Hi!

PROQNOSTIX ist ein Projekt des Expertinnen-Netzwerks ask-a-woman.com.

Willkommen bei Proqnostix: Ihr Wegweiser in die Zukunft der Data Analytics und KI-basierten Marktprognosen

In einer Welt, in der Daten das neue Gold sind, eröffnet Proqnostix Ihnen die Pforten zu einem unermesslichen Schatz an Wissen und Voraussicht. Wir sind nicht nur ein Unternehmen; wir sind Ihr vertrauenswürdiger Partner auf dem Weg zu präzisen, datengesteuerten Entscheidungen. Mit einem tiefen Verständnis für die Kraft der Data Analytics und Künstlichen Intelligenz (KI) stehen wir an der Spitze einer Revolution im Bereich der Marktprognosen.

Unsere Mission: Ihr Erfolg

Proqnostix hat sich zum Ziel gesetzt, Unternehmen aller Größen und Branchen zu befähigen, nicht nur den Markt von heute zu verstehen, sondern auch die Trends von morgen vorherzusehen. Unsere Dienstleistungen und Produkte sind darauf ausgerichtet, Ihnen nicht nur Daten, sondern echte Einsichten zu liefern.

Was Wir Bieten

  • Maßgeschneiderte Marktprognosen: Wir sammeln und analysieren Marktinformationen, um maßgeschneiderte Prognosen zu erstellen, die Ihrem Unternehmen einen entscheidenden Vorteil verschaffen.
  • Empowerment durch Technologie: Unsere fortschrittlichen Tools und Plattformen ermöglichen es Ihrem Team, eigene Prognosen zu erstellen und zu verfeinern, wodurch Sie unabhängig und informiert bleiben.
  • Wissenschaft trifft Praxis: Unser Ansatz verbindet wissenschaftliche Genauigkeit mit praktischer Anwendbarkeit, um sicherzustellen, dass jede Prognose nicht nur präzise, sondern auch umsetzbar ist.

Eine Benutzeroberfläche, die Sie lieben werden

Wir glauben, dass eine leistungsstarke Analyse Hand in Hand gehen sollte mit einer intuitiven, benutzerfreundlichen Oberfläche. Deshalb haben wir unsere Plattform mit Blick auf die User Experience (UX) gestaltet, um Ihnen eine nahtlose, effiziente und angenehme Nutzungserfahrung zu bieten.

Treten Sie der Proqnostix-Community bei

Seien Sie Teil einer Gemeinschaft, die an der Spitze der technologischen Innovation steht. Unsere regelmäßigen Artikel, Fallstudien und Insights bieten Ihnen einen kontinuierlichen Wissensfluss und halten Sie über die neuesten Trends und Techniken in der Welt der Data Analytics und KI auf dem Laufenden.

Bereit, den Markt von morgen zu entdecken? Tauchen Sie ein in die Welt von Proqnostix – wo Ihre Daten die Zukunft gestalten.

Definitionen

Die folgenden Begriffe und Konzepte befinden sich im Tätigkeitsfeld der PROQNOSTIX:

  • Prognosen
  • Voraussagen
  • Forecasts
  • Schätzungen
  • Simulationen

Prognosen

Prognosis is „a forecast of the future course, or outcome, of a situation; a prediction “ (Daigle 2014, p. 7)

Der Begriff „Prognostics“ wiederum wird wie folgt definiert:

„The ability to predict future events, conditional on anticipated usage and environmental conditions, significantly contributes to a system’s resilience for safe and efficient operation.“ (Sankararaman/Abhinav/Goebel 2014, p. 533)

Prognostizieren (engl. prognosticate) bedeutet

“to foretell from signs or symptoms: predict“ (Merriam Webster Dictionary 2019)

Voraussagen (engl. Prediction) und Forecasting

Die Voraussage (engl. prediction) wird wie folgt definiert:

„Prediction is concerned with estimating the outcomes for unseen data. (…) you fit a model to a training data set, which results in an estimator f^(x) that can make predictions for new samples x.“ (Döring 2018)

Auch der Begriff des Forecasting findet immer mehr im deutschsprachigen Raum als Anglizismus Verwendung:

„Forecasting is a sub-discipline of prediction in which we are making predictions about the future, on the basis of time-series data.“ (Döring 2018)

