Forecasting mit Artificial Intelligence - Gerard de Melo
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Te chn ologie & M e nsch
Forecasting mit
Artificial Intelligence
Mit modernen Methoden der künstlichen Intelligenz können
anhand enormer Datenmengen in kürzester Zeit neue Prognosen
und Handlungsempfehlungen generiert werden. In der heutigen
Welt, die von Komplexität und Schnelllebigkeit gekennzeichnet ist,
eröffnen sich so neue Perspektiven für das Forecasting.
Text — Nicole de Melo, Prof. Dr. Ing. Gerard de Melo
P
lanung und Forecasting sind seit jeher Potenzial birgt. Dieser Beitrag bietet einen Über-
unabdingbar für eine effiziente Unter- blick zu technischen Verfahren des Forecastings
nehmenssteuerung. Sich schnell auf Ver- mit Fokus auf aktuelle und zukünftige Anwen-
änderungen einstellen zu können, für die Zukunft dungsbereiche von AI. Dafür werden zunächst
zu planen und entsprechende Maßnahmen zu einfachere, klassische Verfahren eingeführt und
treffen, hat in der aktuellen Wirtschaftslage noch im Weiteren verschiedene innovative Forecas-
Nicole de Melo einmal an Bedeutung gewonnen. Eine effektive, ting-Methoden erörtert, die einen besseren
ist Senior Consultant im
zeitnahe und genaue Forecast- und Planungs- Umgang mit Volatilität, Unsicherheit, Komplexi-
Bereich EMEIA Financial
Services bei der Ernst & technik schafft Transparenz, zeigt drohende tät sowie Mehrdeutigkeit versprechen.
Young GmbH Wirtschafts- Zahlungsunsicherheiten auf und ist ein gutes
prüfungsgesellschaft.
Instrument, um informierte Entscheidungen Einfaches Forecasting
treffen zu können. Das mit Abstand einfachste Forecasting-Verfah-
ren ist die Annahme eines konstanten Niveaus,
Zugleich lässt sich beobachten, wie Artificial das auf unbestimmte Zeit weiter Bestand hat.
Intelligence (AI, künstliche Intelligenz) in Wirt- Tatsächlich ist es in vielen alltäglichen Situatio-
schaft und Politik als strategisch besonders wich- nen nicht abwegig, den zuletzt beobachteten Wert
tiges Thema zur Aufrechterhaltung der Wett- als Prognose für die Zukunft heranzuziehen oder
bewerbsfähigkeit erkannt wird. Entsprechende auch einen Mittelwert von vergangenen Werten
Systeme, die intelligentes Verhalten an den Tag zu bilden. Beispielsweise können die Verwal-
Prof. Dr. Ing. Gerard legen, erhalten bereits Einzug in den Alltag. Von tungsausgaben des letzten Monats oft eine gute
de Melo automatisierten Preisanpassungen über sprach- Basis zur Schätzung der entsprechenden Ausga-
leitet das Fachgebiet
Artificial Intelligence and
gesteuerte Produkte bis hin zu selbstfahrenden ben in den darauffolgenden Monaten darstellen.
Intelligent Systems am Lkws: Hintergrund der rasanten Entwicklungen
Hasso-Plattner-Institut in diesen Bereichen sind markante Fortschritte Vernachlässigt wird hier natürlich, dass es auch
(HPI) und an der
Universität Potsdam. in der Erkennung komplexer Muster in großen eine relevante Trendentwicklung geben kann wie
Datenmengen durch rechenintensive numerische etwa ein jährliches Wachstum. Die einfachste
Kalkulationen. Von daher ist es naheliegend, dass Methode zur Berücksichtigung eines Trends ist
AI gerade auch im Forecasting ein sehr großes eine lineare Extrapolation. Hier wird zwischen
24 Re thinking Finan ce 2 . 2 02 1 April 2 02 1Te chn ologie & M e nsch
zwei Zeitpunkten die Steigung ermittelt und
fortan wird angenommen, dass diese unverän-
dert weiter bestehen bleibt, d.h. es reicht das
Ziehen einer geraden Linie mit einem Lineal, um Moderne AI-basierte Fore
ein Forecast zu erhalten. Durch Bezugnahme
auf weitere Punkte in der Vergangenheit werden casting-Techniken ermöglichen
die Daten belastbarer. In diesem Fall kann z.B.
