EP1725981A1 - Prognoseverfahren und -vorrichtung zur bewertung und vorhersage stochastischer ereignisse - Google Patents

Prognoseverfahren und -vorrichtung zur bewertung und vorhersage stochastischer ereignisse

Info

Publication number
EP1725981A1
EP1725981A1 EP05733627A EP05733627A EP1725981A1 EP 1725981 A1 EP1725981 A1 EP 1725981A1 EP 05733627 A EP05733627 A EP 05733627A EP 05733627 A EP05733627 A EP 05733627A EP 1725981 A1 EP1725981 A1 EP 1725981A1
Authority
EP
European Patent Office
Prior art keywords
evaluation
forecasting
unit
event
event data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
EP05733627A
Other languages
English (en)
French (fr)
Inventor
Michael Bernhard
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
EPOQ GmbH
Original Assignee
BERNHARD-MUEHLING-WEINECK GbR
BERNHARD MUEHLING WEINECK GbR
Bernhard-Muehling-Weineck GbR
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BERNHARD-MUEHLING-WEINECK GbR, BERNHARD MUEHLING WEINECK GbR, Bernhard-Muehling-Weineck GbR filed Critical BERNHARD-MUEHLING-WEINECK GbR
Publication of EP1725981A1 publication Critical patent/EP1725981A1/de
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising

Definitions

  • the invention relates to a prediction method and apparatus for evaluating and predicting stochastic events.
  • Data Mining provides management with insights and relationships that have been hidden or disregarded until now, either because they were considered non-decision-making or un-analyzable.
  • rule-based systems are used, which serve to extract the known If-Then rules and to verify them if necessary. Which method is used in each case in the context of "data mining" depends on the respective problem and the area of application.Neuronal networks and systems of linear regression are used in particular for questions with prognosis character.Of course, combinations of the known data mining solutions are conceivable which is usually determined empirically, which date-mining solution is the best method for which application.
  • Remote diagnosis and forecasting method for complex systems in particular in connection with vehicle telematics systems, wherein on the basis of recorded on board a vehicle operating data, which are transmitted to a central diagnostic center and thus a remote monitoring is realized, but also a prognosis, such as the probability of failure of individual Determine components.
  • a method for predicting a parameter representing the state of a system in particular a
  • a very specific technical application of such forecasting method represents the prediction of the operating behavior of a turbine system according to the German patent DE 44 24 743 C2.
  • a plant-specific plant model based on the specification of one or more operating parameters further operating parameters determined and taking into account the desired boundary condition or operating parameters Response of the modeled turbines would be calculated on the desired boundary condition and based on which the behavior of the monitored operating parameter or the turbine plant is predicted.
  • the invention is therefore based on the object of specifying a prediction method and a prediction device for evaluating and predicting stochastic events, which reacts dynamically to changing boundary conditions and is designed to be self-adaptive.
  • an event data record is first created for a process unit which is answered with a binary event value, which is then forwarded to the downstream evaluation unit, whose evaluation result in turn is fed back to another input of the process unit, there is a feedback between the input variables and the output variables in the sense of a simple control loop, so that these changed input variables lead to changed result values, which are included in the forecasting method by way of feedback.
  • the event record could include a description of an offer and a customer record, where the binary event value is a digital representation of a purchase offer to the customer Ja / Nein, so that at the cut-off input, a set value can be set for how many customers which a tender offer is being prepared should also accept this.
  • the forecasting method according to the invention is thereby carried out in two separate but linked methods, which are controlled by a process unit and a valuation unit.
  • the process unit represents the control center of the forecasting process and thus ensures the timing and control of the forecasting process as a whole.
  • the process unit has two further outputs for the output of two feature vectors, in which one feature vector comprises the target parameter value, while in the other feature vector the value of the target parameter is still unoccupied. Both feature vectors are then passed to the adjoining valuation unit, which then uses the evaluation of the feature vectors to determine the target parameter value, which is fed back to an additional score input of the processor unit.
  • the event data record in the form of an n-tuple at the input of the processor unit, wherein the dimension of the vector is changeable and therefore the value n of the n-tuple is variable.
  • the n-tuple does not necessarily have to be normalized. It usually consists of key-value pairs.
  • the learning process can be adapted dynamically by self-adaptation of the evaluation system by a simple adaptation of the input data set and / or a changed dimensioning.
  • a further significant advantage of the method according to the invention is that the evaluation result of the evaluation unit fed back to the return input of the processor unit is a numerical and thus easily understandable value.
  • a high valuation result stands for a high turnover of the customer and a low valuation result for a correspondingly low turnover. This facilitates the practical application the forecasting process considerably.
  • the large returned to the return input thus already represents an illustration of a fact.
  • the evaluation process taking place in the evaluation unit downstream of the process unit represents a self-adaptive system which has an incremental learning mechanism.
  • the method first has to be triggered with predefined training event records which are sequentially applied to the process unit and transferred to the downstream evaluation unit in the form of the feature vectors explained above, with the result that a first optimization of the prognosis method takes place Increasing number of processed event records, especially real event records already an improvement of the system takes place.
  • the dynamics of the forecasting method are also made clear by the fact that a temporal evaluation is assigned to the respective evaluation results and, depending on this, a priority weighting.
  • the older evaluation results have a lower weight than the younger ones, so that also in this respect changing framework conditions are adequately taken into account.
  • This functionality of the evaluation method is suitably described as a "forget function.”
  • the dynamics of the prediction method according to the invention are also reflected, inter alia, in an additional setup input of the process unit, via which it is possible to incorporate additional parameters into the current evaluation or the parameters of the event record to be defined, via the setup input that is, the parameterization or predefinition of the event data records created at the input of the process unit. Via the setup input variables can be added on the fly and thus the dimension of the event data record can be extended.
  • At least three different process sequences of the prognosis are created within the forecasting process.
  • a first method sequence only the event data records are stored in a cache memory assigned to the process unit, and otherwise the number of processed event data sets and the digital evaluation results are paid.
  • each customer represented by an incident record is offered a product and returned to each customer as an evaluation result to the return receipt whether the purchase decision was positive.
  • the response output 1 is constantly output in this phase.
  • the method is ideally implemented in conjunction with a prediction device according to claim 12.
  • This forecast device can ideally be operated in conjunction with a conventional data processing system, wherein this data processing system may be in connection with a customer database of a provider, wherein the prediction device is additionally connected to the telephone system of the customer data provider.
  • this data processing system may be in connection with a customer database of a provider, wherein the prediction device is additionally connected to the telephone system of the customer data provider.
  • the prediction device is additionally connected to the telephone system of the customer data provider.
  • Identification features the individual customer data sets are selected, in which case via a display device connected to the forecasting device, a forecast of the expected purchase decisions of the customer with respect to different offers opportunities is displayed.
