Konzept: Zeitplanungsereignisse

Zeitplanungsereignisse sind benutzerdefinierte Datumsangaben oder Perioden, die dem Machine Learning Modell (ML) anzeigen, dass die beobachtete Performance einer Geschäftsmetrik an diesem Tag aufgrund eines bestimmten, eindeutigen oder wiederkehrenden Umfalls (z. B. eines großen Feiertags usw.) deutlich atypisch ist ein unvorhergesehenes einmaliges Ereignis). Durch Taggen dieser Datumsangaben können Sie das Modell anweisen, den Einfluss des Ereignisses zu isolieren und die Beziehung zwischen diesen Datumsangaben stark zu Gewichtung , sodass der normale Trend ausgeschlossen wird. Dadurch ist das Tag ein leistungsfähiges Tool für die Modellierung von abnormalem Metrikverhalten, jedoch weniger effektiv, wenn der Benutzer die Integrität der Langzeitprognose für normale Geschäftsvorgänge Verwalten möchte.

Ereigniskalender für Zeitplanung

Ein Ereignis ist eine Sammlung oder Gruppierung einzelner Planungsereignisse , die verwendet werden, um bestimmte kontextbezogene Informationen für Machine Learning -Prognosemodelle (ML) bereitzustellen.

Dieser Kalender wird für eine oder mehrere Zeitplanungsorganisationen definiert und verwaltet und ermöglicht es Benutzern, bestimmte Gruppen von atypischen Daten wie Feiertage, Beförderungen oder einmalige Vorfälle auf verschiedene Geschäftssegmente Soll . Durch die Anwendung maßgeschneiderter Kalender können die ML-Modelle Metrikprognosen genauer an den individuellen Performance-Mustern ausrichten, die durch geografische Faktoren, Segment oder andere operative Unterscheidungsmerkmale beeinflusst werden. Beispiel: Trennen von Ereignissen für APAC-Einkauf
von E-Commerce für Nordamerika
.

Tag für wiederkehrendes Ereignis

Ein Tag für wiederkehrende Ereignisse ist ein wiederverwendbares Label, das Sie auf mehrere Zeitplanungsereignisse (vergangene und zukünftige) anwenden können, um das Machine Learning Modell (ML) darüber zu informieren, dass die getaggten Datumsangaben miteinander verbunden oder ähnlich in ihren Auswirkungen auf die Geschäftsmetrik-Performance sind. Durch die Verknüpfung dieser Datumsangaben kann das ML-Modell die kollektive historische Aktivität analysieren, die mit dieser bestimmten Art von Ereignis verbunden ist. Beispiel: Tagging des Organisationstags in aufeinanderfolgenden Jahren. Dieser Prozess ermöglicht es dem Modell, die atypische Metrik-Performance entsprechend zu gewichten und zu prognostizieren, wenn dieses bestimmte wiederkehrende Ereignis in der Zukunft erneut auftritt.