Zeitreihenanalyse mit R – Entscheidungsgrundlage und Potentialfaktor

Prognosen über Börsenkurse, das Wetter oder die Arbeitslosenquote – täglich begegnen uns im Alltag Vorhersagen über zukünftige Ereignisse und Entwicklungen. In vielen Bereichen sind Vorhersagen zu wichtigen Grundlagen für unser Handeln geworden. Egal ob es um die Planung der Freizeitaktivitäten in Abhängigkeit der Wettervorhersage geht, oder um elementare wirtschaftliche Investitionsentscheidungen aufgrund von Konjunkturprognosen  –  Grundlage von Vorhersagemodellen sind Zeitreihenanalysen.

Graphische Veranschaulichung der Prognose über die Arbeitslosenzahl (in Mio.) in Deutschland

Graphische Veranschaulichung der Prognose über die Arbeitslosenzahl (in Mio.) in Deutschland

Zeitreihenanalyse: Methoden und Ziele

Eine Zeitreihe beschreibt die Entwicklung von Daten deren Werte innerhalb eines festgelegten Zeitraums erfasst und visualisiert werden. Die Zeitreihenanalyse beruht auf der Vermutung, dass sich in dieser Reihe Regelmäßigkeiten entdecken lassen, die sich für Aussagen über die Abfolge und die weitere Entwicklung der Zeitreihe nutzen lassen. Neben der Verwendung von Zeitreihen als Instrument für Prognosen über Zukunftsszenarien, dienen die Analysen noch für andere Zielsetzungen: Zeitreihenanalysen werden verwenet um historische Zeitreihen möglichst genau zu beschreiben, entscheidende Veränderungen zu erkennen und um langfristige Entwicklungen durch Bereinigung von saisonalen Konjunkturzyklen und Trenderscheinungen im Rahmen der Komponentenerkennung herauszuarbeiten. Diese Verfahren bilden dann wiederum auch die Grundlage für ein möglichst aussagekräftiges Prognosemodell.

Visualisierung einer Komponentenzerlegung am Beispiel der Arbeitslosenzahlen der Bundesrepublik Deutschland.

Visualisierung einer Komponentenzerlegung am Beispiel der Arbeitslosenzahlen der Bundesrepublik Deutschland.

 


Mehr zum Thema Zeitreihenanalyse

Case-Study: Prognose von KPIs auf Basis von Zeitreihen für Versicherer

Erfahren Sie, wie wir mit anhand von Zeitreihen unsere Kunden bei der Prognose von Produktkennzahlen unterstützt haben.

Zur Case-Study

KPI Prognose Versicherer, Personen vor Fenster Wolkenkratzer

Anomalieerkennung in Zeitreihen: Welcher Algorithmus ist der Richtige?

Welche Arten von Anomalien gilt es zu beachten, wie kann die Prognose noch präziser werden?
Erfahren Sie mehr!

Zum Blogbeitrag

Anomalieerkennung in Daten


Ereigniszeitanalyse als zeitliche Bestimmungsgröße

Ein zu den Zeitreihenanalysen verwandter Themenbereich ist die Event-History-Analysis, auch Ereigniszeitanalyse genannt. Die populärste Variante der Event-History Analysis ist die Survival-Analysis, in der eine genaue „time-to-event“ Bestimmung prognostiziert wird. Dabei liegt der Fokus also auf der genauen Abschätzung eines Zeitraumes bzw. eines Zeitpunktes wann ein konkretes Ereignis eintritt. Die Anwendungsfelder sind auch hier vielfältig. In der Medizin werden solche Analysen beispielsweise eingesetzt um Krankheitsverläufe zu prognostizieren. Im technischen Kontext können Maschinenausfälle vorhergesagt werden und in Unternehmen werden Survival-Analysis unter anderem für eine bessere zeitliche Planung von Marketingaktivitäten genutzt. Das Handeln der Kunden wird vorhersehbarer:

  • Ein Mobilfunkanbieter kann abschätzen wann das Risiko besteht, dass ein Kunde seinen bestehenden Vertrag kündigt
  • Ein Automobilbauer kann anhand von Erfahrungswerten den Zeitraum ermitteln, in dem die Chance am größten ist, einem Bestandskunden zum Kauf eines neuen Fahrzeugs zu bewegen.
  • Der Anbieter von Versicherungen kann aufgrund der Lebenssituation und demografischer Faktoren potentieller Kunden erkennen zu welchem Zeitpunkt welches seiner Produkte das größte Interesse beim Kunden weckt.

Event-History-Analysis erbringen also einen Wissensvorsprung, der Unternehmen hilft vorhandene Ressourcen effektiver einzusetzen und somit echte Wettbewerbsvorteile zu erzielen

Vorteile der Zeitreihenanalyse mit R

Zeitreihenanalysen sind in der Regel äußerst komplex und oft mit großen Datenmengen verbunden. Die Open-Source Programmiersprache R ist im besonderen Maße für solche komplexen Analysen geeignet. Mit über 7.500 verfügbaren Erweiterungspaketen steht den Anwendern ein nahezu unbegrenztes Methodenset zur Verfügung, dass lizenzkostenfrei verfügbar ist. So bietet R auch für individuelle Aufgabenstellungen die passenden Tools zur Umsetzung. Interessant für die Umsetzung von Zeitreihenanalysen sind die äußerst flexiblen und qualitativ hochwertigen Visualisierungsmöglichkeiten von R. Beispielhaft dafür stehen die beiden Grafiken dieses Beitrags, die auf Basis eines von Datamarket zur Verfügung gestellten Eurostat Datensatzes erstellt wurden. Die stark wachsende Popularität und Verbreitung von R durch alle Anwendungsbereiche statistischer Analysen hinweg ist Beleg für die hervorragenden Möglichkeiten die R heute schon bietet, und durch die stetig wachsende Entwicklergemeinde auch in Zukunft bieten wird.

Zeitreihenanalyse im Rahmen der Data Science Trainings

m Rahmen der Data Science Trainings von eoda, einem ganzheitlichen Trainingsprogramm für die Statistiksprache R bieten wir den Kurs „Zeitreihenanalyse mit R“ an. Der Kurs verdeutlicht die Fähigkeiten und Potentiale, die R im Bereich der Zeitreihenanalyse bietet. Anhand von praxisnahen Beispielen werden die Anwendungen der Zeitreihenanalyseverfahren erlernt. Unter anderem sind folgende Methoden Teil des Kursprogramms:

  • Visualisierung von Zeitreihen
  • Kolomogorv Smirnov (KS-Test)
  • HoltWinters
  • Box-Jenkins
  • Forecasting
  • ARMA/ARIMA/SARIMA
  • Kaplan-Meier
  • Cox-Regression

Die Data Science Trainings verfolgen das Ziel, die Teilnehmer mit den Fähigkeiten auszustatten, das Gelernte selbstständig auf ihre individuellen Anwendungszwecke anwenden zu können. „Zeitreihenanalyse mit R “ findet am 18. und 19. April in unseren Schulungsräumen in Kassel statt.

Schöpfen Sie ihr digitales Potenzial voll aus!
Erfahren Sie mehr darüber, wie wir Ihre Projekte realisieren


Christian Schreiner - Beitrag vom 14.08.2013

Christian Schreiner ist im Bereich Marketing der eoda GmbH tätig. Hier betreut er die innovative Data Science Plattform YUNA rund um das Thema Marketing. Privat interessiert er sich für Suchmaschinen-Optimierung und Trends in der Online-Kommunikation.

Abonnieren Sie unseren Datenanalyse-Blog