Im Nakoa Brain lassen sich Zeitreihen wie Werbekosten, Klicks oder Umsätze aus Amazon Ads und Google Ads in die Zukunft fortschreiben. Dahinter steht TimesFM 2.5, ein Zeitreihenmodell, das sich in BigQuery direkt über die SQL-Funktion AI.FORECAST aufrufen lässt. Eine einzige Abfrage liefert die Fortschreibung und dazu ein Band, das bei der gewählten Konfidenz, etwa 80 Prozent, den erwarteten Wertebereich angibt. Builder-Chat, Data Chat und die MCP-Schnittstelle greifen alle auf dieselbe SQL-Funktion zurück.
Wo die Prognose unzuverlässig wird
Zu Beginn haben wir gemessen, unter welchen Bedingungen das Modell tatsächlich innerhalb des Bandes bleibt, das es selbst angibt. Dabei wurde deutlich, in welchen Fällen das nicht gelingt: bei zu kurzen Zeitreihen und bei Reihen mit geringem Niveau. Das Modell liefert auch dann Zahlen und ein Band, doch die Genauigkeit, die das Band suggeriert, ist nicht mehr gegeben.
Der Validator
Deshalb setzt direkt auf der SQL-Funktion ein Validator auf, der bei jedem Einsatz greift. Er prüft jede Zeitreihe, bevor sie fortgeschrieben wird: Sie braucht mindestens 90 Tage Historie, ein Niveau von mindestens 300 Euro beziehungsweise 200 Klicks pro Tag und darf nicht zu viele Lücken haben. Die Schwellen haben wir bewusst vorsichtig gesetzt. Gute Ergebnisse haben wir teilweise schon mit vier Wochen Historie erzielt; die Grenzen sind so gewählt, dass die Genauigkeit sicher innerhalb des Bandes bleibt.
Erfüllt eine Reihe die Bedingungen nicht, entfällt die Fortschreibung; das System gibt stattdessen eine Begründung aus, die an den Anwender weitergegeben wird. Jede Fortschreibung ist außerdem ausdrücklich als Trendfortschreibung gekennzeichnet: Sie schreibt die beobachtete Reihe fort, als ändere sich nichts, und kennt keine Aktionen, Budgetänderungen oder Saisoneffekte, die nicht in der Historie enthalten sind.
Ein Beispiel mit Demo-Daten
Für einen Demo-Kunden mit generierten Daten liefert eine einzige Anfrage beide Fälle. Die Google-Ads-Klicks mit rund 430 Klicks pro Tag und 90 Tagen Historie erfüllen die Bedingungen und werden über 14 Tage fortgeschrieben, einschließlich des Wochenmusters:
Andere Reihen desselben Kunden lehnt der Validator mit Begründung ab:
| Zeitreihe | Niveau (28 Tage) | Historie | Ergebnis |
|---|---|---|---|
| Google Ads, Klicks | 430 Klicks/Tag | 90 Tage | fortgeschrieben |
| Amazon Ads, Klicks Sponsored Display | 92 Klicks/Tag | 90 Tage | abgelehnt: unter 200 Klicks/Tag |
| Amazon Ads, Kosten Sponsored Products | 283 €/Tag | 90 Tage | abgelehnt: unter 300 €/Tag |
| Amazon Ads, Umsatz Sponsored Products | 714 €/Tag | 87 Tage | abgelehnt: weniger als 90 Tage |
Die letzte Zeile zeigt, dass auch ein hohes Niveau nicht ausreicht. Weil die Umsätze mit einer 14-tägigen Attribution und drei Tagen Verzögerung erfasst werden, fehlen der Reihe drei Tage bis zur Mindesthistorie.
Vorbehalt als Teil des Ergebnisses
Der Validator ist ein Beispiel für Verifikation: Er prüft, ob ein Ergebnis belastbar ist, bevor es beim Anwender ankommt, und gibt den Vorbehalt offen weiter (siehe Die Foundation entscheidet über den Erfolg der KI-Adoption und Beobachtbarkeit vor Kontrolle einbauen). Eine Prognose, die ihre eigenen Grenzen kennt und benennt, verdient mehr Vertrauen als eine, die zu jeder Reihe eine Zahl liefert.