Wie zu erkennen ist, existieren keine einheitlichen, voneinander scharf abgegrenzten Definitionen für die genannten Begriffe. Demnach kommt es beim allgemeinen Sprachgebrauch oft zu Überschneidungen der Begriffe „Prognosis“, „Forecasting“, „Prediction“, „Estimation“ und „Simulation“. Sie sind in der Welt der mathematischen Modellierung und Statistik weit verbreitet und obwohl sie oft austauschbar verwendet werden, haben sie tatsächlich unterschiedliche Bedeutungen und Anwendungsbereiche:

1. Prognosis

  • Definition: „Prognosis“ bezieht sich normalerweise auf die Vorhersage des wahrscheinlichen Verlaufs und Ausgangs eines spezifischen Zustands, häufig im medizinischen Kontext verwendet.
  • Mathematischer Kontext: In der mathematischen Modellierung bezieht sich eine Prognose auf die Vorhersage des zukünftigen Zustands eines Systems, basierend auf aktuellen und historischen Daten. Sie ist oft spezifisch und situativ.
  • Anwendung: Zum Beispiel könnte eine medizinische Prognose die voraussichtliche Entwicklung einer Krankheit bei einem Patienten unter Berücksichtigung seiner individuellen Gesundheitsdaten sein.

2. Forecasting

  • Definition: „Forecasting“ ist der Prozess der Vorhersage zukünftiger Ereignisse oder Zustände, typischerweise basierend auf historischen Daten und statistischen Modellen.
  • Mathematischer Kontext: Beim Forecasting werden quantitative Methoden wie Zeitreihenanalysen, Regressionsmodelle oder maschinelles Lernen verwendet, um zukünftige Werte auf der Grundlage vergangener und gegenwärtiger Daten vorherzusagen.
  • Anwendung: Ein typisches Beispiel ist die Wettervorhersage, bei der historische Wetterdaten verwendet werden, um zukünftige Wetterbedingungen zu prognostizieren.

3. Prediction

  • Definition: „Prediction“ bezieht sich allgemein auf den Prozess der Aussage über ein zukünftiges Ereignis.
  • Mathematischer Kontext: In der Statistik und im maschinellen Lernen beinhaltet die Prediction die Anwendung von Modellen, die auf historischen Daten trainiert wurden, um Vorhersagen über unbekannte oder zukünftige Daten zu treffen.
  • Anwendung: Ein Beispiel wäre die Verwendung eines maschinellen Lernmodells zur Vorhersage von Kundenverhalten basierend auf früheren Kaufmustern.

4. Estimation

  • Definition: „Estimation“ bezieht sich auf den Prozess der Bestimmung eines Näherungswertes oder einer Reihe von Werten für eine unbekannte Größe basierend auf bekannten Daten.
  • Mathematischer Kontext: In der Statistik ist die Schätzung der Prozess, bei dem Parameter in einem statistischen Modell basierend auf beobachteten Daten bestimmt werden. Dies kann durch Methoden wie die Maximum-Likelihood-Schätzung oder Bayessche Schätzung erfolgen.
  • Anwendung: Ein Beispiel wäre die Schätzung der mittleren Anzahl von Kundenbesuchen in einem Geschäft pro Tag, basierend auf einer Stichprobe von Daten.

5. Simulation

  • Definition: „Simulation“ ist der Prozess der Nachbildung eines realen Prozesses oder Systems über die Zeit.
  • Mathematischer Kontext: In der Simulation werden mathematische Modelle verwendet, um das Verhalten eines Systems unter verschiedenen Bedingungen zu studieren. Dies kann deterministische oder stochastische Modelle beinhalten.
  • Anwendung: Ein Beispiel ist die Verwendung von Computersimulationen, um die Auswirkungen verschiedener Strategien auf die Verbreitung einer Krankheit in einer Bevölkerung zu untersuchen.

