Einführung von Regressionsmodellen in SAP Analytics Cloud Smart Predict

In der Fallstudie führen wir Sie durch ein Szenario für die Verwendung von Regressionsmodellen in der Zahlungsprognose.

• Messung, wie sich eine Erhöhung der Kosten eines Produkts auf den Gewinn eines Unternehmens auswirkt.
• Verstehen, wie sensibel der Umsatz eines Unternehmens auf Änderungen bei Werbeausgaben, Aktionen oder Preisen ist.
• Analyse, wie sich eine Änderung der Zinssätze auf einen Aktienkurs auswirkt.
• Vorhersage von Unfall- und Schadenfallwerten für ein Kfz-Versicherungsunternehmen basierend auf Faktoren wie den Attributen des Autos, Fahrerinformationen und Demografien.
• Prognose des zukünftigen Stromverbrauchs basierend auf historischer Nachfrage, Wetterprognosen und Preisen.

Was ist eine Regressionsanalyse? Die Regressionsanalyse ist ein Sammelname für Techniken zur Modellierung und Analyse numerischer Daten, die aus Werten einer Zielvariablen und einer oder mehreren beeinflussenden Variablen bestehen.

Die Parameter der Regression werden geschätzt und geben eine optimale Anpassung der Daten.

Die Zielvariable in der Regressionsgleichung wird als Funktion der beeinflussenden Variablen, eines Konstantenbegriffs und eines Fehlerbegriffs modelliert. Das Ziel ist eine stetige Variable.

Die Formel für eine einfache Regressionsgerade wird als Gleichung dargestellt: y = a + bx.

Dabei gilt Folgendes:

• y ist das Ziel.
• a ist der Intercept (die Ebene von y, wobei x 0 ist).
• b ist die Steigung der Linie.
• x ist die beeinflussende Variable.

• Multiple lineare Regression wird verwendet, um die Beziehung zwischen einer kontinuierlichen Zielvariablen und zwei oder mehr beeinflussenden Variablen zu erklären. 
• Die beeinflussenden Variablen können kontinuierlich oder kategorisch sein.
• Die Analyse der multiplen linearen Regression ist die Aufgabe, eine einzelne Linie durch ein Streudiagramm mit mehreren Dimensionen von Datenpunkten anzupassen.
• Regression wird am häufigsten für Folgendes verwendet:
  • Ermitteln Sie die Stärke der Auswirkung, die die beeinflussenden Variablen auf eine Zielvariable haben.
  • Prognoseeffekte oder Auswirkungen von Änderungen – um zu verstehen, wie stark sich die Zielvariable ändert, wenn Sie die beeinflussenden Variablen ändern. Eine multiplen linearen Regression kann beispielsweise erklären, wie viel Verkaufsvolumen für jede Einpunkterhöhung (oder -verringerung) der Personalstunden voraussichtlich steigen (oder sinken) wird.
  • Prognostizieren Sie Trends und zukünftige Werte. Die multiple lineare Regressionsanalyse kann verwendet werden, um Punktschätzungen zu erhalten. Eine Beispielfrage lautet: Wie hoch wird der Goldpreis in sechs Monaten sein?