Was ist eine Prognose?

Eine Prognose ist eine Vorhersage, die auf der Untersuchung historischer Daten und Muster beruht. Unternehmen benutzen Software-Tools und -Systeme, um große Datenmengen, die über einen langen Zeitraum gesammelt wurden, zu analysieren. Die Software prognostiziert dann die zukünftige Nachfrage und Trends, um Unternehmen dabei zu helfen, genauere Finanz-, Marketing- und Produktionsentscheidungen zu treffen.

Verbessern der Prognosegenauigkeit mit Machine Learning

Warum sind Prognosen wichtig?

Die Prognosen sind ein Planungsinstrument, das Unternehmen dabei hilft, sich auf mögliche zukünftige Ereignisse vorzubereiten. Es hilft Managern, sicher auf Veränderungen zu reagieren, Geschäftsabläufe zu kontrollieren und strategische Entscheidungen für das zukünftige Wachstum zu treffen. Unternehmen verwenden Prognosen beispielsweise für folgende Zwecke:

  • Eine effizientere Verwendung der Ressourcen
  • Die Visualisierung der Unternehmensleistung
  • Die zeitgerechte Einführung neuer Produkte oder Services
  • Die Schätzung der wiederkehrenden Kosten
  • Die Vorhersage zukünftiger Ereignisse wie Umsatz-Volumes und Gewinn
  • Die Prüfung von Entscheidungen der Geschäftsleitung

Welche Arten von Prognosemethoden gibt es?

Prognosemethoden können qualitativ oder quantitativ sein:

Qualitative Methoden

Qualitative Prognosen stützen sich auf Marketingexperten, um kurzfristige Vorhersagen zu treffen. Qualitative Methoden können verwendet werden, wenn nicht genug historische Daten vorhanden sind. Dies sind zwei Beispiel-Anwendungsfälle:

  • Marktforschungsmethoden wie Umfragen und Erhebungen ermitteln die Nachfrage der Konsumenten.
  • Bei der Delphi-Modellierung werden Experten auf einem bestimmten Gebiet befragt, um ihre Meinungen einzuholen und Trends in diesem Bereich vorherzusagen.

Quantitative Methoden

Quantitative Prognosemodelle benutzen aussagekräftige Statistiken und historische Daten, um langfristige zukünftige Trends vorherzusagen. Im Folgenden finden Sie Beispiele für übliche quantitative Methoden:

  • Bei der ökonometrischen Modellierung werden Finanzdaten, z. B. Kredit- und Investmentdaten, analysiert, um wichtige wirtschaftliche Veränderungen und ihre Auswirkungen auf das Unternehmen vorherzusagen.
  • Der Indikatoransatz vergleicht Datenpunkte, um Zusammenhänge zwischen scheinbar unverbundenen Daten zu erkennen. So können beispielsweise Veränderungen des BIP zur Prognose der Arbeitslosenquote verwendet werden.
  • In diesem Szenario werden die BIP-Daten als Leitindikator und die Arbeitslosenquote als nachlaufender Indikator bezeichnet.
  • Bei der Prognose von Zeitreihen werden Daten analysiert, die über verschiedene Zeitintervalle gesammelt wurden, um künftige Trends vorherzusagen. 

Was sind Zeitreihendaten?

Bei Querschnittsdaten werden Einzelpersonen und Unternehmen im gleichen Zeitraum beobachtet. Unter Zeitreihendaten versteht man hingegen alle Datensätze, die Informationen in verschiedenen Zeitabständen erfassen. Diese Daten zeichnen sich dadurch aus, dass sie die Datenpunkte nach Zeit ordnen. Infolgedessen besteht die Möglichkeit einer Korrelation zwischen Beobachtungen in benachbarten Intervallen.

Zeitreihendaten können in einem Diagramm mit inkrementellen Intervallen (oder Zeitreihen) auf der x-Achse und beobachteten Stichprobendatenwerten auf der y-Achse dargestellt werden. Solche Zeitreihendiagramme sind wertvolle Werkzeuge für die Datenvisualisierung. Datenwissenschaftler benutzen sie, um die Merkmale von Prognosedaten zu ermitteln. Im Folgenden finden Sie einige Beispiele für die Merkmale von Zeitreihendaten:

Bei Verlaufsdaten nehmen die y-Werte mit der Zeit zu oder ab, wodurch das Diagramm linear erscheint. So können beispielsweise Bevölkerungsdaten im Laufe der Zeit linear zu- oder abnehmen.

