Was das für Sie bedeutet
Der Xplain CausalDiscoverer (XCD) deckt kausale Zusammenhänge in Ihren komplexen Daten auf, indem er alle verfügbaren Störfaktoren (Confounder) ausschließt. Er enthüllt daher die tatsächliche Beziehung zwischen zwei Ereignissen (Ursache und Wirkung), wobei das zweite Ereignis eine direkte Folge des ersten ist.
Durch das Verständnis der kausalen Zusammenhänge können Unternehmen tiefere Einblicke in ihre Prozesse, Kunden und Markttrends gewinnen, um wirkungsvolle Maßnahmen zu planen und gezielte Entscheidungen zu treffen, die Wachstum und Erfolg fördern.
Der CausalDiscoverer nutzt die Möglichkeiten des Backends, um ein Usability-Konzept für die Analyse von Objekten „als Ganzes“ zu implementieren, d. h. über alle verfügbaren Datenströme hinweg, die an das Wurzel-Objekt gebunden sind. Klassische DWH-Ansätze, die Daten in „Sternschemata“ oder „OLAP-Würfel“ replizieren, erlauben immer nur eine eingeschränkte Sicht. Und wirken im Vergleich zu ObjectAnalytics wie der Blick durch ein Schlüsselloch.
Sie brauchen keine Experten mehr, um Daten in diese eingeschränkten analytischen Schemata zu zwingen. So holen Sie die Analytik aus dem Elfenbeinturm in Ihr Tagesgeschäft. Verfolgen Sie interaktiv Ihren Gedankengang von Fragen zu Folgefragen und entdecken Sie – unterstützt durch die Causal Discovery Modelle – potenzielle „Ursache-Wirkungs“-Beziehungen.
Wie das in der Praxis aussieht
Der CausalDiscoverer (XCD) unterstützt diverse Schnittstellen. So können Sie im XCD Artefakte erzeugen (z. B. eine relative Zeitachse), die Definition dieses Artefakts, z. B. in Form eines Stücks Python-Code, anzeigen und diesen Code einfach in Ihr Python-Skript kopieren. Sie können sogar eine ganze Sitzung in ein Python-Skript (oder in ein Jupiter Notebook) umwandeln. Der CausalDiscoverer und Ihre Python-Umgebung arbeiten nahtlos zusammen und machen den XCD zu Ihrer erweiterten Entwicklungsumgebung.
Beispiel aus der Fertigung – Produktion von Zylinderköpfen: Analyse des Produktionsprozesses und Ursachenanalyse im Falle fehlerhafter Teile.
Warum Kausalität wichtig ist
Predictive Modelling sagt Ihnen z.B., welche Maschine bald ausfallen wird.
Aber die wichtigeren Fragen sind: Warum fällt sie aus? Und was kann ich dagegen tun?
An dieser Stelle ist Predictive Modeling mit seiner Weisheit am Ende – und Causal Discovery entfaltet seine volle Wirkung. Nur wenn Sie wissen, warum etwas passiert ist (die Ursache kennen), können Sie gezielte Eingriffe vornehmen, um Fehlerursachen zu beseitigen oder eine gewünschte Wirkung zu erzielen.
Kenntnisse über Ursache und Wirkung sind die Grundlage für die Entwicklung intelligenter Strategien zur Erreichung eines Ziels. Was auch immer Ihr Unternehmensziel ist, Sie sollten unbedingt wissen, was für Ihren Erfolg – oder Misserfolg – maßgeblich ist!
Die Herausforderung - und unsere Lösung
In Real World Data gibt es buchstäblich „Milliarden“ von Korrelationen zu Ihrer Zielvariablen (Ihrem Geschäftsziel). 99,9 % von ihnen sind jedoch bedeutungslos. „Korrelation ist nicht gleich Kausalität“ – eine bekannte Tatsache. Aber warum ist das so? Und wie können wir den Nebel der Korrelationen durchdringen, um die wahren Ursachen für Ihren Geschäftserfolg zu erkennen?
