Innovation Impuls #7

Teilnehmerblitzlicht

Benedikt Schröter

Lead Consultant - Data Engineering

Unter dem Titel: „Predictive Analytics mit KI? It's the economy, stupid!“ unseres Innovation Impuls #7 gab Prof. Dr. Johannes Schwanitz von der FH Münster einen Überblick der klassischen betriebswirtschaftlichen Methoden zum Analysieren und Vorhersagen von wirtschaftlichen Entwicklungen.

„It’s the economy, stupid“ - ein Wahlkampf-Slogan, mit dem Bill Clinton 1992 gegen George Bush gewonnen hat, macht darauf aufmerksam, dass die Wirtschaft sich auf viele Faktoren des gesellschaftlichen Lebens, auch die Politik, auswirkt. Unter diesem Zitat leitete Johannes Schwanitz unseren Innovation Impuls #7 ein. Im Fokus stand jedoch nicht die Politik, sondern die Aufforderung, dass man trotz des aktuellen „KI-Hypes“ auch die klassischen betriebswirtschaftlichen Methoden nicht vergessen darf.

Ein kurzer Überblick über BI und Machine Learning

Als Einstieg diente ein leichter Überblick über die Themen Business Intelligence und Machine Learning. Im Bereich Business Intelligence ging es insbesondere um Dashboards und die dort präsentierten KPIs. Als Beispiele für Tools wurden Excel, Tableau und Power BI angeführt.

Wie so etwas aussieht, haben wir übrigens auch schon einmal im Kontext der Europawahl gezeigt:

Zum PowerBI Dashboard

Im Bereich Machine Learning wurde der Entscheidungsbaum genannt. Als Beispiel präsentierte der Referent ein leicht nachvollziehbares Modell, welches anhand von mehreren Bedingungen an Entscheidungsknoten Äpfel und Orangen mit Hilfe der Dimensionen Höhe und Breite zu erkennen lernt.

Anmerkung des Autors:
Entscheidungsbäume passen sich sehr genau an die Trainingsdaten an und tendieren daher zum sogenannten „Overfitting“. Das bedeutet, dass sie zwar sehr gut die gelernten Daten einordnen können, jedoch auf neue, ihnen nicht bekannte Daten ungenau reagieren. Dieses Problem wird im professionellen Data Science Bereich durch das sehr beliebte Random Forest Modell so gelöst, dass eine Vielzahl von Entscheidungsbäumen mit einer jeweils zufälligen Zusammensetzung von Dimensionen und mit einer meist festgelegten Maximaltiefe im Einzelnen nur einen Teil der Trainingsdaten abbilden können. Diese Entscheidungsbäume werden im Nachgang als sogenanntes „Ensemble“ zusammengeführt und bilden gemeinsam den “Random Forest”. So können sie bessere Entscheidungen zu zuvor nicht bekannten Daten treffen.

Den besten Preis bestimmen

Um einen Klassiker aus der BWL-Welt einzubringen, hatte Johannes Schwanitz ein fiktives Beispiel mitgebracht, welches die Getränkepreise, Absätze und Erlöse von mehreren Sportveranstaltungen eines Anbieters aufzeigt. Anhand dieser Faktoren sollte nun der optimale Preis bestimmt werden.

Als Einstieg wurde die Preis-Absatz-Funktion vorgestellt, welche mit sehr wenig Aufwand auch in Excel darstellbar ist. Als Funktion bildet die Kurve auch Punkte ab, welche nicht in den Ursprungsdaten enthalten sind. Da nicht nur der Umsatz, sondern auch der Gewinn einer Unternehmung für den wirtschaftlichen Erfolg entscheidend ist, gehören für ein gutes Entscheidungsmodell jedoch noch weitere Faktoren dazu.

Als Lösung hierfür wurde der Cournotsche Punkt von Antoine Augustin Cournot (1801–1877) kurz angeschnitten, welcher den optimalen Preis auf einer Preis-Absatz-Funktion anhand mehrerer Faktoren berechnet.

Predictive Analytics – Zeitreihen und Szenarien vorhersagen

Neben KI war auch das Thema “Predictive Analytics” Teil des Vortragstitels. Hier präsentierte Johannes Schwanitz drei prädiktive Use Cases mit jeweiligen Lösungsvorschlägen:

Extrapolative Verfahren

Das extrapolative Verfahren erklärte der Referent anhand einer fiktive Zeitreihe. Das Ziel: Diese Zeitreihe möglichst gut fortzuführen. Hierzu wurden vor allem die automatischen Funktionen der verschiedenen bereits zu Beginn der Präsentation aufgeführten Tools (Excel, Tableau und PowerBI) vorgestellt.

Kausale Zeitreihenanalyse

Bei einer kausalen Zeitreihenanalyse wird die Ursache und Wirkung zwischen mindestens zwei Faktoren geprüft. Wichtig hier ist, dass eine Korrelation nicht mit einer Kausalität verwechselt werden darf. Für den Use-Case einer Wertschöpfungskette in der Stahlindustrie wurde ein simulatives KPI-System vorgestellt. Im Use-Case der Preisabhängigkeit zwischen Rohöl- und Kraftstoffpreisen wurde ein Elastizitätsdiagramm eingesetzt.

Szenarien Analyse

Im Use-Case der EBIT Berechnung des Folgejahres wurde eine Möglichkeit vorgestellt, wahrscheinlichkeitsbasierte Szenarien aufzuzeigen.

Fazit: Für das richtige Problem auch die richtige Lösung finden

Johannes Schwanitz appelliert an den Zuhörer, für einfache, klassische Probleme auch zuerst etablierte Methoden in Betracht zu ziehen und unabhängig vom aktuellen Hype in erster Linie das richtige Tool für das definierte Ziel auszuwählen. Zudem gab der Vortrag noch einmal einen auffrischenden Überblick über die klassischen und gängigen Methoden.

Für alle, die tiefer in das Thema eintauchen möchten, gibt es hier noch einmal die Präsentation:

Zur Präsentation