Data Science-Abschlussprojekt, Gruppe Nr. 37

Ein Prognoseproblem, drei Methoden:

Vorhersage von Transaktionsvolumen für ein Kundenportfolio

 

Wie drei unterschiedliche Prognosemethoden dasselbe heterogene Kundenportfolio untersuchten und dabei zu bemerkenswert ähnlichen Ergebnissen kamen.

 

Transaktionsvolumen von Tausenden von Kunden vorherzusagen stellt eine grundlegende Herausforderung dar: Nicht alle Zeitreihen verhalten sich gleich.

 

Einige Kunden generieren große und relativ vorhersehbare Volumina, während andere starke saisonale Schwankungen, hohe Volatilität oder nur sporadische Aktivitäten zeigen. Ein einziges Prognosemodell für das gesamte Portfolio birgt das Risiko, entweder unverhältnismäßig viel Aufwand auf den „Long Tail“ zu verwenden oder die Kunden zu vernachlässigen, die den größten Anteil am Gesamtvolumen ausmachen.

 

Das Projekt ging diese Herausforderung mit drei unabhängigen Prognosemethoden an. Jede dieser Methoden wurde von Anfang bis Ende unter Verwendung desselben bereinigten Datensatzes entwickelt, der etwa 5.500 Teilnehmer, historische Daten aus 29 Monaten und einen Prognosehorizont von 31 Monaten umfasste. Das Ziel bestand darin, zuverlässige monatliche Prognosen auf Teilnehmerebene zu erstellen und dabei die starke Heterogenität des Portfolios zu berücksichtigen.

 

Drei Methoden, ein Prognoseproblem

 

Die erste Methode kombinierte eine Segmentierung nach Rechnungsvolumen mit einer verhaltensbasierten Segmentierung auf der Grundlage der Saisonalität. Kunden mit hohem und mittlerem Volumen wurden anhand ihrer zeitlichen Merkmale gruppiert, während die zentrale Prognosepipeline Prophet und XGBoost kombinierte.

 

Prophet erfasste die übergeordnete zeitliche Struktur jedes Segments, einschließlich Trends und saisonaler Schwankungen, während XGBoost Unterschiede auf Teilnehmerebene modellierte. Die daraus resultierenden Prognosen wurden aufeinander abgestimmt, um sicherzustellen, dass die individuellen Vorhersagen mit den Gesamtwerten auf Segmentebene konsistent waren.

 

Auch die zweite Methode begann mit einer Segmentierung nach Rechnungsvolumen, verwendete jedoch die Aktivitätsvolatilität als zweite Segmentierungsdimension. Sie kombinierte autoregressive Modellierung mittels SARIMA mit nichtlinearen, auf XGBoost basierenden Ansätzen und konzentrierte sich dabei auf zeitliche Abhängigkeiten und Unterschiede in der Teilnehmeraktivität.

 

Die dritte Methode stützte sich in erster Linie auf die Segmentierung nach Rechnungsvolumen und verwendete eine an den Prognosehorizont angepasste, gewichtete Kombination aus Prophet, ETS und Theta. Anstatt ein einziges Modell auszuwählen, ermöglichte dieser Ansatz, dass der Beitrag der verschiedenen Prognosemethoden je nach Prognosehorizont variieren konnte.

 

Für die verbleibenden ~10 % des Portfoliovolumens wurde bei allen drei Methoden ein saisonal-naiver Ansatz verwendet. Dies spiegelte eine gemeinsame Schlussfolgerung wider: Komplexe Modelle sind für spärliche Zeitreihen mit geringer Bedeutung für das Gesamtergebnis nicht immer gerechtfertigt.

Abbildung 1:  Portfoliokonzentration: Anteil der Teilnehmer vs. Anteil am Transaktionsvolumen

 

Unterschiedliche Strategien, ähnliche Ergebnisse

 

Trotz ihrer unterschiedlichen Modellierungsansätze lieferten alle drei Modelle Prognosen auf Portfolioebene innerhalb einer relativ engen Leistungsspanne. Die WAPE-Werte lagen zwischen etwa 9 % und 13 %, und auch die endgültigen Prognosen bewegten sich insgesamt in einer ähnlichen Größenordnung.

 

Abbildung 2: Allgemeiner Vergleich der drei Prognosemethoden

 

Diese Ergebnisse deuten darauf hin, dass es keinen einzigen, allgemein überlegenen Modellierungsansatz gab. Stattdessen konnten mehrere gut konzipierte Strategien die zugrunde liegende Struktur des Portfolios erfassen und zu ähnlichen aggregierten Ergebnissen führen.

Eine besonders wichtige Erkenntnis war, dass die Segmentierung ebenso wichtig sein kann wie die Modellauswahl. Die erste Frage lautet nicht immer „Welcher Algorithmus sollte verwendet werden?“, sondern vielmehr „Welche Kunden sollten ähnlich behandelt werden?“

Das Projekt zeigte zudem, dass die Komplexität der Modellierung der geschäftlichen Bedeutung folgen sollte. Die Kunden, die für den größten Teil des Transaktionsvolumens verantwortlich waren, rechtfertigten eine ausgefeiltere Modellierung, während für den „Long Tail“ einfachere Methoden ausreichten.

Abbildung 3: Endgültige Prognosen auf Portfolioebene anhand der drei Methoden

 

Fazit

 

Dieses Projekt hat gezeigt, dass es bei der Prognose heterogener Kundenportfolios nicht lediglich darum geht, den „besten“ Algorithmus zu finden.

Drei verschiedene Ansätze – die Kombination aus Segmentierung und hybrider Modellierung, Autoregression mit nichtlinearem Lernen sowie an den Prognosehorizont angepasste Prognose-Ensembles – erzielten WAPE-Werte von etwa 9–13 % und lieferten ähnliche Prognosen auf Portfolioebene.

 

Die zentrale Erkenntnis ist daher:

 

Das Verständnis der Portfoliostruktur kann genauso wichtig sein wie die Wahl des Prognosemodells selbst.

 

Bei realen Prognoseproblemen beginnt der effektivste Ansatz möglicherweise nicht mit der Frage „Welches Modell ist das beste?“, sondern mit einer grundlegenderen Frage: „Was unterscheidet diese Zeitreihen und welche Unterschiede sind tatsächlich von Bedeutung?“