Zeitreihen aus dem eigenen Modell
Eingabe ist ein numerisches Attribut Ihrer Objekte über Zeit. Kein separater Import, kein paralleler Datenbestand, der synchron gehalten werden muss.
Forecast
Zeitreihen aus Ihren eigenen Objektdaten, prognostiziert mit neun Verfahren und per Backtesting geprüft — damit Sie wissen, welchem Sie trauen können.
Das Problem, das gelöst wird
Prognosewerkzeuge bieten meist ein Verfahren an und stellen dessen Ergebnis als die Antwort dar. Bei einer kurzen oder verrauschten Zeitreihe kann eine naive Basislinie ein aufwendiges Modell aber schlagen — und ohne Prüfung wissen Sie nicht, welcher Fall vorliegt.
- Ihre Daten — jedes numerische Attribut über Zeit, direkt aus Ihrem Modell
- Neun Verfahren — von der günstigen Basislinie bis Prophet
- Backtesting — gemessene Genauigkeit je Lauf, kein Versprechen
Plainova rechnet die Verfahren gegen Ihre tatsächliche Historie, bewertet sie und zeigt Ihnen die Bewertung. Die Wahl des Verfahrens wird damit zu einer Entscheidung, die Sie begründen können.
Was die Lösung kann
Backtesting und Qualitätsbewertung
Jeder Lauf wird gegen zurückgehaltene Historie bewertet und eingestuft — nicht bewertet, schlecht, ausreichend, gut oder sehr gut. Ein Verfahren muss sich Ihr Vertrauen an Ihren Daten verdienen, nicht in einem Prospekt.
Konfidenzbänder
Wo das Verfahren sie liefert, trägt die Prognose obere und untere Grenzen — statt einer einzelnen, trügerisch präzisen Linie.
Läufe bleiben erhalten
Jeder Lauf wird mit Punkten, Verfahren und Bewertung gespeichert. Sie können nachsehen, was Sie prognostiziert haben — und was dann passiert ist.
Berechnung im Hintergrund
Ein Lauf wird eingereiht und von einem Worker verarbeitet; Sie werden benachrichtigt, wenn er fertig ist. Eine lange Zeitreihe blockiert die Oberfläche nicht.
Prophet mit Rückfallebene
Prophet läuft in einem eigenen Python-Dienst. Ist dieser nicht verfügbar, fällt der Lauf auf Holt-Winters zurück, statt zu scheitern.
Die neun Verfahren
- Naiv
- letzter beobachteter Wert fortgeschrieben — die günstige Basislinie
- Saisonal naiv
- letzter Wert derselben Saison, für Wochen- oder Jahresmuster
- Gleitender Mittelwert
- Mittel der letzten N Werte, glättet Rauschen bei flachen Reihen
- Einfache exp. Glättung
- gewichteter Mittelwert, reagiert schneller auf das aktuelle Niveau
- Holt linear
- Niveau plus Trend, schreibt eine gerade Trendlinie fort
- Holt-Winters
- dreifache exponentielle Glättung: Niveau, Trend und Saison
- Lineare Regression
- Trendgerade nach kleinsten Quadraten, mit Konfidenzband
- ARIMA
- erfasst Autokorrelation und Trend über Differenzenbildung
- Prophet
- automatische Trendwechselpunkte und mehrere Saisonalitäten
Was ein Forecast nicht sagen kann
Deutlich gesagt, weil eine Prognose ohne ihre Grenzen eine Zahl ist, nach der Leute handeln.
Er schreibt die Vergangenheit fort
Eine Veränderung, auf die nichts in der Historie hindeutet — ein neues Produkt, ein verlorener Kunde, eine Preisänderung — taucht in der Fortschreibung nicht auf. Kein Verfahren behebt das, und eines, das es behauptet, passt sich an Rauschen an.
Kurze Historien ebnen alles ein
Bei zu wenigen Perioden entartet jedes Verfahren Richtung Mittelwert. Saisonale Modelle fangen bei etwa zwei vollen Zyklen an, sich zu lohnen; darunter erzeugen sie vor allem Zuversicht, nicht Genauigkeit.
Datenqualität schlägt Verfahrenswahl
Lücken und Ausreißer verschieben das Ergebnis stärker, als Holt-Winters statt exponentieller Glättung zu wählen. Die Reihe in Ordnung zu bringen ist meist die besser investierte Stunde.
Die Gütemaße sind ein Vergleich, keine Garantie
MAE, RMSE und MAPE werden an Historie gemessen, die das Verfahren nicht gesehen hat — das macht sie ehrlich, und trotzdem sind sie eine Aussage über die Vergangenheit.
Wo die KI ansetzt — und wo bewusst nicht
Die Prognose selbst ist Statistik, kein Sprachmodell — und das ist Absicht: diese Verfahren sind reproduzierbar und ihre Genauigkeit ist messbar. Ein Sprachmodell, das einfach eine Zahl behauptet, ist beides nicht.
Die KI sitzt stattdessen darum herum. Sie können die gewünschte Zeitreihe in natürlicher Sprache anfragen, und Prognoseergebnisse sind normale Daten in Ihrem Modell — es gelten dieselbe Suche, dieselben Workflows und dieselbe API wie für alles andere.
Welche Zahlen möchten Sie prognostiziert sehen?
Bringen Sie eine Reihe mit echter Historie mit. Ob sie sich gut prognostizieren lässt, beantwortet das Backtesting in der ersten Sitzung.