Forecasting mit Artificial Intelligence - Gerard de Melo

Die Seite wird erstellt Thorben-Hendrik Dittrich
 
WEITER LESEN
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 1
Te 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                                    25
Te 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 1
Te 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                                        27
Te 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 1
Te 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                                                    29
Te 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 1
Sie können auch lesen