In einer immer datengetriebener werdenden Welt gewinnen präzise Vorhersagen von Zeitreihen immer mehr an Bedeutung. Ob Umsatzprognosen, Lagerbestandsmanagement oder Planung von Marketingkampagnen – mit verlässlichen Prognosen lassen sich Entscheidungen optimieren und Risiken minimieren. Eine Technologie, die sich in diesem Bereich als besonders leistungsfähig erwiesen hat, ist Prophet, ein Open-Source-Tool von Facebooks Core Data Science Team, das eine automatische Vorgehensweise bei der Zeitreihenprognose ermöglicht. Die neueste Version von 2023 bringt dabei zahlreiche Verbesserungen und neue Funktionen mit, die die Nutzung noch flexibler, schneller und genauer machen. Prophet basiert auf einem additiven Modell, das nichtlineare Trends erkennt und mit wiederkehrenden saisonalen Mustern kombiniert. Dies schließt sowohl jährliche, wöchentliche als auch tägliche Saisonalitäten ein – ergänzt um die Berücksichtigung von Ferien- und Feiertagseffekten.
Dadurch ist die Methode besonders gut geeignet für Zeitreihen mit komplexen saisonalen Strukturen und ausreichend historischen Daten. Die robuste Architektur von Prophet macht es zudem unempfindlich gegenüber fehlenden Daten und plötzlichen Trendänderungen, was in realen Anwendungen häufig von großer Bedeutung ist. Seit der initialen Veröffentlichung hat sich Prophet kontinuierlich weiterentwickelt und mit der Version 1. 1 wurde unter anderem die Backend-Bibliothek von pystan auf cmdstan und cmdstanpy umgestellt. Dies hat die Modellkompilierung beschleunigt und moderne Prozessorarchitekturen unterstützt. Die Updates 2023 konzentrieren sich auf Performanceoptimierungen, verbesserte Urlaubsdaten, erweiterte Anpassungsoptionen und eine noch einfachere Installation über CRAN und PyPI. Für R-Nutzer gibt es eine neue experimentelle Befehlszeilen-Schnittstelle namens cmdstanr, die als Backend die Kompilierung der Modelle schneller und stabiler macht.
Nutzer von Windows müssen wie bisher eine passende Compilerumgebung einrichten, wobei nun auch Unterstützung für Apple M1- und M2-Prozessoren vorhanden ist. Im Python-Ökosystem wurde die Umstellung zur aktuellen Paketrelease-Version 1. 1 begleitet von einer Umbenennung des Pakets von fbprophet zu prophet, was die langfristige Wartbarkeit und Kompatibilität verbessert. Die Entwickler haben außerdem zahlreiche Bugfixes durchgeführt und die Performance sowohl beim Training wie auch bei der Vorhersage durch optimierte Datenstrukturen deutlich erhöht. Ein bemerkenswertes neues Feature ist die Einführung der Option zur Skalierung der Zielvariable. Standardmäßig wurde bisher eine Absolutmax-Skalierung verwendet, in der den Benutzern jetzt auch eine Min-Max-Normalisierung angeboten wird, was in vielen Datenkontexten die Stabilität der Modellierung steigert.
Zusätzlich ermöglicht die neue holidays_mode-Option eine differenzierte Behandlung der Feiertagseffekte gegenüber der regulären saisonalen Muster, was zu noch präziseren Vorhersagen führt. Die Funktionalität von Prophet wird ergänzt von Methoden wie preprocess() und calculate_initial_params(), welche die Vorverarbeitung und Parametrisierung der Daten für die Modellanpassung transparent machen, ohne den eigentlichen Fit-Prozess zu beeinflussen. Dies ist insbesondere für Datenwissenschaftler von Vorteil, die die inneren Abläufe besser nachvollziehen oder anpassen wollen. Eine weitere wichtige Verbesserung betrifft die Cross-Validation-Schnittstelle, die jetzt erlaubt, zusätzliche Spalten aus den Vorhersagedaten zu exportieren und so eine detailliertere Analyse der Modellqualität und -unsicherheiten zu ermöglichen. Seit Version 1. 1.
4 hat sich Prophet zudem auf das bewährte holidays-Paket als alleinige Quelle für Feiertagsdaten gestützt, was eine kontinuierliche Aktualisierung und Einbettung von länderspezifischen Feiertagen erleichtert. Die nahtlose Integration in populäre Ökosysteme macht Prophet sowohl für Einsteiger als auch für erfahrene Analysten attraktiv. Die Installation erfolgt einfach über die jeweiligen Paketmanager in R oder Python, während für Entwickler auch eine manuelle Installation aus dem Quellcode möglich ist, um neueste Funktionen vor der offiziellen Veröffentlichung zu testen. Die vielfältigen Anpassungsmöglichkeiten des Modells ermöglichen das Einbringen zusätzlicher Regressoren, unterschiedliche Trendarten wie lineare oder saturierende Wachstumsverläufe, sowie individualisierte saisonale Komponenten.
Hierdurch lässt sich Prophet flexibel auf unterschiedlichste Anwendungsfälle anpassen, sei es bei Einzelhandelsumsätzen mit starken Feiertagseffekten oder bei technischen Messreihen mit täglichen Schwankungen. Ein besonders großer Vorteil von Prophet gegenüber traditionellen Zeitreihenmodellen ist seine Robustheit gegenüber Ausreißern und den Umgang mit fehlenden Beobachtungen. Gerade in geschäftlichen Kontexten, in denen Datenqualität oft variiert, ist dies ein unschätzbarer Pluspunkt. Die Software zeigt sich zudem sehr skalierbar und ist für große Datensätze und längere Zeitreihen geeignet, was auch diverse Branchen von eCommerce über Energieversorgung bis Gesundheitswesen anspricht. Für die Erhöhung der Vorhersagequalität bieten die Entwickler umfassende Dokumentationen, Beispiele und Tutorials an, die regelmäßig aktualisiert werden. Unterstützt wird die Community durch aktive Issue-Tracker, wo Nutzer Feedback geben und Verbesserungen diskutieren können.
Zusammenfassend bietet Prophet eine moderne und leistungsfähige Lösung für Zeitreihenprognosen mit automatischer Erkennung von komplexen saisonalen Mustern und Trendbrüchen. Die Version von 2023 bringt neben Performance- und Stabilitätsverbesserungen auch erweiterte Funktionalitäten und eine optimierte Benutzerfreundlichkeit mit. Die leichte Installation, umfangreiche Konfigurationsmöglichkeiten und die Möglichkeit, sowohl in Python als auch in R zu arbeiten, machen das Tool zur ersten Wahl für Unternehmen, die datenbasierte Entscheidungen mit Vorhersagemodellen untermauern wollen. Angesichts der stetig wachsenden Bedeutung von präzisen Prognosen in Wirtschaft und Forschung ist Prophet 2023 eine innovative und moderne Lösung, die den Umgang mit Zeitreihen wesentlich vereinfacht und die Qualität der Vorhersagen verbessert.
Die Kombination aus fundierter statistischer Methodik und praktischer Nutzerfreundlichkeit zeigt das Potenzial von Open-Source-Software, komplexe Datenaufgaben effizient zu lösen und gleichzeitig eine breite Anwenderbasis zu unterstützen.
