DATA-FORECASTER. Erich Steiner SoftOpt 7. April 2003

Transkript

1 DATA-FORECASTER Erich Steiner SoftOpt 7. April 2003

2 Was ist DATA-FORECASTER? 1

3 Was ist DATA-FORECASTER? 1 eine Software für Datamining

4 Was ist DATA-FORECASTER? 1 eine Software für Datamining ein neuer unveröffentlichter Algorithmus

5 Was ist DATA-FORECASTER? 1 eine Software für Datamining ein neuer unveröffentlichter Algorithmus leicht zu benutzen, einfache Benutzerschnittstelle

6 Was ist DATA-FORECASTER? 1 eine Software für Datamining ein neuer unveröffentlichter Algorithmus leicht zu benutzen, einfache Benutzerschnittstelle viele Anwendungen in Wirtschaft, Medizin, Investment-banking,

7 Customer-relationship-management, Versicherungen, Aufdeckung von Betrug, Pharmazeutik. 2

8 Versicherungsbeispiel 3 Wir haben Daten aus der Vergangenheit

9 Versicherungsbeispiel 3 Wir haben Daten aus der Vergangenheit Klient Alter Geschlecht verheiratet Bildung Kostenklasse 1 25 Mann ja Hochschule Frau nein Lehre Frau ja Abitur Mann nein Mittlere Reife 5

10 Versicherungsbeispiel 3 Wir haben Daten aus der Vergangenheit Klient Alter Geschlecht verheiratet Bildung Kostenklasse 1 25 Mann ja Hochschule Frau nein Lehre Frau ja Abitur Mann nein Mittlere Reife 5 Klient kommt zu uns, wir wissen sein Alter, Geschlecht, ob er/sie verheiratet ist, den Bildungsgrad, aber wir wissen (noch) nicht die Kostenklasse.

11 DATA-FORECASTER liefert eine Vorhersage für die Kostenklasse. 4

12 DATA-FORECASTER liefert eine Vorhersage für die Kostenklasse. 4 Zum Beispiel: Klasse 1: 1.5 % Klasse 2: 77.5 % Klasse 3: 9,3 % Klasse 4: 6.2 % Klasse 5: 5.5 %

13 Hauptfunktionen von DATA-FORECASTER 5

14 Hauptfunktionen von DATA-FORECASTER 5 Konstruktion eines Vorhersagemodells.

15 Hauptfunktionen von DATA-FORECASTER 5 Konstruktion eines Vorhersagemodells. Vorhersage zu welcher Klasse ein Individuum gehört.

16 Hauptfunktionen von DATA-FORECASTER 5 Konstruktion eines Vorhersagemodells. Vorhersage zu welcher Klasse ein Individuum gehört. Messung der Qualität eines Vorhersagemodells indem Vorhersagen und tatsächliche Klassenzugehörigkeit von Daten aus der Vergangenheit kreuzverglichen werden.

17 Hauptfunktionen von DATA-FORECASTER 5 Konstruktion eines Vorhersagemodells. Vorhersage zu welcher Klasse ein Individuum gehört. Messung der Qualität eines Vorhersagemodells indem Vorhersagen und tatsächliche Klassenzugehörigkeit von Daten aus der Vergangenheit kreuzverglichen werden. Untersuchung, ob die Daten Korrelationen enthalten.

18 Hauptfunktionen von DATA-FORECASTER 5 Konstruktion eines Vorhersagemodells. Vorhersage zu welcher Klasse ein Individuum gehört. Messung der Qualität eines Vorhersagemodells indem Vorhersagen und tatsächliche Klassenzugehörigkeit von Daten aus der Vergangenheit kreuzverglichen werden. Untersuchung, ob die Daten Korrelationen enthalten. Bewertung der Qualität einer anderen Vorhersagemethode, Vergleich mit DATA-FORECASTER möglich.

19 Warum DATA-FORECASTER benutzen? 6

20 Warum DATA-FORECASTER benutzen? 6 Datamining kann intern in der Firma durchgeführt werden, nicht notwendig vertrauliche Daten extern bearbeiten zu lassen.

21 Warum DATA-FORECASTER benutzen? 6 Datamining kann intern in der Firma durchgeführt werden, nicht notwendig vertrauliche Daten extern bearbeiten zu lassen. Es ist verhältnismäßig billig. Nicht mehr notwendig, langwierige Projekte mit Beratern durchzuführen.

22 Warum DATA-FORECASTER benutzen? 6 Datamining kann intern in der Firma durchgeführt werden, nicht notwendig vertrauliche Daten extern bearbeiten zu lassen. Es ist verhältnismäßig billig. Nicht mehr notwendig, langwierige Projekte mit Beratern durchzuführen. Es ist schnell. Zeit benötigt für Modellkonstruktion 20 Sekunden für ein 1000 X 15 Problem 37 Minuten für ein X 15 Problem

23 Entwickelt aus neuesten Forschungsergebnissen. Der zugrundeliegende Algorithmus ist eine Kombination aus Baumkonstruktion, hybridem genetischem Algorithmus und quadratischer Optimierung. 7

24 Entwickelt aus neuesten Forschungsergebnissen. Der zugrundeliegende Algorithmus ist eine Kombination aus Baumkonstruktion, hybridem genetischem Algorithmus und quadratischer Optimierung. 7 Die Vorhersagen sind Wahrscheinlichkeitswerte.

25 Entwickelt aus neuesten Forschungsergebnissen. Der zugrundeliegende Algorithmus ist eine Kombination aus Baumkonstruktion, hybridem genetischem Algorithmus und quadratischer Optimierung. 7 Die Vorhersagen sind Wahrscheinlichkeitswerte. Prbleme mit vielen Klassen und Probleme mit zwei Klassen werden in gleicher Weise gelöst.