  • a system can be used advantageously in connection with a call center, for example, in which case the respective person in charge is informed of which product or which, depending on the calling customer Service should be offered to the customer in the context of the conversation in order to have an increased probability of making a positive purchase decision.
  • FIG. 1 shows a workstation of a call center with connected forecasting device in a block diagram
  • FIG. 2 shows a forecasting method of the forecasting device according to FIG. 1 in a block diagram
  • FIG. 3 the forecasting method according to FIG. 2 in a detailed block diagram
  • FIG. 7 a method for creating so-called scoring cards 8 shows a hydrograph with the course of stochastic events without the use of the prognosis method in comparison to a hydrograph with the use of the prognosis method, each in a diagrammatic representation, with reference to an input variable.
  • FIG. 1 shows a typical workstation in a call center. Such a workstation initially consists of the terminal 1 or a computer unit of the respective employee of the call center, which is data-connected to the telecommunications system 2 of the call center. In addition, both the telecommunications system 2 and the terminal 1 with a customer database 3 of the cooperating with the call center provider in data connection.
  • the provider can be any participant in the economic process, such as a mail order company, where the call center can either an external or internal device of the provider, which in any case has access to the mentioned customer database 3 of the provider.
  • the terminal 1 of the employee of the call center is additionally connected to a forecasting device 4.
  • the forecasting device 4 can either be connected to its own display device or use the employee's terminal 1 as a display device.
  • an individual offer is then made to the caller, in which case the customer's real purchase decision flows into the customer database 3 and thus flows into the evaluation by the forecasting device 4 on the next call from the same customer.
  • Computing unit can be realized, essentially of two mutually connected in data connection blocks.
  • the event data sets are transferred to the forecasting device 4. These are vectors, so-called n-tuples, which are applied to a request input 11 of the prediction device 4.
  • the response output 12 is followed by a query unit 13, which in the case the event value output at the response output 12 is 0, the event data record created at the request input 11 is discarded in an elimination step 9 or else a further processing is initiated.
  • the offer is submitted to the customer, ie an external process 8 is switched on and the customer reaction in the form of a numerical evaluation result is further fed back via the feedback path 7 to a return input 10 of the forecasting device 4. It can simply be the feedback, the customer has bought something, or what is the turnover or something similar.
  • the forecasting device 4 is additionally provided with a cut-off input 14, at which the ratio of the digital event values with one another, that is the percentage of the events rated 1 with respect to the total number of event data sets, can be set.
  • the forecasting device 4 is parameterized.
  • the number of dimensions ie the number n of the n-tuple of the event data sets created at the request input 11
  • the parameters of the form and the name contained in the event data record and Type can be defined according to.
  • key-value pairs such as "age: 35"
  • the forecasting device comprises a process unit 5 with downstream evaluation unit 6.
  • the downstream evaluation device 6 has at least two Inputs 16, 17 on. These are a train input 16 and a score input 17, which are each connected to a train output 20 and a request output 21 of the process unit 5.
  • the downstream evaluation process is rejected in the evaluation unit 6 as a function of whether an input value 1 or 0 is output at the response output 12, wherein the event value 1 in the present example represents the recommendation to the customer may submit.
  • the two inputs 16, 17 of the evaluation unit 6 are each occupied by the feature vectors output by the process unit, wherein the train input 16 for adaptation of the applied in the evaluation unit 6
  • Evaluation processes is used and therefore requires a feature vector with an occupied target variable, wherein the score input 17, a feature vector is created, the target variable is not occupied.
  • a score result is output at a score output 22.
  • the score value output at score output 22 represents a numeric number corresponding to the target variable already mentioned. This target variable or this evaluation value is returned to an additional score input 23 of the process unit 5. The evaluation value determined by the evaluation unit 6 thus flows into the further evaluation by the forecasting device 4.
  • each event data record reported to the prediction apparatus 4 is stored in a so-called request cache 24, and as soon as the feedback evaluation values are applied to the return input 10 of the process unit 5, the event vector previously stored in the request cache 24 is retrieved using the data records of the event vector Evaluation unit 6 feedback-enriched value enriched and then the complete record so n-tuple include the event record and the evaluation value in one
  • Train cache 25 is stored. As soon as the train cache 25 is full, the evaluation unit 6 is trained with the content of the train cache 25. In the event that the event data set can not be found in the request cache 24 on the basis of the values feedback-coupled by the process unit 5, an error message 26 is output.
  • the train cache 25 is assigned a threshold value query 27, via which it is checked in each case whether the train cache 25 has already run to full, that is, a predetermined number of event data sets has been created in this memory element. Once this number is reached, these event records are used, for example, to improve the parameterization of the evaluation unit 6, wherein the model underlying the forecasting device 4 is trained in a training step 30 and then the train cache 25 is emptied in an emptying step 28.
  • At least three different process sequences can be distinguished from one another in the inventive prediction method, whereby it depends on the respective learning success and learning progress of the inventive prediction method which of the possible method sequences is used.
  • the different ones Processes are reflected in particular in the processing of the applied to the input of the process unit event data sets, the so-called Requests 35.
  • the requests 35 are written unchanged in a write step of the process unit associated request cache 24 and increased for each request 35 of the threshold value 31 by one, and the integrated response payer for each request 35, which is answered with the response 1 , is also raised by one.
  • this first phase but at
  • the internal parameter sets of the evaluation unit 6 are adapted to the changed situation. Now, however, the evaluation unit 6 causes either an event value 1 or 0 at the response output 12 can be output. Therefore, a response query 37 must be switched before the parameter setting 37. It is thus carried out in parallel a rating of how well the forecasting device 4 is already working, so about how often the customer
  • Acceptance offer This ratio is again monitored by a threshold value 31.
  • a further defined threshold value When a further defined threshold value is reached, a change is made from the second method sequence to a third method sequence which essentially differs from the second method sequence only in that the internal parameters used in the evaluation unit 6 are changed as a function of the learning outcome of the prediction method.
  • the prediction apparatus 4 can be preceded by a training database 40 from the simulation unit 41, which is also connected upstream Endless loop 42
  • a parallel validation database 43 serve to check the good of the forecasting device 4 with an independent data set, if necessary.
  • FIG. are three time-lapse hydrographs in three superimposed diagrams.
  • the top diagram shows the progression of the positive purchase decisions, ie the return values 1 in relation to the total number of processed event records.
  • a value of 0.5 is set.
  • the positive return curve very quickly and noticeably approaches the desired sales success.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Die Erfindung betrifft ein Prognoseverfahren und­ -vorrichtung zur Bewertung und Vorhersage stochastischer Ereignisse. Bei derartigen Prognoseverfahren und -vorrichtungen besteht das Problem, dass diese möglicherweise statisch aufgebaut sind und sich daher weder an veränderte Datensätze noch an sich verändernde Randbedingungen der betrachteten stochastischen Ereignisse angepasst werden können. Dadurch, dass die Erfindung mit einer Rückkopplung (7) der Bewertungsergebnisse arbeitet, ist ein neues Prognoseverfahren und eine dynamische Prognosevorrichtung geschaffen, die sich darüber hinaus dadurch auszeichnet, in Echtzeit die Eingangsparametersätze und Eingangsbedingungen bearbeiten zu können, in dem über einen zusätzlichen Setup-Eingang (15) eine gegebenenfalls veränderte Variablenbelegung eingepflegt werden kann.