Zusammenfassung

  • Prognosis fokussiert auf den spezifischen Verlauf und Ausgang eines Zustands, oft in einem speziellen Kontext wie der Medizin.
  • Forecasting nutzt historische Daten, um allgemeinere Vorhersagen über die Zukunft zu treffen, wie z.B. in der Meteorologie.
  • Prediction ist ein breiterer Begriff, der die Anwendung von Modellen zur Vorhersage unbekannter oder zukünftiger Zustände beinhaltet.
  • Estimation befasst sich mit der Bestimmung der Werte für unbekannte Parameter in einem statistischen Modell.
  • Simulation ist der Prozess der Nachbildung

Die Definitionen, die sechs Schlüsselprinzipien, zentralen Anforderungen sowie quantitative und qualitative Methoden, die im Forecasting relevant sind geht aus der nachfolgenden Abbildung hervor, wo die vielschichtige Natur des Forecastings überblickartigdargestellt ist (s. Abb. 1).

Abb. 1: Forecasting und verwandte Branchen mit Subbranchen

6 Schlüsselprinzipien des Forecasting

Forecasting, eine wesentliche Disziplin in verschiedenen Bereichen wie Ökonomie, Meteorologie und Geschäftsplanung, stützt sich auf mehrere Schlüsselprinzipien, um seine Genauigkeit und Relevanz zu verbessern. Lassen Sie uns in die sechs Schlüsselprinzipien eintauchen, die Sie erwähnt haben: Urteilsvermögen, Veranschaulichung, Umsicht, Disaggregation, Iteration und Triangulation.

  1. Urteilsvermögen Definition: Urteilsvermögen in der Prognostik bezieht sich auf die Nutzung von Expertenwissen und Intuition bei der Vorhersage. Anwendung: Es beinhaltet das Nutzen der Erfahrung und des Fachwissens von Einzelpersonen, um Daten zu interpretieren, Trends zu verstehen und fundierte Vorhersagen zu treffen. Urteilsvermögen ist besonders entscheidend in Situationen, in denen historische Daten zukünftige Bedingungen möglicherweise nicht vollständig erfassen oder wenn man mit beispiellosen Szenarien konfrontiert wird. Vorteile: Es fügt dem Prognoseprozess ein menschliches Element hinzu, was die Einbeziehung nicht quantifizierbarer Faktoren wie Marktdynamik, Verbraucherverhalten oder politische Veränderungen ermöglicht.
  2. Veranschaulichung Definition: Dies ist der Prozess, abstrakte Prognosen konkreter und verständlicher zu machen. Anwendung: Veranschaulichung kann durch Visualisierungstechniken, wie Grafiken und Diagramme, oder durch die Übersetzung von Prognosen in physische Modelle oder Prototypen erreicht werden. Dieses Prinzip ist besonders nützlich in Bereichen wie Produktentwicklung oder Stadtplanung. Vorteile: Es hilft den Stakeholdern, die Prognosen besser zu verstehen und sich damit zu identifizieren, und erleichtert so eine informiertere Entscheidungsfindung.
  3. Umsicht Definition: Umsicht in der Prognostik beinhaltet einen vorsichtigen und konservativen Ansatz, insbesondere angesichts von Unsicherheit. Anwendung: Dies bedeutet, die Grenzen von Vorhersagemodellen anzuerkennen und eine übermäßige Zuversicht in ihre Ergebnisse zu vermeiden. Oftmals beinhaltet dies die Vorbereitung auf eine Bandbreite möglicher Ergebnisse und die Berücksichtigung von Worst-Case-Szenarien. Vorteile: Umsichtige Prognosen helfen beim Risikomanagement und verhindern eine zu starke Abhängigkeit von übermäßig optimistischen Szenarien.
  4. Disaggregation Definition: Disaggregation bedeutet, komplexe Prognosen in einfachere, handhabbare Komponenten zu zerlegen. Anwendung: Anstatt eine einzelne, breite Prognose zu erstellen, beinhaltet die Disaggregation das Treffen separater Vorhersagen für verschiedene Elemente oder Zeiträume. Beispielsweise könnte ein Unternehmen anstelle der Vorhersage der jährlichen Verkäufe monatliche Verkäufe für verschiedene Produktkategorien prognostizieren. Vorteile: Dieser Ansatz kann die Genauigkeit verbessern, da er eine detailliertere Analyse jeder Komponente ermöglicht. Es erleichtert auch die Identifizierung der spezifischen Treiber von Veränderungen.
  5. Iteration Definition: Iteration bezieht sich auf den Prozess des wiederholten Überarbeitens von Prognosen basierend auf neuen Daten und Erkenntnissen. Anwendung: Sobald neue Informationen verfügbar werden, werden die Prognosen aktualisiert, um diese Änderungen widerzuspiegeln. Dies ist üblich bei Langzeitprojekten, bei denen sich die Bedingungen im Laufe der Zeit erheblich ändern können. Vorteile: Iterative Prognosen stellen sicher, dass die Vorhersagen relevant und genau bleiben und sich an neue Trends und Daten anpassen.
  6. Triangulation Definition: Triangulation in der Prognostik bedeutet die Verwendung mehrerer Methoden oder Datenquellen zur Validierung einer Prognose. Anwendung: Dies könnte das Kombinieren quantitativer Modelle mit qualitativen Einsichten umfassen oder die Verwendung verschiedener statistischer Methoden

