FAQ : Détection et gestion des exceptions
- Lorsqu'il y a une valeur hors norme extrêmes un jour particulier (par exemple, une erreur de saisie de données, un événement de promotion ponctuel ou une augmentation inattendue), comment le modèle de Machine Learning identifie-t-il une valeur hors norme et comment la gère-t-il ? à des fins de prévisions ? L'ignore-t-il, le rend-t-il fluide ou l'intègre-t-il de manière spécifique ? Comment le système fait-il la différence entre une véritable valeur hors norme et un point de données réel, mais inhabituel, qui doit être pris en compte dans les prévisions (par exemple, un Peak Peak Workday responsable d'une promotion réussie) ?
- Le système ne fait pas la différence entre un point de données hors norme et un point de données réel, mais inhabituel, . Les deux sont prises en compte dans la prévision et leur impact dépend de leur durée et de leur magnitude. Le moyen actuel de gérer ces situations est la fonctionnalité des événements de planification.Le Machine Learning traite tous les points de données historiques comme des informations valides pour prédire les tendances futures. Le système ne dispose pas d'un mécanisme intégré pour faire la distinction entre un point de données résultat d'une erreur ponctuelle (une valeur hors norme réelle) et un point de données qui représente un événement véritablement rare (pour lui-même). Lorsqu'une prévision est générée, le système prend en compte l'intégralité de l'historique. En cas de pointe ou de baisse d'importance, cela peut influer sur les prévisions des périodes suivantes, en particulier si le modèle de prévision est sensible aux données récentes.Pour éviter qu'un point de données réel, mais inhabituel, ne contrevienne à la prévision générale, vous pouvez utiliser la fonctionnalité des événements de planification. Cet outil permet de marquer manuellement des dates spécifiques comme étant affectées par un événement connu, tel qu'une promotion réussie, un jour férié ou une vente dans tout le magasin. Une fois identifié comme un événement connu , le Machine Learning attribue une pondération différente à cette date lors de la génération de prédictions, les événements correspondants recevant une pondération plus élevée et un nombre moyen de jours recevant une pondération plus faible .