Statistik und maschinelles Lernen
Modelle, die schätzen, was Sie noch nicht wissen: was passieren wird, welcher Fall gefährdet ist, was vom Üblichen abweicht und was ein Ergebnis verursacht hat.
Woran wir arbeiten
- Prognosen
- Nachfrage, Preise, Mengen und Lieferzeiten. Für ein einzelnes Produkt oder für Zehntausende, über Tage oder Jahre.
- Klassifikation und Scoring
- Eine Wahrscheinlichkeit für jeden Kunden, jeden Auftrag, jedes Teil oder jeden Schadenfall: wer wahrscheinlich abspringt, welche Lieferung sich wahrscheinlich verspätet, welche Maschine wahrscheinlich ausfällt.
- Anomalieerkennung
- Messwerte, Transaktionen oder Kostenpositionen finden, die nicht ins Muster passen, und zwar früh genug, um zu reagieren.
- Effekte schätzen
- Was eine Preisänderung, eine Aktion oder eine Prozessänderung bewirkt hat, getrennt von allem anderen, was gleichzeitig passiert ist.
Das sind Beispiele. Wenn Ihr Problem nicht dabei ist, fragen Sie uns.
Unsicherheit gehört zur Antwort
Eine einzelne Zahl verbirgt, wie viel man weiss. «Wir erwarten 940 Stück» liest sich gleich, ob der wahre Wert fast sicher zwischen 920 und 960 liegt oder irgendwo zwischen 600 und 1300. Die Entscheidung ist in den beiden Fällen eine andere, deshalb liefern unsere Modelle einen Bereich mit Wahrscheinlichkeiten.
Dafür verwenden wir oft bayessche Methoden. Mit ihnen lässt sich Vorwissen offen ins Modell einbringen: physikalische Grenzen, die Einschätzung Ihrer Fachleute, das Verhalten ähnlicher Produkte. Sie funktionieren mit wenig Daten, was bei neuen Produkten und selten verkauften Teilen wichtig ist. Und sie liefern die ganze Bandbreite plausibler Ergebnisse, die der nächste Schritt braucht.
Eine Prognose ist ein Bereich, und aus ihm folgt die Entscheidung
Wie wir ein Modell beurteilen
Eine Angabe wie «95 % Genauigkeit» sagt nichts, solange drei Dinge nicht genannt sind. Wir legen sie mit Ihnen fest, bevor der Pilot beginnt.
- Die Kennzahl
- Welcher Fehler gemessen wird und in welcher Einheit. Zum Beispiel der mittlere absolute Fehler in Stück pro Woche oder der Anteil verspäteter Aufträge, die im Voraus erkannt wurden.
- Der Vergleich
- Ihre heutige Methode und ein einfacher Massstab wie «gleich wie im Vorjahr». Wenn wir den einfachen Massstab nicht schlagen, sagen wir es Ihnen.
- Der Rücktest
- Das Modell erhält nur die Daten, die zum jeweiligen Zeitpunkt in der Vergangenheit verfügbar waren, und wird an dem gemessen, was danach passiert ist. Manche Fragen lassen sich an der Vergangenheit nicht klären und brauchen einen Test im laufenden Betrieb.
Methoden
Hierarchische Bayes-Modelle, Zeitreihen- und Zustandsraummodelle, Gradient-Boosting-Verfahren, neuronale Netze, wo die Datenmenge sie rechtfertigt, Überlebenszeitmodelle. Wir wählen die einfachste Methode, die die Aufgabe löst, weil sie sich leichter prüfen, erklären und pflegen lässt.
Erzählen Sie uns von Ihrem Problem
Das erste Gespräch ist kostenlos. Wenn wir nicht glauben, dass wir helfen können, sagen wir das.