Prädiktive Analyse

Jeder prädiktive Auftrag beginnt mit einer schriftlichen Entscheidungsspezifikation. Welche Entscheidung soll das Modell informieren? Wer trifft sie? Was sind die Kosten einer Fehlentscheidung in beide Richtungen? Wie schnell benötigt der Entscheidungsträger die Prognose und auf welcher Granularitätsebene? Welcher aktuelle Prozess wird erweitert oder ersetzt, und wie gut ist er nach derselben Metrik? Ohne diese Antworten neigt die Modellierungsarbeit dazu, die Metrik zu optimieren, mit der sich der Data Scientist am wohlsten fühlt; mit ihnen hat jeder spätere Kompromiss einen Referenzpunkt.

Wir achten besonders auf asymmetrische Kosten. Bei der Bedarfsprognose kostet eine Überprognose bei verderblichen Waren anders als eine Unterprognose bei einem Flaggschiffprodukt; bei der Abwanderungsmodellierung kann ein falsch Positiver ein teures Retention-Angebot auslösen, während ein falsch Negativer einen Kunden ganz verliert. Wir entwerfen Verlustfunktionen, Entscheidungsschwellen und Vertrauensanforderungen, um diese Asymmetrien explizit widerzuspiegeln, anstatt sich auf eine standardmäßige symmetrische Metrik zu verlassen, um das Modell zu schmeicheln.

Der Horizont wird mit ähnlicher Sorgfalt behandelt. Eine kurzfristige Prognose und eine langfristige Prognose sind in der Regel unterschiedliche Probleme, die unterschiedliche Merkmale und unterschiedliche Modelle erfordern. Wir widerstehen der Versuchung, vorzugeben, dass ein Modell alle Horizonte abdeckt, und wir bauen die Planungsschnittstelle so, dass der Horizont explizit angezeigt wird.

• Entscheidungsspezifikation vor der Modellierung
• Asymmetrischer Verlust und Schwellenwert-Tuning
• Horizontgerechte Modellauswahl
• Hierarchische Strukturen (Region, Kanal, SKU)
• Kaltstartstrategien für neue Entitäten
• Override-Workflows für menschliches Urteilsvermögen

Unsere Praxis umfasst die gesamte Palette prädiktiver Werkzeuge: klassische exponentielle Glättung und ARIMA, wo Einfachheit gewinnt; Gradient-Boosted Trees mit reichhaltigem Feature Engineering für tabellarische Probleme; Zustandsraummodelle und Bayesianische strukturelle Zeitreihen für interpretierbare, probabilistische Prognosen; moderne globale Deep Models wie Temporal Fusion Transformers, N-BEATS und DeepAR, wo serienübergreifendes Lernen hilft; Überlebensmodelle für Zeit-bis-Ereignis-Probleme; und Isolationswälder, Autoencoder und probabilistische Methoden zur Anomalieerkennung. Jede hat ein Anwendungsgebiet, in dem sie die richtige Antwort ist.

Wir sind besonders an probabilistischen Prognosen interessiert. Eine Punktprognose zwingt Entscheidungsträger, so zu handeln, als wäre die Zukunft gewiss; eine probabilistische Prognose ermöglicht es ihnen, das Risiko explizit zu bewerten. Quantilprognosen, Vorhersageintervalle und vollständige prädiktive Verteilungen ermöglichen Bestandsstrategien, Kapazitätsentscheidungen und Preisstrategien, die Punktprognosen nicht unterstützen können. Der zusätzliche Engineering-Aufwand ist gering, und der operative Nutzen ist groß.

Wir achten auch genau auf die hierarchische Abstimmung. Unabhängig auf verschiedenen Ebenen einer Geschäftshierarchie – Land, Region, Geschäft; Marke, Kategorie, SKU – erstellte Prognosen sind fast nie miteinander kohärent. Abstimmungsmethoden (MinT, Top-Down-, Bottom-Up-Kombinationen) stellen die Kohärenz wieder her und verbessern fast immer gleichzeitig die Genauigkeit.

“Eine gut kalibrierte probabilistische Prognose ist mehr wert als eine geringfügig genauere Punktprognose.”

