SMARTER. FASTER. ED.DETECT.
ed.Detect ist die vollständig automatisierte Lösung für Zeitreihen Analysen auf Basis von Explainable AI (XAI) und Machine Learning.
Mit ed.Detect lassen sich bisher verborgene Zusammenhänge in Zeitreihen aufdecken. Dies führt zu einem umfassenderen Verständnis eigener Prozesse, und ist die Basis für deren Optimierung. ed.Detect analysiert und bewertet die Datenströme kontinuierlich, so dass unerwartete Veränderungen frühzeitig erkannt werden. Eine frühzeitige Erkennung ist entscheidend, um zielgerichtete Maßnahmen je nach Art der Veränderung auszuwählen. Sobald eine unerwartete Abweichung erkannt wird, informiert ed.Detect direkt über Veränderung, und stellt sie in konkreten Kontext. Darüber hinaus unterstützt die Lösung mit konkreten Handlungsempfehlungen, die bei der Wahl der nächstbesten Maßnahme unterstützen. ed.Detect ist in der Lage, mehrere tausend Zeitreihen gleichzeitig zu analysieren. Die Schnelligkeit von ed.Detect macht den Einsatz möglich, wenn eine Vielzahl von Ausprägungen im Zeitverlauf analysiert werden sollen.
ed.Detect ist ein sehr mächtiges Datenanalyse-Tool, das in vielerlei Hinsicht Vorteile bietet. ed.Detect identifiziert und bewertet die Treiber, die positiv oder negativ auf den Erfolg von Maßnahmen einzahlen. Dabei ist es nicht notwendig den zeitlichen Verlauf permanent und manuell zu überwachen. Diese Aufgabe übernimmt ed.Detect und informiert intelligent über Veränderungen. Ergänzend zu dem kontinuierlichen Monitoring der Daten erstellt ed.Detect Vorhersagen zu dem künftigen Verlauf der gemessenen Werte. Dadurch ist ed.Detect in der Lage, konkrete Vorhersagen zu individuellen Planwerten zu erstellen. Neben der Vorhersage einzelner Planwerte kann ed.Detect dazu genutzt werden, um unterschiedliche Szenarien in „was wäre wenn“ – Analysen zu bewerten. Mit diesem Ansatz ist es möglich, den Effekt einzelner Maßnahmen zu jeder Zeit, isoliert und ohne aufwändige A/B-Tests zu bestimmen.
Deutschsprachige Fassung des englischsprachigen Originals.
Innovative Zeitreihenanalyse
Oft ist ein dauerhaftes Monitoring von Datenströmen mit einem hohen technischen Aufwand verbunden. Dies hat zur Folge, dass kontinuierliches Datenmonitoring oft nur in besonderen Fällen Anwendung findet. Mit Hilfe des innovativen Ansatzes von ed.Detect, ändert sich dies grundlegend. ed.Detect ermöglicht die Analyse von mehreren tausend Zeitreihen parallel. Und dies ohne hohen technischen und administrativen Aufwand. Das Monitoring basiert auf einem Machine-Learning Ansatz, so dass die Software die Struktur jeder Zeitreihe durch Zeitreihenzerlegung erkennt. Aus dem Verständnis jeder einzelne Zeitreihe ergeben sich vielfältige Anwendungsmöglichkeiten. Dies macht Zeitreihenanalysen mit ed.Detect zu einem zentralen Instrument, um Muster und Trends in eigenen Datenquellen zu identifizieren.
Effizientes Daten-Monitoring
Der technische Aufwand für Zeitreihenanalysen mit Hilfe von ed.Detect ist gering.
Zeitreihen sind eine Folge von Datenpunkten, die in bestimmten Zeitabständen aufgezeichnet werden. Werden die Daten der Zeitreihen bereits erfasst, können die Datenquellen direkt in ed.Detect eingebunden werden. Vor der eigentlichen Analyse können eigene Geschäftsregeln angewendet werden, um individuelle Anforderungen gezielt abzubilden. Im nächsten Schritt findet das Training des KI Modells anhand der individuellen Daten statt. Dieser Prozess ist sehr effizient strukturiert, so dass verschiedene Trainings in kurzer Zeit möglich sind. Diese Effizienz erlaubt ein bestmögliches Tuning der Hyperparameter.
Im Anschluss an das Hyperparameter-Tuning läuft das Modell kontinuierlich und analysiert fortlaufend die neu eingehenden Werte der Zeitreihe. Ab diesem Zeitpunkt arbeitet ed.Detect produktiv und ermöglicht den jeweiligen Anwendungsfall.
