¿Cómo se limpian los datos históricos (solicitudes, ventas, etc.)?

La calidad de los datos históricos es un factor clave para la fiabilidad de las previsiones.

Por lo tanto, Flowlity ofrece una proceso de limpieza de datos antes de la modelización.

Concretamente, esto implica identificar y corregir anomalías en su historial de ventas o consumo. Por ejemplo, detectamos valores atípicos (un repunte excepcional de ventas debido a una promoción o a un error de entrada), periodos inexistentes o inconsistentes, y los gestionamos de forma adecuada. La limpieza implica varios pasos: estandarizar las unidades y los formatos, eliminar o suavizar los valores atípicos e imputar los datos faltantes si es necesario. Como enfoque general de limpieza de datos describe, implica «identificar y corregir errores, rellenar los valores que faltan y colocar los datos en un formato coherente» antes del análisis.

Para ello, Flowlity utiliza reglas empresariales (por ejemplo, ignorar las ventas cero durante el cierre de una fábrica) y algoritmos: por ejemplo, un método estadístico puede reemplazar un pico anormal por un valor más representativo de la tendencia.

Además, nuestro IA de previsión de demanda es capaz de integrar datos externos (tendencias del mercado, clima, etc.) y detección de roturas en la historia para evitar sesgar las previsiones. En la práctica, durante la incorporación, nuestros equipos le ayudan a auditar su historial: identificamos con usted datos poco fiables (por ejemplo, una referencia cuya codificación haya cambiado durante el año) para ajustarlos o excluirlos.

Esta fase de limpieza garantiza que el modelo de previsión funcione sobre una base sólida.

Por último, dado que Flowlity es una solución de aprendizaje, la limpieza es continua: con el tiempo, el algoritmo aprende nuevos comportamientos y puede descartar anomalías futuras por sí solo.

Por supuesto, conservará el control sobre la validación o el ajuste de cualquier procesamiento de datos históricos.