常见问题：排班事件和季节性

是否需要在系统中将年复一年在同一天的重复事件明确定义为排班事件？机器学习模型是否可以自动学习并考虑这些模式？: 对于性能具有显着影响的重复事件应明确定义为排班事件。虽然我们的机器学习模型可以从数据中的模式进行学习，但定义这些高影响的日期可以发出一个明确的信号：这些日期不仅仅是另一个数据点。这可确保模型为它们赋予适当的权重，并且不会将它们视为一般趋势的一部分。
将“黑色星期五”“网络星期一”或其他特定于业务的节假日等事件定义为排班事件，会指示模型更加重视该特定日期的对比历史数据。这使模型能够从这些独特的逐年模式中学习，而不是将其误解为异常。通过明确标识这些日期，您实质上是在告诉模型“请特别注意此日期，因为它的历史绩效是衡量今年表现的关键指标”。

在决定要包括的内容时，我们建议您仅关注您确信会对您跟踪的指标产生巨大影响的事件。通常来说，宁可多加小心，也不要包含更多事件。如果您不确定某个事件是否会产生足够大的影响，我们建议您今年推迟创建该事件，然后观察其行为。此方法有助于防止模型对不太重要的事件编制过度索引，并确保最高级别的预测准确性。
机器学习模型如何区分真正的重复排班事件和恰好发生在上一年同一天的一次性异常？: 机器学习模型通过分析多个数据点和一段时间内的历史模式来区分重复事件和一次性异常。
对于在排班事件功能中明确配置的事件，系统会训练模型来特别关注这些日期的活动。这种显式配置类似于明确的信号，告诉模型这些是真实的重复模式，应该优先处理。

相比之下，尽管该模型可以识别异常（例如去年同一天发生的一次性事件），但除非在排班事件功能中进行了专门配置，否则它不会以不同于任何其他数据点的方式处理这些异常。该模型会根据所有历史数据进行学习，但在其分析中只有预先配置的事件会受到特殊考虑。
对于日期可变但可以提前了解的事件（例如，逾越节、中国农历新年），应如何处理？是否需要将其定义为排班事件？: 应当输入具有重大预期影响的业务相关节假日，将其作为排班事件，包括每年在同一天出现的节假日。此外，如果事件之前和/或之后的日期会产生影响，我们建议最多对之前和/或之后 7 天的节假日进行会计处理。
定义一个最终对预测指标没有明显影响的排班事件，或者其影响目前未知的排班事件是否会产生负面影响（例如：准确性降低、处理时间增加、模型混乱）？是定义所有潜在事件更安全，还是定义那些具有明确预期影响的事件更安全？: 为确保从我们的机器学习模型中获得最佳性能，我们建议您在添加排班事件时采用更具选择性的方法。
当您创建排班事件时，您是在向模型告知，该特定日期的业务绩效具有唯一性，并且比正常的日常活动更为重要。如果包括影响未知或影响较小的事件，可能会导致模型在这些日期上过度固定。这会降低其准确识别业务数据中更广泛、长期的模式和趋势的能力。

为了最大程度地提高模型的预测能力，请仅包括您知道会对您的业务产生重大、非正常影响的事件。通过提供高影响事件的精选列表，您将使模型能够更可靠地检测有意义的相关性，并生成更强大和更准确的预测。
如果我的企业中的某个季度与上年同期相比存在显着变化（例如，在感谢节和耶利亚节之间），我是否需要为整个期间定义排班事件？: 机器学习模型已将一个月的同比绩效因素考虑在内，因此不需要指定如此持续时间的季度。但是，如果感谢节和耶节假日这两个特定日期对您的业务具有特别重要的影响，我们建议您为这两个特定日期创建排班事件。
我是否可以创建仅针对特定业务指标考虑的事件？: 不会，您企业中的所有指标都将考虑排班事件。