Die meisten prädiktiven Projekte scheitern beim ersten Kontakt mit der Produktion nicht, weil das Modell schlecht ist, sondern weil die Bewertung anhand einer Metrik erfolgte, die die operativen Kosten eines Fehlers nicht widerspiegelte. Wir entwickeln Bewertungsrahmen, die die Bereitstellungsumgebung widerspiegeln: rollierende Ursprungs-Kreuzvalidierung, die die Zeit berücksichtigt, Halteperioden, die die saisonalen Muster einschließen, denen das Modell begegnen wird, und Metriken, die die asymmetrischen Kosten berücksichtigen, die während der Rahmenbildung identifiziert wurden.

Wir führen aggressive Backtests durch, auch gegen die bewusste Baseline dessen, was das Unternehmen derzeit tut. Ein neues Modell, das eine ausgeklügelte Baseline um einen geringen Spielraum übertrifft, ist weitaus beeindruckender – und weitaus zuverlässiger – als eines, das einen Strohmann um einen großen Spielraum übertrifft. Wo immer möglich, rekonstruieren wir historische Entscheidungen und messen die Dollarkosten der Modellprognose gegenüber den Kosten der tatsächlich zum Zeitpunkt getroffenen Entscheidung.

Die Kalibrierung erhält explizite Aufmerksamkeit. Eine probabilistische Prognose, die 90%-Intervalle verspricht, muss die Wahrheit ungefähr 90% der Zeit enthalten, andernfalls wird die Planung, die davon abhängt, stillschweigend fehlschlagen. Wir testen die Kalibrierung an Hold-out-Daten und kalibrieren bei Bedarf mit Techniken wie der konformen Vorhersage nach.

Eine Prognose, die in einem separaten Dashboard lebt, wird selten umgesetzt. Wir integrieren prädiktive Systeme direkt in die Planungsworkflows, die sie informieren sollen – in den S&OP-Zyklus, das Bedarfsplanungstool, das CRM, die Contact-Center-Konsole –, damit die Prognose dort konsumiert wird, wo die Entscheidung getroffen wird. Diese Integrationsarbeit macht typischerweise den Unterschied zwischen einem Modell, das bewundert wird, und einem, das verwendet wird.

Menschliche Überschreibung wird als Feature behandelt, nicht als Zeichen des Scheiterns. Planer besitzen Kontext, den das Modell nicht hat – eine Konkurrenzeinführung, eine bekannte Lieferunterbrechung, eine Marketingentscheidung, die noch nicht in den Daten sichtbar ist – und ein System, das ihren Input nicht akzeptieren kann, wird schnell ignoriert. Wir entwerfen Überschreibungsschnittstellen, die den Grund für die Überschreibung zusammen mit dem Wert erfassen, sodass Überschreibungen selbst zu Trainingsdaten für den nächsten Zyklus werden.

Das Betriebsmonitoring umfasst den Prognosefehler in der Produktion, die Drift in den Eingangsverteilungen und Änderungen der Verzerrung und Kalibrierung der Prognosen. Wenn Modelle nach einem Zeitplan neu trainiert werden, wird der Zeitplan durch die beobachtete Änderungsrate bestimmt; wenn sie nach einem Signal neu trainiert werden, sind die Auslösebedingungen explizit und werden regelmäßig überprüft.

Eine verbesserte Prognosegenauigkeit führt über spezifische operative Mechanismen zu Geschäftswert – geringere Pufferbestände, höhere Servicelevel, weniger Fehlbestände, besser besetzte Contact Center, selektivere Kundenbindungsausgaben, zuversichtlichere Kapazitätsentscheidungen. Wir arbeiten mit Finanzen und Betrieb zusammen, um diese Mechanismen vor Projektbeginn explizit zu machen und nach der Bereitstellung zu messen, damit der Wert des Systems in jedem zukünftigen Business Case verteidigt werden kann.

Bei unseren Engagements ist das häufigste Einzelergebnis eine deutliche Reduzierung des Betriebskapitals, das in Beständen oder konservativen Puffern gebunden ist, zusammen mit einer Verbesserung der Servicelevel. Das zweithäufigste ist die Entlastung eines manuellen Prognoseprozesses, dessen Aufwand zuvor in den operativen Personalkosten versteckt war.