---
title: "Machine Learning & Predictive Analytics"
canonical: https://wavect.io/de/services/machine-learning/
language: de
description: "Machine Learning für Prognosen, Klassifikation und Anomalieerkennung. Wavect prüft Daten, vergleicht einfache Baselines und integriert messbare Vorhersagen."
image: "https://wavect.io/img/general/bak/open_graph_preview.jpg"
---

Machine Learning

# Eine Vorhersage entwickeln, die sich an einer echten Entscheidung messen lässt.

Eine brauchbare Vorhersage verändert den nächsten Handlungsschritt. Wir definieren diese Entscheidung, prüfen die Eignung der vorhandenen Daten und bauen Modell sowie Integration für die tatsächliche Nutzung. Ein einfacher Vergleichsansatz bleibt dabei eine ernsthafte Option.

DER AUFTRAG

## Eine Entscheidung, eine Baseline und ein prüfbares Modell.

1. **Erfolg definieren** Aktion, Zielgröße und Kosten der einzelnen Fehlerarten vereinbaren.
2. **Datenlage prüfen** Historie, Datenlecks, fehlende Werte und einen realistischen Testsatz untersuchen.
3. **Vorhersage nutzen** Das freigegebene Modell mit Überwachung und Rückfallverhalten integrieren.

KURZ ERKLÄRT

Diese Leistung entwickelt und evaluiert Modelle für Prognosen, Klassifikation und Anomalieerkennung und verbindet freigegebene Vorhersagen mit einem Geschäftsprozess. Am Anfang stehen Dateneignung, eine messbare Baseline und die Kosten unterschiedlicher Fehler.

Geeignet für

- Teams mit historischen Daten und einer wiederkehrenden Entscheidung, die verbessert werden soll
- Produkte mit Bedarf an einer Prognose, Bewertung oder Anomalieerkennung mit bekannten Grenzen

Andere Ausgangslage

- Ein Chatbot oder eine Suchoberfläche über Dokumenten
- Ein Dashboard, das vergangene Ereignisse zusammenfasst

## Von der operativen Entscheidung zurückarbeiten

Eine Nachfrageprognose soll die Nachbestellung unterstützen; ein Anomaliewert soll eine Prüfung auslösen. Wir klären, wer handelt, wann die Vorhersage vorliegen muss und was bei Fehlern passiert. Die Zielgröße muss mit Informationen messbar sein, die zum Vorhersagezeitpunkt verfügbar sind. Reporting und Quelldatenpipelines erhalten bei Bedarf einen eigenen [Data-Engineering-Auftrag](/de/services/data-engineering/).

## Prüfen, ob die Historie die künftige Nutzung abbildet

Wir untersuchen Abdeckung, geänderte Geschäftsregeln, fehlende Ergebnisse und Informationen, die erst später verfügbar waren. Für Prognosen kann eine zeitliche Trennung der Daten nötig sein; zusammengehörige Kunden oder Geräte müssen gegebenenfalls gemeinsam einem Datensatz zugeordnet werden. Die Bewertung hält fest, welche Gruppen und Bedingungen abgedeckt sind und wo zunächst zusätzliche Daten gebraucht werden.

## Mit der heutigen Entscheidungsmethode vergleichen

Vor zusätzlicher Modellkomplexität steht eine einfache Baseline. Die Evaluation berücksichtigt geschäftlich relevante Fehler, wichtige Teilgruppen und Unsicherheit. Schwellenwerte richten sich nach der vorgesehenen Aktion. Ein besserer Durchschnittswert reicht nicht, wenn das Modell in einem teuren Sonderfall schlechter abschneidet. Du erhältst einen nachvollziehbaren Vergleich mit konkreten Grenzen statt einer losgelösten Genauigkeitszahl.

## Beispiel einer Abnahme: Nachfrage ohne Zukunftswissen prognostizieren

Ein beispielhafter Test trainiert ausschließlich mit Daten vor einem festgelegten Stichtag und prognostiziert einen späteren Zeitraum. Die Ergebnisse werden mit einer saisonalen Baseline verglichen und nach Produktgruppen ausgewertet. Für einen neu eingeführten Artikel wird die unzureichende Datenlage ausgewiesen. Die Abnahme dokumentiert Fehler, betriebliche Folgen und die Eignung für den geplanten Bestellprozess.

## Die Bereitstellung umkehrbar machen

Du erhältst Datentransformationen, Modellartefakt, Evaluationsnachweis und eine Schnittstelle für Vorhersagen. Eine Stapelverarbeitung genügt oft; Echtzeitbereitstellung wird vom Arbeitsablauf begründet. Rückfallverhalten, Überwachung und Verantwortung für erneutes Training werden festgelegt. Laufende Versionierung, Bereitstellung und Drift-Behandlung können anschließend über [MLOps](/de/services/mlops/) fortgeführt werden.

