Use-Case: Einsatz von KI-Verfahren für die Planung in Unternehmen
Ob in Produktion, Logistik oder Vertrieb: Für viele Unternehmen sind zuverlässige Planungen eine wesentliche Voraussetzung für den geschäftlichen Erfolg. Gute Planungen basieren dabei meist auf langjähriger fachlicher Erfahrung, die zu bewährten Verfahren für die Prognose führen. Wegen ihres zuverlässigen Einsatzes werden diese Prognoseverfahren häufig nicht hinterfragt. Seit einigen Jahren gibt es jedoch Verfahren aus dem Bereich der künstlichen Intelligenz (KI), die häufig deutlich bessere Ergebnisse erzielen können.
Seit einigen Jahren können KI-Verfahren viele Planungsvorgänge deutlich verbessern
Ein Beispiel: KI-basierte Prognose des Kundenaufkommens
Als Beispiel wollen wir das Kundenaufkommen eines Taxi-Unternehmens mit mehreren hundert Taxis prognostizieren. Für den Vergleich unterschiedlicher Prognoseverfahren liegen für einen Zeitraum von zwölf Monaten Daten aller Fahrten vor.
Geschäftsrelevante Zielsetzungen festlegen
Vor der Erstellung eines neuen Prognosemodells ist eine möglichst genaue Beschreibung des gewünschten Ergebnisses essenziell. Dazu gehört zunächst eine genaue Beschreibung der zu prognostizierenden Kenngrößen. Zusätzlich ist festzulegen, welchen Zeitraum die Prognose abdecken soll. Für das Taxi-Unternehmen sollen die gleichzeitig im Einsatz befindlichen Taxis für einen Zeitraum von bis zu sieben Tagen prognostiziert werden. Außerdem sollen Prognosewerte für 30-minütige Intervalle vorliegen.
KI-basierte Prognosen bewerten - die Baseline
Neben der Beschreibung, was die Prognose berechnen soll, ist auch festzulegen, welche Genauigkeit sie haben soll. Idealerweise wird dazu ein Vergleich zu dem aktuell verwendeten Verfahren – der sogenannten Baseline – formuliert. Eine Anforderung wäre beispielsweise: „Die KI-basierte Prognose soll die mittlere Abweichung zwischen dem prognostizierten und tatsächlichen Kundenaufkommen mindestens halbieren – verglichen zum aktuell im Taxi-Unternehmen verwendeten Verfahren“. Nur so kann der wirtschaftliche Nutzen eines KI-Verfahrens bewertet werden.
Der wirtschaftliche Nutzen eines KI-Verfahrens kann nur durch den direkten Vergleich mit dem aktuell im Unternehmen verwendeten Verfahren berechnet werden
Data Scientisten, die neue Prognoseverfahren entwickeln, benötigen hier weitere Informationen. Hierzu zählen insbesondere Details zu dem aktuell verwendeten Planungsvorgang. Dieser kann durchaus einfach und dadurch robust sein. Jedenfalls ist es erforderlich, das aktuelle Verfahren in Form einer Rechenlogik beschreiben zu können. So können Ergebnisse für einen Vergleich mit dem KI-basierten Verfahren berechnet werden.
Vorhandenes Fachwissen für KI-Verfahren nutzen
Mit künstlicher Intelligenz können heute Ergebnisse erzielt werden, die früher undenkbar waren. Doch es gibt auch Grenzen. So kann eine KI nur diejenigen Daten nutzen, die ihr bereitgestellt werden. Für Data Scientisten ist deshalb das Gespräch mit den Fachexperten äußerst wertvoll. Planer in Unternehmen haben oft ein gutes Gespür dafür, welche Faktoren eine Prognose beeinflussen können. Mit diesem Wissen können Data Scientisten auf die Suche nach passenden Datenquellen gehen. Für das Taxi-Unternehmen könnten zum Beispiel Informationen über das Wetter eine Rolle spielen. Sehr wertvoll können auch Daten zu anstehenden Events sein. Manchmal sind es auch triviale Daten, die viel verändern. Für das Kundenaufkommen des Taxi-Unternehmens ist dies die Uhrzeit und der Wochentag. Für die Auswertung mehrerer Kenngrößen spricht man von einem sogenannten multivariaten Verfahren – für eine KI eine typische Aufgabe.
