Business Forecasting unter Einsatz von Machine Learning und Business Intelligence

Inhaltsverzeichnis

• 1 Einleitung
• 2 Theoretischer Hintergrund
  • 2.1 Prognosen
  • 2.1.1 Regressionsanalysen
  • 2.1.2 Zeitreihenanalysen
    • 2.1.2.1 ARMA-Modelle
    • 2.1.2.2 ARIMA/SARIMA-Modelle
  • 2.1.3 Prognosen mit ARIMA
  • 2.1.4 Güte von Prognosen
  • 2.2 Machine Learning
    • 2.2.1 Künstliche Intelligenz: Definition
    • 2.2.2 Machine Learning: Definition und Abgrenzung zur KI
    • 2.2.3 Lernarten von Machine Learning
    • 2.2.4 Grundlegende Konzepte und Begriffe
      • 2.2.4.1 Datenvorverarbeitung
      • 2.2.4.2 Modellauswahl
      • 2.2.4.3 Training des Modells
      • 2.2.4.4 Evaluierung des Modells
    • 2.2.5 Neuronale Netze (Deep Learning)
      • 2.2.5.1 Definition und historische Entwicklung
      • 2.2.5.2 Grundlegende Konzepte
      • 2.2.5.3 Recurrent Neural Networks (RNN)
• 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 und Themenschwerpunkte

Diese Masterarbeit untersucht Methoden des Business Forecastings unter Einsatz von Machine Learning und Business Intelligence. Das Hauptziel ist die Entwicklung und Evaluation verschiedener Prognosemodelle anhand eines öffentlich zugänglichen Datensatzes. Die Arbeit analysiert die Integration von Business Intelligence Software in den Modellentwicklungsprozess und bewertet die Modellgüte der verschiedenen Ansätze.

• Integration von Business Intelligence (BI) Software in den Modellentwicklungsprozess
• Vergleich verschiedener Prognosemethoden (ARIMA, SARIMAX, LSTM)
• Evaluation der Modellgüte anhand verschiedener Metriken (MAE, MSE, RMSE, MAPE)
• Analyse der Vorhersagegenauigkeit für verschiedene Umsatzdimensionen
• Vergleich der Ergebnisse mit einem bestehenden wissenschaftlichen Paper

Zusammenfassung der Kapitel

1 Einleitung: Die Einleitung führt in das Thema Business Forecasting ein und erläutert die wachsende Bedeutung von datengetriebenen Methoden im betriebswirtschaftlichen Kontext. Sie beschreibt den Hintergrund der Arbeit, die Notwendigkeit von Prognosen im Kontext von künstlicher Intelligenz und Business Intelligence, und formuliert die zentralen Forschungsfragen der Arbeit.

2 Theoretischer Hintergrund: Dieses Kapitel liefert die theoretischen Grundlagen für die in der Arbeit verwendeten Methoden. Es werden die Konzepte von Prognosen, Regressionsanalysen, Zeitreihenanalysen (inkl. ARMA und ARIMA/SARIMA-Modellen), sowie die Evaluierung von Prognosen detailliert beschrieben. Der zweite Teil des Kapitels widmet sich der künstlichen Intelligenz und dem Machine Learning, mit einem Schwerpunkt auf neuronalen Netzen und speziell Long-Short-Term-Memory (LSTM)-Modellen.

3 Methodik: Dieses Kapitel beschreibt die wissenschaftliche Methodik der Arbeit. Es wird ein relevantes wissenschaftliches Paper als Referenz eingeführt, die Datenquelle (Walmart Sales Dataset) vorgestellt und die verwendete Software (Python, PowerBI, Excel) erläutert. Die Methodik zur Entwicklung der Prognosemodelle (PowerBI Forecasting, ARIMAX/SARIMAX, LSTM) und die Zielsetzung der angewandten Verfahren werden detailliert dargestellt.

4 Experimente: Dieses Kapitel beschreibt die Durchführung der Experimente. Es werden die Datenvorverarbeitung, die explorative Datenanalyse mit MS PowerBI, sowie die Implementierung der drei Prognosemodelle (PowerBI Forecasting, ARIMAX/SARIMAX, LSTM) detailliert erläutert. Die Ergebnisse der Experimente werden in Tabellenform zusammengefasst.

5 Diskussion: Die Diskussion analysiert die Ergebnisse im Kontext der Forschungsfragen und beleuchtet die Vor- und Nachteile der Integration von BI-Software in den Modellentwicklungsprozess. Es wird ein detaillierter Vergleich der verschiedenen Prognosemodelle und deren jeweilige Vorhersagegenauigkeit durchgeführt. Außerdem werden die Ergebnisse mit denen des Referenz-Papers verglichen und kritisch diskutiert.

Schlüsselwörter

Business Forecasting, Machine Learning, Business Intelligence, Zeitreihenanalyse, ARIMA, SARIMAX, LSTM, Prognosemodelle, Modellgüte, Datenvorverarbeitung, explorative Datenanalyse, MS PowerBI, Walmart Sales Dataset, Evaluierungsmetriken (MAE, MSE, RMSE, MAPE), Deep Learning, Modellvergleich.