## Fragen vor dem Start

### Wie viele Daten brauchen wir?

Eine allgemeine Mindestzahl wäre wenig hilfreich. Entscheidend sind Zielgröße, Variation, Qualität der Ergebnisse und Repräsentativität der Historie. Diese Faktoren prüfen wir vor einem Trainingsvorschlag.

### Entwickelt ihr immer ein eigenes Modell?

Nein. Geeignete Regeln, vorhandene Modelle und einfache statistische Verfahren werden einbezogen. Der gewählte Ansatz muss seinen zusätzlichen Betriebsaufwand rechtfertigen.

### Dürfen Vorhersagen automatisch Entscheidungen auslösen?

Innerhalb einer vereinbarten Entscheidungsregel. Schwellenwerte, Prüfwege und Berechtigungen werden unabhängig vom Modellwert festgelegt, besonders wenn eine falsche Aktion erhebliche Kosten verursacht.

### Was passiert, wenn das Modell die Baseline nicht schlägt?

Auch daraus entsteht eine klare Entscheidung: Daten verbessern, Ziel ändern, bisherige Methode behalten oder stoppen. Weitere Umsetzung wird erst nach Sichtung dieser Ergebnisse vereinbart.

## Der passende nächste Schritt

- [Verlässliche Analysedaten vorbereiten](/de/services/data-engineering/)
- [Trainierte Modelle langfristig betreiben](/de/services/mlops/)
- [Einen bildbasierten Anwendungsfall prüfen](/de/services/computer-vision/)