Der Ursprung der Daten von Zeitreihen kann sehr unterschiedlich sein. Beispiele sind Bestellsysteme, Finanzsysteme, Sensoren, Zahlungssysteme oder Analytics Tools. Grundsätzlich wird zwischen Zeitreihen unterschieden, die durch Interaktion von Menschen erzeugt werden und solchen, die in maschinellen Betriebsabläufen entstehen.
ed.Detect für unterschiedliche Zeitreihen
Der Online Handel ist ein Bereich, der eine Vielzahl von Zeitreihen aus menschlicher Interaktion generiert. Sensordaten von Maschinen sind Beispiele für Zeitreihen aus maschinellen Abläufen.
Die Struktur von Zeitreihen ist abhängig von der Quelle unterschiedlich. Dennoch gilt allgemein:
- Zeitreihendaten sind einfach strukturiert,
- Zeitreihendaten sind allgemein verfügbar,
- es gibt zu viele Zeitreihen, um sie manuell zu überwachen und zu verstehen.
ed.Detect wurde speziell für die kontinuierliche Zeitreihen-Analyse entwickelt:
- ed.Detect deckt Anomalien in den gemessenen Werten auf und unterstützt bei der Identifizierung von Ursache und Wirkung.
- ed.Detect prognostiziert den zukünftigen Verlauf einer Zeitreihe und kann so konkrete Handlungsempfehlungen generieren.
- ed.Detect erstellt intelligente und gezielte Benachrichtigungen.
Diese drei Bereiche – Erkennung von Anomalien, Prognose von Zeitreihen und intelligente Benachrichtigungen – haben in der Praxis eine gleichrangige Bedeutung. Alle drei stellen Kernkomponenten der Zeitreihenanalysen mit ed.Detect dar.
ed.Detect Zeitreihen-Analysen auf Basis von ML & KI
Anomalie-Erkennung
Auf Basis von Algorithmen für maschinelles Lernen (ML) und künstlicher Intelligenz (KI) erkennt ed.Detect Schwankungen und Anomalien in Zeitreihen. Das bedeutet, ed.Detect erkennt und erlernt die Struktur jeder einzelnen Zeitreihe. Dieses strukturelle Verständnis einer Zeitreihe versetzt ed.Detect in die Lage, normale Schwankungen von unerwarteten Schwankungen zu unterscheiden. Die Anomalie-Erkennung mit ed.Detect wird in spezifischen Dashboards klar und verständlich visualisiert.
Unerwartete Schwankungen, Anomalien, können sowohl negativen als auch positiven Charakter haben. Mit anderen Worten: Anomalien können ihre Ursache in akuten Herausforderungen haben, aber auch Potential für Optimierungen aufzeigen. In beiden Fällen ist das frühzeitige Erkennen für ein zielgerichtetes Handeln von entscheidender Bedeutung.
Durch die Integration von ed.Detect in den Datenanalyseprozess erhalten Unternehmen wertvolle Einblicke in ihre eigenen Daten und können somit schnell auf Veränderungen reagieren. Das Tool bietet eine intelligente Alerting-Engine, die es ermöglicht, erkannte Anomalien in Bezug auf Schwere und Auswirkung zu bewerten. Die Kategorisierung der Anomalien basiert darauf, dass ed.Detect die gefundenen Anomalien immer in Kontext zu möglichen Ursachen stellt, und die weitere Entwicklung der Daten in mehreren Szenarien simuliert. Der Kontext zu wahrscheinlichen Ursachen erlaubt es gezielte Maßnahmen zu ergreifen. Die Kategorisierung kann nach einem Ampel-System erfolgen. In Abhängigkeit des Anwendungsfalles werden die monetären Auswirkungen mit in die Bewertung einbezogen.
Schnelle Integration in bestehende Datenanalysen
Die Einbindung von ed.Detect erfordert keine tiefgreifende Veränderung bestehender Prozesse. Die flexible Struktur von ed.Detect ermöglicht eine nahtlose Einbindung in bestehende IT-Systeme und BI-Anwendungen. Das bedeutet, dass Anwender kein neues Tool und Interface erlernen müssen. Die intelligenten Benachrichtigungen erfolgen autark, z.B. per E-Mail oder direkt im bestehenden BI-Tool. Dies gilt ebenso für weiterführende Dashboards mit Daten aus ed.Detect. Die Dashboards können unmittelbar in einer existierenden BI-Lösung bereitgestellt werden. In dem Fall, dass keine Dashboard oder BI-Lösung im Einsatz ist, liefert ed.Detect die notwendigen Komponenten.