Description

PROGNOSEVERFAHREN UND -VORRICHTUNG ZUR BEWERTUNG UND VORHERSAGE STOCHASTISCHER EREIGNISSE
Die Erfindung betrifft ein Prognoseverfahren und -Vorrichtung zur Bewertung und Vorhersage stochastischer Ereignisse .
Im Zuge der fortschreitenden Informationsgesellschaft werden Geschäftsprozesse zunehmend in Datenbanken abgebildet, um gegebenenfalls durch die Analyse der Geschäftsverläufe in der Vergangenheit sinnvolle Erkenntnisse und Handlungsempfehlungen für die Zukunft zu gewinnen. Insbesondere elektronische Warenwirtschaftssyste- me erlauben es, weitgehend automatisierte Geschäftsprozesse durch Auswertung komplexer „Wenn-Dann-Ereignisketten zu steuern.
Das Problem derartiger Warenwirtschaftssysteme besteht allerdings darin, dass sich eine Reihe von Geschäftsprozessen nur schwer in „Wenn-Dann-Ereignisketten" abbilden lassen. Man spricht von sogenannten Softfacts im Unterschied zu Hardfacts, die nur schwer der automatisierten Abwicklung zugänglich zu sein scheinen. Ein Beispiel hierfür stellt die Bewertung der Wahrscheinlichkeit einer Kaufentscheidung eines Kunden dar. Diese Fragen sind auch nicht mit den Werkzeugen der klassischen Analyse oder Statistik zu beantworten.
Eine mögliche Auswertung derartiger Datenbanken ist unter dem Begriff „Data-Mining" in der Fachwelt bekannt geworden. Es geht dabei im Wesentlichen darum, entscheidungsrelevante Informationen aus Datenbanken zu extrahieren. Dabei soll „Data-Mining" dem Management Erkenntnisse und Zusammenhänge liefern, die bislang verborgen geblieben oder außer Acht gelassen worden sind, weil sie entweder für nicht entscheidungsrelevant oder für nicht analysierbar gehalten wurden .
Den Erfolg des „Data-Mining" begleiten auch neue Datenbanktechniken wie etwa relationale oder objektorientierte Datenbanken, flexible Client-Server-Technologien oder Parallel- Prozessoren, die die Performance und das Preis- /Leistungsverhältnis dieser Datenbanken erheblich verbessert haben. Im Bereich des „Data-Mining" sind eine Reihe von Technologien bekannt geworden, wie etwa die künstlichen neuronalen Netze unter denen man im Wesentlichen nichtlineare Prognoseverfah- ren versteht, die weitgehend der biologischen Informationsverarbeitung nachempfunden und selbstadaptiv aufgebaut sind. Eine Alternative stellen die sogenannten Kohonen-Netze dar, wobei es sich um ein Segmentierungsverfahren handelt, die ebenfalls auf dem Prinzip neuronaler Netze basieren und selbstständige Cluster innerhalb eines größeren Datenbestandes bilden. Ein klassisches Verfahren der statistischen Auswertung stellt etwa die lineare Regression dar, wobei hier eine mögliche Verhaltensweise mit Hilfe unabhängiger Variablen prognostiziert werden sollen. In der Regel werden regelbasierte Systeme eingesetzt, die dazu dienen die bekannten Wenn-Dann-Regeln zu extrahieren und gegebenenfalls zu verifizieren. Welche Methode jeweils im Rahmen des „Data- Mining" eingesetzt wird hängt von der jeweiligen Fragestellung und dem Einsatzgebiet ab. Neuronale Netze und Systeme der linearen Regression werden insbesondere bei Fragestellungen mit Prognosecharakter eingesetzt. Selbstverständlich sind auch Kombinationen der bekannten Data-Mining-Lösungen denkbar, bei der in der Regel empirisch ermittelt wird, welche Date-Mining-Losung für welchen Anwendungsfall die beste Methode darstellt.
Eine konkrete Anwendung derartiger Verfahren ist in der DE 103 19 493 AI beschrieben. Es handelt sich dabei um ein
Ferndiagnose- und Prognoseverfahren für komplexe Systeme, insbesondere in Verbindung mit Fahrzeug-Telematiksystemen, wobei anhand der an Bord eines Fahrzeugs erfassten Betriebsdaten, die an ein zentrales Diagnosezentrum übertragen werden und somit eine Fernüberwachung realisiert wird, aber auch einer Prognose, die etwa die Ausfallwahrscheinlichkeit einzelner Komponenten ermitteln soll.
Ein Verfahren zur Prognose eines den Zustand eines Systems repräsentierenden Parameters, insbesondere eines den
Zustand eines Verkehrsnetzes repräsentierenden Verkehrsparameters und eine Vorrichtung zur Durchführung dieses Verfahrens ist aus der DE 197 53 034 AI bekannt geworden. Das Verfahren kann dabei insbesondere als Programm in einer Verkehrsleitzentrale realisiert werden, wobei innerhalb einer Datenbank sogenannte Ganglinien aufgezeichnet werden, die die Verläufe von verkehrstechnischen oder anderen Parametern zeigen, ausgewertet werden. Dabei soll im Rahmen dieser Losung eine effizientere Optimierung von Prognosen, insbesondere von Verkehrsprognosen ermöglicht werden.
Eine ganz konkrete technische Anwendung derartiger Prognoseverfahren stellt die Prognose des Betriebsverhaltens einer Turbinenanlage gemäß der deutschen Patentschrift DE 44 24 743 C2 dar. Dabei wird mittels eines anlagenspezifischen Anlagenmodels anhand der Vorgabe einer oder mehrer Betriebsparameter weitere Betriebsparameter ermittelt und unter Berücksichtigung der gewünschten Randbedingung oder Betriebsparameter die Reaktion der modellierten Turbinenan- läge auf die gewünschten Randbedingung berechnet und anhand dessen das Verhalten des überwachten Betriebsparameters bzw. der Turbinenanlage prognostiziert.
Allen vorstehenden Verfahren ist das Problem gemeinsam, dass die Prognoseverfahren aufgrund der Erfahrungen in der Vergangenheit eine Prognose für die Zukunft aussprechen. Einem derartigen statischen Vorgehen fehlt zumeist die erforderliche Flexibilität, um auf die sich standig ändernden Randbedingungen wirtschaftlicher Prozesse etwa innerhalb von Warenwirtschaftssystem mit der erforderlichen Sensibilität einzugehen. Bei Abbildung der Realität und insbesondere deren Prognose kann also nur mit dynamischen Methoden gelingen, die auf etwaig geänderte Randparameter reagieren und idealer Weise „on the fly" in die Prognose einfließen können.
Der Erfindung liegt demnach die Aufgabe zugrunde, ein Prognoseverfahren und eine Prognosevorrichtung zur Bewertung und Vorhersage stochastischer Ereignisse anzugeben, das dynamisch auf sich verändernde Randbedingungen reagiert und selbstadaptiv ausgestaltet ist.
Die Losung der erfindungsgemaßen Aufgabe gelingt mittels eines Prognoseverfahrens gemäß Anspruch 1 sowie einer Prognosevorrichtung gemäß Anspruch 12. Vorteilhafte Ausgestaltungen sind den abhangigen Ansprüchen 2 bis 11 bzw. 13 bis 18 zu entnehmen.
Dadurch, dass im Rahmen des erfindungsgemaßen Prognoseverfahrens zunächst ein Ereignisdatensatz an eine Prozesseinheit angelegt wird, die mit einem binaren Ereigniswert beantwortet wird, der dann der nachgeschalteten Bewertungs- einheit zugeleitet wird, deren Bewertungsergebnis wiederum an einen weiteren Eingang der Prozesseinheit ruckgekoppelt wird, besteht im Sinne eines einfachen Regelkreises eine Ruckkopplung zwischen den Einganggroßen und den Ausgangsgroßen, so dass diese ver nderten Eingangsgroßen zu veränderten Ergebniswerten fuhren, die im Wege Ruckkopplung in das Prognoseverfahren eingeschlossen werden.
Eine wesentliche Eingriffsmoglichkeit in den dynamischen Bewertungsprozess stellt dabei der zusatzliche Cut-Off- Eingang der Prozesseinheit dar, mit dem das Verhältnis der binaren Ereigniswerte untereinander eingestellt werden kann. Konkret konnte der Ereignisdatensatz eine Beschreibung eines Angebotes und einen Kundendatensatz enthalten, wobei der binare Ereigniswert eine digitale Darstellung eine Kaufangebots an den Kunden Ja/Nein darstellt, so dass am Cut-Off-Eingang im Sinne eines Sollwerts eingestellt werden kann, wie viele Kunden, denen ein Kaufangebot unterbereitet wird, dieses auch annehmen sollten.
