Das Erkennen ungewöhnlicher Muster ist elementarer Bestandteil verschiedener Analyseansätze und hat eine lange Historie. Den Begriff Anomaly Detection kennt man aus spezifischen Bereichen wie der Betrugserkennung im Bankwesen oder der IT-Sicherheit. Wenn z.B. ein Login von einem neuen Gerät erfolgt oder an einem ungewöhnlichen Ort stattfindet, wird das als Anomalie gewertet und der Anwender per E-Mail um die Bestätigung des Vorgangs gebeten.
Anomaly Detection ist mitnichten ein exklusives Thema für die genannten Fachbereiche. Jedes Unternehmen steht vor der Herausforderung, Kennzahlen zu überwachen, um bei Abweichungen schnellstmöglich reagieren zu können. Insbesondere unter Berücksichtigung der ständig wachsenden Datenmengen bietet eine skalierbare Möglichkeit, ungewöhnliche Beobachtungen effizient und automatisiert zu identifizieren, ein großes Potenzial.
Anomaly Detection eröffnet interessante Möglichkeiten für ein effizientes und mehrschichtiges KPI-Monitoring und ist damit die ideale Ergänzung zu Dashboards. Typischerweise wird zwischen drei Arten von Anomalien unterschieden:
Punktuelle Anomalien
Punktuelle Anomalien sind das, was man gemeinhin unter einer Anomalie versteht. Sie liegt dann vor, wenn eine Beobachtung weit außerhalb des üblichen Wertebereichs liegt. Wenn sich bspw. monatliche Kosten normalerweise zwischen 10.000 und 20.000 Euro bewegen, würde ein auftretender Wert von 0 oder 100.000 Euro als punktuelle Anomalie bezeichnet.
Methoden zur punktuellen Anomalie-Identifikation sind: Z-Score, Isolation Forest, Local Outlier Factor (LOF).
Kontextuelle Anomalien
Kontextuelle Anomalien betrachten nicht nur den einzelnen Wert, sondern auch dessen Beziehung zu anderen Variablen. Der Wert selbst mag unauffällig erscheinen, doch im Kontext kann er ungewöhnlich sein. Ein Beispiel: Die Bestellzahlen steigen, während gleichzeitig die durchschnittlichen Bestellwerte plötzlich sinken. Solche Veränderungen bleiben bei einer rein visuellen Analyse von Dashboards oft lange unentdeckt.
Methoden zur kontextuellen Anomalie-Identifikation sind: Conditional Random Fields (CRF), Support Vector Machine (SVM), Bayesian Networks.
Kollektive Anomalien
Kollektive Anomalien treten auf, wenn eine ganze Gruppe von Datenpunkten von der Norm abweicht. Dabei sind die einzelnen Werte für sich genommen oft nicht auffällig. Beispielsweise mag es normal sein, dass bestimmte Produkte an einzelnen Tagen nicht verkauft werden. Sollte jedoch eine ganze Woche lang kein Verkauf stattfinden, deutet dies auf ein größeres Problem hin.
Methoden zur kollektiven Anomalie-Identifikation sind: DBSCAN, Hidden Markov Models (HMM).
Von Statistik bis KI
Um die unterschiedlichen Anomalien erkennen zu können, gibt es eine Vielzahl möglicher Lösungen von klassischer Statistik bis hin zu modernsten KI-Ansätzen. Oftmals lassen sich bereits mit vergleichsweise einfachen Methoden große Erkenntnisse erzielen. Welcher Ansatz der richtige ist, hängt von der Komplexität der Prozesse und der gewünschten Fehlertoleranz ab, ist also eine Einzelfallentscheidung.
Der Einsatz von Anomaly Detection ist in jedem Fall ein echter Wettbewerbsvorteil und bietet eine quantitativ gestützte Lösung zur Risikoreduzierung. Falls Du Anwendungsfälle hast, bei denen Du mittels Anomalie Detection frühzeitig gegensteuern möchtest, kannst Du uns gerne ansprechen. Wir haben das Knowhow und die Tools, Dich pragmatisch und zielführend zu unterstützen.