mittels einer linearen Regression eine optimale eine gemeinsame Modellierung
Gerade bestimmt werden.
vieler Tausender Datensätze
Die meisten Zeitreihen haben jedoch nicht die
Gestalt einer Geraden, sondern weisen eine erheb- auf mehreren Ebenen.
liche Volatilität auf. Darüber hinaus sollte man sich
nicht zu sehr auf kurzfristige Trendentwicklungen
stützen. Häufig, insbesondere im Finanzbereich, Gewicht zukommt als älteren. Noch verlässlicher
werden Daten nach Kalenderjahren organisiert. ist eine automatisierte Gewichtung anhand der
Wird jedoch anhand der täglichen Daten aus beobachteten Daten, falls sich etwa herausstellt,
einem Jahr ein Forecasting durchgeführt, kann dass der Vorjahreswert stets eine deutlich höhere
es leicht passieren, dass das Modell von einem Übereinstimmung mit den aktuellen Werten
Abwärtstrend im Januar ausgeht, da es zwischen bietet als der Vormonatswert. In diesem Fall wird
den Jahren in vielen Bereichen sehr ruhig wird von einer Autoregression gesprochen. Viele der
und die jüngsten Zahlen vom Ende des Vorjahrs bekanntesten klassischen Forecasting-Metho-
dementsprechend noch stark nach unten weisen. den basieren auf dieser Idee, darunter z.B. ARMA
(Autoregressive Moving Average) sowie das
Saisonale und zyklische Entwicklungen darauf aufbauende ARIMA-Verfahren (Autore- ARMA und ARIMA sind
In natürlich vorkommenden Daten finden sich gressive Integrated Moving Average). weit verbreitete Ver-
fahren zum Forecasting
allerlei periodische Entwicklungen. Innerhalb von Zeitreihen. Sie
eines Monats kann die Nachfrage von Waren Viele Daten sind nicht ganz so regelmäßig, wie verwenden einerseits
variieren und besonders am Monatsanfang oder man es sich vielleicht wünscht. So können ver- vergangene Werte aus
der Zeitreihe (Autore-
-ende hoch sein, wenn Gehaltszahlungen eintref- schiedene Konjunkturzyklen unterschiedliche gressionskomponente),
fen. Auch können Quartale eine unterschiedliche Charakteristika aufweisen und gewisse kurze andererseits auch
Nachfrage aufweisen. So beinhaltet das vierte Perioden können von einer besonders hohen Vola- vergangene Schätz-
fehler (Moving-Avera-
Quartal besonders viele umsatzstarke Tage wie tilität gekennzeichnet sein. Wünschenswert sind ge-Komponente). Im
„Black Friday“, „Cyber Monday“ und die Vorweih- im Allgemeinen Verfahren, die auch eine Überla- Unterschied zum AR-
nachtszeit. Um derartiger Periodizität gerecht gerung heterogener Trends und Schwankungen MA-Verfahren kann bei
ARIMA darüber hinaus
zu werden, kann in einfachen Fällen ermittelt sowie Trendwenden identifizieren können. Wenn noch eine Differenzen-
werden, inwiefern die betrachtete Zeitreihe mit hinreichend viele historische Daten vorhanden bildung erfolgen, so
einer zeitlich verschobenen Version derselben sind, können derartige Phänomene eventuell dass die Modellierung
sich nicht direkt auf die
Zeitreihe korreliert. Dies ist als Autokorrelation auch automatisch durch verschiedene Kom- ursprünglichen Zeit-
bekannt. Aufgrund wöchentlicher Regelmäßig- ponenten eines Modells erfasst werden. In der reihenwerte bezieht,
keiten ist z.B. bei einer Zeitdifferenz von sieben Fachliteratur finden sich daher zahlreiche Ver- sondern stattdessen
Differenzen zwischen
Tagen eine hohe Autokorrelation zu erwarten. suche, neue Modelle zu entwerfen, die mit Über- aufeinanderfolgenden
Aus derartigen Betrachtungen sieht man leicht, lagerungen und anderen speziellen Phänomenen Zeitreihenwerten vor-
dass Modelle herleitbar sind, die sich in jedem besser zurechtkommen sollen. Einige klassische hergesagt werden.