Das erfindungsgemaße Prognoseverfahren wird dabei in zwei separaten, aber miteinander verknüpften Verfahren, die von einer Prozesseinheit und einer Bewertungseinheit gesteuert werden, durchgeführt. Dabei stellt die Prozesseinheit die Steuerzentrale des Prognoseverfahrens dar und sorgt somit für die Taktung und Steuerung des Prognoseverfahrens insgesamt .
Neben dem digitalen Bewertungsergebnis am Ausgang der Prozesseinheit weist die Prozesseinheit zwei weitere Ausgange zur Ausgabe je zweier Merkmalsvektoren auf, bei denen ein Merkmalsvektor den Zielparameterwert umfasst, wahrend bei dem anderen Merkmalsvektor der Wert des Zielparameters noch unbelegt ist . Beide Merkmalsvektoren werden dann der nachgestellten Bewertungseinheit übergeben, die dann anhand der Auswertung der Merkmalsvektoren den Zielparameterwert ermittelt, der an einen zusätzlichen Score-Eingang der Prozessoreinheit rückgekoppelt wird.
Im Rahmen der praktischen Ausführung des erfindungsgemäßen Verfahrens hat es sich bewährt, den Ereignisdatensatz in Form eines n-Tupels an den Eingang der Prozessoreinheit zu legen, wobei die Dimension des Vektors veränderlich mithin der Wert n des n-Tupels veränderlich ist. Der n- Tupel muß dabei nicht zwingend normiert sein. Er besteht üblicherweise aus key-value-Paaren. Mit Veränderung der Dimensionen des Ereignisdatensatzes bzw. des an die Prozesseinheit gegebene Vektors ist es möglich, auf veränderte Rahmenbedingungen mit einem veränderten Ereignisdatensatz zu reagieren, so dass im Laufe der Bewertung des ein und demselben Geschäftsprozesses gegebenenfalls mit unterschiedlichen Ereignisdatensätzen gearbeitet werden kann. Veränderte Rahmenbedingungen erfordern dabei etwa nicht ein Abrechen des Prognose- und Bewertungsprozesses mit der Folge, dass die bisherigen Prognose- und Bewertungsergeb- nisse für die weitere Bewertung verloren wären. Vielmehr kann der Lernprozess durch Selbstadaption des Bewertungssystems durch eine einfache Anpassung des Eingangsdatensatzes und/oder eine veränderte Dimensionierung dynamisch angepasst werden.
Ein weiterer wesentlicher Vorteil des erfindungsgemäßen Verfahrens liegt darin, dass das an den Return-Eingang der Prozessoreinheit rückgekoppelte Bewertungsergebnis der Bewertungseinheit ein numerischer und somit leicht verständlicher Wert ist. Beispielsweise steht ein hohes Bewertungsergebnis für einen hohen Umsatz des Kunden und ein niedriges Bewertungsergebnis für einen entsprechend niedrigen Umsatz. Dies erleichtert die praktische Anwendung des Prognoseverfahrens erheblich. Die an den Return-Eingang zurückgegebene Große stellt also bereits e ne Abbildung einer Tatsache dar.
In vorteilhafter Ausgestaltung stellt der in der der Prozesseinheit nachgeschalteten Bewertungseinheit ablaufende Bewertungsprozess ein selbstadaptives System dar, das über einen inkrementellen Lernmechanismus verfugt. Dabei muss das Verfahren zunächst mangels entsprechender Erfahrung in der Vergangenheit mit vordefinierten Trainingsereignisdatensatze angestoßen werden, die sequentiell an die Prozesseinheit angelegt und in Form der vorstehend erläuterten Merkmalsvektoren an die nachgeschaltete Bewertungseinheit übergeben werden mit der Folge, dass eine erste Optimierung des Prognoseverfahrens erfolgt, wobei mit zunehmender Anzahl der verarbeiteten Ereignisdatensatze, insbesondere auch realer Ereignisdatensatze bereits eine Verbesserung des Systems erfolgt .
Dabei wird die Dynamik des Prognoseverfahrens auch dadurch deutlich, dass den jeweiligen Bewertungsergebnissen eine zeitliche Bewertung und m Abhängigkeit davon eine Prioritatsgewichtung zugeordnet wird. Den alteren Bewertungsergebnissen kommt ein geringeres Gewicht zu als den Jungeren, so dass auch insofern wechselnde Rahmenbedingung angemessen berücksichtigt werden. Diese Funktionalitat des Bewertungsverfahrens wird zutreffend als „Forget- Funktion" beschrieben. Die Dynamik des erfindungsgemaßen Prognoseverfahrens spiegelt sich unter anderem auch in einem zusatzlichen Setup-Eingang der Prozesseinheit wieder, über den es möglich ist in die laufende Bewertung zusatzliche Parameter einzupflegen bzw. die Parameter des Ereignisdatensatzes verändert zu definieren, über den Setup-Eingang erfolgt also die Parametrierung bzw. Vordefinition der an den Eingang der Prozesseinheit angelegten Ereignisdatensatze. Über den Setup-Eingang können „on the fly" zusätzlich Variablen eingepflegt und somit die Dimension des Ξreignisdatensatzes erweitert werden.
Um den Lernfortschritt des Prognoseverfahrens angemessen zu berücksichtigen zu können sind innerhalb des Prognoseverfahrens mindestens drei unterschiedliche Verfahrensablaufe der Prognose angelegt. In einem ersten Verfahrensablauf werden lediglich die Ereignisdatensatze in einem der Prozesseinheit zugeordneten Cache-Speicher abgelegt und im Übrigen die Anzahl der bearbeiteten Ereignisdatensatze sowie die digitalen Bewertungsergebnisse gezahlt. Beispielsweise wird jedem durch einen Ereignisdatensatz repräsentierten Kunden ein Produkt angeboten und zu jedem Kunden als Bewertungsergebnis an den Return-Eingang zuruckgemeldet, ob die Kaufentscheidung positiv war. dabei wird also in dieser Phase standig am Response Ausgang 1 ausgegeben Die komplettierten Ereignisdatensatze
„tränieren" somit das Verfahren. Die Gute der Prognose wird parallel gemessen. Hierzu ist der Prozesseinheit ein entsprechender Zähler zugeordnet. Bei Erreichen eines definierten Schwellwertes, mithin eines gewissen Lernerfol- ges, wird von einem ersten Verfahrensablauf in einen zweiten Verfahrensablauf geschaltet, wobei es nun von der Bewertung abhangt ob am Response-Ausgang ein Ereigniswert 0 oder 1 anliegt. Mit Erreichen eines weiteren Schwellwertes kann dann in einem weiteren, dritten Verfahrensablauf gewechselt werden, in dem das Verfahren als solches unverändert bleibt, aber mit veränderten Parameterwerten, also etwa mit bereits ersten Ergebnissen des Bewertungsprozesses gearbeitet wird. Hierdurch kann abermals eine weitere Optimierung des Prognoseverfahrens erreicht werden. Selbstverständlich können im Rahmen der Erfindung auch weitere Anpassung der Parametrierung und somit weitere unterschiedliche Verfahrensablaufe der Prognose realisiert werden .
Im Sinne eines dynamischen Prognoseverfahrens hat es sich bewahrt, wenn die Veränderung der Parameter in einer sogenannten change-Kurve dargestellt wird, die gleichzeitig ein sogenanntes Fruhwarnsystem darstellt, um ggf. auf sich verändernde Bedingungen mit veränderten Vorgaben zu reagieren. Beispielsweise konnten die Preise der Angebote an den Kunden dem jeweiligen Marktgeschehen angepasst werden .
Das Verfahrens wird idealer Weise in Verbindung mit einer Prognosevorrichtung gemäß Anspruch 12 umgesetzt.
Diese Prognosevorrichtung kann idealer Weise in Verbindung mit einer herkömmlichen Datenverarbeitungsanlage betrieben werden, wobei diese Datenverarbeitungsanlage in Verbindung mit einer Kundendatenbank eines Anbieters stehen kann, wobei die Prognosevorrichtung zusätzlich mit der Telefonanlage des Kundendatenanbieters verbunden ist. Dabei können dann in Abhängigkeit von etwaigen Kundenanrufen beispiels- weise anhand der Kundentelefonnummer oder sonstiger
