常见问题：数据粒度和指标定义
- 在哪些情况下，客户需要定义单独的预测指标（例如，按国家/地区、区域、部门、产品种类甚至单个 SKU 拆分销售额）？建议进行此类拆分的标准是什么？
- 当细分群体之间的运营用途或基本需求模式存在显着差异时，有必要定义单独的预测指标。要进行拆分，需要在聚合数据的稳定性和细化预测的可操作性之间进行权衡。如果业务数据结构或预测用途需要非常详细，客户应定义单独的预测指标。情景拆分示例理由业务用例需要详细信息按部门或产品种类拆分销售额。精细预测人工需求或存货。例如，一家商店需要为生鲜产品部门和电子产品部门提供不同的预测，以便准确地为这些部门配备人员或管理易变质的库存。不一致的数据结构/时间表为不同的组织单位拆分指标。如果组织的运营报告使用不同的一周开始日期，则需要一个单独的指标。由于每周指标只能有一个周起始日，具有不同周起始日的排班组织可能需要使用单独的指标，这样可以使预测与其报告日历保持一致。建议拆分的条件侧重于对详细信息的需求以及生成的数据的质量。
- 数据可用性和稳定性
- 聚合以确保稳定性：一般来说，聚合数据通常比拆分数据提供更好的结果，因为合并较小的数据集可以消除干扰、离群值错误和随机波动，从而使整体预测更加强大和可靠。
- 要确保细化，必须确保数据丰富：只有当这些细分群体拥有丰富的数据源以确保有足够的数据可供使用来做出可靠的预测时，单独细化的指标（例如将商店级别的指标拆分为特定于部门）才有用处。如果细化拆分的数据集太小或太分散（例如，小批量的产品种类），则预测将不稳定，并且可能不可靠。
- 可操作性和业务实用性
- 有针对性的人工/存货：如果需要在细化级别对产生的预测直接进行操作，则必须使用单独的指标。例如，将商店的总销售预测拆分为单独的部门预测更有助于定位特定部门的人工需求，以及在最缺人员时优化人员配备。
- 与报告/规划保持一致：如果各个部门的规划周期或数据结构完全不同，则建议进行拆分。例如，如果某个安全段使用另一天作为其业务报告的周起始日，则有必要进行拆分，以确保预测与运营实际情况保持一致。
- 在更细粒度的预测与更聚合的预测之间，需要权衡哪些方面（例如，准确性、计算成本、数据需求）？
- 在进行规划和预测时，最重要的决策就是选择何种程度的详细信息，即“粒度”。进行详细级别（如每 15 分钟）的预测可提供较高的特异性，但可能会引入干扰信息，而进行概括级别（如每天）的预测可提供稳定性，但直接效用较低。合适的级别完全取决于您的业务用例。以下是对高细化预测方法和更聚合的预测方法之间关键权衡的总结：功能粒度预测（示例：15 分钟级别）汇总预测（示例：每日级别）可操作性高：用于特定部门/条目的订购、库存和人员配备的直接输入。低：需要在一天中手动摊销或被拆分为偶数部分。预测准确度（统计）稳定性较低：数据通常较为零散、易变且包含很多干扰信息。更容易受到较大的随机错误的影响。更高的稳定性：消除了干扰点、离群值和随机错误，因此结果更加可靠。业务价值高效用：能够更好地捕捉独特的、本地的和特定于细分市场的需求驱动因素。高可靠性：更适合规划和长期决策。数据要求高：大量高质量的行级别数据，可确保有足够的观察值来对单个条目或地点的波动性进行建模。低：数据量较小，因为对数据点求和自然会减少记录数量，只需要足够的历史记录来识别大致的季节性趋势。
- 要以特定粒度对某个指标进行预测，是否需要满足最低限度的数据历史记录要求（例如，数据点数、时段）？
- 是的，能否生成可靠的预测与所提供的历史数据的数量和密度直接相关。我们制定了相应的要求，以确保我们的模型有足够的数据来检测有意义的模式，例如趋势和季节性。为了做出可靠的预测，我们一般性的建议是为所分析的指标准备三年的历史数据。这个期间让我们的模型能够有效捕捉年度季节性周期和长期趋势。所需数据点数因数据频率（粒度）而异：粒度间隔示例数据点要求基本原理高密度（每小时）每 小时三年就足够了。该模型会快速积累大量数据点，这使三年期成为了用于模式检测的可靠数据集。低密度（每日、每周）每天或每周一次最低要求为三年。此时段提供了足够的数据点，可以确定生成稳定的预测所需的核心趋势和季节性变化。无论数据粒度如何，我们建议至少保留三年的数据历史记录，以确保我们的预测模型性能最佳。在引入针对全新情境（例如，一个新的国家/地区、全新的产品线，或一个全新的业务指标）的预测时，至少需要多少历史数据（例如，以月/年等时段为单位，或以通常需要多少数据点），机器学习模型才能生成有价值且相当准确的预测？在将预测功能引入全新情境时，我们需要将新情景与训练有素的现有指标联系起来，以快速生成有价值的预测。注意：要使用此功能，新地点必须跟踪某个已训练的指标（例如，该指标的模型已存在且在其他地点表现良好）。使用新地点的机器学习模型进行预测（例如，新的国家/地区或商店）：对于使用机器学习模型训练和预测的指标，在开设新地点时，我们将借助“子公司组织”或类似实体的方法来快速启动预测流程。通过利用内部分支机构功能，我们的模型可以对新地点的绩效做出合理假设，直至新地点累计了至少两周的自身数据。之后，该模型可以依靠新商店自身的发展历史记录来做出越来越准确的预测。在新地点使用基于趋势的预测模型进行预测（例如，新的国家/地区或商店）：对于使用基于趋势的预测模型训练的指标，在新地点收集了其整一年的运营数据之前，将使用同级组织数据。您自己的数据，以支持这些特定的历史比较。