Was sind Zeitreihenprognosen?

Zeitreihenprognosen sind eine Art von statistischem oder Machine-Learning-Ansatz, bei dem versucht wird, historische Zeitreihendaten zu modellieren, um Vorhersagen über zukünftige Zeitpunkte zu treffen.

Herausforderungen bei Zeitreihenprognosen

Im Vergleich zu anderen Modellen ergeben sich Zeitreihenprognosen vor speziellen Herausforderungen, wie Saisonabhängigkeit, Urlaubseffekten, Datenknappheit und sich ändernden Trends. Viele Techniken des maschinellen Lernens funktionieren hier aufgrund der sequenziellen Natur und der zeitlichen Korrelation von Zeitreihen nicht gut. Beispielsweise kann eine k-fold-Cross-Validierung zu Datenlecks führen. Dann müssen Modelle neu trainiert werden, um neue Prognosen zu generieren. Die Balance zwischen Über- und Unteranpassung ist eine schwierige Handlung ohne die Möglichkeit, die Zeitdimension zufällig auszuwählen. Da potenziell Millionen von Elementen vorhergesagt werden können, muss auch die Skalierbarkeit jeder Prognoselösung berücksichtigt werden. Neben der Prognose können auch Aufgaben wie die Anomalieerkennung, die Quantifizierung der Unsicherheit und die kausale Inferenz wichtig sein. Zeitreihenprognosen sind nicht nur beaufsichtigtes Lernen von Daten mit Zeitstempeln. Glücklicherweise bietet Google Cloud eine breite Palette von Lösungen für alle geschäftlichen Anforderungen.

Ein großes Einzelhandelsgeschäft hat beispielsweise Millionen von Artikeln zu prognostizieren, damit das Inventar bei hoher Nachfrage verfügbar und nicht überbestückt ist, wenn die Nachfrage gering ist.

Anwendungsfälle von Zeitreihenprognosen

Bedarfsprognose und Kapazitätsplanung

Prognose zur Nachfrage im Einzelhandel für Produkte

Entwicklung einer End-to-End-Lösung zur Vorhersage der Nachfrage nach Einzelhandelsprodukten Trainieren Sie mithilfe von bisherigen Verkaufsdaten ein Nachfrageprognosemodell mit BigQuery ML und visualisieren Sie dann die prognostizierten Werte in einem Looker Studio-Dashboard, um sie mit allen Stakeholdern zu teilen. In unserem Referenzmuster für Nachfrageprognosen erfahren Sie, wie Sie mit Google Cloud eine Nachfrageprognoselösung erstellen, die auf Millionen von Produkten skaliert werden kann. Außerdem können Sie anhand unseres Referenzmusters herausfinden, wie Nachfrageprognosen die Lebensmittelverschwendung reduzieren können.

Warenpreisprognosen

Zeitreihenmodelle werden verwendet, um die Preise von Waren zu prognostizieren, die für Ihre Geschäfts- und Produktionsprozesse wichtig sind, und um Ihre Cashflow-Modelle und Finanzpläne zu optimieren.

Cashflow-Prognosen

Zeitreihenmodelle werden normalerweise mit Regressions- und Klassifizierungsmodellen kombiniert, um sehr genaue Cashflow-Prognosen basierend auf historischen Buchhaltungszeitachsen sowie Eingaben aus Transaktionsdaten und vertraglichen Verpflichtungen zu erstellen. Hier können Sie ARIMA_PLUS mit BigQuery ML verwenden und mit gemeinsam verwalteten Modellen in BigQuery ML wie GLM, Boosted Tree-Modellen und AutoML kombinieren.

