Prognosemodelle können sowohl in der Forschung, als auch in der Praxis sehr hilfreich sein. In Unternehmen kann z.B. die Sales & Operation Planung mit Hilfe von Absatzprognosen unterstützt werden oder in der Produktion kann im Bereich Instandhaltung vorhergesagt werden, wann eine Maschine gewartet werden sollte. Die Anwendungsbereiche sind vielfältig, aber ebenso ist es die Auswahl an Prognosemethoden. Die Wahl der passenden Methode für ein konkretes Problem ist eine komplexe Aufgabe. Ganz nach dem No-Free-Lunch-Theorem gibt es keine Methode, die alle anderen übertrifft. Es muss immer nach einer individuell passenden Methode gesucht werden. Dabei gibt es verschiedene Kriterien, die berücksichtigt werden sollten.
Ein Kriterium ist, ob der zu vorhersagende Zielwert basierend auf einer Zeitreihe und/oder externen Faktoren prognostiziert werden soll. Für alle Arten von Daten kann dann entweder eine klassische statistische Methode, ein Modell des Machine Learning oder Deep Learning genutzt werden.
Des Weiteren spielt es eine entscheidende Rolle, ob Erklärbarkeit und/oder Interpretierbarkeit des Modells gewünscht sind. Methoden des Machine Learning und Deep Learning erzielen meist eine höhere Prognosegenauigkeit als klassische statistische Methoden, dafür sind diese aber sehr undurchsichtig. Das kann bedeuten, dass Anwender/innen nicht unbedingt wissen, warum das Modell, das prognostiziert, was es prognostiziert.
Außerdem sollte die Kombination aus der Größe des zu Grunde liegenden Datensatzes, die vorhandene Rechenkapazität zur Erstellung der Prognose und die Zeitkritikalität berücksichtigt werden. Je größer der Datensatz und je geringer die Rechenkapazität, desto länger dauert die Erstellung eines Prognosemodells. Bei langfristen Prognosen, die in größeren Abständen generiert werden, ist die Run Time nicht unbedingt wichtig in der Methodenauswahl. Wenn Prognosen jedoch in einem kurzen Abstand aktualisiert werden müssen, dann sollte nicht außer Acht gelassen werden, ob Methoden einen großen Rechenaufwand mit sich bringen.
Neben der Bereitstellung eines prognostizierten Wertes können einige Methoden auch Eintrittswahrscheinlichkeiten dieses Wertes angeben. In Fällen, in denen die Prognose bedeutende Konsequenzen haben kann, wie beispielsweise in der Medizin, ist es sehr sinnvoll, sich diesen Wert vom Prognosemodell ausgeben zu lassen. Prognoseintervalle sind weitere Werte, die zusätzlich berechnet werden können. Ein Prognoseintervall gibt einen Bereich an, in dem der Zielwert mit einer bestimmten Wahrscheinlichkeit zu erwarten ist.
Ein weiterer Faktor, der bei der Auswahl der Methode zu berücksichtigen ist, ist die Art des mathematischen Zusammenhangs zwischen der Zielgröße und unabhängigen Größen. Viele Methoden können nur einen linearen Zusammenhang abbilden, wobei z.B. Neuronale Netze auch nichtlineare Zusammenhänge darstellen können.
Zusammenfassend kann man sagen, dass die Auswahl der passenden Prognosemethode kein trivialer Prozess ist und individuell an den Anwendungsfall angepasst werden sollte. Es gilt einige Faktoren zu berücksichtigen und auch danach kommen meist noch verschiedene Methoden in Frage, die dann gegebenenfalls einzeln getestet und verglichen werden sollten.
Wer tiefer in die Methodenauswahl einsteigen möchte, kann auch einen Workshop der Graduate School of Logistics besuchen. Beispielsweise im Rahmen der Digitalen Woche Dortmund #diwodo bietet die Autorin einen kostenfreien Workshop an.
29. September 2022 | 10 Uhr
Forecasting@YourCompany
Vor Ort: Fraunhofer IML | Joseph-von-Fraunhofer-Str. 2-4 | 44227 Dortmund