Häufig gestellte Fragen

Worum geht es in diesem Dokument?

Dieses Dokument ist eine umfassende Sprachvorschau, die den Titel, das Inhaltsverzeichnis, die Ziele und Themenschwerpunkte, Kapitelzusammenfassungen und Schlüsselwörter einer Masterarbeit zum Thema Business Forecasting unter Einsatz von Machine Learning und Business Intelligence enthält. Es dient zur Analyse von Themen in einem strukturierten und professionellen Rahmen.

Was sind die Hauptthemen dieser Masterarbeit?

Die Hauptthemen umfassen die Integration von Business Intelligence (BI) Software in den Modellentwicklungsprozess, den Vergleich verschiedener Prognosemethoden (ARIMA, SARIMAX, LSTM), die Evaluation der Modellgüte anhand verschiedener Metriken (MAE, MSE, RMSE, MAPE), die Analyse der Vorhersagegenauigkeit für verschiedene Umsatzdimensionen und den Vergleich der Ergebnisse mit einem bestehenden wissenschaftlichen Paper.

Welche Prognosemethoden werden in der Masterarbeit verglichen?

Die Masterarbeit vergleicht verschiedene Prognosemethoden wie ARIMA (Autoregressive Integrated Moving Average), SARIMAX (Seasonal ARIMA with Exogenous Regressors) und LSTM (Long-Short-Term-Memory)-Modelle.

Welche Software und IT-Infrastruktur wurden für die Modellentwicklung verwendet?

Für die Modellentwicklung wurden Software wie Python, PowerBI und Excel verwendet.

Welche Datenquelle wurde für die Prognosemodelle verwendet?

Die Datenquelle für die Prognosemodelle ist das Walmart Sales Dataset.

Welche Metriken wurden zur Evaluation der Modellgüte verwendet?

Zur Evaluation der Modellgüte wurden verschiedene Metriken verwendet, darunter MAE (Mean Absolute Error), MSE (Mean Squared Error), RMSE (Root Mean Squared Error) und MAPE (Mean Absolute Percentage Error).

Was sind die Schlüsselwörter dieser Arbeit?

Die Schlüsselwörter sind: Business Forecasting, Machine Learning, Business Intelligence, Zeitreihenanalyse, ARIMA, SARIMAX, LSTM, Prognosemodelle, Modellgüte, Datenvorverarbeitung, explorative Datenanalyse, MS PowerBI, Walmart Sales Dataset, Evaluierungsmetriken (MAE, MSE, RMSE, MAPE), Deep Learning, Modellvergleich.

Welche Kapitel sind in der Masterarbeit enthalten?

Die Masterarbeit ist in folgende Kapitel unterteilt: 1 Einleitung, 2 Theoretischer Hintergrund, 3 Methodik, 4 Experimente, 5 Diskussion, 6 Fazit und Ausblick.

Was wird im Kapitel "Theoretischer Hintergrund" behandelt?

Das Kapitel "Theoretischer Hintergrund" behandelt die theoretischen Grundlagen der verwendeten Methoden, einschliesslich Prognosen, Regressionsanalysen, Zeitreihenanalysen (ARMA, ARIMA/SARIMA) und die Evaluation von Prognosen. Es widmet sich auch der künstlichen Intelligenz und dem Machine Learning, mit Schwerpunkt auf neuronalen Netzen und LSTM-Modellen.

Was wird im Kapitel "Methodik" beschrieben?

Das Kapitel "Methodik" beschreibt die wissenschaftliche Methodik der Arbeit, einschliesslich der Referenzierung eines relevanten wissenschaftlichen Papers, der Vorstellung der Datenquelle (Walmart Sales Dataset) und der verwendeten Software (Python, PowerBI, Excel). Es erläutert die Entwicklung der Prognosemodelle (PowerBI Forecasting, ARIMAX/SARIMAX, LSTM) und die Zielsetzung der angewandten Verfahren.

Was wird im Kapitel "Experimente" dargestellt?

Das Kapitel "Experimente" beschreibt die Durchführung der Experimente, einschliesslich der Datenvorverarbeitung, der explorativen Datenanalyse mit MS PowerBI und der Implementierung der drei Prognosemodelle (PowerBI Forecasting, ARIMAX/SARIMAX, LSTM). Die Ergebnisse der Experimente werden in Tabellenform zusammengefasst.

Was wird in der "Diskussion" analysiert?

Die "Diskussion" analysiert die Ergebnisse im Kontext der Forschungsfragen und beleuchtet die Vor- und Nachteile der Integration von BI-Software in den Modellentwicklungsprozess. Es erfolgt ein detaillierter Vergleich der verschiedenen Prognosemodelle und deren jeweilige Vorhersagegenauigkeit. Ausserdem werden die Ergebnisse mit denen des Referenz-Papers verglichen und kritisch diskutiert.