Lieferkettenprognose
- Es gibt viele potenzielle treibende Faktoren für die Nachfrage. Für Vertriebszentren ist es entscheidend, sich im Vorfeld auf die Nachfrage vorzubereiten. Hier erfahren Sie, wie Vertex AI Forecast Supply-Chain-Vertriebscenter beim Erstellen von Modellen unterstützt, die Signale aus dem Wetter, Produktrezensionen, makroökonomischen Indikatoren, Aktionen von Mitbewerbern, Warenpreisen Frachtgebühren, Seeversandkosten und mehr beinhalten.

Anomalieerkennung

Anomalieerkennung mit Nachfrageprognose

An Feiertagen, in der Weihnachtssaison oder am Jahresende kann es manchmal zu Spitzen kommen, die Sie erwarten. Aber wie sieht es mit unerwarteten Spitzen (oder Einbrüchen) aus? Wie können Sie beispielsweise eine ungewöhnlich hohe (oder ungewöhnlich niedrige) Nachfrage erkennen, die Sie nicht erwartet haben? Erfahren Sie, wie Sie die Anomalieerkennung mit BigQuery ML nutzen können, um eine ungewöhnlich hohe Anzahl von Fahrradleihen zu finden, die zufällig mit dem Tag zusammenfällt, an dem der öffentliche Nahverkehr in London unterbrochen wurde.

Qualitätskontrolle und Messwertüberwachung in der Fertigung

Das Monitoring von Messwerten kann in verschiedenster Form erfolgen, von IoT-Sensoren bis hin zur Produktion. Häufig wird jedoch der typische Bereich dieser Messwerte prognostiziert, damit Sie vorausplanen und schnellstmöglich mit vorhandenen Monitoringsystemen reagieren können.

Andere häufige Anwendungsfälle für die Anomalieerkennung umfassen Preisanomalien aufgrund falscher Preise, Echtzeit-Anomalieerkennung und Qualitätskontrolle in der Fertigung.

Kausale Inferenz

Anzeigeneffektivität

Wie erfolgreich war die Steigerung der Anzeigenleistung für Ihr Unternehmen? Anhand der kausale Inferenz können Sie die statistische Signifikanz von Werbekampagnen analysieren.

Auswirkungen wichtiger Ereignisse auf Zeitreihen

Vielleicht möchten Sie wissen, ob die Auswirkungen größerer Ereignisse wie Brexit auf eine Zeitreihe statistisch signifikant waren. Weitere Informationen dazu, wie Sie kausale Inferenz ableiten können, um die Antwort zu erhalten: „Wie hat der Brexit die Wechselkurse zwischen Britischem Pfund und US-Dollar beeinflusst?“

Weitere Bereiche für die kausale Inferenzanalyse sind Werbeaktionen, die Wirksamkeit von Anreizen und Preiselastizitätsschätzungen.

Zeitreihenprognosen in Google Cloud

BigQuery ML

Mit BigQuery ML können Nutzer mithilfe von Standard-SQL-Abfragen Modelle für maschinelles Lernen in BigQuery erstellen und ausführen. Die Anwendung unterstützt einen Modelltyp namens ARIMA_PLUS, um Zeitreihenprognosen und Anomalieerkennung auszuführen.

Mit der ARIMA_PLUS Modellierung in BigQuery ML können Sie Prognosen für Millionen von Zeitreihen in einer einzigen SQL-Abfrage erstellen, ohne Ihr Data Warehouse verlassen zu müssen.

ARIMA_PLUS ist im Wesentlichen eine Pipeline für die Zeitreihenmodellierung, die die folgenden Funktionen umfasst:

Datenfrequenz der Zeitreihe ableiten
Umgang mit fehlenden Daten, unregelmäßigen Zeitintervallen und doppelten Zeitstempeln
Erkennen von Ausreißern nach oben und unten sowie abrupte Ebenenänderungen und ihre Anpassung.
Weihnachtseffekte, Saisonabhängigkeit und Trends

Mit einer einzigen Abfrage können mehrere zehn Millionen Zeitreihen gleichzeitig prognostiziert werden. Verschiedene Modellierungspipelines werden parallel ausgeführt, wenn genügend BigQuery-Slots verfügbar sind.

