Was ist CYNERELO?

CYNERELO® ist eine best-of-breed Software-Lösung für Zeitreihen-Vorhersagen. Sie akzeptiert qualitatives Wissen plus historische Daten und wandelt diesen Input automatisch in ein mathematisches Prognose-Modell um.

CYNERELO®  behelligt den Anwender nicht mit Mathematik. Analysten, die sich für die inneren Strukturen des Prognose-Modells interessieren, können dieses Modell jedoch grafisch auswerten und es für die Verwendung in anderen mathematischen Software-Anwendungen exportieren.

CYNERELO®  erzeugt und kalibriert automatisch ein System-dynamisches Prognose-Modell basierend auf einem NMPC-Graphen mittels Maschinen-Lernen. Das Modell ist kein stochastisches und kein Trend-extrapolierendes, sondern es spiegelt die Ursache-Wirkungs-Beziehungen des realen Szenarios wieder und legt diese offen.

Sämtliche Ein- und Ausgabedaten, die von CYNERELO® verwendet werden, sind ANSI-kompatibel und können einfach mit Office-Produkten wie MS Excel® sowie mit BI-Plattformen wie die von IBM®, Microsoft®, Oracle®, SAP® und SAS® ausgetauscht werden. CYNERELO® ist kompatibel mit modernen IT-Landschaften und ist auf Client- sowie Server-Seite auf jeder Microsoft Windows® Plattform lauffähig. CYNERELO® wurde in reinem ANSI C++ geschrieben und ist somit portierbar auf andere Betriebssysteme.

 

Welche Merkmale werden in einem Prognose-System der oberen Leistungsklasse benötigt?

Prognose ist eine Frage der Modellierung. Wenn das Prognose-Modell die wesentlichen Einflüsse berücksichtigt und die Ursache-Wirkungs-Beziehungen realistisch modelliert, ergeben sich für einen gewissen Zeitraum prognostizierte Zeitreihen mit hoher Vorhersage-Güte.

Es ist nicht immer nur fehlendes Wissen, das die Erstellung guter Prognose-Modelle zur Herausforderung werden lässt. Ein wichtiger Grund für unzureichende Prognose-Modelle ist die Begrenztheit herkömmlicher Werkzeuge in der Möglichkeit, komplexe Szenarien darzustellen. Für die Erstellung von Zeitreihen-Prognosen sind die Anforderungen besonders hoch. Effektive Prognose-Modelle benötigen hier folgende Eigenschaften:

  • multivariabel, multivariat:  Es gibt nicht nur eine Eingangsvariable, sondern eine beliebige Zahl von Eingangsvariablen, die eine beliebige Zahl von Ausgangsvariablen beeinflussen.
  • nichtlinear: Viele Prognose-Modelle setzen lineare Zusammenhänge voraus, weil diese mathematisch leicht handhabbar sind. Reale Systeme weisen allerdings oft bedeutend nichtlineare Eigenschaften auf.
  • temporal: Das Modell verarbeitet und prognostiziert Zeitreihen. Es können Zeitverzögerungen unbekannten und variablen Ausmaßes zwischen Ursachen und Wirkungen vorliegen. Das Modell kann zeitliche Wachstumsprozesse beschreiben.
  • kausal: Ein Netz von vielerlei Ursache-Wirkungs-Beziehungen ist darstellbar, wobei Ursachen und Wirkungen unterscheidbar, aufeinanderfolgend und verschachtelt sein können.
  • rekursiv: Ursachen können über Rückkopplungen auf sich selbst zurückwirken.
  • intuitiv: Analysten werden in die Lage versetzt, dem Prognose-Modell ihr Wissen über das zu prognostizierende System in verständlicher Form aufzuprägen. Das Prognose-Modell ist nachvollziehbar nicht nur für mathematisch Versierte und Programmierer sondern für jeden, für den der Prognose-Gegenstand von Belang ist.
  • tolerant: Analysten sollten bei der Modellierung keine Information eingeben müssen, die sie zum Modellierungszeitpunkt kaum wissen können wie etwa genaue mathematische Funktionen, Konstanten, Offsets, Gewichtungen, Exponenten oder Koeffizienten.
  • deterministisch: die Menge und Struktur der benötigten Kalibrierungsdaten sollte vorhersehbar sein.

 

Welches sind CYNERELO’s Leistungsmerkmale im Vergleich zu konventionellen Prognose-Methoden?

CYNERELO_ComparisonMatrix_2DE