Eine Führungskraft benötigt eine Prognose zur Kundenabwanderung (Churn), um das Budget für Kundenbindungsmaßnahmen im nächsten Quartal festzulegen. Ihnen stehen 48 Stunden und ein vertrautes Data Warehouse zur Verfügung – und es herrscht Druck, eine konkrete Zahl zu liefern. KI kann zwar die Arbeitsgeschwindigkeit erhöhen, aber sie kann keine Verantwortung übernehmen. Führt das Modell zu falschen Ausgaben, liegt die Verantwortung für das daraus resultierende Scheitern beim Analysten und der Organisation, die das Modell eingesetzt hat.
Bei der prädiktiven Analyse bleibt die grundlegende Verantwortung unverändert. Sie müssen das Ziel definieren, Datenlecks (Leakage) verhindern, eine Evaluierung anhand unabhängiger Daten (Out-of-Sample) durchführen und erläutern, welche Faktoren das Modell nutzt. KI kann Code entwerfen, Merkmale (Features) vorschlagen und Diagnoseergebnisse zusammenfassen. Sie stellen sicher, dass die Definitionen den geschäftlichen Anforderungen entsprechen und die Evaluierung auf die anstehende Entscheidung abgestimmt ist.
Der praktische Ansatz für diesen Kurs ist einfach: Nutzen Sie KI, um erste Arbeitsergebnisse zu generieren, und lassen Sie diese anschließend von Analysten freigeben, sofern Fehler ein Entscheidungsrisiko bergen könnten.
Ein prädiktives Analyseergebnis ist wie eine Kette aufgebaut. Jedes Glied birgt eine eigene Fehlerquelle, und KI neigt dazu, Ergebnisse zu liefern, die plausibel wirken – selbst wenn ein Glied der Kette fehlerhaft ist.
Erfahren Sie, wie die einzelnen Phasen miteinander verknüpft sind und an welchen Stellen KI unterstützen kann.
Ihre Freigaben sind keine bloßen „Arbeitsschritte“. Sie sind Momente, in denen Sie die Verantwortung übernehmen.
In der Problemphase liegt die Verantwortung für den Entscheidungskontext bei Ihnen. Die KI kann zwar Zielmetriken vorschlagen, doch Sie wählen diejenige aus, die zur tatsächlichen Vorgehensweise des Unternehmens passt. In der Datenphase sind Sie für die Definition der Zielvariablen (Labels) und die Festlegung der Zeitfenster verantwortlich. Die KI kann zwar SQL-Code entwerfen, aber Sie müssen Joins, Granularität und fehlende Werte überprüfen, da eine unbemerkte „Join-Explosion“ das Lernproblem verändern kann.
In der Validierungsphase liegt die Verantwortung für die korrekte Aufteilung in Trainings- und Testdaten bei Ihnen. Die KI kann zwar einen train_test_split vorschlagen, doch Sie müssen bestätigen, dass diese Aufteilung der zeitlichen Struktur entspricht. Wenn beispielsweise die Abwanderungsrate (Churn) für den nächsten Monat vorhergesagt werden soll, würde eine zufällige Aufteilung Informationen aus der Zukunft einbeziehen („Data Leakage“) und die Metrik damit entwerten.
In diesem Kurs steht „KI“ für ein LLM (Large Language Model). Dabei handelt es sich um ein großes Sprachmodell, das auf Basis von Mustern in Trainingsdaten Texte, Code und strukturierte Ausgaben generiert. Ein LLM durchsucht Ihre Datenbank nicht von sich aus, es sei denn, Sie stellen ihm Daten zur Verfügung; zudem kann es nicht beurteilen, ob eine Metrik für Ihre geschäftliche Entscheidung geeignet ist.
Ein Prompt ist die Anweisung samt Kontext, die Sie an das LLM übermitteln. Ein Token ist ein Textabschnitt, den das LLM liest und schreibt; dies ist wichtig, da lange Tabellen und Protokolle oft abgeschnitten werden. Von einer Halluzination spricht man, wenn das LLM eine überzeugend klingende Aussage oder ein Code-Detail generiert, das nicht auf Ihren Eingaben basiert.
Erfahren Sie, wo die Stärken der KI liegen und wo sie bei der prädiktiven Modellierung an ihre Grenzen stößt.