Video: Szenario Modellierung in Qlik

Ohne KI in die Zukunft schauen? Hier sehen Sie eine kurze Demo, wie in Qlik Simulationen und Szenarien modelliert werden können. 

Philippe Christen demonstriert dies in diesem Video an Beispielen aus aktuellen Planungen des Gesundheitswesens und Onlineshops.

Transkription:

Guten Tag sehr geehrte Damen und Herren

mein Name ist Philippe Christen, ich bin BI Consultant bei Heyde und heute zeige ich Ihnen, was wie man mit Qlik Sense Simulationen und Szenarien modellieren kann.

Vorab zu einigen Grundlagen zu den Begrifflichkeiten

Grundlagen & Begrifflichkeiten

• Prognosen sind Vorhersagen darüber, wie sich ein oder mehrere Sachverhalte in Zukunft entwickeln können.
• Prognosen bestehen aus einem komplexen Regelwerk, welches zum Beispiel folgende Komponenten beinhaltet - wobei diese nicht abschliessend sind.
• Aktuelle und historische Daten sind der Ausgangspunkt jeder Prognose. Ziel ist es, Muster, Verbindungen und Trends in den Daten zu erkennen und daraus Vorhersagen abzuleiten.
• Dabei können Mathematische Algorithmen die Erstellung von Prognosemodellen unterstützen – das reicht von einfachen statistischen Formeln über Data Mining bis hin zum Maschinellem Lernen.

Und letztlich sind Fachwissen (z.B. Branchenkenntnisse) und Erfahrung entscheidend, um relevante Ausgangsdaten zu wählen, die erkannten Zusammenhänge bestmöglich zu modellieren und schliesslich die Prognoseergebnisse richtig zu interpretieren.

Was sind dann jetzt Simulationen und Szenarien?

Abgeleitet aus den Vorhersagemodellen lassen sich Prognosen durch Simulationen der künftigen Entwicklung abbilden und visualisieren.

Dabei können wichtige Parameter variiert werden, um unterschiedliche Szenarien zu erzeugen und einander gegenüberzustellen.

Und Sie fragen sich jetzt:

Welchen Mehrwert können gute Simulationen bieten?

Simulationen und Szenarien unterstützen den Planungsprozess künftiger Entwicklungen in verschiedenen Varianten, also beispielsweise mit einem Best-Case- oder Worst-Case-Szenario.

Auf dieser Grundlage können die Entscheider geeignete Massnahmen treffen, um die jeweiligen Ziele ihrer Organisation zu erreichen - Innerhalb eines Unternehmens können Szenarien und Simulationen in fast allen Bereichen eingesetzt werden, z.B.

• in der Budgetierung,
• in der Personaleinsatzplanung
• bei der Planung der Lagerbestände oder Versicherungswerte und so weiter...

Vorhersagemodelle eignen sich auch als Frühindikatoren, die Anhaltspunkte für die künftige Geschäftsentwicklung bieten.

Wie kann soetwas jetzt in der Realität aussehen?

Dazu mein aktuelles Beispiel in QlikSense:

SIMULATIONEN UND SZENARIEN - Vergleiche von exponentiellen Berechnungen

In einem ersten einfachen Beispiel möchte ich zeigen, wie Simulationen und Szenario-Vergleiche für exponentielle Berechnungen in Qlik Sense abgebildet werden können.

Exponentielle Berechnungen gehen im Zusammenhang mit der Corona-Pandemie immer wieder durch die Medien. Sie können zeigen, wie sich die Zahl der Ansteckungen entwickeln wird.

Ein wichtiger Parameter dabei ist die Reproduktionszahl, der sogenannte R-Wert; er bildet die Grundlage zur Entwicklung verschiedener Szenarien.

Die Reproduktionszahl beschreibt die Ansteckungsrate und damit indirekt den weiteren Pandemieverlauf mit all seinen Auswirkungen: auf die Zahl der schweren Krankheitsverläufe, die Auslastung der Krankenhäuser und schliesslich die Sterblichkeit.

Das folgende Beispiel basiert auf 8 Perioden - dies könnten zum Beispiel 8 Wochen sein - und einer Ansteckungsbasis von 4321 infizierten Personen.
Die Szenarien sollen das Grundverständnis dafür fördern, welche Auswirkung ein R-Wert von 1, kleiner 1 oder grösser 1 hat.

In der ersten Simulation nehmen wir Re = 1 an

Bei einem R-Wert von 1 steckt jede infizierte Person genau eine andere an. Dabei bildet sich eine gerade horizontale Ansteckungslinie.

In einer zweiten Simulation gehen wir von Re kleiner 1

Ist der R-Wert kleiner 1, z.B. 0.5, dann steckt jede infizierte Person nur 0.5 weitere Personen an.