Das Professional Service Team von e-dynamics unterstützt bei der Implementierung, um eine schnelle, zeit- und kosteneffiziente Implementierung zu gewährleisten. Die Einbindung und initiale Konfiguration erfolgt in standardisierten Leistungspaketen. Dies stellt die optimale Einbindung und Begleitung zu fest kalkulierbaren Kosten sicher. Darüber hinaus stehen wir nach Einführung der Lösung mit Rat und Tat zur Seite, wenn es darum geht die gewonnenen Erkenntnisse in konkretes Handeln zu überführen.
Vorhersage zukünftiger Werte
Die präzise Anomalie-Erkennung von ed.Detect ist die Basis für eine treffsichere Prognose zukünftiger Werte und das intelligente Alerting-System. Die Erkennung von Anomalien in einer Zeitreihe ist eng mit der Prognose zukünftiger Werte verbunden. Sofern die Struktur einer Zeitreihe bekannt ist, kann dieses Wissen genutzt werden, um zukünftige Werte zu berechnen. Genau das macht ed.Detect. Der Algorithmus von ed.Detect zerlegt die Zeitreihe in einzelne Strukturkomponenten. Für jede einzelne Komponente wird eine mathematische Abbildung erzeugt. Auf Basis dieser Rechengrundlage können fehlende Werte in einer Zeitreihe bestimmt werden. Dabei ist es unerheblich, ob die fehlenden Werte in der Vergangenheit oder in der Zukunft liegen. Diese Flexibilität erlaubt zahlreiche Anwendungsfälle. So können Ausfälle in der Datenerfassung, fehlende Werte, mit Hilfe von ed.Detect rekonstruiert werden. Ein ebenso interessanter Anwendungsfall ist die Prognose des zukünftigen Verlaufs einer Zeitreihe. Dieses Verfahren wird häufig genutzt, um Planwerte zu bestimmen. Ein verwandter Anwendungsfall ist die Vorhersage von Key Performance Indikatoren (KPI) für einen bestimmten Zeitpunkt in der Zukunft.
ed.Detect: Eine Lösung viele Anwendungsfälle
Die intelligente Analyse von Zeitreihen eröffnet eine Vielzahl von unterschiedlichen Anwendungsfällen. Dies macht ed.Detect zu einem sehr hilfreichen Instrument, dass in unterschiedlichen Bereichen des Unternehmens eingesetzt werden kann.
Beispiele klassischer Anwendungsfälle:
- Rekonstruktion fehlender Werte durch Ausfall der originären Datenerfassung. Insbesondere, wenn die Daten für Abrechnungen oder andere abhängige Prozesse benötigt werden.
- Bedarfsplanung im Verkauf: Wieviel Baguette werden pro Tag in Filiale A in der nächsten Woche verkauft?
- Festlegung von Planwerten: Erreichen wir das festgelgte Umsatzziel ohne die Planung zusätzlicher Werbemaßnahmen?
- Bewertung der Effizienz einzelner Maßnahmen: Welchen Uplift hat Oster-Kampagne 2025 generiert?
- Budget Optimierung: Wieviel Umsatzplus erzielen wir, wenn wir das Werbebudget in den kommenden 6 Monaten um 1 Million Euro erhöhen?
Es geht dabei nicht um eine Vorhersage auf Basis von Einschätzungen und Expertenmeinungen wie etwa bei der Vorhersage des Ölpreises. Bei der Nutzung von ed.Detect basiert die Vorhersage immer auf mathematischen Berechnungen. Das mögliche Zeitfenster für belastbare Vorhersagen ist mit der Struktur der einzelnen Zeitreihe und der Verfügbarkeit historischer Daten verknüpft.
Intelligente Benachrichtigungen
Benachrichtigungen gibt es viele, intelligente Benachrichtigungen selten. Viele Anwendungen verschicken aktiv Benachrichtigungen und Alerts an die Nutzer auf Basis einfacher Regeln. Etwa: „Sende eine Benachrichtigung, wenn die Bestellungen im Vergleich zum Vortag um mehr als 10% steigen“. Eine derartige Regel führt oft zu regelmäßigem „Fehlalarm“. Bei Verkäufen mit einem ausgeprägten Unterschied zwischen Arbeits- sowie Sonn- und Feiertagen, wird pro Woche mindestens ein „falscher Alarm“ ausgelöst. Die Häufigkeit falscher Alarme verbunden mit einer großen Menge an unterschiedlichen Benachrichtigungen erzeugt Alarmmüdigkeit (Alarm-Fatigue) bei den Nutzern. Der „Alert-Spam“ führt nicht selten dazu, dass die „echten“ Alarme übersehen werden, und keine Reaktion erfolgt.
