Predictive Forecast

Ein Predictive Forecast nutzt stochastische Modelle, um zukünftige Entwicklungen effizienter zu prognostizieren, als es traditionelle Verfahren ermöglichen. Die Prognosen basieren auf historischen Daten, können im Spezialfall aber auch Echtzeitsysteme als Quelle besitzen. Die Vorhersagen können durch menschliche Interventionen und Maßnahmen adäquat an spezielle, im Modell nicht vorhergesehene Gegebenheiten, angepasst werden. Mit den Methoden des Predictive Forecast werden Prognosen exakter, Maßnahmenplanung realistischer und die Unternehmenssteuerung effizienter.

Die herkömmlichen Forecast-Strategien

Der Forecast ist der besonders dynamische Bereich zwischen dem fertigen PLAN und dem nachrückenden IST. Die einfachste Methode ersetzt die Planwerte sukzessiv durch eintreffende Ist-Werte und präzisiert so die Entwicklung des Jahresergebnisses.

Eine Verbesserung wird erreicht, indem eintreffende Erkenntnisse über die Zukunft fortlaufend den ursprünglichen Plan präzisieren. Eine weitere Ausbaustufe könnte eine kurzfristige Maßnahme-Planung im FC-Bereich sein. Diese unterschiedlichen Methoden sind vielfach erprobte Bestandteile unserer TM1-nativen Paladin-Lösungen.

Unser Bayesian-Forecast-System

Ein entscheidender Vorteil liegt darin, dass keine Einzelwerte, sondern ganze Wahrscheinlichkeits-Verteilungen prognostiziert werden. Dadurch, dass viele der in der Praxis verwendeten Forecast-Methoden als dynamisch lineares Modell formulierbar sind, sind diese als Spezialfälle (z.B. ARIMA und MLR) in unserer Lösung enthalten. Unser System kann durch entsprechende Parametrisierung auf eine große Bandbreite von Anwendungen angepasst werden.

Unser Bayesian-Forecast-System bietet eine automatische Anpassung auf die Dynamik einer Zeitreihe durch Cross-Validierung gegen Vergangenheitsdaten. Daraus folgend kann sich unser System sowohl an langfristige Trends als auch an kurzfristige Saisonaliäten anpassen, wie sie beispielsweise bei Monatswerten im Rechnungswesen auftreten.

Die flexible Wissens-Repräsentation in Form von Wahrscheinlichkeitsverteilungen erlaubt es dem System, von Experten zu lernen, die ihre Zukunftsvorhersagen meist statistisch ausdrücken (z.B. "mit 60 Prozent Sicherheit liegt unser Auftragswert für Produkt X im nächsten Monat zwischen 100.000 Euro und 150.000 Euro").

Das Besondere an unserem Forecast ist u.a. die Möglichkeit der Intervention. Planer können ihre Kenntnisse über Ausreißer der Vergangenheit als auch über zukünftige Ereignisse in den weiteren Verlauf der Prognose einfließen lassen. Die Interventionen werden wie Planwerte behandelt und bei jeder neuen Forecast-Berechnung berücksichtigt.

Die zentrale Problematik des Forecasts

Im Bereich der Entscheidungsunterstützung durch Methoden des modernen Maschinenlernens in den Datenwissenschaften (Data Sciences) existieren zwei fundamentale Problematiken:

Oft liefern Methoden des Maschinenlernens Ergebnisse aus denen nicht zu erkennen ist, wie risikobehaftet oder verlässlich sie wirklich sind. Zu dieser Problematik gibt es derzeit an der Forschungsspitze viele Teilantworten, meist in naturwissenschaftlichen und ingenieurswissenschaftlichen Anwendungen. Unsere Ambition ist die standardisierte quantitative Berücksichtigung der Unsicherheit in den zur Verfügung stehenden Informationen und der Modellauswahl.

Künstliche Intelligenzen erzielen oft beeindruckende Ergebnisse. Dennoch ist die Interpretation der automatisch erstellten Modelle schwierig bis unmöglich. Die fehlende Möglichkeit, diese Black Box zu öffnen bleibt ein fundamentales Problem.

Gerade wenn Forecasting-Methoden zur Entscheidungsfindung genutzt werden sollen, fehlt dem Anwender die Möglichkeit, die Ergebnisse zu verifizieren. Hier entsteht beim Planer eine schwer zu überwindende Barriere beim Einsatz von künstlicher Intelligenz.

Es stellt sich die Frage der Akzeptanz eines Analyse- bzw. Forecast-Ergebnisses, beispielsweise wenn berechtigterweise nach den Gründen für einen Investitionsvorschlag gefragt wird, bei dem signifikantes Kapital riskiert werden soll.

Unser Lösungsansatz

Mit unserer Lösung treten wir dieser fehlenden Interpretierbarkeit konsequent entgegen, indem wir ein datengetriebenes Modell aus klar definierten Grundbausteinen errichten, deren jeweilige Funktion klar definiert und verständlich dargestellt wird.

