FAQ : Événements de planification et saisonnalité

Les événements récurrents qui coïncident d'une année sur l'autre doivent-ils être explicitement définis comme événements de planification dans le système, ou le modèle de Machine Learning peut-il apprendre et tenir compte automatiquement de ces modèles ?: Les événements récurrents ayant un impact significatif sur les performances doivent être explicitement définis comme événements de planification. Bien que notre modèle de Machine Learning puisse apprendre à partir de modèles dans les données, la définition de ces jours à impact élevé nous permet de donner un message clair qu'il ne s'agit pas d'un simple point de données. Cela garantit que le modèle leur accorde la pondération appropriée et ne les traite pas dans le cadre d'une tendance générale.
Définir des événements tels que le vendredi vendredi, le cyber-lundi ou d'autres jours fériés spécifiques de l'entreprise en tant qu'événements de planification permet au modèle d'appliquer une pondération plus élevée aux données historiques comparatives pour cette date spécifique. Cela permet au modèle d'apprendre de ces modèles uniques sur deux ans au lieu de les interpréter comme une anomalie. En identifiant explicitement ces jours, vous indiquez principalement au modèle : « Faire une attention particulière à cette date, car sa performance historique est un indicateur clé pour le comportement de cette année ».

Lorsque vous décidez des éléments à inclure, nous vous recommandons de vous concentrer uniquement sur les événements qui, selon vous, auront un impact considérable sur l'indicateur que vous suivez. Il est généralement préférable de prendre des risques et d'inclure moins d'événements plutôt que plus d'erreurs. Si vous pensez qu'un événement aura un impact suffisamment important, nous vous recommandons de reporter votre création pour cette année et d'en suivre le comportement. Cette approche permet d'éviter que le modèle ne surindexe des événements moins importants et de garantir le meilleur niveau de précision prédictive.
Comment le modèle de Machine Learning fait-il la différence entre un événement de planification récurrente réel et une anomalie ponctuelle qui s'est produite le même jour au cours d'une année précédente ?: Le modèle de Machine Learning fait la distinction entre les événements récurrents et les anomalies ponctuelles en analysant plusieurs points de données et en créant des modèles historiques au fil du temps.
Pour les événements spécifiquement configurés dans la fonctionnalité des événements de planification, le modèle est entraîné pour accorder une attention particulière à l'activité de ces jours. Cette configuration explicite fait office de signal fort, indiquant au modèle qu'il s'agit de modèles récurrents réels auxquels il doit être prioritaire.

En revanche, bien que le modèle puisse identifier les anomalies, comme un événement ponctuel qui s'est produit le même jour l'année dernière, il ne les traite pas différemment des autres point de données, sauf s'ils sont spécifiquement configurés dans la fonctionnalité des événements de planification. Le modèle apprend à partir de toutes les données historiques, mais seuls les événements prédéfinis recevoir d'une attention particulière dans son analyse.
Pour les événements avec une date variable mais qui sont connus à l'avance (par exemple, Événements oriental, nouvel an chinois), comment doivent-ils être traités ? Faut-il les définir en tant qu'événements de planification ?: Les jours fériés importants pour l'entreprise et ayant un impact anticipé important doivent être saisis en tant qu'événement de planification, y compris les jours fériés qui tombent la même date chaque année. Nous vous recommandons également d'ajouter jusqu'à 7 jours avant et/ou après l' événement si ce jour férié a un impact sur les jours qui précèdent ou qui suivent l'événement.
Y a-t-il un impact négatif (par exemple, précision dégradée, durée de traitement plus long, confusion avec le modèle) pour définir un événement de planification qui n'a en final aucun impact significatif sur l'indicateur prévisionnel, ou dont l'impact est actuellement inconnu ? Est-il plus sûr de définir tous les événements potentiel , ou seulement ceux avec une incidence claire ?: Pour garantir la meilleure performance de notre modèle de Machine Learning , nous vous recommandons d'appliquer une approche plus sélective en ajoutant des événements de planification.
Lorsque vous créez un événement de planification , vous indiquez que la performance de l'entreprise à cette date spécifique est unique et plus importante que l'activité quotidienne normale. L'inclusion d'événements d'un impact inconnu ou mineur peut entraîner l'hyper-fixe du modèle à ces dates. Cela réduit sa aptitude à identifier avec précision des modèles et des tendances à long terme dans vos données de gestion.

Pour optimiser le pouvoir prédictif du modèle, incluez uniquement les événements dont vous savez qu'ils auront un impact significatif et hors norme sur votre entreprise. En fournissant une liste organisée d'événements à impact élevé, vous permettez au modèle de détecter de façon plus fiable les corrélations significatives et de générer des prévisions plus solides et précises.
Si mon entreprise constate des changements significatifs d'une année sur l'autre (par exemple, entre le jour de remerciement et hors congé), dois-je définir des événements de planification pour toute cette période ?: Le modèle de Machine Learning prend déjà en compte la performance annuelle sur une année pour un mois. Il n'est donc pas nécessaire de spécifier une système de cette durée. Nous vous recommandons de créer des événements de planification pour Merci et hors service si ces dates spécifiques sont particulièrement susceptibles d'avoir une incidence sur votre entreprise.
Est-il possible de créer des événements qui ne sont poste visé certains indicateurs ?: Non, les événements de planification seront poste visé tous les indicateurs de votre entreprise.