In Ihren Daten steckt ein Problem, aber Sie haben es nicht bemerkt. Der Bestand eines bestimmten Produkts steigt seit drei Wochen langsam an, im Monatsbericht fällt es nicht auf. Ein Kunde hat in den letzten zwei Monaten seine durchschnittliche Bestellgröße um 40 % gesenkt, aber Ihr Vertriebsmitarbeiter hat es nicht beachtet. Das sind die stillen Signale, die die KI-Anomalieerkennung erfasst.
01. Was ist Anomalieerkennung?
Eine Anomalie ist eine bedeutsame Abweichung der Daten von ihrem normalen Verhalten. In modernen Ansätzen werden statistische Modelle (Z-Score, IQR) und maschinelles Lernen (Isolation Forest, LSTM) gemeinsam eingesetzt.
Das Ziel ist, das „Übliche“ zu lernen und das Team über das „Ungewöhnliche“ zu informieren.
02. Konkrete Einsatzbereiche
Bereiche, in denen die Anomalieerkennung in der Geschäftswelt nützt:
- Unerwarteter Bestandsanstieg / -rückgang
- Veränderung des Kundenverhaltens (Bestellrückgang, Anstieg der Retouren)
- Abweichung im Zahlungsverhalten (ein spät zahlender Kunde beginnt früh zu zahlen – warum?)
- Anomale Aktivität in Systemprotokollen (Sicherheit)
- Ausschussanstieg in der Produktion
03. Gegen die Alarmmüdigkeit
Die größte Falle der Anomalieerkennung ist, zu viele Warnungen zu erzeugen. Kommen in der ersten Woche 200 Warnungen, beginnt das Team in der zweiten Woche, sie alle zu ignorieren.
Ein gut eingestelltes System erzeugt 5–10 ECHTE, handlungserfordernde Warnungen pro Tag. Diese Einstellung erfolgt in den ersten 4–6 Wochen über eine Feedbackschleife.
04. Die richtige Kennzahl und der richtige Schwellenwert
Jede Datenreihe hat ihre passende Kennzahl und ihren passenden Schwellenwert. Zum Beispiel Alarm, wenn der Z-Score des Tagesumsatzes über 3 oder der Z-Score des Monatsumsatzes über 2 liegt. Diese Werte werden nicht von Anfang an geraten; sie werden anhand der Verteilung der Daten festgelegt.
Entdecken Sie unsere Lösung Künstliche Intelligenz
Für ausführliche Informationen können Sie ein kostenloses Beratungsgespräch buchen.