准确地预测企业的业绩是投资者，竞争对手和其他市场分析师的宝贵技能。现在，麻省理工学院正在重点介绍一种新模型，该模型通过引入新的数据源并实现流程自动化，从而挑战了常规，季度资产负债表编号和数据处理的典型组合。麻省理工学院认为，结果是：它的表现优于华尔街分析师。

该模型利用了“替代数据”(例如信用卡购买数据，智能手机位置数据，卫星图像等)，其生成频率要比更直接的财务数据(例如股票价格和公布的收益)高。研究人员着手将替代数据与传统财务数据有效地结合在一起，这一壮举迄今被证明是困难的。

麻省理工学院博士后研究员，《替代数据预测》的第一作者迈克尔·弗莱德说：“替代数据是这些怪异的代理信号，可帮助跟踪公司的基础财务状况。我们问：“您能否将这些嘈杂的信号与季度数字结合起来，以高频率估算公司的真实财务状况?” 原来答案是肯定的。”

研究人员在三年内利用了34家零售商的消费者信用卡交易和季度财务报告，致力于将替代数据用作销售数量逐渐变化的替代。“我们有一个'小数据'问题，”弗莱德说。“您只能从人们的支出中得到一小部分，而且您必须从那部分数据中推断并推断出实际情况。”

他继续说：“这需要弄清楚数字的含义。” “如果我们通过信用卡交易观察到公司每周销售额的1%，我们怎么知道这是1%?如果信用卡数据有噪声，您如何知道它有多噪声?我们无法获取每日或每周销售总额的真实情况。但是季度汇总有助于我们对这些总计进行推理。”

使用标准推理算法的变体，该技术可以在已知信用卡数据的情况下计算出未知销售的可能性。为此，它首先将销售分成几天，将信用卡数据与未知的每日销售进行匹配，并允许每天的变化。除了估计的日销售量之外，该技术还可以生成噪声水平和估计的预测误差范围的度量。在测试的34家公司中，麻省理工学院研究人员的模型在实验中测试的季度预测中占57.2%，超过了华尔街分析师的总体基准。

展望未来，研究人员希望结合位置信息以及其他形式的替代数据，这些数据可能被证明可以用作销售数据的代理。他们还强调了金融业以外人士的潜在用途，例如研究社会行为的政治学家。“对于想弄清楚人们在做什么的人，这将很有用，”弗莱德说。“这不是我们能做的。这只是一个自然的起点。”