Schritt auf bestimmte vergangene Werte aus Verfahren sind teilweise noch in regulären
ausgewählten Intervallabständen beziehen, etwa Tabellenkalkulationsprogrammen durchführbar
dem Wert von vor einem Monat, vor zwei Mona- (z.B. Holt-Winters- bzw. Error-Trend-Seasonali-
ten oder vor 12 Monaten (vgl. Abbildung 1). Dabei ty-Ansatz, GARCH und Croston-Modell).
könnte ein einfacher Mittelwert derartiger ver-
gangener Werte gebildet werden (Simple Moving Anomalien
Averages bzw. gleitende Mittelwerte). Bei einer Besonders zu beachten sind so genannte Ausrei-
einfachen exponentiellen Glättung hingegen wer- ßer oder Anomalien. Diese können Folge einma-
den die historischen Werte so miteinander ver- liger Ereignisse sein, wie z.B. ein Taifun, der sich
bunden, dass neueren Werten stets ein höheres auf die Supply Chain auswirkt, oder aber auch
Re thinking Finan ce 2 . 2 02 1 April 2 02 1 25Te chn ologie & M e nsch
Abbildung 1: Forecasting unter Berücksichtigung einer periodischen Regelmäßigkeit
sowie eines Wachstumstrends
250
200
150
100
50
0
Historische Daten Forecast
fehlerhafte Einträge, wenn etwa versehentlich erzielt werden. Besonders ausschlaggebend für
eine Ziffer zu viel eingetippt wurde. Zwar sind den Erfolg des Forecastings sind zunächst die
außergewöhnliche und überraschende Ereig- zur Verfügung stehenden historischen Daten. Im
nisse naturgemäß kaum vorhersehbar, jedoch Allgemeinen hilft es, wenn die Daten einen mög-
sollte das Forecasting damit umgehen können, lichst großen Zeitraum abdecken, sofern diese
falls sich in der Vergangenheit ungewöhnliche zumindest in einigen wesentlichen Grundzügen
Datenpunkte vorfinden. Eine Möglichkeit, dies zu den aktuellen Daten ähneln, damit entsprechende
berücksichtigen, ist eine gesonderte Erkennung Muster identifiziert bzw. Hypothesen über die
derartiger Ausnahmepunkte bzw. -phasen. Diese Daten besser validiert werden können.
können dann bei nachfolgenden Berechnungen
herausgenommen werden oder durch typische Darüber hinaus kann es von großem Vorteil sein,
Werte ersetzt werden. viele Datenreihen ähnlichen Typs zu modellieren,
wenn etwa gleichwertige Kennzahlen in jeder
Selbstverständlich kann es auch für das operative Region oder in jeder Filiale gesammelt werden
Geschäft wichtig sein, ungewöhnliche Vorkomm- können. In der künstlichen Intelligenz ist die
nisse in historischen und auch in aktuellen Daten Verfügbarkeit großer Datenmengen, auch Big Data
zu identifizieren, etwa ein erhöhtes Supportauf- genannt, oftmals das A und O, da gewisse komplexe
kommen oder Unregelmäßigkeiten im Cashflow. Zusammenhänge erst dann erkennbar werden.