Identifikationsmerkmale die individuellen Kundendatensatze ausgewählt werden, wobei dann über eine mit der Prognosevorrichtung verbundene Anzeige-Einheit eine Prognose der zu erwartenden Kaufentscheidungen des Kunden im Bezug auf unterschiedliche Angebotsmoglichkeiten zur Anzeige gelangt. Ein derartiges System kann mit Vorteil etwa in Verbindung mit einem Call-Center eingesetzt werden, wobei dann dem jeweiligen Sachbearbeiter in Abhängigkeit von dem anrufenden Kunden angezeigt wird, welche Ware oder welche Dienstleistung dem Kunden im Rahmen des Gesprächs angeboten werden sollte, um eine erhöhte Wahrscheinlichkeit für eine positive Kaufentscheidung zu haben.
Die Erfindung wird nachstehend anhand eines in der Zeichnung nur schematisch dargestellten Ausführungsbeispiels näher erläutert.
Es zeigen:
Fig. 1: einen Arbeitsplatz eines Call-Centers mit angeschlossener Prognosevorrichtung in einem Blockschaltbild, Fig. 2: ein Prognoseverfahren der Prognosevorrichtung nach Fig. 1 in einem Blockschaltbild,
Fig. 3: das Prognoseverfahren nach Fig. 2 in einem detaillierten Blockdiagramm,
Fig. 4: ein weiteres Detail zur Verarbeitung der Ereignisdatensätze des Prognoseverfahrens in einem Blockdiagramm,
Fig. 5: einen ersten Verfahrensablauf des Prognoseverfahrens im Blockdiagramm,
Fig. 6: einen zweiten Verfahrensablauf des Prognoseverfahrens im Blockdiagramm,
Fig. 7: ein Verfahren zur Erstellung sogenannter scoring cards Fig. 8: eine Ganglinie mit den Verlauf stochas- tischer Ereignisse ohne Einsatz des Prognoseverfahrens im Vergleich zu einer Ganglinie mit Einsatz des Prognose- Verfahrens jeweils in einer Diagrammdarstellung, in Bezug zu einer Eingangsgröße . Beispielhaft für den Einsatz des erfindungsgemäßen Prognoseverfahrens bzw. der erfindungsgemäßen Prognosevor- richtung ist in Figur 1 ein üblicher Arbeitsplatz in einem Call-Center dargestellt. Ein derartiger Arbeitsplatz besteht zunächst aus dem Terminal 1 oder einer Rechnereinheit des jeweiligen Mitarbeiters des Call-Centers, der mit der Telekommunikationsanlage 2 des Call-Centers datenver- bunden ist. Zusätzlich steht sowohl die Telekommunikationsanlage 2 als auch der Terminal 1 mit einer Kundendatenbank 3 des mit dem Call-Center zusammenarbeitenden Anbieters in Datenverbindung. Hierbei kann es sich bei dem Anbieter um einen beliebigen Teilnehmer am wirtschaftlichen Prozess, wie etwa ein Versandhaus, handeln, wobei das Call-Center entweder eine externe oder interne Einrichtung des Anbieters ein kann, die jedenfalls Zugriff zu der erwähnten Kundendatenbank 3 des Anbieters hat . Im Rahmen der Erfindung ist der Terminal 1 des Mitarbeiters des Call- Centers zusätzlich mit einer Prognosevorrichtung 4 verbunden. Die Prognosevorrichtung 4 kann entweder mit einer eigenen Anzeigevorrichtung verbunden sein oder aber den Terminal 1 des Mitarbeiters als Anzeigevorrichtung benutzen.
Die übliche Benutzung des in Figur 1 dargestellten Arbeitsplatzes besteht darin, dass ein Kunde über die Telekommunikationsanlage 2 an den Benutzerterminal 1 des jeweiligen Bearbeiters des Call-Centers durchgestellt wird, wobei aufgrund einer zuvor abgefragten Kundenidentifikation oder einfach dessen Telefonnummer die entsprechenden Kundendaten aus der Kundendatenbank 3 bezogen werden und auf dem Terminal 1 zur Anzeige gelangen. Gleichzeitig werden die von der Kundendatenbank 3 bezogenen Daten in
Verbindung mit einem oder mehreren möglichen Angeboten, die dem Anrufer unterbreitet werden können, als Ereignisdatensätze an die Prognosevorrichtung 4 übergeben, die darauf hin mit einer Prognose bezüglich des Kaufverhaltens des Kunden oder einer Wahrscheinlichkeitsbewertung für einen möglichen Kauf reagiert und diese auf dem Terminal 1 zur Anzeige bringt. In Abhängigkeit von dem dem jeweiligen Bearbeiter mitgeteilten Ergebnis wird dann dem Anrufer ein individuelles Angebot unterbreitet, wobei dann die reale Kaufentscheidung des Kunden in die Kundendatenbank 3 fließt und somit beim nächsten Anruf desselben Kunden in die Bewertung durch die Prognosevorrichtung 4 einfließt.
Gemäß der Darstellung in Figur 2 besteht die Prognosevor- richtung 4, die in Form einer nicht weiter dargestellten
Rechnereinheit realisiert werden kann, im Wesentlichen aus zwei miteinander in Datenverbindung stehenden Bausteinen.
Wie bereits erwähnt wurde, werden die Ereignisdatensätze an die Prognosevorrichtung 4 übergeben. Es handelt sich dabei um Vektoren, sogenannte n-Tupel, die an einen Request- Eingang 11 der Prognosevorrichtung 4 gelegt werden. Jeder an den Request-Eingang 11 der Prognosevorrichtung 4 gelegte Ereignisdatensatz wird mit einem digitalen Ereigniswert 0 oder 1 am Response-Ausgang 12 der Prognosevorrichtung 4 beantwortet. Es kann sich dabei im vorliegenden Fall, um die Empfehlung handeln, dem Kunden ein Angebot zu machen ( Ereingniswert = 1) oder nicht. Dem Response-Ausgang 12 ist eine Abfrage-Einheit 13 nachgeschaltet, die für den Fall, dass der am Response-Ausgang 12 ausgegebene Ereigniswert 0 ist, den am Request-Eingang 11 angelegten Ereignisdatensatz in einem Loschschritt 9 verwirft oder aber eine Weiterbearbeitung anstoßt. Hierzu wird nun also das Angebot dem Kunden unterbreitet, also ein externer Prozess 8 eingeschaltet und die Kundenreaktion in Form eines numerischen Bewertungsergebnisses im weiteren über den Ruckkopplungspfad 7 auf einen Return-Eingang 10 der Prognosevorrichtung 4 zuruckgekoppelt wird. Es kann seh dabei einfach um die Ruckmeldung handeln, der Kunde hat etwas gekauft oder wie hoch ist der erzielte Umsatz oder hnliches. Der
Wie ebenfalls aus Figur 2 ersichtlich, ist die Prognosevorrichtung 4 zusatzlich mit einem Cut-Off-Eingang 14 versehen, an dem das Verhältnis der digitalen Ereigniswerte unter einander, also der Prozentsatz der mit 1 bewerteten Ereignisse im Bezug auf die Gesamtzahl der Ereignisdatensatze einstellbar ist.
über einen zusatzlichen Setup-Eingang 15 wird die Prognosevorrichtung 4 parametriert . Hierunter ist insbesondere zu verstehen, dass über den Setup-Eingang 15 die Anzahl der Dimensionen also die Zahl n des n-Tupels der am Request-Eingang 11 angelegten Ereignisdatensatze festgelegt wird und überdies die im Ereignisdatensatz enthaltenen Parameter der Form und dem Namen nach sowie dem Typus nach definiert werden können. Es handelt sich dabei um sogenannte key-Value Paare, wie etwa „alter : 35"
Eine detailliertere Darstellung der Prognosevorrichtung 4 ist in Figur 3 gegeben. Gemäß der Darstellung in Figur 3 umfasst die Prognosevorrichtung eine Prozesseinheit 5 mit nachgeschalteter Bewertungseinheit 6. Dabei weist die nachgeschaltete Bewertungseinrichtung 6 wenigstens zwei Eingänge 16, 17 auf. Es handelt sich dabei um einen Train- Eingang 16 und einen Score-Eingang 17, die jeweils mit einem Train-Ausgang 20 und einem Request-Ausgang 21 der Prozesseinheit 5 verbunden sind. Wie bereits vorstehend erläutert wurde, wird der nachgeschaltete Bewertungsprozess in der Bewertungseinheit 6 in Abhängigkeit davon abgestoßen, ob am Response-Ausgang 12 ein Eingangswert 1 oder 0 ausgegeben wird, wobei der Ereigniswert 1 im vorliegenden Beispiel für die Empfehlung stehen möge, dem Kunden ein Angebot zu unterbreiten, stehen möge.
Die beiden Eingange 16, 17 der Bewertungseinheit 6 werden jeweils mit den von der Prozesseinheit ausgegebenen Merkmalsvektoren belegt, wobei der Train-Eingang 16 zur Adaption der in der Bewertungseinheit 6 angelegten
Bewertungsprozesse dient und daher einen Merkmalsvektor mit einer belegten Zielvariable verlangt, wobei am Score- Eingang 17 ein Merkmalsvektor angelegt wird, dessen Zielvariable nicht belegt ist.
