Die Prognose von Zeitreihendaten umfasst die Analyse von Zeitreihendaten und die Vorhersage von Ergebnissen mithilfe von Statistiken und Modellen. Prognosen sind nicht immer präzise und können stark variieren – insbesondere bei Variablen, die in Zeitreihendaten häufig schwanken, sowie bei externen Faktoren. Prognosen geben Aufschluss darüber, welche Ergebnisse wahrscheinlicher oder unwahrscheinlicher sind als andere. Mit umfassenderen Daten lassen sich oft genauere Prognosen erstellen. Obwohl Prognose und Vorhersage im Allgemeinen dasselbe bedeuten, gibt es einige wesentliche Unterschiede.
Manche Branchen verwenden den Begriff „Prognose“ für Daten zu einem bestimmten zukünftigen Zeitpunkt, während andere den Begriff „Vorhersage“ allgemein für Daten verwenden. Zeitreihenanalysen werden häufig in Verbindung mit Zeitreihenprognosen eingesetzt. Ziel der Zeitreihenanalyse ist es, die zugrunde liegenden Ursachen der Daten zu verstehen. Durch die Analyse lässt sich das „Warum“ hinter den beobachteten Ergebnissen ergründen. Der Prognoseprozess beinhaltet dann die Extrapolation dessen, was auf Basis dieser Erkenntnisse in der Zukunft geschehen könnte.
Zeitreihenmodelle finden vielfältige Anwendung, von Umsatzprognosen bis hin zu Wettervorhersagen. Es hat sich gezeigt, dass Zeitreihenmodelle die effektivste Prognosemethode darstellen, wenn Unsicherheit über die Zukunft besteht.
Alle Arten von Geschäftsentscheidungen basieren auf Zeitreihenprognosen. Hier einige Beispiele:
- Um entscheiden zu können, ob in den nächsten fünf Jahren ein weiteres Kraftwerk gebaut werden soll, ist es notwendig, den Strombedarf zu prognostizieren.
- Die Personaleinsatzplanung im Callcenter für die nächste Woche basiert auf Prognosen zum Anrufaufkommen.
- Lagerhaltung zur Deckung der Nachfrage auf Basis prognostizierter Lagerbestände.
- Optimierung des Flottenmanagements und anderer Aspekte der Lieferkette durch Prognosen von Angebot und Nachfrage.
- Minimierung von Ausfallzeiten und Aufrechterhaltung der Sicherheitsstandards durch Vorhersage von Geräteausfällen und Wartungsbedarf.
- Optimierung von Programmen zur Krankheitsbekämpfung und Ausbruchsprävention durch Prognosen der Infektionsraten.
- Vorhersage von Kundenbewertungen und Prognose von Produktverkäufen.
Prognosen können je nach den Umständen und dem, was prognostiziert werden soll, unterschiedliche Zeithorizonte umfassen.
Es ist naturgemäß, dass es beim Umgang mit Unvorhersehbarem und Unbekanntem Grenzen gibt. Zeitreihenprognosen sind nicht in jeder Situation angemessen oder hilfreich. Da es keine eindeutigen Regeln für den Einsatz von Prognosen gibt, müssen Analysten und Datenteams sich der Grenzen ihrer Analysen und Modelle bewusst sein.
Nicht alle Modelle eignen sich für alle Datensätze oder beantworten alle Fragen. Wenn Datenteams die geschäftliche Fragestellung verstehen und über die entsprechenden Daten und Prognosefähigkeiten verfügen, sollten sie Zeitreihenprognosen nutzen. Mit sauberen, zeitgestempelten Daten lassen sich echte Trends und Muster in historischen Daten identifizieren. Indem sie echte Erkenntnisse von saisonalen Schwankungen trennen, können Analysten zwischen zufälligen Schwankungen und Ausreißern unterscheiden. Gute Prognosen zeigen mithilfe von Zeitreihenanalysen die Richtung, in die sich Daten im Zeitverlauf verändern.