Confounder (Faktoren, die sich sowohl auf die vermeintliche Ursache als auch auf den Effekt auswirken) verschleiern die „echte“ Auswirkung eines Faktors auf das Ergebnis. Das Verständnis von Ursache und Wirkung auf der Grundlage von Beobachtungsdaten bedeutet in erster Linie, diese Confounder zu finden. Um zu vermeiden, dass wichtige Confounder übersehen werden, ist also eine Fülle von Daten erforderlich – und eine Technologie, die solche – zwangsläufig komplexen – Daten nach Confounding-Faktoren durchsuchen kann.
Auf der Grundlage unserer ObjectAnalytics Database ist unser Causal Discovery-Ansatz derzeit der Einzige, der die Komplexität von „Real World Data“ bewältigen kann – und gleichzeitig die Fülle an Informationen in solchen Daten für eine tiefgehende Suche nach Confoundern nutzt. Ohne ein Experiment ist dies noch kein Beweis für Kausalität. Causal Discovery kann jedoch Unmengen von bedeutungslosen Korrelationen aussortieren und Ihnen helfen, schnell zu relevanten Hypothesen über kausale Effekte zu gelangen.
Sehen Sie sich Paula an, um unseren Causal Discovery-Ansatz auf einer intuitiven Ebene zu verstehen.
Wo Causal Discovery eingesetzt werden kann
Typische Anwendungen sind:
- Fertigung: Verstehen Sie komplexe Produktionsprozesse und warum die hergestellten Teile die Qualitätsziele nicht erfüllen. Implementierung einer kontinuierlichen Prozessüberwachung: ein DiscoveryBot, der ständig nach neuen Fehlerursachen Ausschau hält.
- Instandhaltung eines Maschinenparks: Erkennen Sie, warum Maschinen ausfallen, und entwickeln Sie eine intelligente Wartungsstrategie. Lassen Sie künstliche Intelligenz nach neuen Problemen und deren Ursachen suchen und Ausfälle vorhersagen, um frühzeitig einzugreifen.
- Gesundheitswesen: Gründe für die Nichteinhaltung von Vorschriften und Behandlungsänderungen erfassen. Frühzeitiges Erkennen von unerwünschten Nebenwirkungen. Verstehen, wer gefährdet ist und warum – und Aufbau eines gezielten Versorgungsmanagements.
- CRM: Die Ursachen der Kundenfluktuation verstehen. Suchen Sie kontinuierlich nach neuen Ursachen – und wie Wettbewerber Ihren Kundenstamm angreifen. Messen Sie die kausale Wirksamkeit Ihrer Kampagnen.
… und vieles mehr.
Unsere Casual Discovery-Algorithmen in der praktischen Anwendung
Die Algorithmen zur Erkennung kausaler Zusammenhänge sind in den CausalDiscoverer und sein interaktives Bedienkonzept eingebettet. Einmal konfiguriert, genügt ein Klick auf ein Ziel, und Sie sehen, was dieses Ziel antreibt oder möglicherweise verursacht. Der Experte kann bestimmte Faktoren ablehnen, nach Alternativen fragen. Und so schließlich zu Ergebnissen gelangen, die Wissen aus Daten mit Fachexpertise kombinieren.
Jeder dieser Algorithmen kann auch in einer Python-Umgebung verwendet werden.
DiscoveryBot: Er überwacht Ihre Prozesse ständig in Hinblick auf neue auftretende Probleme und Gründe, die Ihr Geschäft gefährden können. Ihre Versicherung gegen unangenehme Überraschungen.
Beispiel: Faktoren, die – entsprechend den Causal Discovery Verfahren – potentiell Brustkrebs auslösen, einschließlich einer grafischen Darstellung, die die direkten und indirekten Auswirkungen auf das Ziel der Analyse visualisiert.