Saisonabhängigkeit

Saisonale Muster treten auf, wenn Zeitreihendaten regelmäßige und vorhersehbare Muster in Zeitabständen von weniger als einem Jahr aufweisen. Diese Art von Datenmuster kann als Spitzen oder andere Anomalien in einem ansonsten linearen Diagramm erscheinen. Der Einzelhandelsumsatz eines Geschäfts kann beispielsweise in den Ferienzeiten um Dezember und April steigen.

Strukturelle Unterbrechungen

Manchmal ändern Zeitreihendaten plötzlich ihr Verhalten zu einem bestimmten Zeitpunkt. Die Zeitreihen-Grafik kann sich plötzlich nach oben oder unten verschieben, wodurch eine Strukturelle Unterbrechung oder eine Nichtlinearität entsteht. Beispiel: viele Wirtschaftsindikatoren haben sich im Jahr 2008 nach dem Beginn der globalen Finanzkrise stark verändert.

Was sind Zeitreihenprognosen?

Die Zeitreihenprognose ist eine Methode der Datenwissenschaft, die Machine Learning und andere Computertechnologien verwendet, um vergangene Beobachtungen zu untersuchen und die Werte von zukünftigen Zeitreihendaten vorherzusagen. Schauen wir uns einige Beispiele für Zeitreihenprognosen an:

  • Astronomische Daten bestehen aus den sich über Jahrhunderte hinweg wiederholenden Bewegungen der Planeten. Man kann diese Daten verwenden, um astronomische Ereignisse wie Finsternisse und Kometen genau vorherzusagen.
  • Für die Wetterprognose werden Wind- und Temperaturmuster benutzt, um Wetteränderungen vorherzusagen.
  • Wissenschaftler können Geburtenraten und Migrationsdaten verwenden, um das Bevölkerungswachstum vorherzusagen.

Zeitreihenanalyse vs. Zeitreihenprognose

Bei der Zeitreihenanalyse werden die grundlegenden Ursachen der Zeitreihendaten untersucht. In diesem Bereich geht es darum, das „Warum“ eines Zeitreihen-Datensatzes zu verstehen. Die Analysten müssen häufig Annahmen machen und die Daten zerlegen oder aufschlüsseln, um aussagekräftige Statistiken und andere Merkmale zu erhalten.

Während es bei der Zeitreihenanalyse darum geht, den Datensatz zu verstehen, geht es bei der Prognose darum, ihn vorherzusagen. Dies sind die drei Schritte der prädiktiven Modellierung:

  • Das Stellen einer Frage und das sammeln eines Beispielsatzes von Zeitreihendaten, die diese Frage für einen vergangenen Zeitraum beantworten.
  • Das Trainieren der Computersoftware oder des Prognose-Algorithmus mit den Werten der Vergangenheit.
  • Die Verwendung des Prognose-Algorithmus, um zukünftige Beobachtungen zu machen.

Wie funktioniert die Zeitreihenprognose?

Datenwissenschaftler benutzen Zeitreihen-Prognosemodelle, um genauere Vorhersagen zu treffen. Sie führen zunächst eine explorative Datenanalyse durch, um die besten Prognose-Algorithmen auszuwählen, und verwenden dann Machine-Learning-Modelle, um Vorhersagen zu treffen. Im Folgenden werden einige gängige Prognosemodelle vorgestellt:

Zersetzungsmodelle

Zersetzungsmodelle zerlegen oder unterteilen Zeitreihendaten in drei Komponenten:

  1. Trend-Komponente
  2. Saisonale Komponente
  3. Geräusch-Komponente, die nicht keiner der beiden oben genannten Gruppen gehört

Eine weitere Methode zur Analyse von Zeitreihendaten besteht darin, sie in zwei Komponenten zu zerlegen: in vorhersehbare und unvorhersehbare Datenkomponenten.

Glättungsbasierte Modelle

Bei der Datenglättung handelt es sich um ein statistisches Verfahren, bei dem Ausreißer oder Datenpunkte, die sich deutlich vom Rest des Datensatzes unterscheiden, entfernt werden. Bei diesen Prognosemodellen ist die grundlegende Musterkategorie besser sichtbar, weil zufällige Schwankungen in den Daten eliminiert werden.

Regressionsbasierte Modelle

Die Autoregression ist ein Prognosemodell, das Beobachtungen aus früheren Zeitschritten verwendet, um eine mathematische Beziehung zwischen zwei Datenpunkten zu definieren. Sie verwendet dann die mathematische Beziehung, um einen unbekannten zukünftigen Wert zu schätzen. Je nach dem verwendetem Regressionsmodell berücksichtigt die mathematische Gleichung vergangene Prognosefehler und saisonale Vergangenheitswerte, wodurch die Vorhersage im Laufe der Zeit verbessert wird.

