常見問題︰資料粒度與指標定義
- 客戶在什麼情況下需要定義單獨的預測指標 (例如，依國家/地區、區域、部門、產品種類或什至個別 SKU 拆分銷售額)？建議拆分的準則為何？
- 當不同區間的營運用途或基本需求模式有顯著差異時，則有必要定義單獨的預測指標。拆分的決定是在匯總資料的穩定性與精細預測的可操作性之間做出取捨。如果業務資料的結構或預測的必要, 必填, 必修用途，需要高度詳細的資料，客戶應定義個別的預測指標。情境拆分範例理由營運使用案例需要詳細資料依部門或產品種類拆分銷售額。更精細地預測人力需求或庫存。例如，商店需要對生鮮果品部門和電子產品部門進行單獨預測，以準確預測這些領域的人員編制或管理易變質的股票。資料結構/時間表不一致為不同的組織單位拆分指標。如果組織的營運報告在一周中的開始日不同，則需要單獨的指標。由於每週指標在一周內只能有一個開始日，因此如果排程組織採用不同的一周開始日，最好採用單獨的指標來使預測與報告行事曆保持一致。建議拆分的準則會著重於產生資料的細節需求和品質。
- 資料可用性與穩定性
- 匯總以提高穩定性：一般而言，匯總資料通常比拆分資料能提供更好的結果，因為合併較小的資料集可消除雜訊、異常值錯誤和隨機波動，從而產生更穩健可靠的整體預測。
- 精細度需要豐富度：個別的精細指標 (例如將商店層級的指標拆分為部門特定) 只有在這些區間有自己豐富的資料來源時才會有幫助，以確保有足夠的資料量可用於做出可靠的預測。如果細粒度拆分的資料集太小或太稀少 (例如，量少的產品種類)，預測將會並不穩定，甚至可能不可靠。
- 可操作性與業務實用性
- 目標人力/存貨：當預測結果需要可直接執行時，個別的指標就非常重要。例如，將商店的總銷售額預測拆分為不同的部門預測，更有利於對象/目標特定部門的人力需求，並在最需要人力的地方最佳化人員任用。
- 與報告/規劃保持一致：當區段在完全不同的規劃週期或資料結構中運作時，建議使用拆分。實例，如果某個區段的業務報告使用不同的星期別做為每週開始日，就必須進行拆分，以確保預測與營運現實相符。
- 以更精細的層級進行預測與以更強化的匯總層級進行預測，在進行預測時，需要有哪些權衡取捨 (例如，準確性、計算成本、資料要求)？
- 規劃和預測時，您選擇的詳細資料層級 (稱為「粒度」) 是最重要的決定之一。詳細程度 (例如每 15 分鐘) 的預測提供高精準度，但可能會引入乾擾，而廣泛程度的預測 (例如每天) 提供穩定性，但直接效用較低。合適的層級完全取決於您的業務使用個案。以下是高精細度和更匯總預測方法之間的關鍵權衡取捨摘要：功能精細預測 (範例︰15 分鐘級別)匯總預測 (範例︰每日層級)可操作性高：直接輸入特定部門/項目的訂購、庫存和人員任用。低︰需要全天手動攤分，或拆分為均等的部分。預測準確度 (統計)穩定性降低：資料通常稀少、易變且雜亂無章。更容易受到大型隨機錯誤的影響。更高的穩定性：消除雜訊、異常值和隨機錯誤，得到更穩健的結果。商業價值高效用：更擅長擷取獨特、當地和特定領域的需求動因。高可靠性：更適合規劃和長期決策。資料要求高：大量高解析度的列層級資料，確保有足夠的觀察資料建立個別項目或地點的波動性模型。低︰較小的資料量，因為執行資料點加總的動作自然會減少記錄數量，只需要足夠的歷史記錄來識別主要的季節性趨勢。
- 可預測的指標是否有最低資料歷史記錄要求 (例如，資料點數、時期)，才能以特定粒度預測？
- 是的，產生可靠預測的能力，與所提供的歷史資料量和密度直接相關。我們已製定相關要求，確保資料充足，讓我們的模型能夠偵測有意義的模式，例如趨勢和季節性。對於可靠預測，我們一般建議您準備分析指標三年的歷史資料。這段期間讓我們的模型能有效擷取每年的季節性週期與長期趨勢。必要, 必填, 必修資料點的數量因資料的頻率 (粒度) 而異：精細度範例區間資料點要求基本原理高密度 (每小時)每 小時三年時間就足夠了。模型能快速累積冊數的資料點，三年的模式偵測是相當穩健的資料集。低密度 (每日、每週)每天或每週一次最低要求為三年。此時期提供的資料點足夠多，可用來識別產生穩定預測所需的核心趨勢和季節性變化。無論資料的粒度如何，我們建議至少保留三年的資料記錄，以確保我們的預測模型最佳效能。為全新的環境 (例如，新的國家/地區、全新的產品線或全新的業務指標) 引入預測時，最少需要多少歷史資料 (例如，以月/年等時期為單位，或資料點的數量)，機器學習模型才能必要, 必填, 必修有價值且相當準確的預測？在將預測引入全新的情境時，我們的做法是將新情境與經過訓練的現有指標連結，以快速產生有價值的預測。注意︰新地點必須追踪已訓練的指標 (例如，模型已存在且在其他地點表現良好的指標) 才能使用此功能。使用機器學習模型預測新地點 (例如新開的國家/地區或商店)：對於使用機器學習模型訓練和預測的指標，在新開地點時，我們錄取通知書, 擬聘使用同級組織或類似實體的方法來快速啟動預測流程。透過利用我們的內部同級組織功能，我們的模型可以對新地點的績效做出合理假設，直到它自己積累至少兩週的資料為止。之後，模型就能依據新店本身的發展歷程，做出更準確的預測。針對新地點 (例如新開的國家/地區或新商店) 使用趨勢式預測模型進行預測：對於使用趨勢式預測模型訓練的指標，在新地點完成其整整一年的工作之前，將使用同級組織的資料。擁有自己的資料，以啟用這些特定的歷史比較。