Marktpreisvorhersagen zu Rohstoffen werden zum strategischen Wettbewerbsvorteil

Die Versorgung mit Rohstoffen und Energie sowie der dafür notwendige Handel sind Kernfunktionen der Wirtschaft. Der Börsenpreis für ein Handelsgut bestimmt sich über verschiedene Faktoren und spiegelt in einem effizienten Markt alle verfügbaren Informationen wider. Das Ziel aller Marktteilnehmer besteht darin, einen Informationsvorsprung zu erlangen und Kaufentscheidungen unter Ausnutzung dieses Vorsprungs zu treffen. Das Wissen um diese Preisentwicklung ist der Informationsvorsprung, den die VNG AG in dem beschriebenen Projekt durch Advanced Analytics erzielen konnte.

Big Data + Advanced Analytics + Echtzeit = Realtime Data Analytics

Architekturkonzept des Projektes war es, strukturell und inhaltlich unterschiedliche und vor allem mit Börsenpreisen verschiedene Änderungsgeschwindigkeiten unterworfene Daten zu integrieren, die sekundengenau, teilweise textuell (unstrukturiert) und in großen Mengen vorliegen (Big Data). Auf diesen Daten lassen sich dann in Echtzeit Prognosen über die Richtung der Preisentwicklung ermitteln. Echtzeitauswertungen auf dieser Mischung von Daten stellen hohe Anforderungen an Architektur und Algorithmen.

Drei Schritte in fünf Monaten führten zum Projekterfolg

Auswahl relevanter Daten und Vorverarbeitung

Architekturkonzept des Projektes war es, strukturell und inhaltlich unterschiedliche und vor allem mit Börsenpreisen verschiedene Änderungsgeschwindigkeiten unterworfene Daten zu integrieren, die sekundengenau, teilweise textuell (unstrukturiert) und in großen Mengen vorliegen (Big Data). Auf diesen Daten lassen sich dann in Echtzeit Prognosen über die Richtung der Preisentwicklung ermitteln. Echtzeitauswertungen auf dieser Mischung von Daten stellen hohe Anforderungen an Architektur und Algorithmen, deren Lösung wir für das umgesetzte Projekt nachfolgend darstellen.

Datentransformation, Training der Algorithmen und Aufbau der Anwenderoberfläche

Die zweite Phase diente zunächst der Transformation der Daten, so dass eine Klassifikation zur Vorhersage der Richtung (steigend oder fallend) der Kursentwicklung möglich wurde. In Abhängigkeit vom Datenvolumen und der damit verknüpften Berechnungsdauer wurden Algorithmen evaluiert, wobei Support Vector Machines auf diesen Daten eine besonders hohe Qualitäts- und Zeitperfomance zeigten.

Im Weiteren erfolgte eine Clusterung im unstrukturierten Datenbestand im Vergleich zu neu eintreffenden unstrukturierten Daten wie Reuters Textmeldungen. Ziel der Text-Clusterung war es, ähnliche Texte in der historischen Textsammlung schneller zu identifizieren.

Es ist also die Gesamtheit strukturierter und unstrukturierter Daten, die eine aktuelle Situation beschreiben, die als Ganzes drei möglichst ähnliche Situationen der Vergangenheit identifizieren. Mit dem Eintreffen einer neuen Reuters-Nachricht lassen sich in Abhängigkeit des tatsächlichen Kursverlaufs in der Vergangenheit Prognosen für die aktuelle Situation erstellen. Zur Weitergabe der vorhergesagten Preisentwicklung an den Händler wurde zum Abschluss dieser Phase eine Benutzeroberfläche in einem bereits bei der VNG verfügbaren Werkzeug aufgebaut.

Architekturaufbau

Basierend auf dem Nachweis der Machbarkeit und Wirksamkeit des fachlichen Konzeptes wurde die notwendige Architektur für einen Echtzeitbetrieb und eine zentrale Datenbasis ermöglicht.

Ergebnis

Bei neuen Tickermeldungen werden nun Prognosen zu deren Auswirkungen auf die Preisentwicklung des Handelstages bereitgestellt, die anschließend durch einen Analysten beurteilt werden. Die Fülle an Informationen wird durch die Lösung beherrschbar.

Somit zeigt das Projekt die fachliche und technische Realisierung als Echtzeit-Lösung bei der VNG, mit der es möglich ist, gegenüber dem Wettbewerb im Gashandel einen Vorteil zu entwickeln. Die Lösung ist auf andere Branchen übertragbar, die eine Betrachtung textueller/faktenbasierter Daten durchführen.