Domande frequenti: Granularità dei dati e definizione della metrica

I clienti devono definire metriche di previsione separate nei casi in cui la struttura dei dati aziendali o l'utilizzo obbligatorio delle previsioni richiedono un elevato livello di dettaglio.

Scenario	Esempio di frazionamento	Motivazione
Dettagli necessari per il caso d'uso operativo	Suddivisione delle vendite per reparto o categoria di prodotto.	Previsione del fabbisogno di manodopera o delle scorte a livello granulare. Ad esempio, un punto vendita ha bisogno di previsioni separate per il reparto ortofrutticolo rispetto al reparto di elettronica, per dotare le aree di personale in modo accurato o gestire le scorte deperibili.
Strutture dati/Pianificazioni incoerenti	Suddivisione delle metriche per diverse unità organizzative	Se le organizzazioni hanno giorni di inizio della settimana diversi per i report operativi, è necessaria una metrica separata. Poiché le metriche settimanali possono avere un solo giorno di inizio settimana, le organizzazioni con turni con un giorno di inizio settimana diverso potrebbero trarre vantaggio da una metrica separata per allineare le previsioni al calendario dei report .

I criteri per suggerire una suddivisione si concentrano sulla necessità di dettagli e sulla qualità dei dati risultanti.

Disponibilità e stabilità dei dati
Aggregazione per stabilità: come principio generale, i dati aggregati di solito danno risultati migliori rispetto alla suddivisione dei dati perché la combinazione di set di dati più piccoli attenua il rumore, gli errori anomali e le fluttuazioni casuali, portando a una previsione complessiva più solida e affidabile.
La granularità richiede dettagli: metriche separate e granulari (come la suddivisione delle metriche a livello di negozio in modo che siano specifiche per reparto) sono utili solo se tali segmenti dispongono di origini dati complete proprie per garantire che siano disponibili quantità di dati sufficienti per formulare previsioni affidabili. Se il set di dati per la suddivisione granulare è troppo piccolo o sparso (ad esempio, una categoria di prodotto con volume ridotto), la previsione sarà instabile e potenzialmente inaffidabile.
Azionabilità e utilità aziendale
Manodopera/Scorte mirate: metriche separate sono essenziali quando la previsione risultante deve essere direttamente fruibile a livello granulare. Ad esempio, suddividere le previsioni di vendita totali di un negozio in previsioni di reparto separate è più utile per destinazione le esigenze di manodopera in reparti specifici e ottimizzare la dotazione di personale dove è più necessaria.
Allineamento a reportistica/pianificazione: i frazionamenti sono consigliati quando i segmenti operano su cicli pianificazione o strutture dati sostanzialmente diversi. Ad istanza, è necessario un frazionamento se un segmento utilizza un giorno diverso come giorno di inizio della settimana per i report aziendali, in modo che le previsioni siano allineate alla realtà operativa.

Questo è un riepilogo dei principali compromessi tra approcci di previsione altamente granulari e più aggregati:

Funzionalità	Previsione granulare (esempio: livello di 15 minuti)	Previsione aggregata (esempio: livello giornaliero)
Azionabilità	Alto: input diretto per reparti/articoli specifici di ordinazione, stoccaggio e dotazione di personale .	Basso: richiede la distribuzione manuale nell'arco della giornata o è suddiviso in parti pari.
Precisione previsione (statistica)	Minore stabilità: i dati sono spesso scarsi, volatili e confusi. Più soggetti a errori casuali di grandi dimensioni.	Maggiore stabilità: il rumore, i valori anomali e gli errori casuali vengono attenuati, ottenendo un risultato più solido.
Valore aziendale	Elevata utilità: migliore capacità di acquisire fattori di domanda univoci, locali e specifici per segmento.	Elevata affidabilità: migliore per la pianificazione e le decisioni a lungo termine.
Requisiti dati	Elevato: volumi enormi di dati ad alta risoluzione a livello di riga per garantire che ci siano abbastanza osservazioni per modellare la volatilità di singoli articoli o sedi.	Basso: volumi di dati inferiori poiché la somma dei punti dati riduce naturalmente il numero di record, richiedendo solo uno storico sufficiente per identificare le tendenze stagionali generali.

Il consiglio generale per una previsione affidabile è di avere tre anni di dati storici per la metrica analizzata. Questo periodo consente ai nostri modelli di acquisire in modo efficace i cicli stagionali e le tendenze a lungo termine.

Il numero di punti dati obbligatorio varia in base alla frequenza (granularità) dei dati:

Granularità	Intervallo di esempio	Requisito punto dati	Motivo
Alta densità (ogni ora)	Ogni ora	Tre anni sono sufficienti.	Il modello accumula rapidamente un grande volume di punti dati, rendendo tre anni un solido set di dati per il rilevamento dei modelli.
Bassa densità (giornaliera, settimanale)	Una volta al giorno o alla settimana	Tre anni è il requisito minimo.	Questo periodo di tempo fornisce punti dati sufficienti per identificare le tendenze principali e le variazioni stagionali necessarie per generare una previsione stabile.

Si consiglia uno storico dei dati di almeno tre anni per garantire performance ottimali dei nostri modelli di previsione, indipendentemente dalla granularità dei dati.

Quando si introduce la previsione per contesti completamente nuovi (ad es. un nuovo paese, una nuova linea di prodotti o una metrica aziendale completamente nuova), qual è la quantità minima di dati storici (ad es. in termini di periodi di tempo come mesi/anni o numero di punti dati) generalmente obbligatorio prima che il modello di machine learning possa generare previsioni valide e ragionevolmente accurate?

Quando si introduce la previsione in un contesto veramente nuovo, il nostro approccio si basa sulla connessione del nuovo scenario a metriche già esistenti e addestrate per generare rapidamente previsioni preziose.

Nota: per utilizzare questa funzionalità, la nuova sede deve monitorare una metrica già addestrata (ad es. una metrica per la quale esiste già un modello e ha un buon rendimento in altre sedi).

Previsione con modello di machine learning per nuove sedi (ad esempio, un nuovo paese o un nuovo punto vendita): per le metriche addestrate e previste utilizzando il modello di machine learning, quando si aprono nuove sedi è possibile utilizzare l' organizzazione consociata "" o l'approccio di un'entità analoga per avviare il processo di previsione. Sfruttando la funzionalità organizzazione affiliata interna, il nostro modello può formulare ipotesi ragionevoli sulle performance della nuova sede fino al punto in cui non ha accumulato almeno due settimane di dati propri. Successivamente, il modello può fare affidamento sulla crescita storica del nuovo negozio per previsioni sempre più accurate.

Previsione utilizzando il modello di previsione basato sulle tendenze per le nuove sedi (ad esempio, un nuovo paese o un nuovo punto vendita): per le metriche addestrate utilizzando il modello di previsione basato sulle tendenze, i dati organizzazione consociata verranno utilizzati fino a quando la nuova sede non avrà raccolto un anno intero della sua propri dati per consentire i confronti storici specifici.