Was sind die wichtigsten Anwendungsfälle für Prognosen?

Prognosen liefern Unternehmen relevante und zuverlässige Informationen über die Gegenwart und die Zukunft. Im Folgenden beschreiben wir einige Anwendungsfälle der Prognosetechnologie:

Produktion – Wie verwendet More Retail Limited die Automatisierung zur Prognose des Produktabsatzes?

More Retail Ltd. (MRL) ist einer der vier größten Lebensmittel-Einzelhändler Indiens mit einem Umsatz von mehreren Milliarden USD. Sie verfügen über ein ausgedehntes Netz von Filialen und eine komplexe Lieferkette. Sie verließen sich bei der Abschätzung und Bestellung von Lagerbeständen auf das persönliche Urteil der Filialleiter, was jedoch für ein schlechteres Kundenerlebnis sorgte, insbesondere bei den Frischwaren. MRL verwendete die Prognose-Services von AWS, um ein automatisches Bestellsystem zu entwickeln, mit dem die Verschwendung von frischen Lebensmitteln um 30 % reduziert werden konnte.

Fertigung – Wie verwendet Foxconn Prognosen zur Steuerung der Nachfrage im Bereich der Fertigung?

Die Hon Hai Technology Gruppe (Foxconn) ist der weltweit größte Hersteller und Anbieter von Elektroniklösungen. Während der COVID-19-Pandemie musste sich Foxconn mit einer beispiellosen Volatilität der Kundennachfrage, des Angebots und der Kapazitäten außeinandersetzten. Das Unternehmen arbeitete mit dem Amazon Machine Learning Solutions Lab zusammen, um genaue Prognosen für die Nettobestellungen seiner Fabrik in Mexiko zu erstellen. Diese Prognosen führten zu jährlichen Einsparungen von über 500 000 USD.

Kundendienst – Wie setzt Affordable Tours Prognosen zur Verbesserung des Kundenerlebnisses ein?

Affordable Tours.com ist einer der größten Anbieter von begleiteten Touren, Kreuzfahrten, Flusskreuzfahrten und Aktivurlauben in den Vereinigten Staaten. Sie hatten Schwierigkeiten, Ressourcen für die Bearbeitung von Kundenanrufen zuzuweisen. An manchen Tagen waren zu viele Kundendienstmitarbeiter im Einsatz, an anderen zu wenige, was zu uneinheitlichen Kundenerlebnissen und einer erhöhten Quote an verpassten Anrufen führte. Sie benutzten Amazon Forecast, um das Kundenanruf-Volume besser vorherzusehen, und verbesserten ihre Quote der verpassten Anrufe um 20 %.

Was ist Amazon Forecast?

Amazon Forecast ist ein vollständig verwalteter Zeitreihenprognosen-Service, der auf Machine Learning basiert und für die Analyse von Unternehmens-Metriken entwickelt wurde. Für den Einstieg ist keine Machine-Learning-Erfahrung erforderlich. Sie müssen lediglich historische Daten sowie alle zusätzlichen Daten bereitstellen, die Ihrer Meinung nach Ihre Prognosen beeinflussen könnten. Sobald Sie alle Daten zur Verfügung gestellt haben, prüft Amazon Forecast diese automatisch und identifiziert diejenigen, die relevant sind. Anschließend wird ein Prognosemodell erstellt, das bis zu 50 % genauere Vorhersagen machen kann im Gegensatz zu Modellen, die sich nur auf Zeitreihendaten stützen.

Legen Sie noch heute los, indem Sie ein kostenloses AWS-Konto mit dem kostenlosen Kontingent von AWS erstellen. In den ersten zwei Monaten der Amazon-Forecast-Verwendung, erhalten neue AWS-Kunden bis zu 10 000 Zeitreihenprognosen pro Monat, bis zu 10 GB Datenspeicher pro Monat und bis zu 10 Stunden Training pro Monat.

Amazon Forecast Übersicht

Amazon Forecast nächste Schritte

Standard Product Icons (Features) Squid Ink
Schauen Sie sich zusätzliche produktbezogene Ressourcen an
Weitere Informationen über Amazon Forecast 
Sign up for a free account
Registrieren Sie sich für ein kostenloses Konto

Sie erhalten sofort Zugriff auf das kostenlose Kontingent von AWS. 

Zeigen Sie das kostenlose Kontingent für AWS Machine Learning an 
Standard Product Icons (Start Building) Squid Ink
Beginnen Sie mit der Entwicklung in der Konsole

Beginnen Sie mit der Entwicklung mit AWS in der AWS-Managementkonsole.

Anmelden