Die Zahl der Ansteckungen und damit die Ausbreitung der Pandemie verläuft hier degressiv.
Hier bestehen gute Chancen, das Virus unter Kontrolle zu bringen.

Schliesslich die dritte Simulation mit Re grösser 1

Liegt der R-Wert grösser 1, z.B. 1.5, dann steckt jede infizierte Person 1.5 weitere Personen an. Die Zahl der Ansteckungen verläuft hier progressiv.

Modell in Qlik Sense

Schauen wir uns an, wie sich dieses Beispiel in Qlik Sense modellieren lässt:

Als erstes wird die Anzahl der Forecast-Perioden festgelegt – das können Tage,Wochen oder Monate sein).

Als zweites wird ein Basiswert festgelegt –in diesem Beispiel die aktuelle Anzahl der angesteckten Personen.

Als drittes können wir verschiedene Varianten des R-Wertes angeben.

Im ersten Szenario haben wir einen R-Wert von 1 und somit eine horizontal verlaufende Kurve:

Jede infizierte Person steckt immer nur eine weitere an, daher bleibt die Gesamtzahl der Ansteckungen konstant.

Zum Aufnahmezeitpunkt haben wir in der Schweiz einen Re-Wert knapp unter 1 (Stand 10.02.2021.

Allerdings verbreiten sich mittlerweile auch Virus-Mutationen, die deutlich ansteckender sind als die ursprüngliche Variante – sagen wir, mit einem R-Wert von 1.1

Das lässt sich mit einem zweiten Szenario abbilden, das auf derselben Zeitachse und mit demselben Basiswert kalkuliert wird. (Das zweite Szenario wird hier rot abgebildet). Hier geht die Zahl der Ansteckungen nicht zurück, sondern steigt kontinuierlich an.

Dazu können wir auch ein weiteres Szenario ergänzen, für eine noch ansteckendere Virus-Mutation mit dem R-Wert von 1.4. Dieses dritte Szenario zeigt eine gut 50%ig höhere Ansteckung gegenüber dem ersten und lässt für die Schweiz alle negativen Folgen des exponentiellen Verlaufs erwarten.

Noch deutlicher wird dies, wenn wir die Zeitachse verlängern: Der Basiswert und drei Szenario-Werte für die Reproduktionszahl werden beibehalten, und wir erweitern lediglich die Zahl der Perioden von 7 auf 17.

In der Tabelle wird neben den absoluten Werten der drei Szenarien auch die jeweilige Differenz pro Periode angezeigt: Der Unterschied zwischen dem ersten und dritten Szenario liegt bei einer halben Million!

Ansteckungen, das verdeutlicht die enorme Hebelwirkung des R-Werts bei diesen exponentiellen Verläufen.

Im Beispiel zwei möchte ich zeigen, wie Simulationen und Szenarien in der Auslastungsplanungen aussehen können.

Anknüpfend an das erste Beispiel, das die Entwicklung der Ansteckungszahlen modelliert hat, widmen wir uns nun einem zweiten Beispiel: der Auslastung der Schweizer Spitäler.

Szenario-Beispiel 2: Auslastung der Schweizer Spitäler

Dabei stützen wir uns auf die öffentlichen Zahlen des Bundesamtes für Gesundheit für die letzten rund 12 Monate, die wir für dieses Beispiel heruntergeladen und mit Qlik Sense anschaulich visualisiert haben.
Der Fokus liegt hier auf der Auslastung der Intensivstationen (ICU ist gleich Intensive Care Unit):

• Die blaue Kurve zeigt die Auslastung mit Corona-Patienten. Für die Zeitperiode – April 2020 bis Januar 2021 – liegt sie im Durchschnitt bei 22 %.
• Die hellblaue Kurve zeigt die Zahl der Nicht-Corona-Patienten, die ja ebenfalls behandelt werden müssen und daher aufaddiert wurden.
• Daraus ergibt sich die Gesamtauslastung der Intensivstationen in den Schweizer Spitälern, die im Durchschnitt bei 65 % lag.

Wie wir wissen, bietet Qlik Sense zahlreiche weitere Möglichkeiten, diese Daten intuitiv zu erkunden und eingehender zu analysieren:

• Mit nur einem Klick lassen sich Filter direkt in den Grafikelementen setzen – beispielsweise um einen bestimmten Zeitraum zu selektieren.
• Mit den Auswahlmöglichkeiten links neben der Tabelle lässt sich einstellen, wie die Zahlen aggregiert werden – auf Basis von Wochen, Monaten, Quartalen oder Jahren. Dazu kann man zwischen absoluten und relativen Zahlen wählen.
• Mit einem Klick auf die Landkarte lassen sich einzelne Kantone auswählen. So sehen wir zum Beispiel für den Kanton Zürich: Im Durchschnitt waren 29% der Betten mit Corona-Patienten belegt, die Gesamtauslastung der Intensivstationen lag bei 73 %.