Quantitative und Qualitative Methoden im Forecasting

Die Rolle von quantitativen und qualitativen Methoden in Prognosen und Forecasting ist entscheidend, da sie unterschiedliche Perspektiven und Ansätze zur Vorhersage zukünftiger Ereignisse oder Zustände bieten. Jede Methode hat ihre Stärken und wird oft komplementär verwendet, um die Genauigkeit und Zuverlässigkeit von Prognosen zu erhöhen.

Quantitative Methoden

Quantitative Methoden stützen sich auf numerische Daten und statistische Modelle. Sie sind besonders nützlich, wenn große Mengen historischer Daten verfügbar sind.

  1. Zeitreihenmodelle:

    • Rolle: Diese Modelle analysieren zeitlich geordnete Datensätze, um Muster wie Trends, saisonale Schwankungen oder Zyklen zu identifizieren. Sie sind grundlegend für Vorhersagen in Bereichen wie Finanzmarktanalyse, Wettervorhersage und Verkaufsprognosen.
    • Beispiele: Autoregressive Modelle (AR), Moving Average (MA), Autoregressive Integrated Moving Average (ARIMA).
  2. Kausale Modelle:

    • Rolle: Sie versuchen, Ursache-Wirkungs-Beziehungen zwischen Variablen zu identifizieren und zu quantifizieren. Sie sind nützlich, um zu verstehen, wie sich Veränderungen in einer Variablen (z.B. Preis, Werbeausgaben) auf eine andere Variable (z.B. Verkaufszahlen) auswirken.
    • Beispiele: Regressionsanalyse, ökonometrische Modelle.
  3. Experimentelle Modelle:

    • Rolle: Diese Modelle basieren auf kontrollierten Experimenten, um die Auswirkungen bestimmter Variablenänderungen zu testen. Sie sind besonders nützlich, um kausale Beziehungen in einem kontrollierten Umfeld zu untersuchen.
    • Beispiele: A/B-Tests, randomisierte kontrollierte Studien.

Qualitative Methoden

Qualitative Methoden stützen sich auf nicht-numerische Daten wie Expertenmeinungen, Fallstudien oder Umfragen. Sie sind besonders wertvoll, wenn es um neue, unerforschte Bereiche oder komplexe Szenarien geht, die nicht leicht quantifizierbar sind.

  1. Umfragen:

    • Rolle: Sie sammeln Informationen direkt von Individuen, typischerweise über Fragebögen oder Interviews. Umfragen sind nützlich, um Einblicke in Verbraucherpräferenzen, Meinungen und Verhaltensweisen zu gewinnen.
    • Beispiele: Marktumfragen, Kundenzufriedenheitsstudien.
  2. Delphi-Methode:

    • Rolle: Eine strukturierte Kommunikationstechnik, oft genutzt in der Vorhersage zukünftiger Ereignisse, indem sie Expertenmeinungen über mehrere Runden iterativ abfragt und zusammenführt.
    • Beispiele: Technologietrendanalyse, Langzeitstrategieentwicklung.
  3. Expertenmeinungen:

    • Rolle: Das Sammeln von Einschätzungen von Fachleuten in einem bestimmten Gebiet. Expertenmeinungen sind nützlich, wenn historische Daten begrenzt oder nicht vorhanden sind oder wenn ein neues Phänomen untersucht wird.
    • Beispiele: Marktanalysen, politische Risikobewertung.
  4. Marktexperimente:

    • Rolle: Reale Tests in einem Marktumfeld, um die Reaktionen auf Produktänderungen, neue Werbekampagnen oder andere Marketinginitiativen zu untersuchen.
    • Beispiele: Pilotprojekte, Markteinführungstests neuer Produkte.