Für jedes insoweit an den Eingängen 16 und 17 angelegte Merkmalsvektorenpaar wird an einem Score-Ausgang 22 ein Bewertungsergebnis ausgegeben. Der am Score-Ausgang 22 ausgegebene Bewertungswert stellt eine numerische Zahl da, die der bereits erwähnten Zielvariable entspricht. Diese Zielvariable bzw. dieser Bewertungswert wird an einen zusätzlichen Score-Eingang 23 der Prozesseinheit 5 zuruckgemeldet. Der von der Bewertungseinheit 6 ermittelte Bewertungswert fließt somit in die weitere Beurteilung durch die Prognosevorrichtung 4 ein.
Die konkrete Verarbeitung der von der Bewertungseinheit 6 an die Prozesseinheit 5 rückübermittelten Werte an den Return-Eingang 10 ist in Figur 4 dargestellt. Zunächst wird jeder an die Prognosevorrichtung 4 gemeldeten Ereignisdatensatze m einen sogenannten Request-Cache 24 abgelegt, wobei sobald die ruckgekoppelten Bewertungswerte am Return-Eingang 10 der Prozesseinheit 5 anliegen anhand dieser Datensatze der zuvor im Request-Cache 24 abgelegte Ereignisvektor herausgesucht und mit dem von der Bewertungseinheit 6 ruckgekoppelten Wert angereichert und anschließend der komplette Datensatz also n-Tupel umfassen den Ereignisdatensatz und den Bewertungswert in einem
Train-Cache 25 abgelegt wird. Sobald der Train-Cache 25 voll ist, wird die Bewertungseinheit 6 mit dem Inhalt des Train-Cache 25 trainiert. Für den Fall, dass anhand der von der Prozesseinheit 5 ruckgekoppelten Werte der Ereignisda- tensatz im Request-Cache 24 nicht aufgefunden werden kann, wird eine Fehlermeldung 26 ausgegeben.
Dem Train-Cache 25 ist dabei eine Schwellwertabfrage 27 zugeordnet, über die jeweils geprüft wird, ob der Train- Cache 25 bereits vollgelaufen ist, also eine vorgegebene Anzahl von Ereignisdatensatzen in diesem Speicherelement angelegt ist. Sobald diese Anzahl erreicht ist, werden diese Ereignisdatensatze benutzt, um beispielsweise die Parametrierung der Bewertungseinheit 6 zu verbessern, wobei das der Prognosevorrichtung 4 zugrunde liegende Modell in einem Trainingsschritt 30 trainiert und anschließend der Train-Cache 25 in einem Leerungsschritt 28 geleert wird.
Gemäß den Figuren 5 und 6 können bei dem erfindungsgemaßen Prognoseverfahren zumindest 3 unterschiedliche Verfahrens- ablaufe voneinander unterschieden werden, wobei es vom jeweiligen Lernerfolg und Lernfortschritt des erfindungsgemaßen Prognoseverfahrens abhangt, welcher der möglichen Verfahrensablaufe zum Einsatz kommt. Die unterschiedlichen Verfahrensablaufe schlagen sich insbesondere bei der Bearbeitung der an den Eingang der Prozesseinheit angelegten Ereignisdatensatze, den sogenannten Requests 35, nieder. Im ersten Verfahrensablauf werden die Requests 35 unverändert in einem Schreibschritt der Prozesseinheit zugeordneten Request-Cache 24 geschrieben und für jeden Request 35 der Schwellwertzahler 31 um eins erhöht, wobei auch der integrierte Response-Zahler für jeden Request 35, der mit dem Response 1 beantwortet wird, ebenfalls um eins hochgesetzt wird. In dieser ersten Phase wird aber am
Response Ausgang 12 immer der Ereigniswert=l ausgegeben. Also dem Kunden zunächst generell ein Kaufangebot unterbreitet .
Sobald einer oder beide Zahler 31 einen vorgegebenen
Schwellwert erreichen und somit das Prognoseverfahren eine hinreichende Erfahrung oder Gute gesammelt hat, wird von dem ersten Verfahrensablauf gemäß Figur 5 in einen zweiten Verfahrensablauf gemäß Figur 6 gewechselt mit der Maßgabe, dass im weiteren nur noch solche Ereignisdatensatze in dem erwähnten Request-Cache 24 abgespeichert werden, die zu einem Response = 1 gefuhrt haben. Darüber hinaus werden die internen Parametersatze der Bewertungseinheit 6 an die veränderte Situation angepasst. Jetzt allerdings bewirkt die Bewertungseinheit 6, dass entweder ein Ereigniswert 1 oder 0 am Response-Ausgang 12 ausgegeben werden kann. Deshalb muß eine Response-Abfrage 37 vor die Parameter setzung 37 geschaltet sein. Es wird also parallel eine Bewertung durchgeführt wie gut die Prognosevorrichtung 4 bereits arbeitet, also etwa wie oft der Kunde das
Kaufangebot annimmt. Dieses Verhältnis wird wiederum mit einem Schwellwertzahler 31 überwacht. Bei Erreichen eines weiteren definierten Schwellwerts wird von dem zweiten Verfahrensablauf gemäß in einen dritten Verfahrensablauf gewechselt, der sich von dem zweiten Verfahrensablauf im Wesentlichen nur dadurch unterscheidet, dass die in der Bewertungseinheit 6 eingesetzten internen Parameter in Abh ngigkeit vom Lernerfolg des Prognoseverfahrens verändert sind.
Eine mögliche Anwendung des vorstehend erläuterten Verfahrens besteht darin, dass dynamische Prognoseverfahren zur Erstellung statischer Bewertungstabellen, sogenannter „scoring cards" einzusetzen. Gemäß der Darstellung in Fig. 8 kann der Prognosevorrichtung 4 eine Trainigsdatenbank 40 vorgeschaltet werden aus der eine ebenfalls vorgeschalte Simulationseinheit 41 in einer Endlosschleife 42
Datensatze entnimmt und als sequentiellen Datenstrom der Prognosevorrichtung 4 zufuhrt bis eine gewünschte Prognosegute erreicht ist. Die in einer parallelen Validierungsdatenbank 43 gespeicherten Daten dienen dazu, die Gute der Prognosevorrichtung 4mit einem unabhängigen Datensatz ggf. zu überprüfen.
Der Erfolg des erfindungsgemaßen Prognoseverfahrens bzw. der erfindungsgemaßen Prognosevorrichtung 4 ist in Figur 9 dargestellt. Es handelt sich dabei um drei über der Zeit aufgetragene Ganglinien in drei übereinander angeordneten Diagrammen . Dabei ist im obersten Diagramm die Ganglinie der positiven Kaufentscheidungen also der Return werte 1 in Bezug zur Gesamtzahl der bearbeiteten Ereignisdatensatze aufgetragen. Dabei ist am Cut-Off-Eingang ein Wert von 0,5 eingestellt . . Es stellt sich na relativ kurzer Zeit bei Bearbeitung eines Gesamtdatensatzes über der Zeiot von ca. 11 800 Datensätzen ein Angebotserfolgswert von ca 4 % ein, mit der Bedeutung, dass 4 % der angefragten Kunden das ihnen angebotene Produkt auch kaufen. Wie deutlich in der oberen Ganglmie zu erkennen ist, nähert sich die positive Rucklaufkurve sehr schnell und merklich an den gewünschten Verkaufserfolg an. Im vorstehenden Beispiel wurde ein sogenannter Scoring-Prozess mit 11.000 Ereignisdatensatzen ausgewertet, wobei als Besonderheit bei ca. 5.800 Daten das den Kunden angebotene Produkt gewechselt wurde . Hierdurch soll dokumentiert werden, dass das erfindungsgemaße Prognoseverfahren leicht an veränderte Bedingungen angepasst werden kann. Der Wechsel des Produktes spiegelt sich als Peak in der Change-Kurve wieder, ohne dass jedoch der Rucklauf oder die Prognosequalitat hierdurch deutlich verschlechtern wurde.
Vorstehend ist somit eine Prognosevorrichtung beschrieben, die im Wesentlichen durch Anwendung an sich bekannter regelungstechnischer Grundsatze, insbesondere der Ruckkopplung, es erlaubt, dynamisch an veränderte wirtschaftliche Randbedingungen angepasst zu werden und dabei sogar wahrend der Laufzeit, also „on the fly" , verändert werden kann.
B E Z U G S Z E I C H E N L I S T E
Terminal 25 Train-Cache
Telekommunikations- anlage 26 Fehlermeldung 27 Schwellwertabfrage
Kundendatenbanken 28 Leerungschritt 29 Schreibschritt
PrognoseVorrichtung 30 Trainingsschritt 31 Schwellparameterzähler
Prozesseinheit 32 Ergänzungsschritt 33 Return-Cache
Bewertungseinheit 35 Request 36 Response Abfrage
Rückkopplungspfad 37 ParameterSetzung 40 Trainingsdatenbank externer Prozess 41 Simulationseinheit 42 Enlosschleife
Löschschritt 43 Validierungsdatenbank
Return-Eingang
Request-Eingang
Response-Ausgang
Abfrage-Einheit
Cut-Off -Eingang
Setup-Eingang
Train-Eingang
Score-Eingang
Train-Ausgang
Request -Ausgang
Score-Ausgang
Zusätzlicher
Score-Eingang Request-Cache

Claims

P A T E N T A N S P R Ü C H E
1. Prognoseverfahren zur Bewertung und Vorhersage stochastischer Ereignisse, bei dem jeweils ein Ereignisdatensatz als Request (35) in Form eines definierten, aber nicht zwingend normierten, n-Tupels an einen Request-Eingang (11) einer Prozesseinheit (5) gelegt wird und jeder Ereignisdatensatz jeweils mit einem binären Ereigniswert, 0 oder 1, an einem Response- Ausgang (12) der Prozesseinheit (5) beantwortet wird, wobei dann in Abhängigkeit von diesem Ereigniswert der Ereignisdatensatz verworfen oder einer nachgeschalteten Bewertungseinheit (6) zugeleitet wird, deren Bewer- tungsergebnis an einen Return-Eingang (10) der Prozesseinheit (5) rückgekoppelt wird.
2. Prognoseverfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Prozesseinheit (5) einen zusätzlichen Cut- Off-Eingang (14) aufweist, an dem das Verhältnis der binären Ereigniswerte untereinander eingestellt wird.
3. Prognoseverfahren nach Anspruch 1 oder 2 , dadurch gekennzeichnet, dass die Prozesseinheit (5) und der nachgeschaltete Bewertungseinheit (6) nach Art eines einfachen selbstadaptierenden Regelkreises verschaltet sind, wobei die Taktung und Steuerung des Prognoseverfahrens insgesamt von der Prozesseinheit (5) vorgenom- men wird.
. Prognoseverf hren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass an der nachgeschalteten Bewertungseinheit (6) je ein Merkmalsvektor an zwei separaten Eingänge (16, 17) übergeben werden, wobei der jeweils eine Merkmalsvektσr einen Zielparameterwert umfasst und der jeweils andere Merkmalsvektor hinsichtlich des Zielparameters unbelegt ist und zu jedem an die Bewertungseinheit (6) übergebenen Merkmalsvektorpaar nach Durchlaufen des Bewertungsprozesses je ein Zielparameterwert ausgegeben wird, wobei dieser Zielparameterwert an einen zusätzlichen Score-Eingang (23) der Prozesseinheit (5) rückgekoppelt wird.
5. Prognoseverfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Ereignisdatensätze in Form eines n-Tupels an den Request-Eingang (11) der Prozesseinheit (5) gelegt werden, wobei n veränderlich ist.
6. Prognoseverfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das an den Return-Eingang (10) der Prozesseinheit (5) rückgekoppelte Bewertungsergebnis ein numerischer Wert ist.
7. Prognoseverfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der in der Bewertungseinheit (6) angelegte Bewertungsprozess über einen inkrementellen Lernmechanismus zur Verbesserung des Bewertungsergebnisses verfügt, bei dem zunächst eine Optimierung des Bewertungsprozesses mittels einer definierten Anzahl vorgegebener Trainingsereignisdatensätze erfolgt, die sequentiell angelegt werden, wobei anschließend eine weitere Optimierung des Bewertungs- prozesses derart vorgesehen ist, dass eine zeitliche Bewertung der Bewertungsergebnisse derart erfolgt, dass altere Bewertungsergebnisse prioritatsschwacher in die Selbstadaption des Bewertungsprozesses einfließen, als jüngere Bewertungsergebnisse.
8. Prognoseverfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass mittels eines Setup-Eingangs (15) der Prozesseinheit (5) die Parame- ter der Ereignisdatensatze definiert werden können, wobei über den Setup-Eingang (15) „on the fly" zusatzliche Parameter in den zu verarbeitenden Ereignisdatensatz eingepflegt und definiert werden können oder Parameter eliminiert werden können.
9. Prognoseverfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Prognoseverfahren je nach Lernfortschritt in wenigstens drei unterscheidbare Verfahrensablaufe unterteilt ist, wobei in einem ersten Verfahrensablauf die zu bewertenden Ereignisdatensatze in einen Request-Cache (24) der Prozesseinheit (5) geschrieben und grundsatzlich mit dem Ereigniswert 1 bewertet werden, und die an den Return-Eingang (11) zurückgegebenen Bewertungsergebnis- se gespeichert und deren Gute bewertet, wobei bei Erreichen eines definierten Schwellwertes der Gute in einen zweiten Verfahrensablauf gewechselt wird, bei dem nun der in der Bewertungseinheit (6) ablaufende selbstadaptierende Bewertungsprozess zwischengeschaltet ist und es nun von dieser Bewertung abhangt, ob am Response Ausgang (12) 1 oder 0 als Ereigniswert ausgegeben wird, wobei im weiteren nur noch die Ereignisdatensatze im Request-Cache (24) abgelegt werden, bei denen am Response-Ausgang (12) der Ereigniswert 1 ausgegeben und schließlich bei Erreichen eines weiteren Schwellwertes des Schwellparameterzahlers (31) ein dritter Verfahrensablauf gestartet wird, in dessen Verlauf mit einem veränderten Parameterdatensatz innerhalb der Bewertungseinheit (6) gearbeitet wird.
10. Prognoseverfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Veranderun- gen des Parametersatzes erfasst und auf einer Anzeige- vorrichung, vorzugsweise in Form einer Change-Kurve, dargestellt werden.
11. Prognoseverfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass dem Prognoseverfahren ein sequentieller Traingsdatenstrom im Wege einer Endloschleife zugeführt wird, bis das Prognoseverfahren eine vorgegebene Gute und/oder Stabilität erreicht hat und die Ergebnisse in einer Scorecard abgelegt werden.
12. Prognosevorrichtung zur Bewertung und Vorhersage stochastischer Ereignisse umfassend eine Prozesseinheit (5) und eine Bewertungseinheit (6) zur Durchfuhrung eines Bewertungsprozesses, die miteinander in Form eines einfachen selbstadaptierenden Regelkreises verbunden sind, wobei die Prozesseinheit (5) über einen Request-Eingang (11) verfügt, an den jeweils ein Ereig- nisdatensatz in Form eines n-Tupels angelegt wird und an einem Response-Ausgang (12) zur Ausgabe eines digitalen Ereigniswertes, 0 oder 1, in Beantwortung des jeweiligen Ereignisdatensatzes vorgesehen ist, wobei in Abhängigkeit vom Ereigniswert entweder unter Zwischenschaltung der Bewertungseinheit (6) eine Ruckkopplung des Bewertungsergebnisses der Bewertungseinheit (6) an einen zusätzlichen Score-Eingang (23) der Prozessein- heit (5) vorgesehen ist oder keine weitere Bearbeitung des Ereignisdatensatzes vorgesehen ist.
13. Prognoseverfahren nach Anspruch 12 , dadurch gekennzeichnet, dass die Prozesseinheit (5) über einen weite- ren Setup-Eingang (15) verfugt, über den Art und Anzahl der Variablen des Ereignisdatensatzes eingepflegt und/oder verändert werden können.
14. Prognosevorrichtung nach Anspruch 12 oder 13, dadurch gekennzeichnet, dass die Prozesseinheit (5) über einen zusatzlichen Cut-Off-Eingang (14) verfugt, an dem das Verhältnis der digitalen Ereigniswerte zueinander einstellbar ist.
15. Prognosevorrichtung nach einem der vorhergehenden Ansprüche 12 bis 14, dadurch gekennzeichnet, dass der Prozesseinheit (5) ein Request-Cache (24) zur Zwischen- speicherung der Ereignisdatensatze sowie ein Zahler zur Speicherung der Anzahl der mit dem Ereigniswert 1 beantworteten Ereignisdatensatze zugeordnet ist.
16. Prognosevorrichtung nach einem der Ansprüche 12 bis 15, dadurch gekennzeichnet, dass die der Prozesseinheit (5) nachgeschaltete Bewertungseinrichtung (6) über zwei separate Eingange (16, 17) verfugt, an den je zwei Merkmalsvektoren angelegt werden, wobei jeweils der eine Merkmalsvektoren eine Zielvariable aufweist und bei dem jeweils anderen Merkmalsvektor die Zielvariable nicht belegt ist .
17. Prognosevorrichtung nach einem der vorhergehenden Ansprüche 12 bis 16, dadurch gekennzeichnet, dass die Prozesseinheit (5) und die Bewertungseinheit (6) in einer gemeinsamen Rechneranlage angeordnet sind, wobei diese Rechneranlage mit einer Anzeige-Einheit (1) verbunden ist und dieser Rechneranlage mit einer Kun- dendatenbank (3) in Datenverbindung steht, wobei der Ereignisdatensatz die Kaufentscheidung der Kunden in Verbindung mit möglichen Angeboten und/oder weiteren Parametern umfasst .
18. Prognosevorrichtung nach einem der vorhergehenden Ansprüche 12 bis 17, dadurch gekennzeichnet, dass die Prognosevorrichtung (4) an eine Telefonanlage (2) angeschlossen und in Abhängigkeit der Telefonnummer des jeweiligen Anrufers der Prognosevorrichtung (4) der jeweilige Kundendatensatz aus der Kundendatenbank (3) zugespielt wird und anschließend mittels einer oder mehrerer Ereignisdatensätze, die mögliche Angebote an den jeweiligen Kunden repräsentieren, eine Prognose der Kaufentscheidung über die Anzeige-Einrichtung (1) ausgegeben wird.
EP05733627A 2004-03-16 2005-03-16 Prognoseverfahren und -vorrichtung zur bewertung und vorhersage stochastischer ereignisse Ceased EP1725981A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102004013020A DE102004013020A1 (de) 2004-03-16 2004-03-16 Prognoseverfahren und -vorrichtung zur Bewertung und Vorhersage stochastischer Ereignisse
PCT/DE2005/000479 WO2005091183A1 (de) 2004-03-16 2005-03-16 Prognoseverfahren und -vorrichtung zur bewertung und vorhersage stochastischer ereignisse