Zur Erkennung von Anomalien gibt es unzählige Entsprechend bietet es sich auch im Forecasting
Verfahren. 1 Beziehen können sich diese z.B. auf an, sofern viele ähnliche Datensätze vorliegen,
die Dichte, d.h. der allgemeinen Anzahl ähnlicher nicht völlig separate Modelle für jede einzelne
Datenpunkte, oder auch auf die Abweichung von Region zu erstellen, sondern einen Lernmecha-
zeitlich nahen Datenpunkten sowie die Abwei- nismus einzusetzen, der die Gesamtheit dieser
chung von erkannten Trends und Periodizitäten. Daten analysiert, um ein robusteres und flexible-
res Modell zu schaffen, das sich auf deutlich mehr
Big Data Erfahrungswerte berufen kann. Oftmals gibt es
Eine noch bessere Reaktion auf Ereignisse kann auch signifikante Bezüge zwischen einzelnen
durch die Einbindung großer Datenmengen Zeitreihen. So kann die Markteinführung eines
viel beworbenen, neuen Produkts in allen Regi-
onen zugleich zu einem entsprechenden Bedarf
1 Vgl. den Überblick bei Chandola/Banerjee/Kumar, ACM Computing führen. In der Ökonometrie hat sich anhand dyna-
Surveys 3/2009. mischer Faktor-Modelle gezeigt, dass zahlreiche
26 Re thinking Finan ce 2 . 2 02 1 April 2 02 1Te chn ologie & M e nsch
Tabelle 1: Vergleich zwischen klassischem und AI-basiertem Forecasting
Klassisches Forecasting AI-basiertes Forecasting
Anzahl Zeitreihen pro Modell Betrachtung einer einzelnen oder gleichzeitige Modellierung
einiger weniger Zeitreihen Tausender Zeitreihen möglich
keine oder nur minimale umfassende Einbeziehung
Exogene Daten
Berücksichtigung großer Datenmengen
Analyse von unstrukturierten
nicht möglich umfassende Möglichkeiten
Daten (Texte, Bilder, Videos)
Modellierung komplexer
begrenzt möglich erweiterte Möglichkeiten
Sachverhalte
Modelle sind verhältnismäßig ein- erhöhte Komplexität, langsamer Trend zu
Komplexität
fach interpretierbar verständlicheren Modellen
teilweise langsam aufgrund manu- teilweise langsam aufgrund manueller
Reaktionsgeschwindigkeit
eller Prozesse Prozesse, jedoch Trend zu Echtzeit-Monitoring
recht diverse makroökonomische Entwicklungen jährliche variierende Feiertage wie Ostern kön-
auf eine kleine Anzahl von latenten Faktoren nen dem Forecasting dienlich sein.
zurückführbar sein können. Moderne AI-basierte
Forecasting-Techniken ermöglichen eine gemein- Durch die fortschreitende Digitalisierung sind
same Modellierung vieler Tausender Datensätze Daten verschiedenster Art in zunehmendem
auf mehreren Ebenen, etwa Absatzzahlen in Regi- Maße verfügbar. Damit sie jedoch zum Einsatz
onen sowie in einzelnen Filialen, zugleich aber kommen können, ist zunächst eine integrierte
auch nach Produktkategorien sowie individuellen Dateninfrastruktur wichtig. Systeme müssen
Produkten, in einem einzigen Gesamtmodell. miteinander verbunden sein, damit auf alle rele-
vanten Quellen zugegriffen werden kann. Nicht
Während saisonale Schwankungen unmittelbar nur ERP- und CRM-Systeme, sondern auch
als Regelmäßigkeiten erkennbar sind, gibt es auch diverse in einzelnen Unternehmensbereichen
Entwicklungen, die auf den ersten Blick relativ eingesetzte Spezialsoftware müssen eingebun-
willkürlich wirken und erst mit dem nötigen den werden, damit relevante Informationen nicht
Hintergrundwissen über die Marktlage oder über erst per Anfrage an entsprechende Teams in
besondere Ereignisse erklärbar werden. Hier Form eines E-Mail-Anhangs eintreffen. Um sol-
können weitere Informationen aus zusätzlichen che langwierigen Prozesse zu vermeiden, hat sich
Quellen eingebunden werden. Diese aus Sicht der in den letzten Jahren auch das Konzept des Data
Modellierung exogenen Daten können durchaus Lakes durchgesetzt, bei dem unternehmensweite
auch unternehmensinterne Daten sein, wie etwa Daten aus verschiedenen Abteilungen in einen
Informationen zur zukünftigen Auftragslage zentralen Speicher fließen und so unmittelbar
aus verschiedenen Divisionen oder zu geplanten zur Analyse bereitstehen. Generell gilt, dass bei
Großinvestitionen. Es kann sich aber auch um jeder Verarbeitung oder Speicherung von Daten
gänzlich externe Daten handeln, wie Prognosen die entsprechenden datenschutzrechtlichen Vor-
zur Entwicklung der Wirtschaft in einem Dritt- gaben zu beachten sind.
land oder der entsprechenden Wechselkurse.