26 Versicherungsbeispiel Fortsetzung 8

27 Versicherungsbeispiel Fortsetzung 8 Nicht numerische Merkmale müssen umgewandelt werden in numerische.

28 Versicherungsbeispiel Fortsetzung 8 Nicht numerische Merkmale müssen umgewandelt werden in numerische. Klient Alter Geschlecht verheiratet Bildung Kostenklasse

29 Input-Datei für DATA-FORECASTER 9

30 Input-Datei für DATA-FORECASTER 9 4 Anzahl der Merkmale Anzahl der Klienten 5 Anzahl der Kostenklassen

31 Input-Datei für DATA-FORECASTER 9 4 Anzahl der Merkmale Anzahl der Klienten 5 Anzahl der Kostenklassen

32 Vorhersage-Routinen 10

33 Vorhersage-Routinen manuelle. Merkmale eines Klienten werden in numerischer Form auf dem Bildschirm eingegeben. Vorhersageergebnis wird auf dem Bildschirm widergegeben.

34 Vorhersage-Routinen manuelle. Merkmale eines Klienten werden in numerischer Form auf dem Bildschirm eingegeben. Vorhersageergebnis wird auf dem Bildschirm widergegeben. 2. elektronische. Merkmale vieler Klienten sind in eine Text- Datei geschrieben. Die Vorhersagen für alle Klienten werden in eine zweite Text-Datei geschrieben.

35 Ergebnis eines Kreuzvergleichs 11

36 Ergebnis eines Kreuzvergleichs 11 Unsicherheit des Modells = Unsicherheit ohne Modell = Eine Trefferquotenmatrix H in % :

37 Ergebnis eines Kreuzvergleichs Unsicherheit des Modells = Unsicherheit ohne Modell = Eine Trefferquotenmatrix H in % : Zeile 1: Zeile 2: Zeile 3: Zeile 4: Zeile 5:

38 Zeile i von H ist die durchschnittlich vorhergesagte Wahrscheinlichkeitsverteilung des Klassenindexes für alle Klienten einer Testmenge, die alle Klasse i angehören. 12

39 zweites Beispiel: Credit-scoring 13 Profil eines Klienten:

40 zweites Beispiel: Credit-scoring 13 Profil eines Klienten: Die Höhe des beantragten Kredits.

41 zweites Beispiel: Credit-scoring 13 Profil eines Klienten: Die Höhe des beantragten Kredits. Anzahl der Beschäftigten der Firma des Klienten.

42 zweites Beispiel: Credit-scoring 13 Profil eines Klienten: Die Höhe des beantragten Kredits. Anzahl der Beschäftigten der Firma des Klienten. Jahresumsatz.

43 zweites Beispiel: Credit-scoring 13 Profil eines Klienten: Die Höhe des beantragten Kredits. Anzahl der Beschäftigten der Firma des Klienten. Jahresumsatz. Höhe der Verbindlichkeiten.

44 zweites Beispiel: Credit-scoring 13 Profil eines Klienten: Die Höhe des beantragten Kredits. Anzahl der Beschäftigten der Firma des Klienten. Jahresumsatz. Höhe der Verbindlichkeiten. Wachstumsrate während der letzten paar Jahre.

45 Alter der Firma. 14

46 Alter der Firma. 14 Branche, unterteilt in 4 Kategorien:

47 Alter der Firma. 14 Branche, unterteilt in 4 Kategorien: a) Hochtechnologie, b) Verarbeitendes Gewerbe, c) Transport, d) andere Branchen

48 Klassifizierung der Klienten in drei Klassen: 15

49 Klassifizierung der Klienten in drei Klassen: Der Klient zahlt den Kredit ohne Probleme zurück.

50 Klassifizierung der Klienten in drei Klassen: Der Klient zahlt den Kredit ohne Probleme zurück. 2. Der Klient zahlt den Kredit mit Problemen zurück.

51 Klassifizierung der Klienten in drei Klassen: Der Klient zahlt den Kredit ohne Probleme zurück. 2. Der Klient zahlt den Kredit mit Problemen zurück. 3. Der Klient zahlt den Kredit nicht zurück.

52 Zusammenfassung von DATA-FORECASTER 16

53 Zusammenfassung von DATA-FORECASTER 16 mathematisch ausgeklügelt, robust, schnell

54 Zusammenfassung von DATA-FORECASTER 16 mathematisch ausgeklügelt, robust, schnell Jeder kann es benutzen, einfache Benutzerschnittstelle

55 Zusammenfassung von DATA-FORECASTER 16 mathematisch ausgeklügelt, robust, schnell Jeder kann es benutzen, einfache Benutzerschnittstelle Anwendung bei Problemen, bei denen Daten analysiert und für Vorhersagen verwendet werden sollen.

56 Zusammenfassung von DATA-FORECASTER 16 mathematisch ausgeklügelt, robust, schnell Jeder kann es benutzen, einfache Benutzerschnittstelle Anwendung bei Problemen, bei denen Daten analysiert und für Vorhersagen verwendet werden sollen. Untersuchung, ob Korrelationen in Daten vorhanden sind oder nicht.

57 Zusammenfassung von DATA-FORECASTER 16 mathematisch ausgeklügelt, robust, schnell Jeder kann es benutzen, einfache Benutzerschnittstelle Anwendung bei Problemen, bei denen Daten analysiert und für Vorhersagen verwendet werden sollen. Untersuchung, ob Korrelationen in Daten vorhanden sind oder nicht. Bewertung von anderen Vorhersagemethoden, um Vergleiche von unterschiedlichen Methoden zu ermöglichen.