FAQ: Zeitplanungsereignisse und Saisonalität

Müssen wiederkehrende Ereignisse, die im Jahresvergleich identisch sind, explizit als Planungsereignisse im System definiert werden, oder kann das ML-Modell diese Muster automatisch erkennen und berücksichtigen?: Wiederkehrende Ereignisse mit erheblichen Auswirkungen auf die Performance sollten explizit als Zeitplanungsereignisse definiert werden. Unser Machine Learning Modell kann zwar aus Mustern in den Daten lernen, aber die Definition dieser Tage mit hohen Auswirkungen gibt ein klares Zeichen, dass es sich nicht nur um einen weiteren Datenpunkt handelt. Dadurch wird sichergestellt, dass das Modell ihnen die richtige Gewichtung zuweist und sie nicht als Teil eines allgemeinen Trends behandelt.
Wenn Sie Ereignisse wie Black Holiday, Cyber Montag oder andere unternehmensspezifische Feiertage als Zeitplanungsereignisse definieren, weist das Modell an, historische Vergleichsdaten für dieses bestimmte Datum höher zu gewichten. Auf diese Weise kann das Modell aus diesen eindeutigen Mustern im Jahresvergleich lernen, anstatt sie als Anomalie fälschlich zu interpretieren. Indem Sie diese Tage explizit identifizieren, geben Sie dem Modell im Wesentlichen an: „Beachten Sie dieses Datum besonders, da seine historische Performance ein Schlüsselindikator für das Verhalten dieses Jahres ist.“

Bei der Entscheidung, welche Elemente berücksichtigt werden sollen, empfehlen wir, sich nur auf Ereignisse zu konzentrieren, von denen Sie sicher sind, dass sie große Auswirkungen auf die verfolgte Metrik haben werden. Generell ist es besser, weniger Ereignisse als mehr Ereignisse einzuschließen. Wenn Sie sich nicht sicher sind, ob ein Ereignis große Auswirkungen haben wird, empfehlen wir, es mit der Erstellung für dieses Jahr zu warten und das Verhalten zu beobachten. Dieser Ansatz verhindert, dass das Modell bei weniger signifikanten Ereignissen überindiziert wird, und gewährleistet ein Höchstmaß an prädiktiver Genauigkeit.
Wie unterscheidet das ML-Modell zwischen einem realen wiederkehrenden Ereignis und einer einmaligen Anomalie, die im Vorjahr auf denselben Tag fällt?: Das Machine Learning Modell unterscheidet zwischen wiederkehrenden Ereignissen und einmaligen Anomalien, indem mehrere Datenpunkte und historische Muster im Zeitverlauf analysiert werden.
Für Ereignisse, die speziell im Feature „Zeitplanungsereignisse“ konfiguriert werden, wird das Modell so trainiert, dass Aktivitäten an diesen Tagen besonders berücksichtigt werden. Diese explizite Konfiguration dient als starkes Zeichen, das dem Modell anzeigt, dass es sich um reale wiederkehrende Muster handelt, die priorisiert werden sollen.

Im Gegensatz dazu kann das Modell Anomalien identifizieren – wie z. B. ein einmaliges Ereignis , das im letzten Jahr am selben Tag stattgefunden hat. Es behandelt diese jedoch nicht anders als andere Datenpunkt, es sei denn, sie werden innerhalb des Features für Zeitplanungsereignisse speziell konfiguriert. Das Modell lernt aus allen historischen Daten, aber nur die vorkonfigurierten Ereignisse werden in seiner Analyse besonders berücksichtigt.
Wie sollen Ereignisse mit Variable Datum gehandhabt werden, die aber im Voraus bekannt sind (z. B. Ostierung, Chinesisches fest Tätigkeitskalender). Müssen sie als Zeitplanungsereignisse definiert werden?: Geschäftsrelevante Feiertage mit großen voraussichtlichen Auswirkungen sollten als Zeitplanungsereignis eingegeben werden, einschließlich der Feiertage, die jedes Jahr auf dasselbe Datum fallen. Darüber hinaus empfehlen wir, bis zu 7 Tage vor und/oder nach dem Ereignis hinzuzufügen, wenn dieser Feiertag Auswirkungen auf die Tage vor oder nach dem Ereignis hat.
Gibt es negative Auswirkungen (z. B. Beeinträchtigung der Genauigkeit, Erhöhung der Verarbeitungszeit, Unklarheit über Modell) für die Definition eines Ereignis , das letztlich keine aussagekräftigen Auswirkungen auf die Prognosemetrik hat oder dessen Auswirkungen derzeit unbekannt sind? Ist es sicherer, alle Potenzial Ereignisse zu definieren oder nur die mit eindeutigem erwartetem Einfluss?: Um die beste Performance aus unserem Machine Learning Modell zu gewährleisten, empfehlen wir einen selektiveren Ansatz beim Hinzufügen von Zeitplanungsereignissen.
Wenn Sie ein Ereignis erstellen, teilen Sie dem Modell mit, dass die Geschäftsperformance an diesem Datum eindeutig ist und signifikanter ist als die normale, tägliche Aktivität. Das Einschließen von Ereignissen unbekannter oder geringfügiger Auswirkungen kann dazu führen, dass das Modell für diese Datumsangaben Hyperfixe enthält. Dadurch wird die Fertigkeit verringert, umfassendere, langfristige Muster und Trends in Ihren Geschäftsdaten genau zu identifizieren.

Um die Vorhersagekraft des Modells zu maximieren, schließen Sie nur Ereignisse ein, von denen Sie wissen, dass sie signifikante, Bankereignisse haben werden. Durch die Bereitstellung einer kuratierten Liste wichtiger Ereignisse mit hoher Auswirkung kann das Modell leichter aussagekräftige Korrelationen erkennen und eine robustere und genauere Prognose generieren.
Muss ich Zeitplanungsereignisse für diese gesamte Periode definieren, wenn mein Unternehmen im Jahresvergleich (z. B. zwischen Feiertagen und Feiertagen) erhebliche Änderungen aufweist?: Das ML-Modell berücksichtigt bereits die Performance im Jahresvergleich für einen Monat, sodass keine Periode dieser Dauer angegeben werden muss. Wir empfehlen, Zeitplanungsereignisse für Feiertage und Feiertage zu erstellen, wenn diese Datumsangaben einen besonderen Einfluss auf Ihr Unternehmen haben.
Kann ich Ereignisse erstellen, die nur für kommt in Frage für werden?: Nein, Zeitplanungsereignisse werden für kommt in Frage für .