمل إطار العمل من خلال مقارنة هذه الاحتياجات مع ملف تعريف محدد مسبقاً لخمسة نماذج مختلفة من تعلم الآلة. وتستند هذه الملفات التعريفية إلى نقاط القوة والضعف المعروفة لكل خوارزمية، مثل ما إذا كان النموذج شفافاً بطبيعته مثل معادلة بسيطة أو شبكة عصبية معقدة تتطلب أدوات إضافية لتفسيرها. يقوم النظام بحساب درجة التوافق لكل مرشح دون تدريب النموذج فعلياً على البيانات؛ فهو ينظر ببساطة إلى مدى التطابق بين سياق العمل والقدرات الجوهرية للخوارزمية. فإذا كان صاحب شركة صغيرة ليس لديه خلفية تقنية ويمتلك بيانات مشوشة، فقد يوصي الإطار بنموذج بسيط وقابل للتفسير بدرجة عالية. أما إذا كان لدى خبير تقني مجموعة بيانات ضخمة ومعقدة، فإن النظام ينتقل بتوصيته نحو خوارزمية أكثر قوة وتعقيداً يمكنها إيجاد أنماط دقيقة، حتى لو كان من الصعب شرحها.

ولاختبار هذه الفكرة، طبق الباحث إطار العمل على بيانات مالية من مصدرين متميزين في العالم الحقيقي. احتوت إحدى مجموعات البيانات على سجلات فواتير فردية من شركة عاملة (factoring) كبيرة، مما يمثل الرؤية التفصيلية على مستوى المعاملات للتدفق النقدي. وجاءت مجموعة البيانات الأخرى من الحكومة البريطانية، والتي تحتوي على سلوكيات دفع مجمعة لآلاف الشركات، مما يمثل رؤية أوسع على مستوى الشركات. كما استخدمت الدراسة أيضاً مجموعة بيانات ضخمة تضم أكثر من 1.35 مليون قرض شخصي لمعرفة ما إذا كان إطار العمل يمكنه التعامل مع نوع مختلف تماماً من البيانات المالية. وأظهرت النتائج أن النموذج "الأفضل" من حيث الدقة يتغير بناءً على البيانات. فبالنسبة لسجلات الفواتير التفصيلية، أدى نموذج الانحدار الخطي البسيط أداءً يضاهي الشبكة العصبية المعقدة، لكن النموذج البسيط كان أسهل بكثير للفهم من قبل البشر. أما بالنسبة لبيانات الشركات المجمعة، فقد أدت النماذج الأكثر تعقيداً مثل الشبكات العصبية والغابات العشوائية (random forests) أداءً أفضل قليلاً، لكن الفرق كان ضئيلاً في كثير من الأحيان مقارنة بمخاطر تعقيد النظام بشكل مفرط.

وعلى نحو حاسم، سلط البحث الضوء على أن قابلية التفسير ليست مجرد ميزة إضافية لغير المتخصصين، بل هي مطلب وظيفي. فعندما فحص الباحث كيف تفسر النماذج المختلفة تنبؤاتها، أعطت الشبكات العصبية المعقدة قصصاً متضاربة؛ فقد تشير إحدى الطرق إلى أن الفواتير الإلكترونية هي المحرك الرئيسي لسرعة الدفع، بينما تشير طريقة أخرى إلى شروط العقود. هذا الارتباك يمكن أن يؤدي إلى زعزعة ثقة المدير. وفي المقابل، وبينما يوفر الانحدار الخطي شفافية تامة من خلال معاملاته، قدم نموذج الغابة العشوائية تفسيرات مستقرة ومتسقة عبر طرق الاختبار المختلفة لمديري غير المتخصصين في تكنولوجيا المعلومات، حيث حدد بوضوح أن شروط العقود هي المحرك الأساسي لسلوك الدفع. سمحت هذه الاتساق لإطار العمل بالتوصية بنماذج لا تتنبأ جيداً فحسب، بل تروي أيضاً قصة متماسكة يمكن للإنسان اتخاذ إجراء بناءً عليها.

وتجادل الدراسة بأن الاعتماد الحالي على الأدوات المؤتمتة التي تتطلب ساعات من التدريب الحاسوبي هو أمر غير عملي للشركات محدودة الموارد. فهذه الأدوات غالباً ما تعمل كصناديق سوداء، تقدم توصية دون شرح سبب اختيارها. ويقدم إطار العمل المقترح بديلاً شفافاً؛ فهو يسمح للمدير بإدخال حالته وتلقي توصية مبررة فوراً، دون كتابة سطر واحد من الكود أو انتظار انتهاء الحاسوب من عملية التدريب. ويشير البحث إلى أنه من خلال مطابقة السياق المحدد للأعمال مع القدرات الجوهرية للخوارزمية، يمكن للملاك تجنب الخطأ المكلف المتمثل في اختيار نموذج يكون إما بسيطاً جداً بحيث لا يكون مفيداً، أو معقداً جداً بحيث لا يمكن الوثوق به. وتشير النتائج إلى أنه بالنسبة للعديد من الشركات الصغيرة، فإن الأداة الأكثر قيمة ليست تلك التي تمتلك أعلى دقة نظرية، بل هي تلك التي توازن بين القدرة التنبؤية والوضوح اللازم لاتخاذ القرارات المالية اليومية.