常見問題︰排程事件與季節性因素
- 年同比在同一天的重複事件是否需要在系統中明確定義為排程事件，或者機器學習模型可以自動學習並考慮這些模式？
- 對效能有重大影響的重複發生事件，應明確定義為「排程事件」。雖然我們的機器學習模型可以從資料中的模式中學習，但定義這些高影響力的日期可以清楚地表明，它們不僅僅是另一個資料點。這可確保模型給予這些因素適當的權重，而不會將其視為總趨勢的一部分。將黑色星期五、網一或其他業務特定假日等事件定義為「排程事件」，可告知模型在該特定日期的可比較歷史資料中設定更高的權重。這讓模型能夠從這些獨特的年同比模式中學習，而不是將其誤解為異常。明確指出這些日期，實質上是在告訴模型「請特別注意這個日期，因為其歷史績效是反映今年行為的關鍵指標」。在決定要納入哪些內容時，我們建議您只專注於您確信會對所追踪指標產生重大影響的事件。一般來說，最好還是謹慎行事，並減少事件數量，而不是增加事件數量。如果您不確定某個事件是否會產生足夠大的影響，我們建議您先推遲今年的建立時間，並觀察其行為。此方法有助於防止模型將不那麼重要的事件過度編入索引，並確保最高程度的預測準確性。
- 機器學習模型如何區分真正的重複排程事件，以及發生在前一年同一天的單次異常？
- 機器學習模型會分析多個資料點和一段時間內的歷史模式，從而區分重複事件和單次異常。對於在排程事件功能中特別配置的事件，模型會經過訓練，以特別關注在這些日期的活動。這種明確的配置會產生強烈的信號，告訴模型這些是真實的重複模式，應優先考慮。相比之下，雖然模型可以識別異常 (例如去年同一天發生的單次事件)，但除非在排程事件功能中特別配置，否則模型處理異常並不會與其他資料點區別對待。模型會從所有歷史資料中學習，但只有預先配置的事件在分析時接收特殊考量。
- 對於日期變數但可預先知道的事件 (例如，複習、農曆新年)，應如何處理？是否需要定義為排程事件？
- 預計會造成重大影響的業務相關假日應做為排程事件，包括每年同一天的假日。此外，如果該假日對前後幾天有影響，我們建議您最多加總該事件的前後 7 天。
- 對於定義最終對預測指標沒有明顯影響，或影響目前不明的排程事件，是否會產生負面影響 (例如︰準確性降低、處理時間增加、模型混亂)？定義所有潛能事件，還是只定義具有明顯預期影響的事件，哪個更安全？
- 為確保機器學習模型發揮最佳效能，建議您在新增排程事件時採用選擇性更高的方法。建立排程事件時，是在向模型傳送信號，表明該日期的業務績效是獨一無二的，比一般的日常活動更為重要。納入影響不明或影響較小的事件，可能導致模型過度關注這些日期。這會降低其準確識別業務資料中更廣泛、更長期的模式和趨勢的能力。為充分發揮模型的預測能力，請只選取會對業務產生非同尋常的重大影響的事件。透過提供高影響力事件的精選清單，讓模型能夠更可靠地檢測有意義的相關性，並產生更穩健、更準確的預測。
- 如果我的業務在一季的年度同比有重大變化 (例如，從感謝節到聖誕)，我是否需要定義整個期間的排程事件？
- 機器學習模型已將當月的同比績效納入考量，因此不需要指定此期間的季度。如果感謝節和聖誕季對您的業務影響特別大，我們建議您建立排程事件。
- 我可以建立只做擬聘職位特定業務指標的事件嗎？
- 不行，系統會擬聘職位排程事件。