Integration von Quantitativen und Qualitativen Methoden

  • Ergänzende Stärken: Quantitative Methoden bieten präzise, datenbasierte Vorhersagen, während qualitative Methoden tiefere Einblicke und Kontextinformationen liefern.
  • Ganzheitlicher Ansatz: Die Kombination beider Ansätze führt zu einem umfassenderen Verständnis und kann die Genauigkeit der Prognosen verbessern.
  • Anpassung an spezifische Bedürfnisse: Je nach Situation und Verfügbarkeit von Daten können Forecasting-Modelle angepasst werden, um die relevant.

Anforderungsmanagement beim Forecasting und bei Prognosen


Beim Forecasting und der Erstellung von Prognosen in einem geschäftlichen Kontext sind verschiedene Anforderungen zu berücksichtigen, um effektive und zuverlässige Vorhersagen zu gewährleisten. Diese Anforderungen umfassen Geschäftsziele, Methodenbeschreibungen, typische Ansätze, Kosten, Genauigkeit, Identifikation von Wendepunkten, benötigte Daten, Entwicklungszeit für eine entsprechende Anwendung und Referenzen. Hier eine detailliertere Betrachtung:

  1. Geschäftsziele:
    • Es ist wichtig zu verstehen, wofür die Prognose benötigt wird. Dies könnte die Optimierung von Lagerbeständen, Preisgestaltung, Markteinführungsstrategien oder andere geschäftliche Entscheidungen umfassen.
  2. Methodenbeschreibung:
    • Eine klare Definition der verwendeten quantitativen und qualitativen Methoden ist entscheidend. Dies schließt Zeitreihenanalysen, kausale Modelle, Delphi-Methoden und andere relevante Ansätze ein.
  3. Typische Ansätze:
    • Abhängig von der Branche und den spezifischen Anforderungen können verschiedene Ansätze wie Trendanalysen, ökonometrische Modelle oder maschinelles Lernen angewendet werden.
  4. Kosten der Prognoseerstellung:
    • Die Entwicklung und Pflege von Prognosemodellen verursacht Kosten, die sowohl direkte Ausgaben für Tools und Personal als auch indirekte Kosten wie Schulungen umfassen können.
  5. Genauigkeit:
    • Die erwartete Genauigkeit der Prognose muss definiert werden. Dies hängt oft von der Art der Vorhersage und der Verfügbarkeit von Daten ab.
  6. Identifikation von Wendepunkten:
    • Die Fähigkeit, wichtige Veränderungen im Markt oder in der Datentrendlinie zu erkennen, ist für die Anpassungsfähigkeit und Relevanz von Prognosen entscheidend.
  7. Benötigte Daten:
    • Es muss klar sein, welche Art von Daten benötigt werden (historische Daten, Echtzeit-Daten), sowie deren Quellen und Qualität.
  8. Zeitbedarf zur Entwicklung einer Anwendung für Forecasting:
    • Die Entwicklungsdauer eines Prognose-Tools kann variieren, abhängig von der Komplexität des Modells und der Integrierbarkeit in bestehende Systeme.
  9. Referenzen und Fallstudien:
    • Vorherige erfolgreiche Implementierungen oder Fallstudien können als Referenz dienen und helfen, das Vertrauen in die angewendeten Methoden und Ansätze zu stärken.

Diese Anforderungen müssen sorgfältig abgewogen und an die spezifischen Bedürfnisse des Unternehmens angepasst werden. Eine effektive Prognose erfordert nicht nur geeignete Methoden und Daten, sondern auch ein klares Verständnis der Geschäftsziele und Marktbedingungen.

 

 

 

Quellverzeichnis

Daigle, Matthew (2014): Model-based prognostics. Prognostics center of excellence. Intelligent systems division. Nasa ames research center.