 

Auf dieser Datengrundlage kann nun eine Kapazitätsplanung auf Kantons- und Landesebene erfolgen:

Das hierfür erstellte Arbeitsblatt fast alle wichtigen Daten sowohl Gesamtschweizerisch als auch für Regionen zusammen:

• links oben der Verlauf des R-Werts, den wir im ersten Beispiel ausführlich besprochen haben,
• links unten der Szenario-Manager mit der Auslastung der Intensivstationen. Hier ist das heutige mit einer vertikalen roten Linie eingezeichnet. Links davon sehen wir, wie vorhin gezeigt, die Vergangenheitsdaten vom Bundesamt für Gesundheit. Rechts davon werden die errechneten Zukunftswerte angezeigt.

Die horizontale rote Linie bildet einen Maximalwert, der hier auf eine Intensivbetten-Auslastung von 80 % gesetzt wurde. Dessen Überschreiten löst einen Alarm aus.

Schauen wir uns die Vergangenheitsdaten an:

In Zeiten, wo es besonders viele Corona-Patienten gab, ist die Zahl der anderen Patienten auf der Intensivstation nicht linear. Hier haben die Spitäler die Corona-Welle kompensiert, beispielsweise durch die Absage geplanter OP-Termine, soweit das möglich war. Das muss auch bei der Berechnung der Forecast-Werte miteinkalkuliert werden.

Der Bereich mit den Schiebereglern bildet die Eingabe-Variablen ab, mit denen sich das Szenario individuell steuern lässt:

• Hier können die Auslastungswerte für beide Patientengruppen situativ eingestellt werden. Dazu passen wir sowohl die Werte für die Corona-Patienten als auch für die Nicht-Corona-Patienten möglichst genau an den letzten Stand an.
• Die Tabelle rechts unten zeigt uns die Kapazitäten in Zahlen an – für beide Patientengruppen und natürlich auch die Gesamtauslastung.
• Rechts oben gibt es die Möglichkeit, für bestimmte Perioden die Werte anzupassen: Wenn die WERTE steigen, steigt auch die Auslastung der Intensivstationen – und wenn der Grenzwert von 80 % überschritten wird, werden die entsprechenden Tage in der Tabelle rot hinterlegt, hier zum Beispiel der 2. März, der 7 + 8. März usw.

Diese Art der Szenarienplanung findet natürlich nicht nur im Gesundheitswesen statt.

Sie könnte in modifizierter Form auch in einem Handelsunternehmen zum Einsatz kommen, zum Beispiel bei der Umsatzplanung eines Online-Shops mit verschiedenen Kundensegmenten.

Ein weiteres Beispiel für Simulationen und Szenarien also:

Umsatzplanungen

Hier sehen wir im Diagramm oben rechts:

• dunkelblau die historischen Umsatzwerte, in grün/grau die Zukunftswerte.
• schwarz eingezeichnet der Lockdown im Frühjahr 2020, der sich für diesen Onlineshop positiv auf die Umsätze ausgewirkt hat.
• Im Bereich links sind die verschiedenen Kundensegmenten dargestellt: der B2C-Bereich, der B2B-Bereich und die Institutionen, die bei diesem Handelsunternehmen einkaufen. Dementsprechend ist auch das Forecast-Szenario aggregiert über die drei Kundensegmente.
• Unten sehen wir die gewohnte Tabelle mit den Basiswerten (weisse Spalte), dem variablen Szenario-Wert (blau) und dem Delta, welches sich aus der Basis und dem variablen Szenario bildet – links für die B2C-Kunden, daneben für die zwei weiteren Kundensegmente.

Die Schieberegler oben links ermöglichen das Anpassen der Forecast-Werte für die verschiedenen Kundengruppen und damit das Erstellen variabler Szenarien. Rechnet man beispielsweise mit einem Umsatzuwachs im B2C-Markt, stellt man hier den entsprechenden Wert ein, der automatisch in der Grafik und in der Tabelle übernommen wird.

Dazu gibt es die Möglichkeit, einzelne Monate zusätzlich zu gewichten: So können wir beispielsweise für den Januar 2021 ein erwartetes Umsatzplus von 15 % angeben, das dann für alle Kundensegmente entsprechend automatisch einkalkuliert wird. Analog können auch umsatzschwache Monate eingeplant werden – hier beispielsweise der Juli.

