FAQ : Détection et gestion des valeurs hors norme
- Lorsqu’il s’agit d’une situation aberrante extrêmes qu’un jour particulier (par exemple, une erreur de saisie de données, un événement de promotion ponctuel ou une se désinscrire inattendue), comment le modèle apprentissage automatique détermine-t-il la situation et comment s’en tient-il? à des fins de prévision? Est-ce qu’il l’omet, l’adresse ou l’intègre-t-il d’une manière précise? Comment le système fait-il la distinction entre un point de données hors norme établi et un point de données véritable, mais inhabituel, qui doit être pris en compte dans la prévision (p. ex., un maximum de données potentiels au cours d’une promotion réussie)?
- Le système ne fait pas la distinction entre une valeur hors norme vraie et un point de données précis, mais inhabituel. Les deux sont pris en compte dans la prévision, et leur impact dépend de leur durée et de leur ampleur. Le moyen actuel de gérer ces situations est la fonction d’événements de planification.L’ apprentissage automatique traite tous les points de données historiques comme des informations valides pour prévoir les tendances futures. Elle ne dispose pas d’un mécanisme intégré pour distinguer un point de données résultat d’une erreur unique (une valeur hors norme vraie) et un point qui représente un véritable événement , bien que rare (un nombre d’heures de pointe normales). Lorsqu’une prévision est générée, le système tient compte de l’ensemble de l’historique. Si un maximum ou une baisse significative se produit, cela peut influencer la prévision pour des périodes ultérieures, surtout si le modèle de prévision est sensible aux données récentes.Pour éviter qu'un point de données véritables mais inhabituels ne l'perturbe par la prévision générale, vous pouvez utiliser la fonction de planification des événements. Cet outil vous permet de marquer manuellement des dates précises comme étant affectées par un événement connu, tel qu'une promotion réussie, un jour férié ou une vente à l'échelle du magasin. Une fois identifié comme événement connu, l' apprentissage automatique attribuera une pondération différente à cette date lors de la génération des prédictions, les événements correspondants recevant une pondération plus élevée et la pondération moyenne des jours.