Unser bayesianisches Prognosesystem implementiert auf mathematisch fundierte Weise die modellbasierte Vorhersage auf Grund von Vergangenheitsdaten. Die Parameter des dynamischen Modells werden mit in jedem Schritt angepasst. Zu jedem Zeitpunkt können Prognosen aufgrund der gerade bestehenden Parameterschätzungen vorwärtsgerechnet werden (Forward Modeling). Dabei werden in der Vorhersage die Unsicherheiten der Parameter, als auch der Messwerte berücksichtigt. Dieser Ansatz erlaubt die Punktvorhersage einer möglichen Zukunftsentwicklung und darüber hinaus die Entwicklung der gesamten Wahrscheinlichkeitsverteilung der Zielgrößen. Das erlaubt signifikante empirische Entscheidungsunterstützung in der Planung.

Unsere dynamischen Modellbausteine beschreiben die konstante, lineare oder quadratische Entwicklung über die Zeit, sowie Trendmodelle und Saisonalitäten mit beliebigen Intervallen (z.B. 7 Tage, mehrere Wochen, Monate oder Jahre). Darüber hinaus sind die einzelnen Modellbausteine so konzipiert, dass sie beliebig zu komplexeren Modellen (z.B. mit multiplen Trends und Saisonalitäten) kombiniert werden können.

Innerhalb jedem dieser Modellbausteine können Bruchstellen in den Daten, an denen sich Modellparameter sprunghaft ändern, oder punktuelle Ausreißer automatisch erkannt werden. Das führt einerseits zur schnellen Anpassung an neue Gegebenheiten, andererseits zu robusten Vorhersagen, die nicht durch einzelne Ausreißer (Fehleingaben oder Ausnahmesituationen) gestört werden.

Die daraus hervorgehende Forecast-Genauigkeit dient der Diagnostik, z.B. der Erkennung von Veränderungen oder von Ausreißern in den Daten. So können beispielsweise fehlerhaft erfasste Daten aufgespürt werden.

Die wissenschaftliche Basis

Das Bayesian Dynamic Forecasting System (Bayesian-Forecast-System), gemeinsam von Hermann und Prof. Benjamin Wandelt (benwandelt.org) auf der Grundlage der Publikationen von Mike West und Jeff Harrison entwickelt, ist ein mächtiges System, in dem vollständig beliebige dynamische lineare Modelle unter Verwendung des Bayes-Theorems implementiert werden können.

Das Wandelt-Modell

Das Wandelt-Modell hat die eingebaute Fähigkeit, mit realistischen Zeitreihen umzugehen. Realistische Zeitreihen sind im Allgemeinen nicht stationär, das heißt sie verändern ihre statistischen Eigenschaften über die Zeit. Außerdem spielt in der Wirtschaft nichtlineare Dynamik immer auch eine Rolle. Die Modellgleichungen des Bayesian-Forecast-System beinhalten Rauschterme, die die Nicht-Stationarität und Nichtlinearität in realistischen Systemen abbilden.

Die flexible Wissens-Repräsentation in Form von Wahrscheinlichkeitsverteilungen erlaubt es dem System nicht nur aus Vergangenheitswerten, sondern auch von Experten zu lernen, die ihre Zukunftsvorhersagen meist statistisch ausdrücken (z.B. "mit 60 Prozent Sicherheit liegt unser Auftragswert für Produkt X im nächsten Monat zwischen 100.000 Euro und 150.000 Euro").

Professor Benjamin Wandelts Forschung in theoretischer, numerischer und statistischer Astrophysik verbindet Fundamentalphysik und Kosmologie mit astronomischen Daten, die von Sternen bis hin zu den größten Skalen reichen, die für Beobachtungen zugänglich sind. Er leitet eine Forschungsgruppe in der etwa 15 Doktoranden promoviert haben und in der eine ähnliche Anzahl promovierter Jungwissenschaftler gearbeitet haben, die ihrerseits jetzt sowohl in der Wissenschaft als auch in der Wirtschaft in führenden Positionen tätig sind.

Professor Wandelts Motivation, in diesem Projekt mitzuarbeiten ist das Interesse daran, seine erfolgreichen Methoden der statistischen und numerischen Analyse, sowie der künstlichen Intelligenz und des Maschinenlernens aus der Astrophysik und Kosmologie in die Wirtschaft zu übertragen.

Videos zu unserer Forecast-Lösung

OLAPLINE-Anwendertreffen 2018

Herr Hermann Wandelt spricht in einer Break-out-Session zum Thema "Bayesianischer Forecast" im April 2018 im Kreise einiger Kunden.

Virtuelles OLAPLINE-Anwendertreffen 2020

Im gemeinsamen Webinar im Rahmen des Virtuellen OLAPLINE-Anwendetreffens Ende September 2020 erläutern Prof. Benjamin Wandelt, Henri Stenzel und Florian Waidick den neuesten Stand unseres Bayesianischen Forecasts.

Abonnieren Sie unseren Servicebrief!

OLAPLINE entwickelt sich ständig weiter! Abonnieren Sie unseren Servicebrief und bleiben Sie in Kontakt!

Zum Servicebrief