Zeitreihen-Prognose: Prophet vs. XGBoost vs. LSTM verglichen an 18 Monaten Verkaufsdaten. XGBoost gewinnt mit MAPE von 4.2%, Prophet liegt bei 6.8%, LSTM bei 5.1%. Aber: Prophet liefert Konfidenzintervalle und Saisonalitäts-Zerlegung - für Stakeholder-Kommunikation unbezahlbar. Unser Kompromiss: XGBoost für Produktion, Prophet für Reporting. #timeseries #forecasting #datascience
4 months ago
4 months ago
In response Sarah Hoffmann to her Publication
Interessant! Wir nutzen einen ähnlichen Ansatz, aber mit einer anderen Datenbank. Die Performance-Unterschiede wären mal ein spannender Vergleich.
4 months ago
In response Sarah Hoffmann to her Publication
Der Punkt mit den WIP-Limits hat bei uns den größten Effekt gehabt. Vorher haben alle 5 Dinge gleichzeitig angefangen und nichts fertig bekommen.
4 months ago
In response Sarah Hoffmann to her Publication
Spannend! Hast du die Metriken vorher/nachher systematisch erfasst? Wir versuchen gerade ähnliche Verbesserungen zu quantifizieren, um das Budget fürs nächste Quartal zu rechtfertigen.
4 months ago
In response Sarah Hoffmann to her Publication
In welchem Zeitrahmen habt ihr das umgesetzt? Und wie habt ihr den laufenden Betrieb während der Umstellung sichergestellt?
4 months ago
In response Sarah Hoffmann to her Publication
Wie sieht es mit der Skalierbarkeit aus? Wir betreiben das bei ca. 50.000 Requests/Minute und suchen nach Erfahrungswerten in ähnlicher Größenordnung.
4 months ago
In response Sarah Hoffmann to her Publication
Bookmarked! Genau solche praxisnahen Erfahrungsberichte mit konkreten Zahlen fehlen in der Community. Danke fürs Teilen.
4 months ago
In response Sarah Hoffmann to her Publication
Wie handhabt ihr das Monitoring? Wir nutzen eine Kombination aus Prometheus für Metriken und Jaeger für Distributed Tracing.
4 months ago
In response Sarah Hoffmann to her Publication
Wie geht ihr mit dem Thema Observability um? Wir haben festgestellt dass gute Metriken und Logs die halbe Miete beim Debugging sind.
