Prädiktive Analysen

In diesem beliebten dreitägigen Lehrgang werden den Teilnehmern verschiedenste Werkzeuge an die Hand gegeben, mit denen sie effektiv prädiktive Analysen in ihrer Organisation durchführen können.

Dieser Lehrgang stellt die Grundlagen der prädiktiven Analyse vor. Die Teilnehmer lernen Verfahren für die Datenanalyse, um Muster in historischen Daten zu analysieren, z. B. Statistik, Modellierung und maschinelles Lernen. Durch das Analysieren dieser Daten lassen sich bessere Einblicke gewinnen, potenzielle Risiken identifizieren, Verbesserungsmöglichkeiten erkennen und Prognosen erstellen. Anhand von Beispielen aus der Praxis und Übungen werden Analyseprinzipien vorgestellt.

 

Dieser Kurs richtet sich an alle Mitarbeiter in Organisationen, die leistungsstarke prädiktive Analysen nutzen möchten, um Probleme zu lösen. Der Kurs ist beliebt bei Businessanalysten, Problemlösungsteams, Leitern von Operational-Excellence-Aktivitäten, Marketinganalysten und Fachleuten, die prädiktive Analysen in ihrer Organisation einführen möchten.

Lehrgang

TAG 1

In diesem Grundlagenkurs lernen Sie, wie Sie den Zeitaufwand für die Datenanalyse minimieren, indem Sie mit Minitab Daten importieren, solide statistische Ansätze zur Untersuchung Ihrer Daten entwickeln, aussagekräftige Visualisierungen erstellen und interpretieren und die Ergebnisse exportieren. Sie automatisieren Ihre Minitab-Analyse und sorgen dafür, dass nur minimale Benutzereingaben erforderlich sind, um Zeit zu sparen. Sie analysieren eine Vielzahl von Datensätzen aus der Praxis, um zu erfahren, wie Sie das richtige Analysewerkzeug für die jeweilige Situation auswählen und die statistischen Ausgaben interpretieren. Sie erlernen die Grundlagen wichtiger statistischer Konzepte wie Hypothesentests und Konfidenzintervalle.

In diesem Kurs liegt der Schwerpunkt darauf, fundierte Entscheidungen auf der Grundlage von statistischen Verfahren zu treffen, die häufig in Geschäfts-, Fertigungs- und Finanzprozessen eingesetzt werden.

Es werden u. a. folgende Themen behandelt:

  • Importieren und Formatieren von Daten
  • Exec-Makros
  • Balkendiagramme
  • Histogramme
  • Boxplots
  • Pareto-Diagramme
  • Streudiagramme
  • Maße für Lage und Streuung
  • t-Tests
  • Test auf gleiche Varianzen
  • Trennschärfe und Stichprobenumfang

Voraussetzungen: Keine

Scatterplot of Percent vs Year by Gender
Chart of Person, Mistake

TAG 2

Möchten Sie Ihre Grundkenntnisse zu Konzepten der statistischen Analyse aus dem Kurs „Grundlagen der Analyse“ vertiefen? In diesem Kurs erfahren Sie, wie Sie Beziehungen zwischen Variablen mit Werkzeugen für die statistische Modellierung untersuchen und beschreiben. Sie ermitteln und beschreiben Merkmale von Daten hinsichtlich Effekt und Auswirkungen der Zeit und prognostizieren zukünftiges Verhalten.

In diesem Kurs lernen Sie, wie Sie die Auswirkungen von Eingabevariablen auf die Wahrscheinlichkeit, dass ein kritisches Ereignis auftritt, ermitteln und quantifizieren. Anhand von praktischen Beispielen wird veranschaulicht, wie mit Modellierungswerkzeugen wichtige Eingaben und Streuungsquellen in Ihren Daten aufgezeigt werden.

Es werden u. a. folgende Themen behandelt:

  • Streudiagramme
  •  Korrelation
  • Einfache lineare Regression
  • Zeitreihenwerkzeuge, u. a. exponentielle Glättung
  • Trendanalyse
  •  Zerlegung
  • Multiple und schrittweise Regression
  • Binäre logistische Regression
  • Regression mit Validierung

Voraussetzungen: Grundlagen der Analyse

Matrix Plot of Employees, Production V, Entrances/Ex, Shift, Particles
Smoothing Plot for Passengers

TAG 3

In diesem Kurs vertiefen Sie Ihre Kenntnisse im Bereich Datenanalyse anhand von Beispielen aus der Praxis, bei denen Sie die Beziehungen zwischen Variablen untersuchen und beschreiben. Sie lernen, wie Sie Verfahren des beaufsichtigten maschinellen Lernens wie CART® anwenden, um Muster in historischen Daten zu analysieren und dadurch bessere Einblicke zu gewinnen, potenzielle Risiken zu identifizieren, Verbesserungsmöglichkeiten zu erkennen und Prognosen zu erstellen.

Sie verwenden Werkzeuge für unbeaufsichtigtes maschinelles Lernen wie das Clustering, um natürliche Partitionen in den Daten aufzudecken und die Beobachtungen oder Variablen in homogene Gruppen aufzuteilen. Außerdem reduzieren Sie die Dimensionalität der Daten, indem Sie die ursprünglichen Daten in einen Satz nicht korrelierender Variablen transformieren.

Es werden u. a. folgende Themen behandelt:

  • Diskriminanzanalyse
  • Validierung mit einem Testdatensatz
  • Validierung mit K Faltungen
  • CART®-Klassifikation
  • Korrelation
  • CART®-Regression
  • Clusteranalyse

Voraussetzungen: Grundlagen der Analyse, Modellierung und Prognose mit Regression

Dendrogram - Complete Linkage, Euclidean Distance
Class node Decision Tree by Gender and Age