Wie entwickelt man aus Rohdaten fachlich sinnvolle Features?

Feature Engineering übersetzt Problemverständnis in nutzbare Merkmale

Buchaussage Abschnitt 4.1 der BookRix-EPUB beschreibt Feature Engineering als Entwicklung von Merkmalen, die Zusammenhänge sichtbar und für Machine-Learning-Modelle nutzbar machen. Die zentrale Frage lautet nicht: „Welche zusätzliche Spalte können wir erzeugen?“, sondern: „Welche Informationen benötigt das Modell, um die Fragestellung möglichst gut beantworten zu können?“

Die Antwort ergibt sich laut Buch nicht allein aus den vorhandenen Daten. Sie verlangt fachliches Verständnis, Kreativität und analytisches Denken. Damit verbindet Feature Engineering technische Datenverarbeitung mit der ursprünglichen Problemstellung.

Einordnung Ein Feature ist deshalb mehr als eine mathematische Transformation. Es enthält eine Annahme darüber, welche Eigenschaft eines realen Sachverhalts für die Aufgabe relevant sein könnte. Diese Annahme sollte fachlich erklärbar bleiben.

Von Rohdaten zu Merkmalen heißt: Information verdichten

Buchaussage Abschnitt 4.2 zeigt, dass Rohdaten häufig für operative Zwecke entstanden sind und nicht unmittelbar die Form besitzen, die eine Analyse benötigt. Aus einem Geburtsdatum kann das Alter entstehen, aus einem Vertragsbeginn die Vertragsdauer, aus vielen Käufen eine Kaufhäufigkeit und aus Login-Zeitpunkten die Zeit seit der letzten Aktivität.

Diese Ableitungen verändern die Perspektive auf die Daten. Einzelne Ereignisse oder Felder werden zu verdichteten Informationen, die einen möglichen Zusammenhang mit der Fragestellung ausdrücken.

Einordnung Verdichtung ist keine neutrale Operation. Wer aus einem Vertragsbeginn eine Vertragsdauer oder aus Transaktionen einen Durchschnittsumsatz bildet, entscheidet zugleich, welche Information hervorgehoben und welche Detailinformation zurückgenommen wird.

Gute Feature-Ideen beginnen bei Fragestellung und Domänenwissen

Buchaussage Abschnitt 4.3 stellt eine einfache Leitfrage in den Mittelpunkt: Welche Informationen könnten helfen, das Problem besser zu verstehen oder vorherzusagen? Feature Engineering beginnt dort ausdrücklich mit Nachdenken und nicht mit Python.

1. Fragestellung klären: Welche Entscheidung oder Vorhersage soll das Merkmal unterstützen?
2. Fachwissen einbeziehen: Welche Faktoren gelten im jeweiligen Domänenkontext als relevant?
3. Rohdaten prüfen: Welche vorhandenen Felder oder Ereignisse enthalten dafür nutzbare Information?
4. Hypothese formulieren: Warum könnte das neue Merkmal einen Zusammenhang sichtbar machen?
5. Berechnung definieren: Wie lässt sich die Idee nachvollziehbar aus verfügbaren Daten erzeugen?

Einordnung Fachexpertinnen und Fachexperten kennen oft Kennzahlen, Prozessschritte oder typische Muster, die in einem Rohdatensatz nicht als fertige Spalte vorliegen. Feature Engineering wird dadurch zu einer Zusammenarbeit zwischen Daten, Methoden und Domänenwissen.

Verhältnisse, Zeit, Aggregationen und Vergleiche schaffen neue Perspektiven

Buchaussage Die Abschnitte 4.1 bis 4.4 nennen wiederkehrende Muster für neue Features. Dazu gehören Verhältnisse wie Umsatz pro Bestellung, Zeitmerkmale wie Vertragsdauer oder Tage seit der letzten Aktivität, Aggregationen wie Anzahl oder Durchschnitt von Ereignissen sowie Vergleiche mit Gruppen, früheren Zeiträumen oder historischen Werten.

Solche Merkmale können Rohdaten vergleichbarer machen oder Entwicklungen sichtbar machen, die in absoluten Einzelwerten verborgen bleiben. Ein Kunde mit hohem Gesamtumsatz kann beispielsweise wenig aktiv sein, wenn dieser Umsatz über einen sehr langen Zeitraum entstanden ist. Ein Verhältnis oder Zeitbezug kann diese Information anders darstellen.