Ist die Anzahl der Alerts zu hoch, und der Inhalt der einzelnen Benachrichtigung wenig aussagekräftig, werden Benachrichtigungen häufig ignoriert.
ed.Detect verfolgt einen Ansatz zur Erstellung intelligenter Benachrichtigungen. Der Algorithmus von ed.Detect hat den Vorteil, dass er die Zeitreihe in ihrer Struktur versteht. Bezogen auf das obige Beispiel bedeutet dies, dass ed.Detect weiss, dass der Umsatz an Feiertagen um mehr als 10% von dem Umsatz an Werktagen abweicht. Da ed.Detect auch weiss wann wo ein Arbeitstag ist und wann ein Feiertag, sendet ed.Detect nicht jeden Dienstag einen falschen Alert zu dem Sprung der Bestellungen von Sonntag zu Montag.
Ein intelligenter Alert wird von ed.Detect nur dann verschickt, wenn die Veränderung der Werte ausserhalb des erwarteten Bereiches liegt. Der Ansatz von ed.Detect hat das Ziel intelligente Meldungen zu verschicken. Intelligent bedeutet:
- Es werden nur Benachrichtigungen zu echten Abweichungen verschickt und nicht auf Basis von statischen Schwellwerten
- Inhalt und Sprache sind auf die Empfängergruppe abgestimmt
- Die Benachrichtigung enthält einen Bezug zu den möglichen Ursachen und Auswirkungen
- Die Benachrichtigung enthält eine konkrete Handlungsempfehlung für das weitere Vorgehen
Die intelligenten Alarm- und Prognosemodule von ed.Detect basieren auf der Anomalie Erkennung der ed.Detect Core Engine.
VORTEILE
ed.Detect ist interessant für:
- Organisationen, die eine große Anzahl (tausende) von Zeitreihendaten analysieren möchten.
- Daten orientierte Nutzer, die automatisch Abweichungen und Anomalien in ihren Prozessen, Systemen oder auf ihren Websites erkennen wollen.
Vorteil: Jederzeit up-to-date über Anomalien in den Daten!
- Gleichzeitige Überwachung von tausenden Datenströmen ohne zusätzlichen manuellen Aufwand.
- Ergebnisse liegen in nahezu Echtzeit (near real-time) vor und werden fortlaufend aktualisiert. Kein langes Warten auf Ergebnisse
- Intelligente und selbstlernende Anomalieerkennung, die sowohl für Small Data als auch Big Data optimiert ist.
- Berücksichtigung von saisonalen und trendbedingten Entwicklungen sowie von besonderen Ereignissen, z.B. regionale Feiertage und externe Einflüsse.
Vorteil: Präzise Vorhersagen durch Machine Learning!
- Individuelle Alarmfunktion für jede Zielgruppe im Unternehmen.
- Integration in bestehende Daten- und Reportinglösungen ohne die Notwendigkeit, ein zusätzliches Tool zu erlernen oder zu verwenden.
- Analyse-Ergebnisse von ed.Detect werden an Drittsysteme weitergegeben.
ed.Detect: Beispiel Augmented Dashboard
Analyse und Vorhersage
ed.Detect: Beispiel E-Mail Alert
Individuell und konkret
USE CASE: KAMPAGNENEFFIZIENZ MESSEN MIT ED.DETECT
Wie effizient ist meine Marketingkampagne tatsächlich? ed.Detect liefert die Antwort – präzise, KI-gestützt und ohne ungenaue Vergleichszeiträume. Unsere intelligente Lösung simuliert den Kampagneneffekt, trennt Wachstumseinflüsse von echten Performance-Steigerungen und analysiert parallele Maßnahmen in Echtzeit. So wird klar ersichtlich, welche Kanäle den größten Umsatzbeitrag leisten und wo Budget eingespart werden kann. Jetzt die Marketingstrategie mit datengetriebenen Entscheidungen optimieren – für maximalen Erfolg bei minimalen Streuverlusten.
Kampagneneffizienz neu denken – mit ed.Detect! ✔️
Hier geht’s zum Use Case Kampagneneffizienz messen mit ed.Detect!
