Causal Discovery

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 planen, um Fehlerursachen zu beseitigen oder eine gewünschte Wirkung zu erzielen. So können künftige Ergebnisse verhindern oder modifiziert werden.

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!

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 Object Analytics 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.

Typische Anwendungen sind:

• Fertigung: Verstehen Sie komplexe Produktionsprozesse und warum die hergestellten Teile die Qualitätsziele nicht erfüllen. Implementierung einer kontinuierlichen Prozessüberwachung: ein KI-Bot, 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 ständig nach neuen Ursachen und wie Wettbewerber Ihren Kundenstamm angreifen. Messen Sie die kausale Wirksamkeit Ihrer Kampagnen.

… und vieles mehr.

Die Algorithmen zur Erkennung kausaler Zusammenhänge sind in den Object Explorer 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.

KI-Bot: Er überwacht Ihre Prozesse ständig in Hinblick auf neue Probleme und Gründe, die Ihr Geschäft gefährden können. Ihre Versicherung gegen unangenehme Überraschungen.