Https://www.Phmsociety.Org/sites/phmsociety.Org/files/daigle-modelbasedprognostics-tutorial-phm2014_1.Pdf

Döring, Matthias (2018): Prediction vs forecasting. Predictions do not always concern the future …

https://www.Datascienceblog.Net/post/machine-learningforecasting_vs_prediction/

Merriam Webster Dictionary (2019): Progosticate. Http://www.Merriam-webster.Com/dictionary/prognosticate

Sankararaman, Shankar ; Abhinav, Saxena ; Goebel, Kai A (2014): Are current prognostic performance evaluation practices sufficient and meaningful? Annual conference of the prognostics and health management society 2014. Nasa ames research center, moffett field, ca 94035, usa

6 Schlüsselprinzipien von Forecasts bzw. Vorhersagen

DevOps und Big Data

Im Zeitalter von „Big Data“ und „Big Code“ können IT-Experten – Dank zahlreicher Open Source-Tools – unter Einsatz von Bibliotheken, Frameworks und Code-Repositories den DevOps-Ansatz verfolgen, bei dem zeitaufwändige Entwicklungsaufgaben, wie Deployment, Bereitstellung, Installation, Konfiguration und Einrichtung automatisiert werden.

„Big Code“ und Open-source Werkzeuge

Code-Repositories (wie z. B. Github, Kaggle etc.) bieten vorgefertigte (engl. refactoring), überarbeitbare und wiederverwendbare (engl. reusable) Arbeitsbeispiele, für die einfache Verwendung in eigenen Software-Entwicklungen innerhalb der Unternehmensarchitektur. Eine große Anzahl standardisierter open-source Modelle, Methoden, Techniken und Verfahren ermöglichen es Entwicklern und Testern, mathematische Operationen und Analysen, wie Vorhersagen und KI-Methoden mit Leichtigkeit auf großen Datenmengen durchzuführen. Das Besondere liegt in der Vielzahl frei verwendbarer open-source Tools und Bibliotheken, mit denen über die APIs zahlreicher Anbieter auf Daten und Code zugegriffen werden kann.

Predictive Analytics

Der Fachbereich in dem sich PROQNOSTIX bewegt, lautet „Predictive Analytics“ – als Schnittmenge der Business Analytics und der Data Analytics. Unter Anleitung von PROQNOSTIX führen Unternehmen Datenanalysen – in Orientierung an einem speziellen Geschäftsziel – durch, um Chancen und Risiken auf Grundlage relevanter Daten, aus Perspektive der Predictive Analytics, frühzeitig zu erkennen und zu formulieren.

Disziplin der Ökonometrie

PROQNOSTIX bietet Produkte und Dienstleistungen an, die – mit Predictive Analytics – im Bereich der Ökonometrie anzusiedeln ist, die folgendes Ziel verfolgt:

„(…) Prognose makroökonomischer Variablen wie Zinssätze, Inflationsraten, Bruttoinlandsprodukt (BIP) und eine Sammlung von Methoden zur Prognose wirtschaftlicher Zeitreihen und Prognosen von Wirtschaftstheorien.“ (vgl. Wooldridge 2009, S. 1f)

Somit können Daten als Zeitreihen oder als Querschnittsdaten (engl. cross-section data) strukturiert werden.

Zeitreihendaten

Zeitreihendaten bestehen aus Beobachtungen zu Aktienkursen, Geldmenge, Verbraucherpreisindex, jährlichen Autoverkäufen usw. (vgl. Wooldridge 2009, S. 8).

Querschnittsdaten (engl. cross-section data)

„Querschnittsdaten bestehen aus einer Stichprobe von Einzelpersonen, Haushalten, Unternehmen, Städten, Bundesländern, Staaten oder einer Vielzahl anderer Einheiten, die zu einem bestimmten Zeitpunkt erfasst wurden. Manchmal entsprechen die Daten nicht genau dem gleichen Zeitraum. Beispielsweise können mehrere Familien während verschiedener Wochen innerhalb eines Jahres befragt werden. Bei einer reinen Querschnittsanalyse würden geringfügige zeitliche Unterschiede bei der Erfassung der Daten ignoriert wreden. Wenn eine Gruppe von Familien in verschiedenen Wochen desselben Jahres befragt werden würde, würde dies ebenfalls als Querschnittsdatensatz betrachtet werden.“ (Vgl. Wooldridge 2009, S. 5)

Buchen Sie hier einen Workshop:

 

 

Quellverzeichnis

Wooldridge, Jeffrey, M. (2009): Introductory Econometrics. A modern approach. South-Western. Cengage Learning. Fourth Edition.

Die Kunst hinter Prognosen, Forecasts, Schätzungen, Simulationen etc.

