Wer sich mit Energiebedarf, Produktionsprozessplanung oder Lagerbestandsprognosen beschäftigt, kennt die zentrale Herausforderung: Effektives Time Series Forecasting scheitert selten an der Wahl des Algorithmus – es steht und fällt mit dem Gesamtsystem. Früher bedeutete die Suche nach dem passenden Modell vor allem mühsame Handarbeit: Daten aufbereiten, Hypothesen testen, zahlreiche Trainingsläufe und permanentes Fine-Tuning.
Genau an diesem Punkt haben wir bei SOTEC die Situation für unsere Kunden grundlegend verändert:
Forecasters Race
Moderne Datenökosysteme haben komplexen Modellbau zugänglicher gemacht und die Einstiegshürde in das Thema massiv gesenkt. Statt uns den Kopf über die perfekte Architektur zu zerbrechen, benchmarken wir heute zügig eine Reihe von vielversprechenden Kandidaten gegeneinander – das sogenannte Forecasters Race.
Das Ergebnis? Weniger Zeit für Parameter-Tuning, mehr Zeit für die fachlichen Erkenntnisse und, davon abgeleitet, die operativen Entscheidungen, die das Geschäft unserer Kunden voranbringen.
(Die mathematische Methodik dahinter hat unsere Google-Kollegin Tuba Islam übrigens in einem hervorragenden Artikel auf towardsai.net zusammengefasst – eine klare Leseempfehlung für alle, die tiefer in die Algorithmen einsteigen wollen.)
SOTECs Ansatz – das AI Forecasting Ecosystem
Der beste Forecasting-Ansatz nützt nichts, wenn es keine Datenbasis gibt, mit der man arbeiten kann. Deshalb haben wir bei SOTEC den Forecasters-Race-Ansatz in unsere Lösung für datengetriebene Prozesse eingebettet – und damit das AI Forecasting Ecosystem geschaffen:
- Multi-source Data Analytics: Aussagekräftige Daten müssten dort erfasst werden, wo sie entstehen – und das ist meistens im Feld. SOTEC ist seit vielen Jahren Pionier in der Edge-basierten Datengewinnung, vom Industrial IoT bis zu Retail-POS-Systemen.
- Data Warehousing: Daten werden zentral gespeichert, strukturiert und gepflegt. Unsere gesetzte Lösung dafür ist Google BigQuery.
- Data Engineering: Dazu gehören die Bereinigung, Aufbereitung und gezielte Erweiterung von Daten – einschließlich der Erfassung externer Daten wie z.B. dynamische Marktdaten, Frachtstatus, Webtrends oder Wetterdaten.
- The Forecasters Race: Hierbei testen wir verschiedene Forecasting-Architekturen, um das leistungsstärkste Modell zu ermitteln (perfekt von Tuba erklärt). Wir schicken die gesamte Bandbreite an GCP-KI-Modellen ins Rennen – vom extrem schnellen Training von Deep Neural Networks in BigQuery ML über maßgeschneiderte LSTMs auf Vertex AI bis hin zu Zero-Shot TimesFM Runs. Das Ergebnis: ein starkes Kandidatenfeld mit komplementären Stärken und verlässlichen Backup-Lösungen.
- Learning from the Learning (Explainability): Wir beschränken uns nicht auf klassische Datenanalysen, sondern nutzen Explainability-Ansätze, um rückblickend genau nachzuvollziehen, welche Faktoren die Prognosen bestimmen. Die Analyse liefert fundierte Einblicke und deckt konkrete Verbesserungspotenziale auf.
- Serve the Forecasts (Eckpfeiler der Operationalisierung): Wir entwickeln und implementieren Services, die Prognosen punktgenau dort bereitstellen, wo und wann sie benötigt werden. Das ist der Schlüssel zum operativen Einsatz: Hierbei steuern wir erfolgskritische Faktoren wie Latenzzeiten, Betriebskosten, automatisiertes Re-Training der Modelle sowie zeitgesteuerte Data-Engineering-Prozesse im Backend.
- Visualisierung: Der tatsächliche Wert einer Prognose entfaltet sich erst, wenn sie die Zielgruppe auch erreicht – ob Logistikleitung, Filialführung oder Data Analyst – und zwar über den jeweils passendsten Kanal, beispielsweise per Smartphone-App oder Looker-Dashboard. Deshalb legen wir größten Wert darauf, Forecast-Informationen für Endanwender intuitiv und bedarfsorientiert aufzubereiten.
Wir bei SOTEC haben das AI Forecasting Ecosystem Ökosystem entwickelt, um all die Bausteine zu vereinen, die datenbasierte Erkenntnisse und darauf basierende Entscheidungen verlässlich und damit wertvoll machen. Unser ‚Forecasters Race‘-Ansatz war dabei das entscheidende Puzzleteil: Er ermöglicht es uns, maßgeschneiderte Lösungen zu bauen, die fundierte Vorhersagen für die Optimierung von Geschäftsprozessen generieren.
In unserem nächsten Beitrag wird es konkret: Wir zeigen Ihnen anhand eines echten Use Cases, wie dynamisches Forecasting im lokalen Umfeld funktioniert und sich nahtlos auf globale Prozesse übertragen lässt. Neugierig geworden? Lesen Sie gleich rein und entdecken Sie, wie Sie mit modernem Forecasting den entscheidenden Schritt voraus sein können!