Fallstudie — VNG AG
Artificial Intelligence zur Marktpreisvorhersage
Im Projekt „Marktpreisvorhersagen zu Rohstoffpreisen“ haben wir gemeinsam mit der VNG AG gezeigt, wie sich Advanced Analytics nutzen lässt, um aus einer Vielzahl unterschiedlicher Daten – Newsticker-, Handels- und Wetterdaten – Preistrendvorhersagen zu erzeugen und sie den Anwendern in einer Benutzeroberfläche bereitzustellen.
Das Projekt auf einen Blick
01
Herausforderung
In einem effizienten Markt spiegelt der Preis alle verfügbaren Informationen wider. Ziel jedes Marktteilnehmers ist ein Informationsvorsprung – das Wissen, wie sich Preise künftig entwickeln.
02
Ansatz
Integration sehr unterschiedlicher Daten – sekundengenau, teils unstrukturiert, in großen Mengen – gemäß der drei Vs, ausgewertet in Echtzeit mit Klassifikation (u. a. Support Vector Machines) und Clusterung von Textmeldungen.
03
Ergebnis
Eine Echtzeit-Lösung, die bei neuen Tickermeldungen Prognosen zur Preisentwicklung des Handelstages liefert – als Grundlage, den Gashandel neu aufzustellen und einen Wettbewerbsvorteil zu entwickeln.
Der Kontext
Ausgangslage
Die Versorgung mit Rohstoffen und Energie sowie der dafür notwendige Handel sind Kernfunktionen der Wirtschaft. Börsen bilden das Zusammentreffen von Angebot und Nachfrage; in einem effizienten Markt spiegelt der Preis alle verfügbaren Informationen wider.
Das Ziel aller Marktteilnehmer ist ein Informationsvorsprung, um Kaufentscheidungen unter dessen Ausnutzung zu treffen. Genau diesen Vorsprung – das Wissen um die künftige Preisentwicklung – konnte die VNG AG in diesem Projekt durch Advanced Analytics erzielen.
Big Data nach den drei Vs
- Volume – große Datenmengen aus internen und externen Quellen.
- Velocity – sekundengenaue Daten mit unterschiedlichen Änderungsgeschwindigkeiten.
- Variety – strukturierte und unstrukturierte (textuelle) Daten wie Newsticker-, Handels- und Wetterdaten.
Der Ansatz
Realtime Data Analytics als Schlüssel
Das Architekturkonzept integriert strukturell und inhaltlich sehr unterschiedliche Daten, die – verglichen mit Börsenpreisen – unterschiedlichen Änderungsgeschwindigkeiten unterliegen, sekundengenau und teils textuell vorliegen. Auf dieser Datenbasis lassen sich in Echtzeit Prognosen über die Richtung der Preisentwicklung ermitteln.
Echtzeitauswertungen auf dieser Mischung von Daten stellen hohe Anforderungen an Architektur und Algorithmen. Big Data, Advanced Analytics und Echtzeit ergeben zusammen Realtime Data Analytics – die fachliche wie technische Grundlage der Lösung.
01
Vorgehen · 3 Schritte in 5 Monaten
Auswahl relevanter Daten und Vorverarbeitung
Im ersten Schritt galt es, Daten aus internen und externen Quellen zu sammeln, die eine Vorhersage ermöglichen. Wesentlich war dabei, Spielraum für bislang nicht antizipierte Zusammenhänge in den Daten zu schaffen.
So entstand die Grundlage, später aus der Gesamtheit strukturierter und unstrukturierter Informationen ähnliche Situationen der Vergangenheit zu identifizieren und daraus Prognosen abzuleiten.
02
Vorgehen · 3 Schritte in 5 Monaten
Datentransformation, Algorithmen & Anwenderoberfläche
Die zweite Phase diente zunächst der Transformation der Daten, damit eine Klassifikation zur Vorhersage der Kursrichtung (steigend oder fallend) möglich wurde. Je nach Datenvolumen und Berechnungsdauer wurden verschiedene Algorithmen evaluiert:
- Klassifikation – Vorhersage der Kursrichtung; Support Vector Machines zeigten eine besonders hohe Qualitäts- und Zeitperformance.
- Clusterung – ähnliche Texte in der historischen Sammlung schneller identifizieren (z. B. Reuters-Meldungen).
- Ähnlichkeitsanalyse – über die Gesamtheit der Daten die drei ähnlichsten Situationen der Vergangenheit finden und daraus die Prognose ableiten.
Auslöser für eine Prognose ist stets das Eintreffen einer neuen Reuters-Nachricht. Zur Weitergabe der vorhergesagten Preisentwicklung an die Händler entstand eine Benutzeroberfläche – aufgebaut in einem bereits bei der VNG verfügbaren Werkzeug. Auf Basis des Machbarkeits- und Wirksamkeitsnachweises wurde anschließend die Architektur für den Echtzeitbetrieb mit zentraler Datenbasis realisiert.
Das Ergebnis
Bei neuen Tickermeldungen liefert die Lösung nun Prognosen zu deren Auswirkungen auf die Preisentwicklung des Handelstages – anschließend durch einen Analysten beurteilt.
Die Fülle an Informationen lässt sich so deutlich besser bewältigen. Das Projekt zeigt die fachliche und technische Realisierung als Echtzeit-Lösung bei der VNG, mit der sich der Gashandel als Kerngeschäft neu aufstellen und ein Wettbewerbsvorteil entwickeln lässt. Die Lösung ist auf andere Branchen übertragbar, die textuelle und faktenbasierte Daten betrachten.
Eingesetzte Methoden & Technologien
Advanced Analytics · Big Data (3 Vs) · Realtime Data Analytics · Klassifikation · Support Vector Machines · Clusterung · Textanalyse (Reuters) · Echtzeitintegration
Aus Daten einen Informationsvorsprung machen
Sie möchten heterogene Markt-, Text- und Sensordaten in Echtzeit auswerten und in konkrete Entscheidungen überführen? Wir konzipieren und realisieren übertragbare Realtime-Analytics-Lösungen – vom Datenmodell bis zum produktiven Betrieb.