Die Kunst des Prognostizierens liegt in der Bestimmung des am besten passenden (engl. fit) Modells, mit den am besten geeigneten Parametern, zum gegebenen Geschäftsziel. In der Künstlichen Intelligenz (KI) gibt es eine große Anzahl von Modellen, die es auf Eignung zu prüfen gilt. Weitere aufstrebende Technologien und deren Potenzialeinschätzung, wie Blockchain, IoT, Serverless Computing usw. gehören ebenfalls zum Prognoseangebot von PROQNOSTIX.

Modellierung von Vorhersagen

Alle Modelle arbeiten unterschiedlich, je nachdem, auf welche Anwendungsdomäne diese angewendet werden. Die Aufgabe des Prognostikers besteht also darin, die für ein bestimmtes Problem am besten geeigneten Modelle zu vergleichen und die Parameter der Modelle zu optimieren. Das Ziel besteht darin, unter Nutzung von Trainings- und Testdaten, das beste bzw. akkurateste Modell zur Erklärung der Daten ausfindig zu machen.

Prognosemethoden und Taxonomien

Die nächste Abbildung zeigt einen hierarchischen Überblick über häufig verwendete Prognosemethoden und die zugrunde liegende Taxonomie (siehe Abb. 1):

Industriezweige

Potenziell kann für jeden Industriezweig Wettbewerbspotenzial aus Prognosen und Voraussagen freigesetzt werden. Im folgenden konzentrieren wir uns auf drei Branchen, um die Art der Anwendung von Produkten und Dienstleistungen von PROQNOSTIX zu demonstrieren:

  1. Bankengewerbe
  2. Geodaten
  3. Marketing

Bankenindustrie

  • Prognosen für Investitionen an den Aktienmärkten
  • Vorhersage der Kreditwürdigkeit
  • Analyse des Potenzials von aufstrebenden Technologien, wie z. B. Blockchain, IoT etc.

Geodaten

  • Immobilienpreise
  • Demographie
  • Anwendung von Graph-Datenbanken, wie z. B. Neo4J etc.

Marketing

  • Suchmaschinenoptimierung
  • Analyse sozialer Medien
  • etc.

Buchen Sie hier einen Workshop:

Wie geht PROQNOSTIX bei nubank.de vor?

  • Nubank.de ist ein Nebenprojekt von ask-a-woman.com (AAW) und stellt einen Entwurf für eine Modellbank auf Grundlage einer wissenschaftlichen Untersuchung dar, die von Expertinnen der AAW durchgeführt wurde.
  • PROQNOSTIX unterstützt die Definition der Unternehmensziele in Zusammenarbeit mit den Domain-Experten der nubank.de,
  • Die Bewertung des Potenzials von Big-Data-Repositories für die Anwendung mathematischer und AI-basierter Methoden und Praktiken für Prognosen, wird in einer von PROQNOSTIX bereitgestellten Software-Engineering-Umgebung durchgeführt.
  • Die Definition von Technologiepaketen, Methoden, Bibliotheken, Tools, Software Development-Kits (SDK), Ressourcen, Aufgaben, Rollen usw. gehören ebenso dazu.
  • Agile Data Science (ADS): Der Projektmanagement- und der Software-Engineering-Prozess basiert auf dem ADS-Ansatz.
  • Hybrides Design von Produkten und Dienstleistungen:
    • Lieferung einer laufenden Software-Umgebung mit Software-Lebenszyklus.
    • Inhouse Workshops zur Nutzung von Big Data, Open Source Software und Methoden des Software Engineerings und der Mathematik in Unternehmen.
  • Fallstudie: nubank.de erteilt einen Auftrag
    • Das folgende Vorgehensmodell (in Anlehnung an Sommerville 2016) wird nach dieser Meilensteinsituation angewendet (Steps I – VII):

I Voranalyse

  • Erste Umfrage und Interviews
  • Erste Vorschläge und Empfehlungen:
    • A) Anlagestrategien an den Aktienmärkten auf Basis zahlreicher Kennzahlen von Unternehmen und Machbarkeitsanalysen für mathematische Methoden.
    • B) Berechnung der Bonität von Privatpersonen und Unternehmen anhand von Daten (Schufa, Social Media, Selbsterklärungen)
    • C) Potenzialanalyse für aufkommende Technologien wie Blockchain, Serverless Computing, IoT, VR / AR / MR usw.
    • D) Bezeichnung der Workshopinhalte
    • Meilenstein: Go?


