Small Data als MVP auf dem Weg zum digitalen Controlling / 4.3 Methoden auswählen, anwenden und evaluieren

In einem Small-Data-Projekt ist die Auswahl geeigneter Methoden eine wiederkehrende Aufgabe. Dabei wird zuerst meist auf einfache Verfahren zurückgegriffen und erst später werden fortgeschrittenere Methoden oder Kombinationen von Methoden verwendet, da diese Methoden typischerweise viele Parameter enthalten, deren Optimierung sehr aufwendig sein kann. Die Auswahl basiert daher oftmals auf den Erfahrungen des Data Scientists, wird aber gemeinsam mit Experten und Management diskutiert.

Die algorithmenbasierten Methoden zum Forecasting lassen sich in Zeitreihenmethoden und kausale Methoden aufteilen.^[1] Zeitreihenmethoden gewichten die Vergangenheitswerte einer Zeitreihe für die Prognose. Beispiele dafür sind der gleitende Durchschnitt, die exponentielle Glättung und die Extrapolation. Kausale Methoden leiten Abhängigkeiten zwischen dem vorherzusagenden und weiteren Werten ab und nutzen diese zur Prognose. Beispiele dafür sind die Regression, führende Indikatoren und ökonometrische Modelle. Kausale Methoden und Zeitreihenmethoden lassen sich kombinieren, um sowohl die Zeitreihe selbst als auch weitere Daten im Forecasting zu verwenden. Moderne auf Machine Learning basierende Verfahren und künstliche neuronale Netze gibt es für beide Kategorien. Die ausgewählten Methoden werden nun als Teil der vorher aufgebauten Prozedur angewendet, ausgewertet und deren Parameter pro vorherzusagenden Planungsposition optimiert.

[1] Vgl. Georgoff/Murdick, 1986.