Einordnung Typische Muster sind Ideenquellen, keine Automatismen. Ob ein Verhältnis, eine Aggregation oder ein Zeitfenster fachlich sinnvoll ist, hängt von der Fragestellung und der Bedeutung der zugrunde liegenden Daten ab.

Beispiel: Kundenabwanderung aus Verhaltensmerkmalen beschreiben

Buchbeispiel Abschnitt 4.3 verwendet Kundenabwanderung als Beispiel. Aus Vertragsbeginn, Käufen, Supportkontakten, Login-Aktivitäten und Umsatzdaten können Merkmale wie Vertragsdauer, Käufe pro Monat, Tage seit letztem Login, Anzahl Supportkontakte oder Umsatzentwicklung entstehen.

Einordnung Diese Merkmale sind zunächst Hypothesen in Datenform. Ihre fachliche Plausibilität rechtfertigt, sie zu untersuchen; sie beweist noch nicht, dass sie für ein späteres Modell tatsächlich nützlich sind.

Python setzt Feature-Ideen um – es erzeugt ihren fachlichen Sinn nicht

Buchaussage Abschnitt 4.4 zeigt typische technische Umsetzungen mit pandas, NumPy und scikit-learn: Zeitmerkmale ableiten, Verhältnisse berechnen, Transaktionen aggregieren, Kategorien codieren, Texte in einfache Kennzahlen überführen, logarithmische Transformationen anwenden, Interaktionen erzeugen oder Features skalieren.

Die EPUB trennt dabei Idee und Implementierung. Python kann beispielsweise kaeufe_pro_monat, vertragsdauer_tage oder umsatz_pro_bestellung zuverlässig berechnen. Warum gerade diese Kennzahl für das Problem sinnvoll sein könnte, muss aber fachlich begründet werden.

Sieben Prüffragen für fachlich sinnvolle Features

Redaktionelle Synthese Aus den Abschnitten 4.1 bis 4.4 der BookRix-EPUB lässt sich folgende Prüfreihenfolge ableiten. Sie ist kein validierter Feature-Selection-Standard und nimmt die detaillierte Qualitäts- und Leakage-Prüfung der nächsten Wissensseite nicht vorweg.

1. Problembezug: Welchen Teil der Fragestellung oder Entscheidung soll das Feature besser abbilden?
2. Fachlicher Sinn: Welche plausible Annahme verbindet das Merkmal mit dem realen Sachverhalt?
3. Datenbasis: Aus welchen Rohdaten wird das Feature berechnet und sind deren Bedeutungen verstanden?
4. Berechnung: Ist die Transformationslogik eindeutig, nachvollziehbar und reproduzierbar?
5. Verdichtung: Welche Information wird hervorgehoben und welche geht durch Aggregation oder Transformation verloren?
6. Interpretierbarkeit: Lässt sich erklären, was ein hoher, niedriger oder veränderter Feature-Wert fachlich bedeutet?
7. Dokumentation: Sind Name, Datenquellen, Berechnungslogik, fachliche Bedeutung und Zeitpunkt der Verfügbarkeit festgehalten?

Ein Feature ist damit nicht schon deshalb gut, weil es technisch berechnet werden kann. Es sollte eine nachvollziehbare Brücke zwischen Rohdaten und Problemverständnis bilden.

Wo die Aussage bewusst endet

Fachliche Plausibilität allein beweist noch keine Feature-Qualität. Ein sinnvoll erscheinendes Merkmal kann instabil, redundant, fehlerhaft berechnet oder für die spätere Vorhersagesituation ungeeignet sein. Auch viele zusätzliche Features verbessern ein Modell nicht automatisch und können Komplexität, Rauschen oder Überanpassung erhöhen.

Besonders die Frage, ob eine Information zum tatsächlichen Vorhersagezeitpunkt verfügbar wäre, wird auf dieser Seite nur als Grenze markiert. Die systematische Bewertung von Feature-Qualität und Datenleckage ist Gegenstand der nächsten Fachfrage.

Quellen und Einordnung

Die externen Quellen werden hier nur in dem Umfang eingeordnet, in dem sie in der veröffentlichten BookRix-EPUB als fachlicher oder technischer Kontext verwendet werden. Die konkrete Eignung eines Features muss anschließend empirisch und im Projektkontext geprüft werden.