PROGNOSE-METHODEN UND WERKZEUGE DES STATE-OF- THE-ART

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.