Welche Prognosen erhalten wir durch den Einsatz von Machine-Learning-Algorithmen?
Machine Learning (3/3) – Ergebnisse der Prognose
Nach dem ersten Beitrag zur Einführung in die Machine-Learning-Algorithmen und im Anschluss an den zweiten, in dem die Analyse der Zeitreihe und der ausgewählte Algorithmus behandelt wurden, folgt nun der letzte Beitrag dieser Reihe.
Zunächst wird anhand einer Grafik noch einmal in Erinnerung gerufen, welche Daten zur Verfügung standen. Anschließend wird die von R erstellte Prognose betrachtet, und schließlich werden mithilfe eines BI-Tools die tatsächlichen Verbrauchswerte und die erstellten Prognosen grafisch dargestellt, einschließlich der Abweichung zwischen Prognose und tatsächlichem Verbrauch.
Warum ist es wichtig, Prognosen zu erstellen?
Wie bereits im vorherigen Beitrag beschrieben, ist es wichtig, zukünftige Verkäufe frühzeitig zu erkennen, um die Ressourcen innerhalb der Organisation entsprechend planen und die Betriebskosten senken zu können.
Die Daten, auf deren Grundlage die Prognose erstellt wird, entsprechen, wie in der folgenden Abbildung zu sehen ist, den Verkaufszahlen von Juni 2014 bis Januar 2017.
Es wurde eine Prognose für 10 Monate erstellt, von Februar bis November.
Für die Monate zwischen Februar und November liegen Daten vor, mit denen die Prognose mit den tatsächlichen Verkaufszahlen verglichen werden kann.
Prognosen mithilfe des Arima-Algorithmus in RStudio
Nach Anwendung des Arima-Algorithmus erhalten wir in R folgende Ergebnisse:
Grafisch in R dargestellt, ergibt sich folgendes Bild:
Die graue Linie stellt den tatsächlichen Verbrauch in der Vergangenheit dar. Die blaue Linie zeigt die erstellte Prognose, und bei den schattierten Bereichen steht die blaue Fläche für das 80%-Konfidenzintervall, während die graue Fläche das 95%-Konfidenzintervall darstellt.
Das Konfidenzintervall gibt an, wie stark die Realität von der Prognose abweichen kann. Beim 95%-Intervall beispielsweise besteht eine Wahrscheinlichkeit von 95 %, dass der Verbrauch in diesem Monat innerhalb dieses Intervalls liegt.
Auf den ersten Blick ist erkennbar, dass die Verkäufe im August 2017 deutlich zurückgehen werden, während in den umliegenden Monaten ein starker Absatz dieses Produkts zu erwarten ist. Das ist keineswegs überraschend: Betrachtet man die vorherigen Jahre, zeigt sich, dass der Verbrauch im August stets sehr niedrig und in den angrenzenden Monaten sehr hoch ausfällt. Ebenso lässt sich erkennen, dass im März ein Rückgang des Verbrauchs zu erwarten ist, was dem Muster der übrigen Jahre entspricht, da im dritten Monat jedes Jahres ein deutlicher Rückgang zu beobachten ist.
Es ist sicherlich hilfreich, bereits im Vorfeld einige Schlussfolgerungen aus der Prognose zu ziehen, doch wäre es noch aufschlussreicher, die Prognose mit den tatsächlichen Verbrauchswerten zu vergleichen und zu prüfen, wie genau die erzielten Ergebnisse tatsächlich sind. Im Folgenden wird die Grafik gezeigt, die dieses Szenario darstellt:
In Blau sind die vorherigen Verbrauchswerte dargestellt. In Rot sehen wir die tatsächlichen Verbrauchswerte zwischen Februar und Oktober 2017, und die gelben Balken stellen schließlich die von Arima erstellten Prognosen dar.
Wie wir sehen können, stimmt unsere Prognose sehr genau mit den tatsächlichen Verkaufsdaten überein.
Qualität der Prognose
Um zu messen, wie gut eine Prognose im Vergleich zu den tatsächlichen Ergebnissen ist, wird folgende Formel verwendet, die als mittlerer prozentualer Fehler (MPF) bezeichnet wird: Dabei ist TV der tatsächliche Verbrauch und PV die erstellte Verbrauchsprognose.
Ebenso lässt sich der mittlere absolute prozentuale Fehler (MAPF) mithilfe der folgenden Formel berechnen. In diesem Fall gilt MPF = -5,30 % und MAPF = 5,30 %. Folglich handelt es sich um eine sehr präzise Prognose.
Mit Machine-Learning-Algorithmen erreichte Ziele
Damit schließt diese Beitragsreihe, deren Ziele waren:
1.- Die Machine-Learning-Algorithmen kennenzulernen.
2.- Den passenden Algorithmus für unsere Daten und Ziele auszuwählen.
3.- Die Prognose korrekt zu erstellen.
4.- Die Ergebnisse zu gewinnen und grafisch darzustellen.
So lassen sich die Verkaufszahlen einer Referenz prognostizieren und die Ressourcen eines Unternehmens entsprechend den Anforderungen anpassen, die sich daraus ergeben, dem Markt einen Schritt voraus zu sein und über eine Prognose zu verfügen, die die Realität sehr präzise abbildet.