Prognosen mit neuronalen Netzen und Deep-Learning erstellen
Nachdem die wesentlichen fachlichen Fragen geklärt sind, beginnt die eigentliche Arbeit der Data Scientisten. In einem ersten Schritt werden verfügbare Daten zu Merkmalen (Features) aufbereitet, die als Input für eine KI dienen können.
Danach werden ein oder mehrere geeignet erscheinende Prognoseverfahren ausgewählt und getestet. Neben einer Anzahl klassischer Prognoseverfahren kommen wegen ihres Erfolgs zunehmend sogenannte künstliche neuronale Netze zum Einsatz. Die Verarbeitung der Daten wird dabei in Neuronen durchgeführt, die in Schichten angeordnet sind. Das hier verwendete neuronale Netz besitzt in Summe fünf Schichten und gehört damit zu den sogenannten tiefen neuronalen Netzwerken. Diese Netze können Prognosen innerhalb kürzester Zeit berechnen, das Trainieren solcher Netze ist jedoch anspruchsvoll. Deshalb wird oft der Begriff Deep Learning als Synonym verwendet.
Ergebnisse im Vergleich
Für das Trainieren der künstlichen Intelligenz ist es generell vorteilhaft, möglichst große Datenmengen zu verwenden. Dass eine KI stets riesige Datenmengen, also Big Data braucht, ist aber ein Mythos. Aus den für zwölf Monate vorliegenden Daten des Taxi-Unternehmens reichen Daten von elf Monaten für das Trainieren des KI-Verfahrens aus. Die restlichen Daten werden anschließend genutzt, um die Genauigkeit des Verfahrens zu messen. Die KI erzeugt dazu für jeden Planungszeitraum eine Prognose aus den zurückliegenden Daten. Anschließend kann für jedes 30-Minuten-Intervall die Abweichung zwischen der Prognose und dem tatsächlichen Kundenaufkommen gemessen werden. Auch das bisher vom Unternehmen genutzte Verfahren wird so analysiert.
Die Abweichung zwischen Prognosewerten und tatsächlichem Kundenaufkommen kann zu einem einzigen Fehlerwert zusammengefasst werden. In unserem Beispiel wird hierfür der sogenannte Weighted Absolute Percentage Error (WAPE) berechnet. Für das aktuelle Verfahren ergibt sich ein Fehler von ca. 50 %. Das KI-Verfahren schneidet hier mit einem Wert unterhalb von 20 % deutlich besser ab. Das ursprünglich formulierte Ziel wurde erreicht.
Für erfahrene Planer ist es auch interessant, die konkreten Prognosen über den Prognosezeitraum zu vergleichen. Die Zeitverläufe zeigen eindrucksvoll, welche Fehler die unterschiedlichen Verfahren machen.
Fazit
Planungsprozesse gehören zu den grundlegenden Aufgaben in unterschiedlichsten Unternehmensbereichen. Diese Prozesse basieren oft auf langjährig erfolgreichen Prognoseverfahren. Am Beispiel des Kundenaufkommens eines Taxi-Unternehmens haben wir gezeigt, dass moderne KI-Verfahren deutlich bessere Ergebnisse für die Planung erzielen können.
In unserem Projekt konnten wir die Genauigkeit eines bestehenden Prognoseverfahrens mehr als verdoppeln. Damit ermöglichen wir unseren Kunden neues Potenzial für Wachstum oder gezielte Einsparungen.
Gerne stehen wir Ihnen zur Verfügung, KI-unterstützte Planungsprozesse zu etablieren. Wir machen KI für Sie alltäglich!
Sie möchten Beratung oder Unterstützung bei der Entwicklung, Implementierung und Umsetzung Ihrer KI-Strategie? Gerne evaluieren wir mit Ihnen in einem ersten Gespräch die Möglichkeiten und Vorgehensweisen. Nehmen Sie dafür Kontakt mit uns auf – drücken Sie den Button, um uns eine Mail zu schreiben oder nutzen Sie das nachfolgende Kontaktformular.
Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein!