future - Leistungen und Preise

voller Funktionsumfang via futureNOW - auf Einschränkungen via futureEXPERT wird an entsprechender Stelle hingewiesen

um diese anschließend zur Vorhersage oder für andere Analysen nutzen zu können

• Behandlung von Rohdaten im csv- oder tsv-Format mit UTF-8-Encoding, via futureEXPERT: zusätzlich pandas-dataframe.
• Möglichkeit zur Definition von Wert- und Gruppierungsvariablen/-spalten sowie einer Datumsvariable/-spalte. (Es muss mindestens eine Wert- und genau eine Datumsspalte definiert werden, Gruppierungs- sowie weitere Wertespalten sind optional möglich.)
• Unterstützung von numerischen Datumsformaten, z. B. der Form YYYY-MM-DD, DD.MM.YYYY hh:mm:ss.

abweichend von denen aus den Rohdaten

durch Angabe von zu löschender Zeilen- und Spaltenindices

• Prüfen der Daten auf Plausibilität bzgl. des definierten Datentyps, fehlender Werte und eingestellter Grenzwerte.
• Definition der Vorgehensweise bei Plausibilitätsverletzungen pro Spalte und Typ (z.B. Löschen oder Festlegen von Ersatzwerten) durch den Nutzer. Komfortable Bedienung nur über Frontend, durch heruntergeladene Konfigurationsdatei im Anschluss auch direkt weitere Nutzung im Python client.

der Zeitreihenaufbereitung, basierend auf den Gruppierungsvariablen (Vorhersageebene)

Halbstunden-, Stunden-, Tages-, Wochen-, Monats-, Quartals- oder Jahresbasis

für alle Zeitreihen (optional). Nur Daten zwischen Start- und Endzeitpunkt (inkl.) werden für die Zeitreihenaufbereitung verwendet.

anhand der Gruppierungsvariablen

durch Kombination von zwei vorhandenen Wertespalten (Verknüpfung durch Summen-, Differenz- oder Produktbildung)

Auswahlmöglichkeit, wie in der Aggregation mit fehlenden Werten in der Zielgranularität umgegangen werden soll - Behandlung als fehlend oder 0.

zur Wiederverwendung der Einstellungen im Python Client oder zu einem späteren Zeitpunkt

durch Darstellung in interaktiven Plots via futureNOW

Punktprognosen und ggf. Prognoseintervalle bis max. 30 Tage bzw. 12 Monate nach dem Zeitpunkt des letzten verfügbaren Datenpunktes.

Erstellung von bis zu fünf rollierenden Prognosen basierend auf einem geeigneten historischen Zeitraum der vorliegenden Zeitreihe.

• Möglichkeit der Verwendung eigener Einflussfaktoren auf Tages- oder Monatsbasis.
• Möglichkeit der Verwendung von über den POOL (s.u.) bereitgestellten Einflussfaktoren.
• Manuelle Selektion unterschiedlicher Lags je Einflussgröße (bis zu 30 Tage bzw. 12 Monate in die Zukunft oder Vergangenheit).

der Zeitreihendaten, Einflussfaktoren, Backtesting- und Vorhersageergebnissen mit Download-Möglichkeit

im tabellarischen csv-Format

passend zur vorliegenden Zeitreihe - Details siehe Limitierungen

Unterstützung von Zeitreihen auf 7 Granularitäten - halbstündlich, stündlich, täglich, wöchentlich, monatlich, quartalsweise, jährlich

(auch manchmal als Einflussgrößen, Faktoren, Kovariaten oder Indikatoren bezeichnet)

• Manuelle Definition der Lags pro Kovariate und Zeitreihe oder Verwendung des Ergebnisses des MATCHERs für Lagauswahl, mit manueller Anpassungsmöglichkeit.
• Exponentielle Glättung als Forecast-Methode für Kovariaten.
• Alle Kovariaten gleichzeitig in einem Modell (joint).

• Auswahlmöglichkeit einer weiteren Methode, welche die Einflussgrößen im Vorhersagemodell berücksichtigt.
• Einstellbar, ob die Einflussgrößen jeweils:
  • einzeln (single)
  • alle gemeinsam (joint) im Vorhersagemodell der jeweiligen Forecast-Methode berücksichtigt werden sollen.

Nutzung von Einflussfaktoren aus dem POOL zur Vorhersageerstellung

• Default: für die vorliegende Granularität gewöhnlich vorkommende Saisonlängen werden geprüft.
• Stattdessen können auch zu prüfende Saisonlängen (auch multiple) angegeben werden.
• Alternativ kann auch eine Saisonlänge fest definiert werden, dann findet keine Prüfung statt.

des Forecast-Objekts sowie in der Historie der Einflussfaktoren durch Interpolation

• Plötzliche Änderungen des Niveaus (Levelshifts)
• Stärkere Änderungen im Vorkommen von sehr kleinen Werten bzw. 0-Werten

Falls gewünscht, kann das Vorliegen von quantisierten Werten in der Datenhistorie (z. B. auf Grund von speziellen Bestellverhalten eines Kunden, bestimmten Paketgrößen o. ä.) erkannt und für die Forecast-Erstellung genutzt werden.

Berechnung von rollierenden historischen Vorhersagen für alle geeigneten FC-Methoden, ausgerichtet nach dem eingestellten Vorhersagehorizont, mit für die vorliegende Zeitreihe (Länge, Granularität) passenden Voreinstellungen. Folgende Einstellungen sind möglich:

• Festlegung der Anzahl an Iterationen
• Shift-Länge
• Refitting bei jeder Iteration (großer Einfluss auf Laufzeit)

• Vorselektion basierend auf den im Preprocessing identifizierten Eigenschaften der Zeitreihe
• Finales Ranking basierend auf BT-Ergebnissen
• Möglichkeit, je ein Gütemaß für die beiden Zeitreihengruppen (glatt/erratisch sowie sporadisch/klumpig) festzulegen, welches als Ranking- & Selektionskriterium verwendet wird.
• Die Vorhersageschritte mit entsprechender Gewichtung (step_weights), wie sie beim Ranking verwendet werden sollen, können eingestellt werden.

Für jedes erfolgreich optimierte Forecasting-Modell mit vollständigen Backtesting-Ergebnissen können weitere Güte- bzw. Fehlermaße berechnet werden, die nicht zur Modellselektion verwendet werden.

Die Forecast-Ergebnisse von allen Modellen mit einem vollständigen Backtesting-Ergebnis werden auf Plausibilität überprüft

Falls kein Modell sowohl vollständige Ergebnisse für alle Backtesting-Iterationen liefert (z. B. Fehlschlagen der Optimierer, Datenhistorie zu kurz) als auch die Plausibilitätsprüfung bestanden hat, sorgt eine Fallback-Logik mit wenigen für die vorliegende Zeitreihe geeigneten Forecast-Methoden dafür, dass trotzdem ein Forecast ausgegeben werden kann.

• Zeitreihe mit bis zu einer Kovariate
• Forecasts mit der Datenhistorie, ggf. mit Prognoseintervall (pro erfolgreichem Modell) und gewissen Preprocessing-Ergebnissen
• Backtesting-Forecasts (pro Modell und Iteration ein Plot)

• Übersicht zu gewissen Preprocessing-Ergebnissen sowie Informationen zum besten Modell pro Zeitreihe (als data frame)
• Forecasts, ggf. mit Prognoseintervallen, pro bestem Modell und Zeitreihe (als data frame)

Ranking und Selektion von Einflussfaktoren für ein Forecast-Objekt durch Untersuchung der prädiktiven Kraft und Vergleich mit einem Benchmark-Modell

aus einem vorgegebenen Set (durch Angabe von minimalem und maximalem Lag oder einer Liste von Lags)

welche sich auf den Veröffentlichungsverzug sowie den zeitlichen Versatz zwischen Forecast-Objekt und Einflussfaktoren beziehen:

• Ausschlussmöglichkeit von Kovariaten mit keinem zeitlichen Vorlauf zum letzten Datenpunkt des Forecast-Objekts (sich also für keinen einzigen Vorhersageschritt eignen).
• Einstellungsmöglichkeit, welcher maximale Unterschied an Zeitpunkten zwischen dem aktuellsten Wert des Einflussfaktors sowie dem des Forecast-Objekts vorliegen darf.

Unterstützung von Zeitreihen auf 7 Granularitäten - halbstündlich, stündlich, täglich, wöchentlich, monatlich, quartalsweise, jährlich

• Pro Forecast-Objekt Ranking der erfolgreichen Einflussfaktoren mit jeweils bestem Lag inklusive Benchmark-Modell.
• Zeitreihenwerte der Forecast-Objekte.
• Datenhistorie der im Ranking enthaltenen Einflussfaktoren.

Plot der Zeitreihe mit einer (um den eingestellten/identifizierten Lag) zeitlich verschobenen Kovariate

zur Verwendung in anderen Modulen. Beispiele bereitgestellter Einflussgrößen sind:

• Verschiedene Wettergrößen auf Tagesbasis an ausgewählten deutschen Wetterstationen
• Ferien- & Werktagsinformationen
• ausgewählte Wirtschaftsindikatoren

Regelmäßige Updates für die verfügbaren Einflussfaktoren (Intervalle abhängig von der Granularität)

Übersicht über verfügbare Einflussfaktoren mit passenden Metainformationen (z. B. Region) in Tabellenform, inklusive Freitextsuche und geeigneten Filterkriterien

Bereitstellung der aktuellsten sowie vergangener Datenstände

Supportanfragen werden priorisiert bearbeitet. Dazu muss die Anfrage von der für die Registrierung genutzte E-Mail-Adresse gestellt werden.

• Werktage wie in Würzburg, Bayern (Deutschland)
• Angegebene Zeiten richten sich nach der aktuellen Zeit in Berlin, Deutschland

innerhalb der Servicezeiten