Domande frequenti: Rilevamento e gestione dei valori anomali
- Quando si verifica un valore anomalo estremo in un determinato giorno (ad esempio, un errore di immissione dei dati , un evento promozionale una tantum o un aumento/caduta imprevisto), in che modo il modello di machine learning determina che si tratta di un valore anomalo e come lo gestisce per scopi di previsione? Lo ignora, lo smussa o lo incorpora in un modo specifico? In che modo il sistema distingue tra un valore anomalo reale e un punto dati genuino, ma inusuale, che dovrebbe essere preso in considerazione nella previsione (ad esempio, un picco legittimo durante una promozione riuscita)?
- Il sistema non distingue tra valori anomali reali e punto dati originali, ma insoliti . Entrambi vengono presi in considerazione nella previsione e il loro impatto dipende dalla durata e dall'entità. Il mezzo corrente per gestire queste situazioni è la funzionalità di pianificazione degli eventi.Il machine learning considera tutti i data point storici come informazioni valide per prevedere le tendenze future. Non dispone di un meccanismo integrato per distinguere tra un punto dati che è il risultato di un errore una tantum (un valore anomalo effettivo) e uno che rappresenta un evento genuino, anche se raro (un picco legittimo). Quando viene generata una previsione, il sistema considera l'intero storico. Se si verifica un picco o un calo significativo, può influire sulla previsione per i periodi successivi, soprattutto se il modello di previsione è sensibile ai dati recenti.Per evitare che un punto dati originale, ma inusuale, distorca la previsione generale, è possibile utilizzare la funzionalità degli eventi di pianificazione. Questo strumento consente di rappresentazione manualmente date specifiche come interessate da un evento noto , ad esempio una promozione riuscita , una festività o una vendita a livello di negozio. Una volta identificato come evento noto , il machine learning assegna ponderazione diversa a quella data durante la generazione delle previsioni, con gli eventi corrispondenti che ricevono una ponderazione maggiore e la media dei giorni che ricevono una ponderazione inferiore .