Erste Schritte mit BigQuery ARIMA_PLUS finden Sie in den folgenden Anleitungen:

Prognosen für einzelne Zeitreihen für Google Analytics-Web-Traffic mit BigQuery ML ARIMA_PLUS
Prognosen für mehrere Zeitreihen für NYC-Fahrradtouren mit BigQuery ML ARIMA_PLUS
Skalierbare Prognose mit Millionen von Zeitreihen in BigQuery
Nachfrageprognosen von Einzelhandelsumsätzen mit BigQuery ML ARIMA_PLUS

Weitere Informationen finden Sie in der öffentlichen BigQuery ML-Dokumentation .

Vertex Forecast

Vertex Forecast bietet Nutzern mehrere Optionen zum Trainieren des Zeitreihenprognosemodells:

AutoML-Modell. Beim AutoML-Training werden verschiedene Feature Engineering-Ansätze angewandt. Anschließend wird eine schnelle Hyperparameter-Suche durchgeführt und AutoML probiert dann viele erweiterte Modellarchitekturen aus, darunter auch einige Modelle von Google, und schließlich ein hochwertiges Modell für Sie generiert.
Seq2seq plus. Beim Training werden speziell Hyperparameter innerhalb der Sequenz-zu-Sequenz-Modellarchitektur verwendet, die den Bereich des Hyperparameter-Suchbereichs reduzieren und eine schnelle Konvergenz ermöglichen können.

Weitere Informationen finden Sie in der öffentlichen Dokumentation zu Vertex Forecast.

Sie können mit der Anleitung für Vertex Forecast beginnen.

Benutzerdefinierte Prognosen

Wenn Sie eigenen benutzerdefinierten Code verwenden, aber die Trainings-/Bereitstellungsinfrastruktur in Google Cloud nutzen möchten, können Sie mit Vertex AI Workbench beliebigen Code in Python, R, TensorFlow oder PyTorch verwenden.

Univariate im Vergleich zu multivariaten Prognosen

Mit univariaten Prognosen prognostizieren Sie zukünftige Daten nur mit den historischen Zeitreihendaten. Um beispielsweise die Temperatur morgen in New York City vorherzusagen, muss für univariate Vorhersagen nur eine einzelne Variable, die historische Temperaturen, verwendet werden, um künftige Temperaturen vorherzusagen. Mit univariaten Prognosen können Sie auch saisonale Muster und Trends erkennen.

Bei multivariaten Prognosen prognostizieren Sie zukünftige Daten mit mehreren Faktoren. Um beispielsweise die Temperatur morgen in New York City zu prognostizieren, können Sie zusätzlich zu den bisherigen Temperaturen auch den barometrischen Druck, den UV-Index, den Prozentsatz der Wolkenabdeckung in nahe gelegenen geografischen Gebieten, Windgeschwindigkeit und andere Variablen verwenden.

Inspiriert? Gehen wir Ihre Herausforderungen gemeinsam an.

Erfahren Sie, wie Sie die Prognosen Ihrer Organisation mit Google Cloud transformieren können.

Kontakt

In diesem Codelab erfahren Sie mehr über die Zeitreihen.

Codelab ansehen

Vorteile von BigQuery ML für Ihr Unternehmen Dokumentation ansehen

Google bietet die Möglichkeit, jede Phase des Datenlebenszyklus zu verwalten, angefangen bei der Ausführung von operativen Transaktionen über die Verwaltung von Analyseanwendungen in Data Warehouses und Data Lakes bis hin zu umfassenden, datengestützten Szenarien, die Silos auflösen. KI/ML ist eine Kernkomponente der Daten-Cloud-Lösung, mit der Organisationen nicht nur bessere Informationen gewinnen, sondern auch Kern-Geschäftsprozesse mithilfe von Daten als Kern automatisieren können.