Präzise Prognosen: Warum individuelle Modelle in der Zeitreihenanalyse die generative KI (noch) übertreffen

Für erfolgreiche Unternehmen spielt die strategische Ausrichtung eine zentrale Rolle. Wie werden sich Absatzzahlen zukünftig entwickeln, wie entwickeln sich die Preise? Während generative KI vielfältige Aufgaben wie die Bild- und Textverarbeitung sicher bewältigt, ist die Prognose von Zeitreihen weniger etabliert. Wir zeigen anhand eines Beispiels von Blumenverkaufsdaten, wie sich Foundation Models wie TimeGPT im Vergleich zu individuellen Modellen schlagen. Blumen sind aufgrund ihrer vergänglichen Natur ein besonders herausforderndes Produkt für die Absatzprognose. Präzise Vorhersagen der Verkaufszahlen können Überbestände und Verluste vermeiden, Prozesse wie den Einkauf automatisieren und Gewinne maximieren. Merkmale wie Feiertage und Wetter spielen eine entscheidende Rolle bei der Prognose von Blumenverkaufszahlen - wie lassen sich diese berücksichtigen? Wir diskutieren die Datenaufbereitung, das Training von individuellen Bayes’schen neuronalen Netzen und wie die Prognose mit Metriken und Konfidenzintervallen beurteilt wird. Aus dem Vergleich schlussfolgern wir, dass insbesondere bei großen Abhängigkeiten von externen Merkmalen, individuelle Modelle in der Zeitreihenprognose der generativen KI noch überlegen sind.