Explainable AI für Zeitreihenprognosen bedeutet im Projektkontext, dass Forecasts so aufbereitet werden, dass Anwender sie nachvollziehen können – etwa durch erklärende Komponenten oder Interaktionsmöglichkeiten.

Weil Forecasts häufig mit bestehenden Lösungen verglichen werden und Abweichungen erklärt werden müssen. Verständnis wurde explizit als Grundlage für Akzeptanz beschrieben.

Forecast-Differenzen entstehen häufig durch unterschiedliche Modellierungsansätze, Datengrundlagen oder Datenaufbereitungen zwischen Tools. Sie sind daher nicht automatisch ein Hinweis auf ein schlechtes Modell und sollten immer im Kontext mehrerer Evaluationsmetriken und tatsächlicher Werte bewertet werden.

Weil eine einzelne Metrik keine vollständige Aussage über Forecast-Qualität erlaubt. Forecasts sollten zusätzlich gegen tatsächliche Werte validiert werden, beispielsweise durch Plots, oder gegen eine größere Anzahl an Metriken.

Forecast-Revisionen entstehen im Projektkontext insbesondere durch Feedback und durch die iterative Anpassung einer Applikation. Erfolgreiche Lösungen wurden explizit als feedbackgetrieben beschrieben.

Lokale Datenquellen sind häufig entscheidend, weil Länder und Business Units zusätzliche Datentöpfe besitzen und deren Einbindung erwartet wird.

Weil sie bestimmt, ob Forecasts als objektive Modellprognose oder als Business-orientierte Planung verstanden werden. Diese Klärung wurde als Grundlage für Akzeptanz benannt.

Im Projektkontext wurden u. a. Python, PySpark und Plattformen wie AWS, Snowflake, Databricks und Palantir Foundry eingesetzt.

Genannt wurden ARIMA, Prophet, Random Forest sowie Boosting-Modelle wie XGBoost, LightGBM und CatBoost.

Weil ein unscharfes Zielbild die Umsetzung erschwert und eine Weiterentwicklung weniger wahrscheinlich macht. Zielklarheit wurde explizit als elementar beschrieben.