Research on Enterprise Cost Prediction Method Based on Improved Informer Model

Stellen Sie sich vor, Sie versuchen, das Wetter für den nächsten Monat vorherzusagen. Sie blicken in den Himmel, aber es ist ein chaotisches Durcheinander aus plötzlichen Stürmen, seltsamen Hitzeschüben und zufälligen Wolken, die nichts bedeuten. Wenn Sie versuchen, die Temperatur basierend auf diesem Rauschen zu erraten, werden Sie wahrscheinlich falsch liegen. Dies ist der tägliche Kampf der „Zeitreihenprognose“ (Time Series Forecasting), ein Zweig der Wissenschaft, bei dem Computer versuchen, die Zukunft basierend auf einer Linie vergangener Daten vorherzusagen. Normalerweise sind diese Computer wie superintelligente Schüler, die groß darin sind, Muster zu erkennen, aber leicht durch „Rauschen“ abgelenkt werden – plötzliche, seltsame Sprünge in den Daten, die keine echten Trends sind, sondern nur Glitches oder Unfälle.

Um dies zu lösen, haben Wissenschaftler ein spezielles Werkzeug namens „Informer“ entwickelt. Stellen Sie sich den Informer als einen supereffizienten Bibliothekar vor, der in der Sekunde eine Million Bücher (Datenpunkte) lesen kann, ohne Kopfschmerzen zu bekommen. Er nutzt einen Trick namens „Sparse Attention“ (dünnbesetzte Aufmerksamkeit), was so ist, als würde der Bibliothekar entscheiden, nur die wichtigsten Kapitel eines Buches zu lesen, um Zeit zu sparen, anstatt jedes einzelne Wort zu lesen. Doch selbst dieser Super-Bibliothekar hat eine Schwäche: Wenn die Daten unordentlich sind und wild hin und her springen (wie bei Unternehmenskosten), könnte der Bibliothekar versehentlich die spannendsten, wichtigsten Wendungen der Handlung überspringen, weil er versucht, zu effizient zu sein. Dieses Paper befasst sich genau mit diesem Problem.

---

Das Problem: Wenn die Daten aus dem Ruder laufen

Stellen Sie sich vor, Sie sind der Manager einer riesigen Fabrik. Jeden Tag müssen Sie wissen, wie viel Geld Sie nächste Woche, nächsten Monat oder sogar nächstes Jahr ausgeben werden. Dies nennt man „Unternehmenskostenprognose“ (Enterprise Cost Prediction). Aber Kostendaten sind unordentlich. Manchmal steigt der Preis für einen Rohstoff plötzlich an, weil es eine Lieferverzögerung gibt, oder eine Maschine fällt unerwartet aus. Dies sind „Extremwerte“ – plötzliche, laute Störgeräusche in den Daten, die wie große Trends aussehen, aber eigentlich nur Unfälle sind.

Ältere Computermodelle werden von diesen Unfällen verwirrt. Sie denken, ein eintägiger Ausgabensprung sei eine neue Regel für die Zukunft, was zu schlechten Vorhersagen führt. Selbst das intelligente „Informer“-Modell, das normalerweise sehr gut in Langzeitprognosen ist, hat hier Schwierigkeiten. Es versucht, effizient zu sein, indem es zufällig entscheidet, auf welche Datenpunkte es sich konzentriert, aber in einem chaotischen Kostenumfeld könnte es versehentlich genau die Sprünge ignorieren, die am wichtigsten sind, oder durch das Rauschen abgelenkt werden.

Die Lösung: Ein smarterer, aufmerksamerer Bibliothekar

Die Autoren dieses Papers, Nan Ban und ihr Team, beschlossen, dem Informer ein ernsthaftes Upgrade zu geben. Sie haben ihm nicht einfach nur mehr Daten zugeworfen; sie haben ihm zwei neue Fähigkeiten beigebracht, um mit dem Chaos realer Geschäftskosten umzugehen.

Fähigkeit 1: Die „Noise-Canceling-Kopfhörer“ (Dynamische Entstörung)
Zuerst haben sie einen Vorverarbeitungsschritt hinzugefügt. Stellen Sie sich vor, die Daten sind ein Lied voller statischer Geräusche und Knistern. Bevor der Informer dem Lied zuhört, setzt dieser neue Algorithmus Noise-Canceling-Kopfhörer auf. Er betrachtet die Daten und fragt: „Ist das ein echter Trend oder nur ein Glitch?“

• Wenn eine Zahl im Vergleich zu ihren Nachbarn viel zu hoch oder zu niedrig ist (wie ein plötzlicher, unmöglicher Sprung bei den Kosten für Bürobedarf), löscht der Algorithmus sie nicht einfach – das würde wichtige Informationen verlieren. Stattdessen „glättet“ er sie, wie das sanfte Abschleifen einer rauen Kante, damit sie besser zur Kurve passt.
• Entscheidend ist, dass dies kein Einheitsfilter ist. Der Algorithmus ist intelligent genug zu wissen, dass einige Kosten (wie Rohstoffe) von Natur aus wild und sprunghaft sind, während andere (wie die Büromiete) ruhig sind. Er passt seine Empfindlichkeit entsprechend an, behält die echten „wilden“ Trends bei und filtert gleichzeitig das falsche Rauschen heraus.

