Predictive Analytics und Zeitreihenprognosen für komplexe Rohstoffe: eine Case Study
Hast du jemals darüber nachgedacht, wie sehr dein tägliches Leben von Aluminium abhängt? Ja, wir meinen die Alufolie, in die du dein Mittagssandwich eingepackt hast, oder das schlanke Gehäuse deines Smartphones oder Laptops, mit dem du gerade diese Zeilen liest. Aluminium ist überall. Dieses vielseitige Metall ist unverzichtbar in fast allen Bereichen unseres modernen Lebens: Es steckt in unseren elektronischen Geräten, in jedem Fahrzeug, das wir nutzen – ob Flugzeug, Auto, Zug oder Fahrrad – und sogar in Verpackungen, die unsere Lebensmittel frisch halten. Man kann mit gutem Grund sagen, dass Aluminium ein Kernbestandteil zahlreicher Industrien und Anwendungen ist, die unseren modernen Lebensstil ermöglichen.
Doch was wäre, wenn der Aluminiumpreis plötzlich steigen oder fallen würde? Welche Auswirkungen hätte das auf Produktionskosten, Verbraucherpreise oder sogar die Stabilität ganzer Branchen? Wie du dir vielleicht vorstellen kannst, wird der Preis eines Rohstoffs wie Aluminium von vielen, miteinander verknüpften Faktoren beeinflusst – von Abbaukosten über globale politische Entwicklungen bis hin zu Nachfrage und Umweltaspekten.
Die Preisvorhersage für einen so komplexen Rohstoff ist daher zwar äußerst wertvoll, aber auch sehr anspruchsvoll, vor allem weil der Aluminiumpreis keiner klaren Saisonalität folgt, wie es beispielsweise beim Weihnachtsgeschäft der Fall ist. In solchen komplexen Fällen stoßen herkömmliche Prognosemethoden schnell an ihre Grenzen. Hier kommen Predictive Analytics und die Zeitreihenanalyse (Time-Series-Forecasting, TSF) ins Spiel. Mithilfe fortschrittlicher Algorithmen lassen sich Unsicherheiten besser eingrenzen, und fundierte Vorhersagen werden möglich. In diesem Artikel zeigen wir, wie TSF zur Schätzung des zukünftigen Aluminiumpreises eingesetzt werden kann. Wir vergleichen dazu einen gängigen TSF-Algorithmus mit unserer eigenen Lösung und veranschaulichen, wie unser Team bei diconium data deinem Unternehmen helfen kann, die Möglichkeiten der prädiktiven Analytik optimal zu nutzen
Zeitreihenvorhersage für Aluminiumpreise
Wenn du ChatGPT nach den fünf beliebtesten Algorithmen für Zeitreihenprognosen fragen, stehen die Chancen gut, dass ARIMA ganz oben auf der Liste steht. ARIMA steht für „AutoRegressive Integrated Moving Average“ und wird oft eingesetzt, weil es verschiedene Datenmuster modellieren kann. Doch das Modell hat auch Schwächen, besonders wenn es um langfristige Vorhersagen oder plötzliche Veränderungen geht.
Da Zahlen manchmal mehr sagen als Worte, schauen wir uns an, wie ARIMA den Aluminiumpreis prognostiziert. Dafür haben wir ein ARIMA-Modell mit einem Datensatz trainiert, der tägliche Aluminiumpreisdaten über 5 Jahre und 3 Monate enthält. Um die letzten 3 Monate (1. Januar bis 1. März 2024) vorherzusagen, haben wir die Daten in Trainings- und Testdaten aufgeteilt. So sieht ARIMA in der Praxis aus:
Wie du siehst, liefert ARIMA (in Blau) eine erste Schätzung, hat aber Schwierigkeiten, den tatsächlichen Verlauf der Daten (in Schwarz) zu treffen. Auffällig ist auch, dass das Konfidenzintervall mit der Zeit stark wächst und nicht mehr gut zu den Originaldaten passt.
Das Team aus der Data-Abteilung hat das letzte Jahr damit verbracht, unsere Zeitreihenprognosen zu optimieren, um genau solche Herausforderungen zu lösen. Kund:innen kommen mit komplexen Datensätzen wie diesem zu uns und bitten zum Beispiel um Vorhersagen für verschiedene Zeitreihen, wie die tägliche Anzahl von Bestellungen. Um zu demonstrieren, wie einer unserer prädiktiven Analysealgorithmen funktioniert, haben wir ein paar Stunden investiert, um eines unserer Modelle speziell für genau diesen Aluminiumpreis-Datensatz anzupassen, und wollten sehen, wie es im Vergleich zu ARIMA abschneidet. Das folgende Bild zeigt einen direkten Vergleich der Vorhersage Schritt für Schritt:
In der Animation erkennst du, dass unser Modell die Originaldaten genau widerspiegelt, indem es wichtige Trends und Schwankungen präzise erfasst. Noch wichtiger ist, dass das 95 %-Konfidenzintervall - ein Bereich, in dem wir mit 95 %iger Sicherheit davon ausgehen können, dass die tatsächlichen Werte fallen werden - eng mit den Originaldaten übereinstimmt. Im Gegensatz zu ARIMA, dessen Vorhersagen im Laufe der Zeit immer unsicherer werden, behält unser Modell einen konsistenten und zuverlässigeren Konfidenzbereich bei, der dem natürlichen Auf und Ab des Datensatzes folgt.
Wenn du dein Business mit modernen prädiktiven Analysen auf das nächste Level bringen möchtest, dann lass dir von uns verlässliche Prognosen an die Hand geben, die fundierte Entscheidungen ermöglichen. Kontaktiere uns noch heute und erfahre, wie unsere Lösungen im Bereich Predictive Analytics deine Daten in wertvolle Erkenntnisse verwandeln können.
