Diese Masterarbeit untersucht die Prognose von Verkaufsumsätzen auf Basis eines öffentlich zugänglichen Datensatzes von Kaggle. Als Referenz dient ein wissenschaftliches Paper, das ARIMAX und SARIMAX Modelle für die Zeitreihenanalyse verwendet. Die folgenden drei Prognosetechniken werden angewandt und evaluiert:
1. PowerBI Forecasting;
2. ARIMAX und SARIMAX;
3. Deep Learning (Long-Short-Term-Memory).
Zusätzlich wird die Integration von Business Intelligence Software im Rahmen der explorativen Datenanalyse betrachtet.
Die Ergebnisse dieser Masterarbeit liefern eine vergleichende Bewertung der Modellgenauigkeit und zeigen das Potenzial von KI-basierten Vorhersagemethoden für datengetriebene Geschäftsentscheidungen.
Inhaltsverzeichnis
1 Einleitung
2 Theoretischer Hintergrund
2.1 Prognosen
2.1.1 Regressionsanalysen
2.1.2 Zeitreihenanalysen
2.1.3 Prognosen mit ARIMA
2.1.4 Güte von Prognosen
2.2 Machine Learning
2.2.1 Künstliche Intelligenz: Definiton
2.2.2 Machine Learning: Definition und Abgrenzung zur KI
2.2.3 Lernarten von Machine Learning
2.2.4 Grundlegende Konzepte und Begriffe
2.2.5 Neuronale Netze (Deep Learning)
3 Methodik
3.1 wissenschaftliche Referenz (Paper)
3.2 Datenquelle
3.3 Software und IT-Infrastruktur
3.4 Modellentwicklung
3.4.1 Experiment 1: PowerBI Forecasting
3.4.2 Experiment 2: ARIMAX- und SARIMAX-Modelle
3.4.3 Experiment 3: LSTM-Modelle
3.5 Zielsetzung
4 Experimente
4.1 Data Preprocessing & Feature Engineering
4.2 Explorative Datenanalyse in MS PowerBI
4.3 Experiment 1: MS PowerBI Forecasting
4.4 Experiment 2: ARIMAX/SARIMAX
4.5 Experiment 3: Long-Short-Term-Memory (LSTM)
4.6 Ergebnisse
5 Diskussion
6 Fazit und Ausblick
Zielsetzung & Forschungsthemen
Die vorliegende Masterarbeit untersucht Methoden des Business Forecasting unter Einsatz von Machine Learning und Business Intelligence, mit dem primären Ziel, auf Basis eines öffentlich zugänglichen Walmart-Datensatzes verschiedene Prognosemodelle zu entwickeln und deren Güte systematisch zu evaluieren.
- Integration von BI-Software in den betriebswirtschaftlichen Modellentwicklungsprozess
- Vergleichende Analyse klassisch-statistischer Modelle (ARIMAX/SARIMAX) und Deep Learning Ansätze (LSTM)
- Explorative Datenanalyse und deren Einfluss auf die Modellqualität
- Bewertung von Integrationsvorteilen und methodischen Herausforderungen
- Identifikation optimaler Modellparameter mittels Grid-Search zur Reduzierung von Overfitting
Auszug aus dem Buch
2.2.4 Grundlegende Konzepte und Begriffe
In diesem Abschnitt sollen die grundlegenden Konzepte und Begriffe von Machine Learning exemplarisch anhand der jeweiligen Modellentwicklungsphasen beschrieben werden. Unter der Annahme, dass eine explorative Datenanalyse nicht notwendig oder bereits abgeschlossen ist, kann ein Machine Learning Modell des überwachten Lernens wie folgt gegliedert werden: 1. Datenvorverarbeitung, 2. Modellauswahl, 3. Training des Modells, 4. Evaluierung des Modells. Nachfolgend werden die jeweiligen Phasen exemplarisch beschrieben, wobei diese in der Praxis abweichen können und situationsbezogen variieren. Bei der nachfolgenden Beschreibung der jeweiligen Modellentwicklungsphasen liegt ein besonderer Fokus auf den grundlegenden Konzepten und Begriffen für Machine Learning.
Nach dem ein Problem definiert wurde und ein entsprechender Datensatz zur Verfügung steht, müssen die Daten zunächst vorverarbeitet werden, bevor sie verwendet werden können. Die Datenvorverarbeitung beinhaltet u.a. die Datenbereinigung, die Merkmalsauswahl und die Aufteilung des Datensatzes. Als erster Schritt im Rahmen der Datenvorverarbeitung erfolgt die Bereinigung der Rohdatenquelle im Hinblick auf Duplikate, fehlende Werte, Ausreißer, Nullwerte etc. Außerdem erfolgt eine Transformation von Datentypen, sodass bspw. kategoriale Merkmale durch Zahlen ersetzt werden. Anschließend werden die relevanten Merkmale für das Modell ausgewählt bzw. kreiert. Merkmale, sog. Features, sind spezifische Eigenschaften oder Variablen der Daten, die für die Lösung eines definierten Problems relevant sind. Die Merkmale dienen als Input für den Algorithmus, um Muster und Zusammenhänge zu erkennen. Die Auswahl geeigneter Merkmale ist entscheidend, da bspw. irrelevante, redundante und uninformative Merkmale die Leistung eines Modells erheblich beeinträchtigen können. Um sicherzustellen, dass bestimmte Merkmale nicht stärker gewichtet werden als andere, ist für spezifische Algorithmen eine Merkmalsskalierung notwendig.