Fähigkeit 2: Das „Spotlight auf das Geschehen“ (Volatilitätsbewusste Stichprobenziehung)
Sobendie Daten sauberer sind, muss der Informer entscheiden, was er liest. Der ursprüngliche Informer wählt Datenpunkte eher zufällig aus, um Zeit zu sparen. Die neue Version hingegen nutzt eine „volatilitätsbewusste“ Strategie.

• Denken Sie an dies wie einen Kameramann bei einem Konzert. Wenn die Band eine langsame, langweilige Ballade spielt, bleibt die Kamera ruhig. Aber wenn der Schlagzeuger ein verrücktes, schnelles Solo beginnt (hohe Volatilität), zoomt die Kamera heran und folgt jedem Beat.
• Das neue Modell macht dasselbe. Es berechnet, wie sehr ein bestimmtes Datenpaket schwankt oder springt. Wenn ein Paket hochgradig volatil ist (viel Action), zwingt sich das Modell dazu, dem besonders viel Aufmerksamkeit zu schenken, um sicherzustellen, dass es die wichtigen Sprünge nicht verpasst. Wenn die Daten ruhig sind, macht es eine Pause. Dies stellt sicher, dass das Modell die „Wendungen“ in der Kosten-Geschichte erfasst, ohne überfordert zu werden.

Was sie fanden: Bessere Vorhersagen für die mittlere Frist

Das Team testete seinen neuen „Super-Informer“ mit echten Daten eines Tabakunternehmens und eines Standard-Elektrizitätsdatensatzes. Sie verglichen ihn mit dem ursprünglichen Informer und anderen Modellen.

Die Ergebnisse zeigten, dass ihre neue Methode ein klarer Gewinner ist, insbesondere bei der Vorhersage der Zukunft in einem etwas weiteren Zeitraum (der „mittleren Frist“).

• Für eine 12-Schritte-Prognose (ein Blick 12 Zeitperioden voraus), reduzierte das neue Modell den Fehler (MSE) auf 0,3819 und den durchschnittlichen absoluten Fehler (MAE) auf 0,3449. Dies war eine Verbesserung um 2,1 % und 2,2 % gegenüber einem Modell, das nur den Schritt der Entstörung durchgeführt hat.
• Für eine 24-Schritte-Prognose sank der Fehler auf 0,5035 (MSE) und 0,4202 (MAE), was eine leichte, aber stetige Verbesserung von jeweils 0,1 % und 0,2 % zeigt.

Interessanterweise stellten die Autoren fest, dass das neue Modell bei sehr kurzfristigen Vorhersagen (6 Schritte) etwas weniger genau war als die Version, die nur die Entstörung nutzt. Das liegt daran, dass kurzfristige Vorhersagen einfach genug sind, dass das zusätzliche „Spotlight“ noch nicht benötigt wird. Aber wenn man weiter in die Zukunft blickt, wo das Rauschen und die Volatilität wirklich wichtig werden, glänzt das neue Modell. Es vermeidet die „falschen niedrigen Fehler“ von Modellen, die durch Rauschen getäuscht werden, und bietet eine stabilere und zuverlässigere Sicht darauf, wohin die Kosten steuern.

Warum das wichtig ist

Dies ist nicht nur eine mathematische Übung; es geht darum, Unternehmen zu helfen, nachts besser schlafen zu können. Durch die genaue Vorhersage von Kostentrends können Unternehmen potenzielle Budgetüberschreitungen frühzeitig erkennen und sie beheben, bevor sie zu Katastrophen werden. Die Autoren schlagen vor, dass dieser „Entstörung plus Spotlight“-Ansatz ein perfektes Team bildet: Ein Teil bereinigt die Daten, und der andere Teil konzentriert sich auf die wichtigsten, chaotischen Teile der Geschichte.

Obwohl das Paper zeigt, dass diese Ergebnisse in den getesteten Datensätzen solide sind, schauen die Autoren bereits voraus. Sie planen, noch mehr Faktoren einzubeziehen, wie etwa Rohstoffpreise und politische Änderungen, um die Prognosen noch schärfer zu machen. Für den Moment haben sie jedoch bewiesen, dass man einem Computer, wenn man ihm beibringt, das Rauschen zu ignorieren und sich auf das echte Geschehen zu konzentrieren, eine viel bessere Geschichte über die Zukunft erzählen kann.