Und jetzt ein letztes Beispiel für Simulationen und Szenario heute:

Personalplanung

Auch im Bereich der Personalplanung können Szenario-Analysen zum Einsatz kommen. Mit diesem Beispiel kehren wir noch einmal zu den Schweizer Spitälern zurück, schauen aber nicht auf die Intensivbetten, sondern auf das Personal – hier abgebildet als Ressourcen mit einer Gesamtzahl von 150 – bspw. 150 Pflegekräften eines Spitals.

• Dieses Arbeitsblatt ermöglicht zum einen die Eingabe der Plandaten für die Auslastung der Intensivstationen mit Corona- und Nicht-Corona-Patienten. Wenn die ermittelten Forecast-Daten über den bisherigen Plandaten liegen, gibt es eine Warnmeldung – so können die Plandaten entsprechend korrigiert werden.
• Parallel erfolgt ein Abgleich der geplanten Auslastung mit den verfügbaren Personalressourcen. Wenn, wie hier, 4 Pflegekräfte fehlen, muss entweder der Dienstplan entsprechend angepasst oder es müssen Corona-Patienten in andere Spitäler verlegt werden.
• Im unteren Bereich können verschiedene Szenarien gestaltet werden: Die erwartete Auslastung kann für jeden Bereich individuell eingestellt werden und sofort in Betten und Personalressourcen umgerechnet. Engpässe werden wie gehabt durch farbige Warnmeldungen markiert. Hier lässt sich auch kalkulieren, wie viele zusätzliche Ressourcen – bspw. zusätzliche Pflegekräfte erforderlich wären, um diese Engpässe auszugleichen.

Die Beispiele haben gezeigt, wie Simulationen und Szenarien einen entscheidenden Vorsprung für die Planungsprozesse in verschiedenen Organisationen und Bereichen erzielen können. Dennoch bergen sich auch Gefahren, die wir hier ebenfalls kurz anschauen müssen.

Woran können Simulationen scheitern?

- z.B. an einer unzureichenden Datenbasis: Sowohl die mangelnde Verfügbarkeit als auch die Qualität der Trainingsdaten kann unerwünschte Effekte hervorrufen.

- es gibt ausserdem keine Garantie: Auch die besten Prognosen sind „nur“ Wahrscheinlichkeitsrechnungen und kein Garant künftiger Entwicklungen – die tiefgreifenden Veränderungen infolge der Corona-Pandemie hatte zu Beginn des letzten Jahres vermutlich kaum ein Schweizer Unternehmen auf dem Schirm!

Eine weitere Gefahr ist, dass Szenarien leicht manipuliert werden können. Manipulationen sind also eine weitere Gefahrenquelle.

Dann gibt es natürlich ethische Fragen: Die KI kennt keine menschlichen Werte, Normen, Gefühle, Emotionen – kann bei der Datenmodellierung aber durchaus zu unerwünschtem Bias führen, wenn ethische Fragen nicht proaktiv thematisiert und geprüft werden., ….
- Ausserdem muss auf Datenschutz, (Persönlichkeits-)Rechte usw. geachtet werden.

Hat man diese Gefahren allerdings im Griff, dann überwiegen meiner Meinung nach definitiv die Chancen:

Was sind die Chancen?

Zum ersten der Wettbewerbsvorsprung: Zuverlässige Forecasts helfen, Chancen und Risiken frühzeitig zu erkennen und proaktiv anzugehen.

Dann immer präzisere Prognosen: Der stetige Fortschritt in Forschung und Entwicklung von KI-Algorithmen verbessert die Möglichkeiten der Datenanalyse & -modellierung.

Datenbasierte Entscheidungen: Übersichtliche Dashboards mit aussagekräftigen Visualisierungen versorgen alle Stakeholder mit den nötigen Informationen.

Beherrscht man das Instrument der Simulationen, gibt es unendliche viele Einsatzmöglichkeiten: Simulationen & Szenarien können in nahezu allen Unternehmensbereichen eingesetzt werden, die Parameter lassen sich für nahezu jede Fragestellung anpassen.

Und auch ein wichtiger Punkt: Sie können mehr Werte schaffen: Betrachten Sie Ihre Unternehmenssysteme nicht nur als Kostenfaktor, sondern vor allem als Datenschatz, den es zu heben gilt!

Mein Fazit zum Thema:

Szenarien und Simulationen können dabei helfen Prognosen bzw. Varianten eines künftigen Verlaufs aufzuzeigen. Die anhaltende Volatilität im gesamten Weltwirtschaftsmarkt verkompliziert die Planung der Unternehmen.

Szenarien und Simulationen können dabei helfen, Auswirkungen frühzeitigt zu erkennen und situativ darauf zu reagieren.

Schlussendlich darf aber nicht vergessen werden, dass Prognosen lediglich Wahrscheinlichkeitstheorien abbilden, welche Chancen als auch Risiken bergen.