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung motiviert die Relevanz des Business Forecastings in einer datengetriebenen Wirtschaft und definiert die Zielsetzung sowie die Forschungsfragen der Arbeit.
2 Theoretischer Hintergrund: Dieses Kapitel erläutert die Grundlagen quantitativer Prognoseverfahren, statistischer Modelle (ARIMA/SARIMA) sowie die theoretischen Fundamente von Machine Learning und Deep Learning (LSTM).
3 Methodik: Hier wird das methodische Vorgehen beschrieben, welches auf einem wissenschaftlichen Paper basiert, um ARIMAX-, SARIMAX- und LSTM-Modelle auf Basis des Walmart-Datensatzes methodisch fundiert zu entwickeln.
4 Experimente: Dieser Abschnitt dokumentiert die praktische Versuchsdurchführung, angefangen bei der Datenvorverarbeitung über die explorative Datenanalyse in PowerBI bis hin zur Implementierung und Hyperparameter-Optimierung der verschiedenen Prognosemodelle.
5 Diskussion: Die Ergebnisse werden kritisch hinterfragt, die Vor- und Nachteile der BI-Integration diskutiert und die Performance der eigenen Modelle mit der des referenzierten Papers verglichen.
6 Fazit und Ausblick: Das Fazit fasst die Erkenntnisse zusammen und unterstreicht das hohe Potenzial moderner Prognosetechniken für die betriebswirtschaftliche Planung.
Schlüsselwörter
Business Forecasting, Machine Learning, Business Intelligence, ARIMA, SARIMAX, LSTM, Deep Learning, Zeitreihenanalyse, Datenvorverarbeitung, Grid-Search, Modellgüte, Prognosemetriken, PowerBI, Datengestützte Entscheidungsfindung, Overfitting
Häufig gestellte Fragen
Was ist das zentrale Thema der Arbeit?
Die Arbeit befasst sich mit der Anwendung von Machine-Learning-Methoden und Business-Intelligence-Tools zur Vorhersage von betriebswirtschaftlichen Kennzahlen, speziell basierend auf Umsatzdaten der Handelskette Walmart.
Was ist das primäre Ziel der Untersuchung?
Ziel ist die Entwicklung und Evaluation verschiedener Prognosemodelle, um zu analysieren, wie BI-Software und KI-basierte Algorithmen (ARIMAX vs. Deep Learning) zur Verbesserung von Vorhersagegenauigkeiten genutzt werden können.
Welche wissenschaftlichen Methoden werden angewandt?
Es kommen zeitreihenstatistische Modelle (ARIMA/SARIMA) sowie Deep-Learning-Architekturen (LSTM) zum Einsatz, ergänzt durch explorative Datenanalysen mittels MS PowerBI.
Welche Aspekte werden im Hauptteil behandelt?
Der Hauptteil gliedert sich in die theoretische Fundierung, die detaillierte Beschreibung des methodischen Vorgehens anhand eines referenzierten Papers und die experimentelle Umsetzung verschiedener Prognose-Experimente.
Wie unterscheidet sich die Arbeit von anderen Studien?
Die Arbeit kombiniert klassische Zeitreihenanalyse mit modernen Deep-Learning-Ansätzen und untersucht explizit den Mehrwert der Integration von Business-Intelligence-Tools in den Modellentwicklungsprozess.
Gibt es spezifische Fallbeispiele in der Arbeit?
Ja, die Arbeit nutzt als Fallbeispiel den öffentlich zugänglichen "Walmart-Sales"-Datensatz, um spezifische Umsatzprognosen für unterschiedliche Store- und Departement-Konstellationen durchzuführen.
Welche Rolle spielt die PowerBI-Integration?
PowerBI dient primär der explorativen Datenanalyse und Visualisierung, wobei diskutiert wird, inwieweit die dort integrierten Forecasting-Funktionen gegenüber dedizierten KI-Ansätzen in Python bestehen können.
Was sind die wichtigsten Erkenntnisse zu den LSTM-Modellen?
Die Arbeit identifiziert LSTM-Modelle als leistungsfähigste Methode für die vorliegenden Zeitreihen, da sie komplexe nichtlineare Zusammenhänge erfassen können, wenngleich sie eine höhere Erfahrung in der Modellierung erfordern.
- Arbeit zitieren
- Chérif Malam-Bouraima (Autor:in), 2025, Business Forecasting unter Einsatz von Machine Learning und Business Intelligence, München, GRIN Verlag, https://www.grin.com/document/1561733
