Maschinelles Lernen mit wenig Daten: Einstieg
Ist maschinelles Lernen mit wenig Daten möglich? Erst eine einfache Basislinie, dann sorgfältige Validierung: wann man startet und wann man wartet.

Maschinelles Lernen gilt als datenhungrig; ein kleines Unternehmen hat meist aber wenig Daten. Die Frage sollte nicht „Gibt es genug Daten?“ lauten, sondern „Wie sicher können wir mit diesen Daten etwas sagen?“
Zuerst eine Basislinie
Beginnen Sie mit einer einfachen Regel (Wert der letzten Periode, Durchschnitt, fester Anteil). Ein Modell bringt nur dann Mehrwert, wenn es deutlich besser ist als diese Basislinie.
Risiken bei wenig Daten
- Überanpassung: Das Modell merkt sich Rauschen und versagt bei neuen Daten.
- Irreführende Validierung: Bei zeitlich geordneten Daten sagen Sie die Zukunft aus der Vergangenheit voraus; mischen Sie Zeilen nicht durcheinander, sonst sieht das Ergebnis besser aus, als es ist.
- Seltene Ereignisse: Für Ereignisse wie Stornos oder Zahlungsausfälle kann es sehr wenige Beispiele geben; dann hat das Modell nichts wirklich gelernt.
Wann man startet
- Die Entscheidung ist klar: Welche Entscheidung ändert die Prognose?
- Die Daten sind konsistent: Dasselbe ist gleich erfasst, die Historie ist vollständig.
- Die Basislinie ist gemessen, und das Modell schlägt sie.
- Die Kosten eines Modellfehlers sind vertretbar.
Wann man wartet
Lässt sich die Entscheidung mit einer einfachen Regel treffen, sind die Daten inkonsistent oder die Fehlerkosten hoch, sammeln und bereinigen Sie zuerst die Daten. Die Datenqualität bestimmt das Ergebnis oft stärker als die Modellwahl.
Stand bei Floemdata
Ein Modell für maschinelles Lernen ist kein verifiziertes Merkmal von Floemdata Analytics; die KI-Arbeit (Phase 2) steht auf der Roadmap (nicht verifiziert). Dieser Beitrag enthält allgemeines Wissen und beschreibt kein Produktmerkmal.
Zum Einstieg wählen Sie eine Prognosefrage, berechnen die Basislinie und probieren erst dann ein Modell. Fragen: info@floemdata.com.