II Requirement Engineering


III Design


IV Modell


V Implementierung


VI Test


VII Evolution

INHALT DER WORKSHOPS UND SEMINARE


Der Kursinhalt ist in drei Teile gegliedert:

I) Anwendungsgebiete
II) Methoden, Techniken und Best Practices
III) Zukunftspotenzial aufstrebender Technologien


Die Workshops sind buchbar in Paketen von

  • 1 Tag á 6 Stunden (Light Package) oder
  • 3 Tage á 6 Stunden (Komplettpaket)


Andere Angebote sind verfügbar.


Der Preis für einen Workshop beträgt 150 € / h zzgl. Steuern:

  • Light Package (900 € zzgl. 19% USt)
  • Komplettpaket (2700 € zzgl. 19% Ust)


I) ANWENDUNGSBEREICHE


Wir geben zunächst einen Überblick über mögliche Anwendungsbereiche und konzentrieren uns dann auf die anfragende Unternehmensbranche.

Als Beispiel dürfte die Bankenbranche interessiert sein

  • Prognosen für Investitionen an den Aktienmärkten und damit die wesentlichen Leistungsindikatoren der Unternehmen,
  • Vorhersagen über die Kreditwürdigkeit einer Privatperson oder eines Unternehmens,
  • die Anwendung von KI-Methoden etc.

Der Bereich Geoinformationssysteme (GIS) wendet Prognosen und andere mathematische Methoden für die Entwicklung von an

  • Immobilienpreise
  • Demografie
  • etc.

Marketingabteilungen und Agenturen sind am Erfolg ihrer Kampagnen in den Bereichen interessiert

  • Suchmaschinenoptimierung
  • Social Media Analytics
  • etc.


II METHODEN, TECHNIKEN UND BEST PRACTICES


Im zweiten Teil des Workshops befassen wir uns hauptsächlich mit Methoden, Techniken und Best Practices der Mathematik, Informatik und Betriebswirtschaftslehre, berücksichtigen aber auch Methoden aus anderen Branchen.

Methoden, Techniken und Praktiken der Mathematik sind wie folgt:

  • Mathematik
    • Statistiken
    • Künstliche Intelligenz, maschinelles Lernen, tiefes Lernen
    • Bibliotheken & Werkzeuge
    • Informatik
  • Informatik
    • Werkzeug-Portfolio
    • Softwareentwicklung
    • Modellierung
    • Programmiersprachen
    • etc.

  • Business Administration
    • Projektmanagement,
    • Controlling,
    • Logistik,
    • Der Umsatz
    • etc.


Hier können potenziell alle Methoden, Techniken und Best Practices einer anderen Disziplin oder Branche wie Recht, Gesundheitswesen, Unterhaltungssektor, Automobilindustrie usw. aufgeführt werden.

III ZUKÜNFTIGES POTENZIAL VON EMERGING TECHNOLOGIES


Der dritte Teil des Workshops beleuchtet das Potenzial neuer Technologien und erarbeitet und prognostiziert Möglichkeiten aus den folgenden neuen Technologien:

  • Die Blockchain ist offensichtlich die Technologie mit der größten potenziellen Auswirkung auf die Transaktionsprozesse der Zukunft. Da Transaktionen der Kern des unternehmerischen Umgangs mit Kunden und Mitarbeitern sind, wird dieses Thema auch zur Erreichung definierter Geschäftsziele evaluiert.
  • Das Internet der Dinge (IoT) gewinnt für die Zukunftsmärkte zunehmend an Bedeutung. Während des Workshops wird eine Prognose über das Potenzial für das jeweilige Unternehmen erstellt.
  • Bots übernehmen immer mehr Aufgaben in der Interaktion zwischen Unternehmen und Kunden und senken so zunehmend die Kosten e. G. in den Support-Abteilungen.
  • Virtual Reality (VR), Augmented Reality (AR) und Mixed Reality (MR) bieten neue Möglichkeiten, um mit Produkten und Dienstleistungen von Unternehmen für Privathaushalte und Branchen ein gesteigertes Nutzererlebnis zu schaffen.
  • Weitere aufstrebende Technologien wie 3D- und 4D-Druck, Autonome Fahrzeuge (AV), Drohnen, Transhumanismus usw. werden ebenfalls diskutiert.