## Structured Data

```json
{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@id": "https://wavect.io/#organization",
      "@type": [
        "Organization",
        "ProfessionalService",
        "LocalBusiness"
      ],
      "employee": [
        {
          "@id": "https://wavect.io/team/kevin-riedl/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Kevin Riedl",
          "url": "https://wavect.io/team/kevin-riedl/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        },
        {
          "@id": "https://wavect.io/team/christof-jori/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Christof Jori",
          "url": "https://wavect.io/team/christof-jori/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        }
      ],
      "founder": [
        {
          "@id": "https://wavect.io/team/kevin-riedl/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Kevin Riedl",
          "url": "https://wavect.io/team/kevin-riedl/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        },
        {
          "@id": "https://wavect.io/team/christof-jori/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Christof Jori",
          "url": "https://wavect.io/team/christof-jori/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        }
      ],
      "legalRepresentative": [
        {
          "@id": "https://wavect.io/team/kevin-riedl/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Kevin Riedl",
          "url": "https://wavect.io/team/kevin-riedl/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        },
        {
          "@id": "https://wavect.io/team/christof-jori/#person",
          "@type": "Person",
          "jobTitle": "Managing Director",
          "name": "Christof Jori",
          "url": "https://wavect.io/team/christof-jori/",
          "worksFor": {
            "@id": "https://wavect.io/#organization",
            "@type": [
              "Organization",
              "ProfessionalService",
              "LocalBusiness"
            ]
          }
        }
      ],
      "name": "Wavect GmbH",
      "subjectOf": {
        "@id": "https://wavect.io/verified-claims.json#dataset",
        "@type": "Dataset",
        "creator": {
          "@id": "https://wavect.io/#organization",
          "@type": [
            "Organization",
            "ProfessionalService",
            "LocalBusiness"
          ]
        },
        "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.",
        "inLanguage": "en",
        "isAccessibleForFree": true,
        "license": "https://creativecommons.org/licenses/by/4.0/",
        "name": "Wavect verified publication claims",
        "url": "https://wavect.io/verified-claims.json"
      },
      "url": "https://wavect.io/"
    },
    {
      "@id": "https://wavect.io/team/kevin-riedl/#person",
      "@type": "Person",
      "jobTitle": "Managing Director",
      "name": "Kevin Riedl",
      "sameAs": [
        "https://www.wikidata.org/wiki/Q139796365",
        "https://www.linkedin.com/in/wsdt",
        "https://github.com/wsdt"
      ],
      "url": "https://wavect.io/team/kevin-riedl/",
      "worksFor": {
        "@id": "https://wavect.io/#organization",
        "@type": [
          "Organization",
          "ProfessionalService",
          "LocalBusiness"
        ]
      }
    },
    {
      "@id": "https://wavect.io/team/christof-jori/#person",
      "@type": "Person",
      "jobTitle": "Managing Director",
      "name": "Christof Jori",
      "sameAs": [
        "https://www.wikidata.org/wiki/Q139796367",
        "https://www.linkedin.com/in/jocr77/",
        "https://github.com/jo-chris"
      ],
      "url": "https://wavect.io/team/christof-jori/",
      "worksFor": {
        "@id": "https://wavect.io/#organization",
        "@type": [
          "Organization",
          "ProfessionalService",
          "LocalBusiness"
        ]
      }
    },
    {
      "@id": "https://wavect.io/#website",
      "@type": "WebSite",
      "inLanguage": [
        "en",
        "de",
        "es",
        "zh"
      ],
      "name": "Wavect",
      "potentialAction": {
        "@type": "SearchAction",
        "query-input": "required name=search_term_string",
        "target": {
          "@type": "EntryPoint",
          "urlTemplate": "https://wavect.io/search/?q={search_term_string}"
        }
      },
      "publisher": {
        "@id": "https://wavect.io/#organization",
        "@type": [
          "Organization",
          "ProfessionalService",
          "LocalBusiness"
        ]
      },
      "url": "https://wavect.io/"
    }
  ]
}
```

```json
{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@id": "https://wavect.io/de/services/machine-learning/#service",
      "@type": "Service",
      "areaServed": [
        {
          "@type": "Country",
          "name": "Austria"
        },
        {
          "@type": "Place",
          "name": "Worldwide"
        }
      ],
      "category": "Künstliche Intelligenz",
      "dateModified": "2026-10-31",
      "description": "Machine Learning für Prognosen, Klassifikation und Anomalieerkennung. Wavect prüft Daten, vergleicht einfache Baselines und integriert messbare Vorhersagen.",
      "name": "Machine Learning & Predictive Analytics",
      "provider": {
        "@id": "https://wavect.io/#organization",
        "@type": [
          "Organization",
          "ProfessionalService",
          "LocalBusiness"
        ]
      },
      "serviceType": "Machine Learning",
      "url": "https://wavect.io/de/services/machine-learning/"
    },
    {
      "@type": "BreadcrumbList",
      "itemListElement": [
        {
          "@type": "ListItem",
          "item": "https://wavect.io/de/",
          "name": "Startseite",
          "position": 1
        },
        {
          "@type": "ListItem",
          "item": "https://wavect.io/de/services/overview/",
          "name": "Leistungen",
          "position": 2
        },
        {
          "@type": "ListItem",
          "item": "https://wavect.io/de/services/overview/#ai",
          "name": "Künstliche Intelligenz",
          "position": 3
        },
        {
          "@type": "ListItem",
          "item": "https://wavect.io/de/services/machine-learning/",
          "name": "Machine Learning",
          "position": 4
        }
      ]
    },
    {
      "@id": "https://wavect.io/de/services/machine-learning/#webpage",
      "@type": "WebPage",
      "dateModified": "2026-10-31",
      "description": "Machine Learning für Prognosen, Klassifikation und Anomalieerkennung. Wavect prüft Daten, vergleicht einfache Baselines und integriert messbare Vorhersagen.",
      "inLanguage": "de",
      "isPartOf": {
        "@id": "https://wavect.io/#website",
        "@type": "WebSite"
      },
      "mainEntity": {
        "@id": "https://wavect.io/de/services/machine-learning/#service"
      },
      "name": "Machine Learning & Predictive Analytics",
      "url": "https://wavect.io/de/services/machine-learning/"
    }
  ]
}
```

```json
{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Eine allgemeine Mindestzahl wäre wenig hilfreich. Entscheidend sind Zielgröße, Variation, Qualität der Ergebnisse und Repräsentativität der Historie. Diese Faktoren prüfen wir vor einem Trainingsvorschlag."
      },
      "name": "Wie viele Daten brauchen wir?"
    },
    {
      "@type": "Question",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Nein. Geeignete Regeln, vorhandene Modelle und einfache statistische Verfahren werden einbezogen. Der gewählte Ansatz muss seinen zusätzlichen Betriebsaufwand rechtfertigen."
      },
      "name": "Entwickelt ihr immer ein eigenes Modell?"
    },
    {
      "@type": "Question",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Innerhalb einer vereinbarten Entscheidungsregel. Schwellenwerte, Prüfwege und Berechtigungen werden unabhängig vom Modellwert festgelegt, besonders wenn eine falsche Aktion erhebliche Kosten verursacht."
      },
      "name": "Dürfen Vorhersagen automatisch Entscheidungen auslösen?"
    },
    {
      "@type": "Question",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Auch daraus entsteht eine klare Entscheidung: Daten verbessern, Ziel ändern, bisherige Methode behalten oder stoppen. Weitere Umsetzung wird erst nach Sichtung dieser Ergebnisse vereinbart."
      },
      "name": "Was passiert, wenn das Modell die Baseline nicht schlägt?"
    }
  ],
  "speakable": {
    "@type": "SpeakableSpecification",
    "cssSelector": [
      ".faq-question",
      ".faq-answer"
    ]
  }
}
```