Analyse von Predictive Analytics zur Prognose von Finanzkennzahlen
Das moderne Controlling steht durch den technischen Fortschritt im Wandel. Daraus resultiert verstärkt das Bedürfnis nach rapiden und agilen Prädiktionsmöglichkeiten. Predictive Analytics bietet ein geeigneter Ansatz diesem Bedürfnis Herr zu werden.
Wüthrich, Tim Dennys, 2021
Art der Arbeit Bachelor Thesis
Auftraggebende SBB
Betreuende Dozierende Heimsch, Fabian
Keywords Predictive Analytics, Business Intelligence, ARIMA
Views: 22
Unter Predictive Analytics versteht sich die Nutzung statistischer Modelle zur Ableitung zukünftiger Ereignisse auf Basis von Vergangenheitswerten. Dies bildet eine kostengünstige und zeiteffiziente Methode zur Erstellung von Prädiktionen. Gleichwohl wird diese kaum in der Praxis angewendet. Der Weg zu einem solchen prädiktiven Modell besteht aus zwei Hauptteilen. Zum einen muss ein Modell gewählt und dessen Parameter definiert werden. Zum anderen ist die Eignung des Modelles zu betrachten und mit Alternativmodellen zu vergleichen.
Die Arbeit wurde in zwei Hauptteile unterteilt. In einem ersten Teil wird die Funktionalität von prädiktiven Modellen aufgezeigt und diverse Methoden vorgestellt. Im zweiten Teil werden verschiedene Methoden zur Einschätzung der Genauigkeit und Güte betrachtet. In beiden Teilen erfolgt ein Exkurs in die SAP Analytics Cloud (SAC). Diese ist ein Business Intelligence Werkzeug, welches bei den SBB bereits als Reportingtool zum Einsatz kommt. Als Erklärungshilfe werden prädiktive Modelle von Erfolgsrechnungspositionen der SBB Infrastruktur erstellt.
Zur Erstellung prädiktiver Modelle bietet die SAC drei unterschiedliche Möglichkeiten. Bei der Parameterfindung steht die Optimierung des Durchschnittlichen Absoluten Fehlers (MAE) im Zentrum.
Als Alternative können ARIMA-Modelle zur Prädiktion verwendet werden, welche für die erwähnten Erfolgsrechnungspositionen zur Anwendung kommen. Die Parameterfindung kann durch eine Iteration automatisiert werden. Alternativ kann dieser Prozess auch manuell erfolgen. Dazu werden die Korrelationen zwischen den Datenpunkten mit unterschiedlichen Zeitabständen analysiert. Ein geeignetes Mittel bildet hierfür die Autokorrelationsfunktion sowie die Partielle Autokorrelationsfunktion.
Zur Einschätzung der Prognosegüte stehen zwei Ansätze zur Verfügung. Als erster Ansatz kann in einer visuellen Darstellung die unterschiedlichen Verläufe zwischen den tatsächlichen und den von einem Modell geschätzten Werten abgebildet werden. Als zweiter Ansatz können die Differenzen zwischen den tatsächlichen und geschätzten Werten «aggregiert» werden. Bei Verwendung von sogenannten Metriken ist jedoch Vorsicht geboten, da die unterschiedlichen Aggregationsformen zu Verzerrungen bei der Interpretation führen können.
Studiengang: Betriebsökonomie (Bachelor)
Vertraulichkeit: vertraulich