Wetterdaten zum Beispiel haben Einfluss auf Bevor die vorhandenen Rohdaten zu
Energiepreise und Verbraucherverhalten. Auch Forecast-Zwecken genutzt werden können,
ganz banale Fakten wie Schulferientermine oder erfolgen meist zunächst weitere Vorverarbei-
Re thinking Finan ce 2 . 2 02 1 April 2 02 1 27Te chn ologie & M e nsch
tungsschritte, wie etwa Data Cleaning und Data eine große Herausforderung, die für Unterneh-
Integration, damit alle relevanten Informationen men aber eine große Hilfe zur Entscheidungs-
für einen bestimmten Zeitraum im selben Format findung darstellt. In jüngster Zeit sind auch
vorliegen. Hier können diverse Optimierungen zunehmend Cloud-Dienste in den Vordergrund
erfolgen, damit diese Schritte möglichst schnell gerückt, die diesen Schritt erleichtern können.
und automatisiert ablaufen. Ein Stichwort dabei Planungsrelevante Informationen können u.U.
ist Robotic Process Automation (RPA), bei dem in Echtzeit analysiert und es können eigene
stark strukturierte und sich wiederholende Pro- Szenarien und Trendanalysen erstellt werden.
zesse eines Unternehmens automatisiert werden. Dabei sind die Aspekte der Datensicherheit und
Datensouveränität besonders zu beachten.
Machine Learning und Predictive Analytics
Sobald große Datenmengen der oben genannten Deep Learning
Deep Learning ist ein Art ins Spiel kommen, können Machine Learning Deep Learning ist heutzutage in aller Munde
Teilbereich des Ma-
und Predictive Analytics eingesetzt werden. Das und ein Thema, dem sich sogar der kanadische
chine Learnings und
nutzt vielschichtige Machine Learning (Maschinelles Lernen) ist Premierminister Justin Trudeau in einem
künstliche neuronale eine wesentliche Komponente von AI, bei der es Online-Video widmet. 2 Zwar kann die künstliche
Netze, die sich nach
um Systeme geht, deren Verhalten nicht komplett Intelligenz als Forschungsgebiet eine jahr-
der Funktionsweise
menschlicher Gehirn- durch entsprechende Programmierung vorbe- zehntelange Geschichte aufweisen, sie hat aber
zellen richten. Unter stimmt ist, sondern teilweise erst anhand von erst in den letzten Jahren besonderen Auftrieb
Ausnutzung großer
Daten erlernt wird. Predictive Analytics bezieht bekommen. Maßgeblich dazu beigetragen haben
Datenmengen werden
die Parameter eines sich dabei auf den Einsatz solcher Verfahren zur die durch Deep Learning erzielten Fortschritte
Netzes immer weiter Vorhersage zukünftiger Entwicklungen. im Umgang mit hochkomplexen Daten, aus denen
angepasst, bis es in
sich sonst nicht ohne Weiteres Zusammenhänge
der Lage ist, eigene
Prognosen zu liefern. Im Bereich des Machine Learnings gibt es ver- ableiten lassen. Diese ermöglichen eine Auswer-
schiedene Techniken, die sich mit der Analyse tung von Bild- und Videomaterial oder gar eine
von Daten und dem Durchführen von Forecasts Generierung neuer Daten, etwa Bilder im Stil
beschäftigen. Einige Verfahren erkennen Grup- von Seurat oder Monet. Letzten Endes ist Deep
pierungen, Muster und Zusammenhänge, z.B. in Learning jedoch lediglich ein Rebranding der
Form von Cluster- oder Assoziationsanalysen. altbekannten künstlichen neuronalen Netze,
Am weitesten verbreitet ist das überwachte die bereits seit vielen Jahrzehnten im Machine
Lernen, das Trainingsdaten als Beispiele für Learning erforscht werden. Hierbei handelt es
das zu erlernende Verhalten heranzieht oder sich um mathematische Modelle, die in einigen
Fortschreibungen von historischen Daten erzielt. Grundzügen von menschlichen Gehirnzellen
Dabei werden bei Regressionsanalysen Zahlen inspiriert, jedoch konzeptuell deutlich einfacher
ermittelt, während bei Klassifizierungsproble- gestaltet sind. Durch stärkere Rechenserver mit
men Zugehörigkeiten zu vordefinierten Klassen ursprünglich primär für Gaming-Zwecke entwi-
bestimmt werden, z.B. ob ein großes Kreditaus- ckelten Grafikprozessoren zur schnelleren Mat-
Gradienten Boosting fallrisiko besteht. rizenrechnung sowie geringfügigen methodi-
setzt viele kleine schen Verbesserungen kam es erst in den letzten
Einzelmodelle ein, um
Im Vergleich zu klassischen statistischen Algo- 15 Jahren zu besonders großen Durchbrüchen.
