Enabling Inter-organizational Analytics in Business Networks Through Meta Machine Learning

要約

多くの場合、貴重な洞察を提供する分析ソリューションの成功は、さまざまなデータ ソースの接続にかかっています。
多くの場合、組織内でより大きなデータ プールを生成することは可能ですが、(組織間の) ビジネス ネットワーク内での分析の適用は依然として厳しく制限されています。
データは複数の法的単位に分散され、場合によっては複数の国にまたがって分散されるため、機密情報を開示することへの恐怖と、交換する必要がある膨大な量のデータが、効果的なシステム全体のソリューションを作成するための主な阻害要因になります。
優れた予測パフォーマンスを達成しながら。
この作業では、これらの障害に対処して、ビジネス ネットワーク内での包括的な分析を可能にするメタ機械学習手法を提案します。
私たちはデザイン科学研究アプローチに従い、産業ユースケースにおける実現可能性とパフォーマンスに関して私たちの方法を評価します。
まず、データの機密性を維持し、データ転送量を制限するネットワーク全体の分析を実行できることを示します。
第二に、私たちの方法が従来の分離された分析よりも優れており、ネットワーク内ですべてのデータを共有できる (仮説的な) シナリオにさえ近づくことを示しています。
このように、ネットワーク全体に散らばっているデータから学習する大きな可能性を活用するための重要な障害を取り除くため、ビジネス ネットワークをより効果的にするための基本的な貢献を提供します。

要約(オリジナル)

Successful analytics solutions that provide valuable insights often hinge on the connection of various data sources. While it is often feasible to generate larger data pools within organizations, the application of analytics within (inter-organizational) business networks is still severely constrained. As data is distributed across several legal units, potentially even across countries, the fear of disclosing sensitive information as well as the sheer volume of the data that would need to be exchanged are key inhibitors for the creation of effective system-wide solutions — all while still reaching superior prediction performance. In this work, we propose a meta machine learning method that deals with these obstacles to enable comprehensive analyses within a business network. We follow a design science research approach and evaluate our method with respect to feasibility and performance in an industrial use case. First, we show that it is feasible to perform network-wide analyses that preserve data confidentiality as well as limit data transfer volume. Second, we demonstrate that our method outperforms a conventional isolated analysis and even gets close to a (hypothetical) scenario where all data could be shared within the network. Thus, we provide a fundamental contribution for making business networks more effective, as we remove a key obstacle to tap the huge potential of learning from data that is scattered throughout the network.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google