Preguntas frecuentes: definición de métricas y granularidad de datos

Los clientes deben definir métricas de previsión independientes en los casos en los que la estructura de los datos empresariales o el uso obligatorio de la previsión exijan un alto nivel de detalle.

Escenario	Ejemplo de división	Justificación
Detalle obligatorio de caso de uso operativo	Dividir las ventas por departamento o categoría de producto	Prever las necesidades de mano de obra o el inventario a nivel granular. Por ejemplo, una tienda necesita previsiones independientes para el departamento de productos frescos y el departamento de electrónica para dotar de personal con precisión a esas áreas o gestionar el acción de productos perecederos.
Estructuras de datos/programaciones incoherentes	Dividir métricas para distintas unidades organizativas	Si las organizaciones tienen distintos días de inicio de la semana para sus informes operativos, se necesita una métrica independiente. Dado que las métricas semanales solo pueden tener un único día de inicio de la semana, las organizaciones de programación con un día de inicio de la semana diferente podrían beneficiarse de una métrica independiente para alinear las previsiones con su calendario de informes.

Los criterios para recomendar una división se centran en la necesidad de detalle y en la calidad de los datos resultantes.

Disponibilidad y estabilidad de datos
Agregación para lograr estabilidad: como principio general, la agregación de datos suele ofrecer mejores resultados que la división de los datos, ya que la combinación de conjuntos de datos más pequeños suaviza el ruido, los errores de valores atípicos y las fluctuaciones aleatorias, lo que da lugar a una previsión global más sólida y fiable.
La granularidad requiere riqueza: las métricas detalladas e independientes (como dividir las métricas a nivel de tienda para que sean específicas de departamento) solo son útiles si esos segmentos tienen sus propios orígenes de datos enriquecidos para garantizar que haya cantidades adecuadas de datos disponibles para realizar previsiones fiables. Si el conjunto de datos para la división granular es demasiado pequeño o escaso (por ejemplo, una categoría de producto de bajo volumen), la previsión será inestable y potencialmente poco fiable.
Accesibilidad y utilidad empresarial
Mano de obra/inventario objetivo: las métricas independientes son esenciales cuando la previsión resultante debe ser directamente procesable a nivel granular. Por ejemplo, dividir la previsión de ventas totales de una tienda en previsiones de departamentos independientes es más útil para objetivo las necesidades de mano de obra en departamentos específicos y optimizar la dotación de personal donde más se necesita.
Alineación con informes/planificación: las divisiones se recomiendan cuando los segmentos operan en ciclos de planificación o estructuras de datos fundamentalmente diferentes. Por instancia, es necesaria una división si un segmento utiliza un día diferente como primer día de la semana para sus informes empresariales, lo que garantiza que la previsión se alinee con la realidad operativa.

Este es un resumen de las ventajas y desventajas clave entre los enfoques de previsión altamente detallados y los más agregados:

Función	Previsión granular (ejemplo: nivel de 15 minutos)	Previsión agregada (ejemplo: nivel diario)
Accesibilidad	Alto: entrada directa para pedir, almacenar y dotación de personal a departamentos/ítems específicos.	Bajo: requiere distribución manual a lo largo del día o se divide en partes iguales.
Precisión de previsión (estadística)	Menor estabilidad: los datos suelen ser escasos, volátiles y ruidosos. Más susceptible a errores aleatorios grandes.	Mayor estabilidad : el ruido, los valores atípicos y los errores aleatorios se suavizan, lo que da como resultado un resultado más sólido .
Valor de negocio	Alta utilidad: mejor captura de generadores de demanda únicos, locales y específicos del segmento.	Alta fiabilidad: mejor para la planificación y las decisiones a largo plazo.
Requisitos de datos	Alto: volúmenes masivos de datos de nivel de fila de alta resolución para garantizar que haya suficientes observaciones para modelar la volatilidad de ítems o ubicaciones individuales.	Bajo: volúmenes de datos más pequeños, ya que el acto de sumar puntos de datos reduce naturalmente el número de registros, lo que requiere solo el historial suficiente para identificar tendencias estacionales generales.

Nuestra recomendación general para una previsión fiable es tener tres años de datos históricos para la métrica que se analiza. Este periodo permite que nuestros modelos capturen de forma eficaz los ciclos estacionales anuales y las tendencias a largo plazo.

El número de puntos de datos obligatorio varía en función de la frecuencia (nivel de detalle) de sus datos:

Nivel de detalle	Intervalo de ejemplo	Requisito de punto de datos	Justificación
Alta densidad (por horas)	Cada hora	Tres años es suficiente.	El modelo acumula rápidamente un gran volumen de puntos de datos, lo que convierte a tres años en un conjunto de datos sólido para la detección de patrones.
Baja densidad (diaria, semanal)	Una vez al día o a la semana	Tres años es el requisito mínimo.	Este periodo temporal proporciona suficientes puntos de datos para identificar las tendencias principales y las variaciones estacionales necesarias para generar una previsión estable.

Recomendamos un mínimo de tres años de historial de datos para garantizar un rendimiento óptimo de nuestros modelos de previsión, independientemente del nivel de detalle de los datos.

Al introducir previsiones para contextos completamente nuevos (por ejemplo, un nuevo país, una nueva línea de productos o una nueva métrica de negocio), ¿cuál es la cantidad mínima de datos históricos (por ejemplo, en términos de periodos temporales como meses/años o número de puntos de datos) generalmente obligatorio para que el modelo de machine learning pueda generar predicciones valiosas y razonablemente precisas?

Al introducir la previsión en un contexto realmente nuevo, nuestro enfoque se basa en conectar el nuevo escenario con métricas entrenadas existentes para generar rápidamente predicciones valiosas.

Nota: la nueva ubicación debe realizar un seguimiento de una métrica ya entrenada (por ejemplo, una métrica para la que ya exista un modelo y tenga un buen rendimiento en otras ubicaciones) para utilizar esta funcionalidad.

Previsión con modelo de aprendizaje automático para nuevas ubicaciones (por ejemplo, un nuevo país o tienda): en el caso de las métricas entrenadas y previstas mediante el modelo de aprendizaje automático, al abrir nuevas ubicaciones, ofrecemos el uso de nuestro enfoque de organización hermana o entidad análoga para impulsar el proceso de previsión. Al aprovechar nuestra función de organización hermana interna, nuestro modelo puede hacer suposiciones razonables sobre el desempeño de la nueva ubicación hasta el punto en que haya acumulado al menos dos semanas de sus propios datos. Después de ese punto, el modelo puede basarse en el propio historial de crecimiento de la nueva tienda para realizar predicciones cada vez más precisas.

Previsión con modelo de previsión basado en tendencias para nuevas ubicaciones (por ejemplo, un nuevo país o tienda): en el caso de las métricas entrenadas con el modelo de previsión basado en tendencias, los datos de la organización asociada se utilizarán hasta que la nueva ubicación haya recopilado un año completo de sus datos. propios datos para permitir esas comparaciones históricas específicas.