eine möglichst gute
Gesamtvorhersage rithmen haben viele moderne Verfahren (z.B.
zu erzielen. In jedem Entscheidungsbäume mit Gradienten-Boosting) Für das Forecasting besonders relevant sind
Lernschritt wird dabei
den großen Vorteil, dass sie ohne Weiteres mit auf Sequenzen spezialisierte Varianten, die für
ein neues Einzelmodell
hinzugefügt, das den vielen Tausenden Variablen zurechtkommen jeden Zeitschritt eine weitere Vorhersage liefern
noch verbleibenden und so externe Daten unterschiedlichster Art (insbesondere Recurrent Neural Networks,
Fehler der bisherigen
verwerten können, etwa Rohstoffpreisindizes, Long-Short-Term-Memory-Modelle und die
Modelle korrigieren
soll. So kann eine im- Konsumklimadaten, aber auch Produktrezensi- so genannte Transformer-Architektur). Diese
mer bessere Annähe- onen und Schlagzeilen. Dies ermöglicht genauere Modelle sind sogar in der Lage, einen angefange-
rung an die Zielwerte
Forecasts, die nicht lediglich die Ist-Entwicklung nen Text im gleichen Stil und grammatikalisch
erreicht werden. Als
Einzelmodelle kommen widerspiegeln, sondern schnell auf veränderte
typischerweise Rahmenbedingungen reagieren können.
Entscheidungsbäume
zum Einsatz. 2 Vgl. University of Toronto, Konferenz „Machine Learning and the
Große Datenmengen auszuwerten und mittels Market for Intelligence“ 2017, Videomitschnitt unter: https://youtu.be/
Machine Learning Vorhersagen abzuleiten, ist yPIcDfKqg1g (Abruf: 16.02.2021).
28 Re thinking Finan ce 2 . 2 02 1 April 2 02 1Te chn ologie & M e nsch
weitgehend einwandfrei weiterzuschreiben, z.B. Modelle zu bevorzugen sind. Dafür benötigt wird
auch im Stil von Shakespeare, jedoch inhaltlich Personal mit Wissen um das konkrete Unter-
nicht unbedingt immer kohärent. Um sie für nehmensumfeld sowie einer entsprechenden
Forecasting-Zwecke einzusetzen, bietet es sich Vertrautheit mit den Daten, zugleich aber auch
an, ihre Struktur so zu erweitern, dass auch auf mit mathematischen und technischen Kennt-
weiter in der Vergangenheit zurückliegende nissen im Bereich Forecasting. Aufgrund dieser
Daten unmittelbarer Zugriff besteht. Ebenfalls doppelten Anforderungen kann entsprechend
kann das Forecasting zugleich auf mehreren qualifiziertes Personal rar sein, vor allem wenn
Stufen durchgeführt werden, z.B. auf Tagesebene AI-Erfahrung benötigt wird. In den letzten
sowie auf Monatsebene, damit längerfristige Jahren haben sich daher Forschende im Bereich
Entwicklungen konkreter modelliert werden. Machine Learning und AI verstärkt zum Ziel
Daneben entstehen in jüngster Zeit auch gänzlich gesetzt, sich gewissermaßen selbst zu auto-
neue Deep-Learning-Modelle, die noch spezieller matisieren. Unter den Begriffen Auto-ML und
dem Forecasting gewidmet sind 3, so z.B. Deep- Augmented Analytics fallen dabei Techniken, die
Learning-Varianten statistischer Verfahren zur die typischen bei der Modellierungsarbeit anfal-
Berücksichtigung besonders schwer erkenn- lenden Aufgaben selbstständig durchführen oder
barer Faktoren, Varianten mit einer direkteren zumindest dem Menschen die Arbeit erleichtern.