Publications (1)

Publication Number Publication Date
EP1725981A1 true EP1725981A1 (de) 2006-11-29

Family

ID=34964927

Family Applications (1)

Application Number Title Priority Date Filing Date
EP05733627A Ceased EP1725981A1 (de) 2004-03-16 2005-03-16 Prognoseverfahren und -vorrichtung zur bewertung und vorhersage stochastischer ereignisse

Country Status (5)

Country Link
US (1) US20080147702A1 (de)
EP (1) EP1725981A1 (de)
AU (1) AU2005224715A1 (de)
DE (2) DE202004021667U1 (de)
WO (1) WO2005091183A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9336493B2 (en) * 2011-06-06 2016-05-10 Sas Institute Inc. Systems and methods for clustering time series data based on forecast distributions
CN113256325A (zh) * 2021-04-21 2021-08-13 北京巅峰科技有限公司 二手车估价方法、***、计算设备和存储介质

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5276771A (en) * 1991-12-27 1994-01-04 R & D Associates Rapidly converging projective neural network
DE4424743C2 (de) 1994-07-13 1996-06-20 Siemens Ag Verfahren und Vorrichtung zur Diagnose und Prognose des Betriebsverhaltens einer Turbinenanlage
AU3477397A (en) * 1996-06-04 1998-01-05 Paul J. Werbos 3-brain architecture for an intelligent decision and control system
US5832466A (en) * 1996-08-12 1998-11-03 International Neural Machines Inc. System and method for dynamic learning control in genetically enhanced back-propagation neural networks
DE19753034A1 (de) 1997-11-18 1999-06-17 Ddg Ges Fuer Verkehrsdaten Mbh Verfahren zur Prognose eines den Zustand eines Systems repräsentierenden Parameters, insbesondere eines den Zustand eines Verkehrsnetzes repräsentierenden Verkehrsparameters und Vorrichtung zum Durchführen des Verfahrens
US7912761B2 (en) * 1999-08-27 2011-03-22 Tech Venture Associates, Inc. Initial product offering system and method
US6662192B1 (en) * 2000-03-29 2003-12-09 Bizrate.Com System and method for data collection, evaluation, information generation, and presentation
US7013285B1 (en) * 2000-03-29 2006-03-14 Shopzilla, Inc. System and method for data collection, evaluation, information generation, and presentation
US6539392B1 (en) * 2000-03-29 2003-03-25 Bizrate.Com System and method for data collection, evaluation, information generation, and presentation
US20020059154A1 (en) * 2000-04-24 2002-05-16 Rodvold David M. Method for simultaneously optimizing artificial neural network inputs and architectures using genetic algorithms
US7742959B2 (en) * 2000-05-01 2010-06-22 Mueller Ulrich A Filtering of high frequency time series data
US6954758B1 (en) * 2000-06-30 2005-10-11 Ncr Corporation Building predictive models within interactive business analysis processes
US20040054572A1 (en) * 2000-07-27 2004-03-18 Alison Oldale Collaborative filtering
US20060271441A1 (en) * 2000-11-14 2006-11-30 Mueller Raymond J Method and apparatus for dynamic rule and/or offer generation
US6757689B2 (en) * 2001-02-02 2004-06-29 Hewlett-Packard Development Company, L.P. Enabling a zero latency enterprise
GB2373347B (en) * 2001-03-07 2006-11-22 Touch Clarity Ltd Control system to actuate a robotic operating system
GB0122121D0 (en) * 2001-09-13 2001-10-31 Koninkl Philips Electronics Nv Edge termination in a trench-gate mosfet
CA3077873A1 (en) * 2002-03-20 2003-10-02 Catalina Marketing Corporation Targeted incentives based upon predicted behavior
US6745151B2 (en) 2002-05-16 2004-06-01 Ford Global Technologies, Llc Remote diagnostics and prognostics methods for complex systems
US20030229884A1 (en) * 2002-05-21 2003-12-11 Hewlett-Packard Development Company Interaction manager template
US20030220860A1 (en) * 2002-05-24 2003-11-27 Hewlett-Packard Development Company,L.P. Knowledge discovery through an analytic learning cycle
CA2436400A1 (en) * 2002-07-30 2004-01-30 Abel G. Wolman Geometrization for pattern recognition, data analysis, data merging, and multiple criteria decision making
US7664569B2 (en) * 2002-10-10 2010-02-16 Sony Corporation Robot device operation control device and operation control method
US7711662B2 (en) * 2003-01-15 2010-05-04 Bracco Imaging S.P.A. System and method for optimization of a database for the training and testing of prediction algorithms
US20050154701A1 (en) * 2003-12-01 2005-07-14 Parunak H. Van D. Dynamic information extraction with self-organizing evidence construction

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
None *
See also references of WO2005091183A1 *

Also Published As

Publication number Publication date
DE102004013020A1 (de) 2005-10-06
US20080147702A1 (en) 2008-06-19
AU2005224715A1 (en) 2005-09-29
DE202004021667U1 (de) 2010-05-12
WO2005091183A1 (de) 2005-09-29

Similar Documents

Publication Publication Date Title
DE102012009502A1 (de) Verfahren zum Trainieren eines künstlichen neuronalen Netzes
DE102006002247A1 (de) Verfahren und System zum Aktualisieren von Echtzeitdaten zwischen Intervallen
DE69730130T2 (de) Betrugsüberwachung in einem fernmeldenetz
EP2879582B1 (de) Vorrichtung, verfahren und applikation zur ermittlung eines aktuellen belastungsniveaus
EP1472630A2 (de) Verfahren zur automatischen mustererkennung bzw. zum regeln von wirtschaftsprozessen sowie mustererkennungssystem und autopilot für wirtschaftsprozesse unter berücksichtigung des ertragswertes von kundenbeziehungen
DE112021000370T5 (de) Auf maschinellem lernen beruhende datenüberwachung
DE4203233A1 (de) Verfahren und vorrichtung zum loesen von problemen
DE69821933T2 (de) System und verfahren zum erstellen von erfüllungsregeln für handelsysteme
AT412678B (de) Verfahren zur rechnergestützten erstellung von prognosen für operative systeme sowie system zur erstellung von prognosen für operative systeme
DE102010038930A1 (de) Verfahren und System zum Erzeugen eines Prognosenetzwerkes
DE102006019896A1 (de) Verfahren zur Fehlerbaumanalyse
EP1725981A1 (de) Prognoseverfahren und -vorrichtung zur bewertung und vorhersage stochastischer ereignisse
CH701481B1 (de) Prozessmanagement.
DE202020104077U1 (de) Strategiegenerierungssystem für die automatische Auswertung und den automatischen Handel
DE602004006648T2 (de) Benutzungsverfahren und system in einem kommunikationsnetz
EP1081665B1 (de) Expertensystem
EP0956531A1 (de) Verfahren zur transformation einer zur nachbildung eines technischen prozesses dienenden fuzzy-logik in ein neuronales netz
WO2001018755A2 (de) Expertensystem
EP3716058A1 (de) Verfahren zum ansteuern eines geräts mit einem neuen programmcode
EP4016202B1 (de) Verfahren zum nachbilden von rauschanteilen von verlustbehaftet aufgezeichneten betriebssignalen sowie steuereinrichtung
AT501028B1 (de) Verfahren und vorrichtung zur bewertung von börsekursen
DE10061108A1 (de) Verfahren zur Vorhersage von Börsenkursen
EP3913566A1 (de) Anlageobjektsystem sowie bewertungsverfahren
DE102023200022A1 (de) Verarbeitung von als Punktwolken vorliegenden Messdaten mit besserer Generalisierung über die Trainingsdaten
DE102020205687A1 (de) Verfahren und Vorrichtung zum Prädizieren einer Entwicklung von Krankheitsfällen einer infektiösen Krankheit

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20060823

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IS IT LI LT LU MC NL PL PT RO SE SI SK TR

17Q First examination report despatched

Effective date: 20070122

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: EPOQ GMBH

DAX Request for extension of the european patent (deleted)
REG Reference to a national code

Ref country code: DE

Ref legal event code: R003

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN REFUSED

18R Application refused

Effective date: 20110319