Come si puliscono i dati storici (richieste, vendite, ecc.)?

La qualità dei dati storici è un fattore chiave per previsioni affidabili.

Flowlity offre quindi un processo di pulizia dei dati a monte della modellazione.

Concretamente, si tratta di identificare e correggere le anomalie nella cronologia delle vendite o dei consumi. Ad esempio, rileviamo valori anomali (un picco eccezionale delle vendite dovuto a una promozione o a un bug di input), periodi mancanti o incoerenti e li gestiamo in modo appropriato. La pulizia prevede diversi passaggi: standardizzazione di unità e formati, rimozione o attenuazione dei valori anomali e imputazione dei dati mancanti, se necessario. Come approccio generale a pulizia dei dati descrive, coinvolge «identificazione e correzione degli errori, inserimento dei valori mancanti e inserimento dei dati in un formato coerente» prima dell'analisi.

Per fare ciò, Flowlity utilizza regole aziendali (ad esempio, ignorando zero vendite durante l'arresto di una fabbrica) e algoritmi: ad esempio, un metodo statistico può sostituire un picco anomalo con un valore più rappresentativo del trend.

Inoltre, il nostro AI per la previsione della domanda è in grado di integrare dati esterni (tendenze del mercato, condizioni meteorologiche, ecc.) e rilevamento delle interruzioni nella storia per evitare previsioni distorte. In pratica, durante l'onboarding, i nostri team ti assistono nella verifica della tua cronologia: identifichiamo con te i dati inaffidabili (ad esempio, un riferimento la cui codifica è cambiata nel corso dell'anno) per modificarli o escluderli.

Questa fase di pulizia garantisce che il modello di previsione funzioni su una base solida.

Infine, poiché Flowlity è una soluzione di apprendimento, la pulizia è continuo: nel tempo, l'algoritmo apprende nuovi comportamenti e può escludere autonomamente anomalie future.

Ovviamente manterrai il controllo sulla convalida o sulla modifica di qualsiasi elaborazione dei dati storici.