Vorhersage der Unsicherheit sowie besondere Dazu kann eine automatisierte Wahl zwischen
Residual-Architekturen, mit denen schrittweise verschiedenen Modellierungsvarianten gehören
versucht wird, den verbleibenden Restfehler bes- oder eine automatische Evaluierung des Modells
ser zu modellieren. sowie ein automatisches Durchprobieren vieler
potenzieller Hypothesen.
Besonders geeignet sind Deep-Learning-Mo-
delle auch beim Interpretieren unstrukturierter Hinzu kommt auch ein Trend zum Explainable
Daten. Text Analytics bezieht sich etwa auf die AI, d.h. zu Verfahren, die nicht nur die eigent-
Analyse von Konzernberichten oder Nachrich- lichen Vorhersagen liefern, sondern auch dazu
tentexten. Wenn beispielsweise der Bedarf an passende Erklärungen sowie Aussagen bezüglich
medizinischen Geräten aufgrund von COVID-19 eventueller Unsicherheiten. Im besten Fall sind
rasant ansteigt, dann ist dies nicht direkt aus den diese Aussagen auch ohne AI-Kenntnisse unmit-
historischen Daten ersichtlich. Anhand sozialer telbar verständlich und ermöglichen eine einfa-
Medien sind aber neue Phänomene auch in weit che Anpassung des Modells, so dass unpassende
entfernten Märkten frühzeitig erkennbar. Dies Prognosen hinterfragt und korrigiert, aber auch
könnten spezifische Produktankündigungen sein zusätzliche Annahmen leichter integriert wer-
oder auch allgemeine Trends, die sich etwa auf den können. Je mehr Daten dem System geliefert
das dortige Konsumklima auswirken. Computer werden, desto größer ist die Wahrscheinlichkeit, Computer Vision
Vision hingegen ermöglicht eine Analyse von dass relevante Informationen vorhanden sind, ermöglicht Com-
putersystemen eine
Bild- und Videomaterial und erlaubt so Rück- die das Modell ausnutzen kann. Allerdings muss inhaltliche Auswertung
schlüsse etwa auf Handelsströme in Häfen oder man bedenken, dass dies auf eine Suche nach der von Bild- und Video-
gibt anhand von Satellitenaufnahmen Aufschluss Nadel im Heuhaufen hinauslaufen kann, wenn in material. Dabei werden
zunächst grundlegende
über Konjunkturentwicklungen. diesem Konglomerat auch viele irrelevante Daten Kanten und Muster
vorkommen. Korrelationen können bekannter- erkannt und darauf
Augmented Analytics und Explainable AI maßen auch rein zufällig sein. Schaut man sich aufbauend allmählich
auch komplexere
Vorhersagen über die Praxis des Vorhersagens etwa an, wie oft in den USA die Doktorwürde im Objekte oder auch Ge-
sind naturgemäß nicht einfach. Dennoch kann Bereich Soziologie verliehen wurde, so zeigt sich schehnisse identifiziert.
man anhand jüngerer Entwicklungen im Rah- zumindest für den Zeitraum 1997 bis 2009 eine Oft kommen Deep
Learning-Modelle mit
men der künstlichen Intelligenz einige Tenden- sehr starke Korrelation mit der Anzahl der welt- speziellen Filtermasken
zen ableiten. Generell gibt es zu gegebenen Daten weiten nichtkommerziellen Raumflüge. 4 Auto- zum Einsatz, so ge-
unendlich viele Modelle, die mit diesen Daten matisierte Algorithmen können leicht auf solche nannte Convolutional
Neural Networks.
vereinbar sind und so müssen immer gewisse zufälligen Zusammenhänge hereinfallen, so dass
Annahmen getroffen werden, welche dieser ein vorsichtiger Einsatz geboten ist, insbesondere
3 Vgl. z.B. Makridakis/Spiliotis/Assimakopoulos, International Journal of 4 Vgl. Vigen, Spurious Correlations, 2021, https://tylervigen.com/
Forecasting 2020, S. 54–74. spurious-correlations (Abruf: 16.02.2021).
