Perguntas frequentes: granularidade de dados e definição de métrica

Os clientes devem definir métricas de previsão separadas nos casos em que a estrutura dos dados de negócios ou o uso necessário da previsão exige um alto nível de detalhe.

Cenário	Exemplo de divisão	Justificativa
Detalhes obrigatórios do caso de uso operacional	Divisão das vendas por departamento ou categoria de produto.	Previsão de necessidades de mão de obra ou estoque em nível granular. Por exemplo, uma loja precisa de previsões separadas para o departamento de produtos novos e o departamento eletrônico para alocar com precisão essas áreas ou gerenciar o ação perecíveis.
Estruturas de dados/Programações inconsistentes	Dividir métricas para diferentes unidades organizacionais.	Se as organizações têm diferentes dias de início da semana para seus relatórios operacionais, uma métrica separada é necessária. Como as métricas semanais só podem ter um único dia de início da semana, as organizações de programação com um dia de início da semana diferente podem se beneficiar de uma métrica separada para alinhar as previsões com seu calendário de relatórios, .

Os critérios para recomendar uma divisão concentram-se na necessidade de detalhes e na qualidade dos dados resultantes.

Disponibilidade e estabilidade de dados
Agregação para estabilidade: como regra geral, os dados agregados geralmente nos fornecem resultados melhores do que os dados divididos, pois a combinação de conjuntos de dados menores reduz o impacto, os erros e as flutuações aleatórias, resultando em uma previsão geral mais robusta e confiável.
Granularidade exige detalhamento: métricas separadas e granulares (como a divisão de métricas no nível de loja para serem específicas do departamento) só são úteis se esses segmentos têm suas próprias fontes de dados detalhadas para garantir que quantidades adequadas de dados estejam disponíveis a fim de gerar previsões confiáveis. Se o conjunto de dados para a divisão granular for muito pequeno ou insuficiente (por exemplo, uma categoria de produto de baixo volume), a previsão será instável e potencialmente não confiável.
ID de ação e utilitário de negócios
Mão de obra/Estoque alvo: métricas separadas são essenciais quando a previsão resultante precisa ser diretamente acionável em um nível granular. Por exemplo, dividir a previsão de vendas totais de uma loja em previsões de departamentos separadas é mais útil para alvo as necessidades de mão de obra em departamentos específicos e otimizar a alocação de pessoal onde ela é mais necessária.
Alinhamento com geração de relatórios/plano: as divisões são recomendadas quando os segmentos operam em ciclos de planejamento ou estruturas de dados muito diferentes. Por instância, uma divisão é necessária se um segmento usa um dia diferente como o dia de início da semana para seus relatórios de negócios, garantindo que a previsão esteja alinhada à verdade operacional.

Este é um resumo das principais compensações entre as abordagens de previsão altamente granulares e mais agregadas:

Funcionalidade	Previsão granular (exemplo: nível de 15 minutos)	Previsão agregada (exemplo: nível diário)
ID de ação	Alto: entrada direta para pedidos, estocagem e alocação de pessoal de departamentos/itens específicos.	Baixa: requer distribuição manual ao longo do dia ou é dividida em partes pares.
Precisão das previsões (estatísticas)	Estabilidade mais baixa : os dados geralmente são insuficientes, voláteis e com interrupções. Mais suscetíveis a erros grandes e aleatórios.	Estabilidade superior: nível de correspondência com valores atípicos, valores atípicos e erros aleatórios é reduzido, resultando em um resultado mais robusto.
Valor comercial	Alto utilitário: melhor na captura de fatores de demanda exclusivos, locais e específicos do segmento.	Alta confiabilidade: melhor para planejamento e decisões de longo prazo.
Requisitos de dados	Alto: grandes volumes de dados de alta resolução no nível de linha para garantir que haja observações suficientes para modelar a volatbilidade de itens ou locais individuais.	Baixo: volumes de dados menores, pois o processo de soma de pontos de dados reduz automaticamente o número de registros, requerendo apenas histórico suficiente para identificar tendências sazonais amplas.

Nossa recomendação geral para uma previsão confiável é ter três anos de dados históricos para a métrica que está sendo analisada. Esse período permite que nossos modelos capturem com eficácia ciclos sazonais anuais e tendências de longo prazo.

O número de pontos de dados necessário varia com base na frequência ( granularidade) dos seus dados:

Granularidade	Exemplo de intervalo	Requisito de ponto de dados	Justificativa
Alta densidade (por hora)	cada hora	Três anos são suficientes.	O modelo acumula um grande volume de pontos de dados rapidamente, tornando três anos um conjunto de dados robusto para detecção de padrões.
Baixa densidade (por dia, por semana)	Uma vez por dia ou semana	Três anos é o requisito mínimo.	Esse período temporal fornece pontos de dados suficientes para identificar as principais tendências e variações sazonais necessárias para gerar uma previsão estável.

Recomendamos um mínimo de três anos de histórico de dados para garantir o desempenho máximo dos nossos modelos de previsão, independentemente da granularidade dos dados.

Quando introduz a previsão para contextos totalmente novos (por exemplo, um novo país, uma linha de produtos totalmente nova ou uma métrica de negócios completamente nova), qual é a quantidade mínima de dados históricos (por exemplo, em termos de períodos temporais, como meses/anos ou número de pontos de dados) geralmente é necessário antes que o modelo de aprendizado de máquina possa gerar previsões valiosas e razoavelmente precisas?

Quando apresentamos a previsão a um contexto realmente novo, nossa abordagem baseia-se em conectar o novo cenário às métricas já existentes treinadas para gerar rapidamente previsões valiosas.

Observação: o novo local deve rastrear uma métrica já treinada (por exemplo, uma métrica para a qual já existe um modelo e que tem um bom desempenho em outros locais) para usar esta funcionalidade.

Previsão usando o modelo de aprendizado de máquina para novos locais (por exemplo, um novo país ou loja): para métricas treinadas e previstas usando o modelo de aprendizado de máquina, quando abrirmos novos locais oferecemos o uso de nossa organização"irônima" ou abordagem de entidade análoga para agilizar o processo de previsão. Aproveitando nossa funcionalidade de organização irmã interna, nosso modelo pode fazer suposições justas sobre o desempenho do novo local até o ponto em que ele acumule pelo menos duas semanas de seus próprios dados. Depois desse ponto, o modelo pode contar com o próprio histórico de crescimento da nova loja para obter previsões cada vez mais precisas.

Previsão usando o modelo de previsão com base em tendências para novos locais (por exemplo, um novo país ou loja): para métricas treinadas usando o modelo de previsão com base em tendências, os dados da organização associada são usados até que o novo local tenha um ano inteiro de próprios dados para permitir essas comparações históricas específicas.