KI basierte Preisprognose

Highlights der Zusammenarbeit

Bereits nach 4 Monaten gab es einen MVP, der schnell Erkenntnisse schuf. Wir entwickelten diesen Schritt für Schritt weiter und konnten uns gut an den Kundenbedürfnissen ausrichten: Durch den Einsatz von Explainable AI schafften wir es, die ermittelten Daten auch für den/die Anwender:in anschaulich aufzubereiten.

Eingesetzte Technologien und Methoden

• Pandas
• SciPy
• Python
• Docker
• AWS EC2
• Terraform

Herausforderungen

Wer Potentiale rechtzeitig erkennt, kann meist zu einem guten Preis investieren. Das Problem: Das Finden solcher versteckten Schätze. Zwar gibt es Anhaltspunkte, wonach sich Preisprognosen erstellen lassen, aber der Aufwand ist meist sehr hoch und zeit- bzw. datenintensiv. Unsere Aufgabe war es daher, eine smarte Preisprognose-Software zu entwickeln, die auf Basis künstlicher Intelligenz arbeitet.

Lösung

Über eine KI-Readyness-Analyse sondierten wir alle Informationen und bewerteten die Datenlage. Wir entwickelten ein KI-gestütztes System zur Preisprognose und gaben Empfehlungen ab, welche Data-Sets eingekauft werden müssen. Mittels logistischer Regression, Decision Tree und neuronaler Netze schufen wir Bits & Bytes, die das Geschäftsmodell unseres Kunden nachhaltig veränderten.

Ergebnis

Zunächst wurde ein Prototyp zur Validierung der Machbarkeit erstellt. Anschließend screenten wir Datenanbieter, analysierten zum Verkauf stehende Daten und gaben anschließend Kaufempfehlungen ab. Die erhaltenen Daten wurden zur Erstellung des Prototyps aufbereitet und entsprechend modelliert. Die dabei verwendeten Ansätze waren Logistische Regression, Decision Tree und Neuronale Netze. Wir konzentrierten uns auf relative Vorhersagen (A ist besser als B) in 7 Kategorien. Nach der positiven Bewertung des Prototypen gingen wir ins Refactoring der Grundversion über. Dies senkt den zukünftigen Aufwand für Fehleranalysen und Erweiterungen.

Als letzten Schritt implementierten wir das „Posthoc-X-Ai“-Verfahren Dies ermöglicht den Sachbearbeiter:innen des Kunden zu verstehen, was die wichtigsten Einflussfaktoren für jede getroffene Prognose waren. Dies wiederum gibt Aufschluss darüber, wie das gesamte neuronale Netz grundsätzlich gewichtet ist.

Über die Zusammenarbeit

Durch den Einsatz von Explainable AI schlugen wir die Brücke zwischen Daten und Anwender: Wir strukturierten unsere Software so, dass alle gewonnenen Erkenntnisse auch von Sachbearbeiter:innen des Kunden gut verwendet werden konnten.