Re thinking Finan ce 2 . 2 02 1 April 2 02 1 29Te chn ologie & M e nsch
Abbildung 2: Überblick über die dargestellten Methoden des Forecastings
Deep-Learning-Modell
Echtzeit-
Historische Daten Forecast
Data
Lake
Automatisiertes Supply
Chain
Data Cleaning,
Data Integration
Exogene Daten Gemeinsame Modellierung Erklärungen,
(unternehmensintern vieler Tausender Zeitreihen Entscheidungs-
und -extern) hilfen für
Planungen
wenn ethisch bedenkliche Herleitungen möglich Prognosen kann die Software dann frühzeitig
sind. Erst wenn ein System seine Vorschläge mit entsprechende Hinweise liefern und womöglich
überzeugenden Argumenten untermauern kann, auch Handlungsempfehlungen ableiten, etwa
sollten Entscheidungsträger bereit sein, diesen Anpassungen in der Lieferkette oder bei der Perso-
zu vertrauen. nalplanung. Simulationen verschiedener Fallsze-
narien können als Entscheidungshilfe dienen, z.B.
Continuous Intelligence und wie sich neue Marketingmaßnahmen oder eine
Entscheidungshilfen veränderte Produktstrategie auswirken könnten.
Von den oben genannten Analysen können Maß- Abbildung 2 zeigt den Zusammenhang zwischen
nahmen und Entscheidungen hinsichtlich der den dargestellten Methoden im Überblick.
weiteren Planung getroffen werden bzw. es kön-
nen vorhandene Planungen durch die Ergebnisse Fazit
der Forecast-Analysen präzisiert werden. Gerade In der Planung und beim Forecasting ist es ent-
anhand von Entwicklungen wie COVID-19 zeigt scheidend, aus vorhandenen Daten Erkenntnisse
sich eine Notwendigkeit, die Planung dynamisch über potenzielle zukünftige Entwicklungen
an aktuelle Geschehnisse anpassen zu können. abzuleiten. Dies sind die Stärken moderner
Das beinhaltet ein Design von Systemen, bei AI-Methoden wie Deep Learning, die dabei mit
denen derartige Planungsprozesse nicht erst vom hoher Geschwindigkeit gewaltige Datenmengen
zuständigen Personal initiiert werden, sondern analysieren können. Gerade die Erfahrungen in
die automatisch eine stetige Echtzeit-Observie- der Pandemie zeigen, dass in unserer modernen
rung relevanter Marktsignale und eine ständige vernetzten Welt vieles miteinander zusammen-
Neuberechnung der Prognosen beinhalten. Fer- hängt und Erscheinungen in sehr fernen Märkten
ner werden die aus unterschiedlichen Bereichen sich recht bald auch auf das örtliche Kerngeschäft
stammenden Teilpläne in einem einzigen System auswirken können. Aktuelle Forschungsergeb-
zusammengebracht. nisse weisen auf ein sehr hohes Potenzial von
AI und Machine Learning hin, um schnellere,
Durch diese Echtzeitintegration und -modellie- detailliertere und präzisere Forecasts zu liefern.
rung kann nicht nur anhand von Dashboards ein Eine Umsetzung moderner AI-Lösungen muss
mögliches Verfehlen von Zielvorgaben frühzeitig jedoch mit Bedacht erfolgen und ist derzeit in
erkannt werden. Das System sollte auch Abwei- vielen Situationen noch nicht praktikabel. Da
chungen von bisher angenommenen Rahmendaten diese Lösungen aber zunehmend auch Eingang in
erkennen und idealerweise auch neue Trends anti- moderne Unternehmenssoftware finden, zeich-
zipieren, die sich in Finanzmärkten oder sozialen net sich ein klarer Trend zu einem wachsenden
Medien abzeichnen. Bei sich rapide verändernden Einsatz von AI in Planung und Forecasting ab. ■
30 Re thinking Finan ce 2 . 2 02 1 April 2 02 1Sie können auch lesen
