Absatzprognose: Modell sticht Analysten aus

Unternehmenszahlen: Modell orakelt gut.

Bild: mohamed_hassan, pixabay.com

Forscher am Massachusetts Institute of Technology (MIT) haben ein automatisiertes Modell entwickelt, das die vierteljährlichen Absatzzahlen von Unternehmen oft besser vorhersagen kann als Wall-Street-Analysten. Dazu nutzt es eigentlich eher begrenzte Kundendaten, speziell wöchentliche Kreditkartendaten sowie die Quartalszahlen von Unternehmen. Der Ansatz könnte auch in anderen Bereichen interessant sein.

"Alternative Daten"

In der Finanzwirtschaft wächst das Interesse daran, neben vergleichsweise dünn gesäten klassischen Daten, wie den Quartalszahlen, auch häufiger generierte Kundendaten, sogenannte "alternative Daten", zu nutzen, um für Investmentzwecke die Einnahmen von Unternehmen zu prognostizieren. "Alternative Daten sind seltsame Stellvertretersignale, die helfen, die tieferliegende Finanzsituation von Unternehmen zu verfolgen", meint MIT-Postdoc Michael Fleder. Er und seine Kollegen haben für ihr Modell zunächst anonymisierte wöchentliche Kreditkartendaten als zusätzliche Informationsquelle zu den Quartalszahlen genutzt.

Damit hat das Modell für knapp drei Dutzend Unternehmen insgesamt 306 Quartalsprognosen erstellt. Mit seinen Vorhersagen zu den vierteljährlichen Einnahmen lag es dabei in 57 Prozent der Fälle genauer, als das ein Vergleichs-Benchmark mit den kombinierten Prognosen von Wall-Street-Analysten tat. Dabei hatten Letztere Zugang zu viel umfangreicheren Daten, als sie das MIT-Modell nutzt sowie Zugang zu anderen Maschinenlern-Modellen.

Trend zu Small Data

Der Witz an der Sache ist, dass der Ansatz eigentlich dem Big-Data-Trend entgegenläuft. Denn die Quartalszahlen eines Unternehmens aus zwei Jahren sind nur acht Datenpunkte, während die wöchentlichen Kreditkartendaten nur rund 100 weitere liefern. "Wir haben ein 'Small Data'-Problem", sagt daher Fleder. "Mann bekommt nur einen kleinen Ausschnitt daraus, was die Leute ausgeben, und muss aus diesem Bruchteil Daten extrapolieren und schließen, was wirklich vorgeht."

Freilich könnte das Modell doch auch größere Datenberge nutzen. Das Team arbeitet nun daran, die Kreditkartendaten mit anderen Informationen wie Standortdaten zu kombinieren. Das könnte nicht nur helfen, Finanzprognosen genauer zu machen. Der Ansatz wäre laut MIT womöglich auch geeignet, um für Sozial- oder Politikwissenschaft aggregierte, anonymisierte Daten zu untersuchen.

Quelle: www.pressetext.com/Thomas Pichler