Live-Online: Zeitreihenanalysen in der Praxis: Von der Datenaufbereitung bis zur Prognose

1. Grundlagen und explorative Analyse

• Warum Forecasting auf Zeitreihen?
• Univariate und multivariate Zeitreihen
• Zeitreihenkomponenten (Trend, Saisonalität, Zyklen, Noise)
• Visualisierung und deskriptive Statistik

2. Datenvorverarbeitung und Feature Engineering

• Umgang mit fehlenden Werten und Ausreißern
• Exogene Variablen: Kalender- und Ereignismerkmale
• Lag- und Rolling-Features für Forecast-Modelle

3. Baseline- und traditionelle Modelle

• Naive, saisonale und gleitende Baselines
• Klassische Verfahren (ARIMA, ETS, Prophet)
• Probabilistisches Forecasting und Konfidenzintervalle

4. Forecasting mit Deep-Learning-Methoden

• Regressions- und Ensemble-Modelle (Random Forest, XGBoost)
• Deep Learning für Sequenzen (RNN, LSTM, TCN)
• Aktuelle Frameworks einsetzen: SKForecast, GluonTS, Chronos

5. Evaluierung und Interpretierbarkeit

• Evaluierungsmetriken (MAPE, RMSE, MASE) richtig einsetzen
• Visualisierung von Prognosen und Residuen
• Explainable AI für Zeitreihenmodelle

6. Deployment und Monitoring

• Modellexport, Rolling Retrain, Drift-Erkennung
• Best Practices zur Wartung von Forecast-Pipelines

7. Praxis-Challenge

• Gruppenaufgabe: End-to-End-Forecast auf einer realen Datenbasis

Ganzheitlicher Prognose-Workflow: Lerne alle Schritte im datenbasierten Forecasting-Workflow kennen – vom Rohdatensatz zur belastbaren Prognose inklusive Unsicherheitsabschätzung.

Modellauswahl sicher beherrschen: Du erfährst, wann Statistik, Machine Learning und Deep Learning den größten Mehrwert liefern.

Zukunftsfähige Architekturen: Verstehe Deployment-, Retrain- und Monitoring-Optionen, um Modelle stabil in Produktion zu halten.

Bessere Geschäftsentscheidungen: Übersetze Prognosemetriken in konkrete KPIs und Risiko­betrachtungen.

Erweiterbares Skill-Set: Framework-Vergleiche und Best Practices geben dir eine Roadmap für eigene Projekte.

Unterstützung beim Lerntransfer: Cloud-Lab, Quellcode, Jupyter Notebooks und Deploy-Blueprint sichern den Transfer in deinen Arbeitsalltag.

Daten-Analyst:innen, BI-Spezialist:innen, Data Scientists, ML-Engineers und Fachanwender:innen, die mit Zeitreihen-Daten arbeiten und Forecast-Pipelines konzipieren. Python-Grundkenntnisse und Basiswissen in Statistik werden vorausgesetzt.