Maschinelles Lernen ist heutzutage in einer Vielzahl von Branchen ein gängiger Begriff. Die Notwendigkeit, große Datensätze zu verwalten, zu analysieren und darüber Bericht zu erstatten, ist längst nicht mehr nur auf Technologieunternehmen beschränkt. Viele Unternehmen sind nun auf Data Scientists angewiesen, um die enormen Datenmengen, die bei der Ausführung ihrer Geschäfte anfallen, sinnvoll zu nutzen. Darüber hinaus benötigen Sie fachkundige Unterstützung bei der Optimierung ihrer Planungsprozesse und bei der Vorhersage von Chancen und Risiken. Smart Predict stellt in diesem Zusammenhang ein hilfreiches Tool dar.

Möglichkeiten mit Smart Predict

Smart Predict ist ein Feature von SAP Analytics Cloud. Es ermöglicht durch eine intuitive Oberfläche, komplexe künstliche Intelligenz Tools und Algorithmen zu verwenden. So ist es möglich, Muster in großen Datenmengen zu bestimmen und Vorhersagen zu treffen. Mithilfe von Smart Predict kann somit jeder Mitarbeiter im Unternehmen die Rolle eines Data Scientists übernehmen.

Trainieren einer Künstlichen Intelligenz mit Smart Predict

In dieser dreiteiligen How-To-Blogreihe erläutern wir, wie Sie mit Hilfe der Smart Predict Funktion eine Künstliche Intelligenz anhand von Daten eines fiktiven Stores trainieren können. Anschließend zeigen wir auf, wie Sie auf dieser Grundlage einen anderen Datensatz mit Vorhersagen erweitern können.

Zuerst erstellen wir aus unseren vollständigen Daten einen Datensatz, mit dem wir die Smart Predict KI trainieren. Dazu klicken wir im Menü auf den Reiter „Datasets“ und laden dort unsere Daten hoch. In unserem Fall befinden sich die Daten in einer CSV Datei. Daher wällen wir „Upload from a CSV or Excel File“ zum Hochladen aus. Hier ist es wichtig zu beachten, dass die Dimensionen und Kennzahlen richtig definiert sind.

Exkurs: Predictive Szenarien in Smart Predict

An dieser Stelle möchten wir einen kleinen Exkurs starten, um die verschiedenen Predictive Szenarien zu erklären, die in der SAP Analytics Cloud zur Auswahl stehen. Unterschieden werden die drei folgenden Szenario-Typen:

• Classification
• Time Series Forecast
• Regression

Szenario-Typ Classification

Classification wird verwendet, um einer Population eine Wahrscheinlichkeit zuzuweisen, dass ein bestimmtes Ereignis eintritt. Beispiele hierfür sind Fragen wie:

• Wer wird dieses Produkt aufgrund seiner Kaufgewohnheit wahrscheinlich kaufen?
• Wer von meinen Kunden wird positiv auf meine Marketingkampagne reagieren?

Szenario-Typ Time Series Forecast

Die Time Series Forecast verwendet Datensätze mit einer Zeitdimension. Es geht darum, durch historische Analysen Modelle zu erstellen und diese zu nutzen, um Beobachtungen zu machen und zukünftige strategische Entscheidungen zu treffen.

Szenario-Typ Regression

Die Regression wird verwendet um Beziehungen zwischen verschiedenen Variablen (Regressanden) zu ermitteln und somit Schätzungen und Vorhersagen zu treffen und kausale Beziehungen zwischen Regressanden zu ermitteln.

Regression für Gewinnvorhersage nutzen

In diesem How-To verwenden wir die Regression, um in Smart Predict eine Vorhersage über den Gewinn eines fiktiven Stores zu ermitteln.

Dafür wählen wir im Menü „Predictive Scenarios“ aus und erstellen ein neues Predictive Szenario vom Typen Regression.

In unserem Fall müssen wir in Smart Predict zuerst unseren Datensatz als Trainings Datenquelle festlegen. Anschließend  bestimmen wir noch unser Predictive Goal (in unserem Fall Profit). Zusätzlich wählen wir noch Spalten, die keinen Einfluss (Influencer) auf das Ergebnis haben bzw. die beim Training ignoriert werden sollen. In unserem Fall lassen wir das Influencer Feld frei. Sobald unsere Einstellungen entsprechend ausgewählt sind, klicken wir auf „Train“ und warten bis das Model fertig ist.

Sobald das Training abgeschlossen ist, bekommen wir eine generelle Übersicht des Trainings und eine Übersicht der einzelnen Influencer zum Ergebnis.

Im zweiten Teil unserer How To-Blogreihe zeigen wir, wie die Ergebnisse aus dem Training zu deuten sind, um Treiber und Trends im Datensatz zu erkennen.