Überwachtes Lernen (Supervised Learning) ist ein Verfahren des maschinellen Lernens, bei dem ein Algorithmus anhand annotierter Beispieldaten (Eingaben samt bekannter Zielwerte, sogenannter Labels) trainiert wird, um neuen Eingaben die passende Ausgabe zuzuordnen.
Erklärung
Fachlich gliedert sich Supervised Learning in zwei Hauptaufgaben: Bei der Klassifikation ordnet das Modell Daten diskreten Kategorien zu (z. B. Eingangsrechnung vs. Mahnung, Kündigungsrisiko hoch vs. niedrig), während die Regression kontinuierliche Zahlenwerte vorhersagt (z. B. Lieferzeiten, Absatzmengen oder erwarteten Auftragswert). Während des Trainings vergleicht das Verfahren seine Vorhersage für jeden Datensatz mit dem tatsächlichen historischen Ergebnis und passt seine internen Gewichte so an, dass der Vorhersagefehler sinkt. Im B2B-Betrieb liegt der größte Engpass meist in der Qualität der historischen Labels im CRM- oder ERP-System, etwa wenn Vertriebsphasen uneinheitlich gepflegt oder Kündigungsgründe unvollständig dokumentiert wurden. Um zu prüfen, ob das Modell echte Zusammenhänge gelernt hat und nicht bloß historische Beispiele auswendig speichert (Overfitting), wird der Datensatz strikt in Trainings-, Validierungs- und ungesehene Testdaten aufgeteilt.