Les Analitik Prediktif AI Semarang Home Visit & Online

Patokan naif: pertanyaan yang hampir nol pernah diperiksa

Inilah pemeriksaan termurah di seluruh halaman ini sekaligus yang paling sering diloncati, dan ia sanggup membatalkan seluruh pekerjaan model.

Sebelum satu model dibangun, jawab dahulu: apa yang didapat dugaan yang paling sederhana. Untuk meramalkan permintaan bulan depan, dugaan naifnya bisa berupa angka bulan sama tahun lalu, atau rata-rata tiga bulan terakhir. Untuk menandai pelanggan yang akan berhenti, dugaan naifnya bisa berupa pelanggan yang paling lama nol membeli.

Angka itu patokan Anda. Dan model yang nol mengalahkannya nol menambah apa pun selain kerumitan, biaya, dan satu hal lagi yang dipakai bertahun-tahun tanpa diperiksa.

Yang sering terjadi tanpa patokan ini: sebuah model dilaporkan dengan angka ketepatan yang terlihat bagus, diterima, dan nol ada yang pernah tahu bahwa dugaan naif mendapat angka yang hampir sama.

Jadi di kelas ini patokan naif dihitung lebih dahulu, selalu, dan ia ditulis di laporan bersama angka modelnya. Peserta kerap menemukan di situ bahwa pekerjaannya selesai jauh lebih awal: untuk sebagian keperluan, dugaan naif sudah memadai dan yang dibutuhkan cuma menjalankannya secara tetap.

Dan untuk pemasok yang menawarkan model, satu pertanyaan ini yang paling cepat memisahkan: berapa angka patokan naifnya, dan berapa selisihnya. Pemasok yang serius punya keduanya.

Ambang ditetapkan dari harga keliru, nol dari modelnya

Model peramal biasanya menghasilkan angka kemungkinan, lalu seseorang memutuskan di angka berapa tindakan dijalankan. Keputusan itu yang menentukan hasilnya, dan ia nol keputusan teknis.

Yang menentukannya harga keliru di dua arah, dan keduanya hampir selalu nol sama. Salah menandai pelanggan setia sebagai mungkin berhenti berharga satu panggilan dan sedikit kejanggalan. Melewatkan pelanggan yang sungguh akan berhenti berharga seluruh nilai pelanggan itu.

Begitu dua angka itu ada, ambangnya nol lagi soal selera. Ia dihitung, dan hasilnya kerap mengejutkan: untuk keadaan yang kerugian melewatkannya besar, ambang yang masuk akal jauh lebih rendah daripada yang terasa nyaman, sebab banyak salah tuduh tetap lebih murah daripada sedikit yang terlewat.

Dan kebalikannya berlaku juga. Untuk tindakan yang mahal per orang, misalnya kunjungan atau pemberian potongan besar, ambangnya pantas tinggi.

Jadi yang dikerjakan di kelas ini menaksir dua angka itu untuk pekerjaan Anda, lalu menurunkan ambangnya dari situ. Peserta yang menyerahkan ambang ke pembuat modelnya hampir selalu mendapat ambang yang dipilih supaya angka laporannya terlihat bagus, nol supaya keputusannya menguntungkan.

Kapasitas tindak lanjut membatasi bentuk keluarannya

Ini pertimbangan yang nol pernah ada di bahan belajar teknis dan ia menentukan bentuk pekerjaan Anda.

Misalkan model Anda menandai delapan ratus pelanggan sebagai mungkin berhenti bulan ini, dan tim Anda sanggup menghubungi lima puluh orang sepekan. Delapan ratus nama itu nol berguna; ia daftar yang nol pernah habis dan ia membuat timnya berhenti memercayainya.

Yang berguna di keadaan itu urutan, nol penandaan. Lima ribu pelanggan diurutkan menurut kemungkinan, lalu tim mengerjakan dari atas sebanyak yang ia sanggup, pekan demi pekan.

Perbedaannya terlihat kecil dan akibatnya besar: urutan selalu bisa dipakai berapa pun kapasitas Anda, sementara penandaan ya atau nol memaksa Anda menebak ambangnya lebih dahulu dan menghasilkan jumlah yang nol bisa Anda kendalikan.

Jadi pertanyaan kapasitas diajukan sebelum bentuk keluarannya ditetapkan. Dan untuk sebagian peserta, jawabannya mengubah seluruh pekerjaan: yang mereka butuhkan nol ramalan siapa yang akan berhenti, melainkan urutan siapa yang paling pantas dihubungi dengan jam yang mereka punya.

Dan satu akibat yang menyenangkan: urutan jauh lebih mudah dibuktikan bergunanya. Bandingkan hasil dari lima puluh teratas dengan hasil dari lima puluh yang dipilih seperti biasa, dan selisihnya langsung terlihat.

Ramalan basi, dan ia nol pernah memberi tahu

Ketepatan sebuah model luruh perlahan tanpa ia berhenti berjalan, dan sifat itulah yang membuatnya berbahaya di pemakaian panjang.

Sebabnya keadaan yang ia pelajari berubah. Pesaing baru masuk, harga bergeser, musim berganti, cara orang membeli berpindah, dan satu perubahan di sistem pencatatan Anda mengubah bentuk datanya.

Dan model nol berhenti bekerja ketika itu terjadi. Ia tetap mengeluarkan angka dengan nada yang sama yakinnya, dan angka itu tetap dipakai memutuskan.

Jadi pertanyaan yang pantas dijawab sebelum model dipakai: bagaimana Anda akan tahu ia mulai keliru. Dan jawabannya perlu berupa pemeriksaan yang terjadwal, nol berupa niat memperhatikan.

Bentuk pemeriksaan yang paling murah membandingkan ramalan dengan kenyataan secara berkala: simpan ramalannya, tunggu kejadiannya, lalu bandingkan. Terdengar jelas dan hampir nol ada yang mengerjakannya, sebab ia menuntut ramalan lama disimpan dan hampir semua orang menimpanya.

Jadi satu hal yang ditegakkan di kelas ini: tiap ramalan yang diterbitkan disimpan beserta tanggalnya, nol ditimpa. Tanpa itu, pertanyaan apakah model Anda masih benar nol akan pernah bisa dijawab.

Data berurutan waktu punya jebakannya sendiri

Sebagian besar pekerjaan di halaman ini menyangkut waktu, dan waktu membawa tiga hal yang perlu dipisahkan.

Yang pertama musim. Penjualan yang naik tiap bulan puasa dan turun sesudahnya nol menunjukkan pertumbuhan maupun penurunan; ia pola yang berulang. Model yang nol memperhitungkannya akan meramalkan kenaikan terus-menerus di akhir tahun lalu keliru besar di awal tahun.

Yang kedua kecenderungan jangka panjang, yaitu arah yang bergerak lambat di bawah naik turun musiman itu. Memisahkannya dari musim keterampilan tersendiri, dan tanpa pemisahan itu keduanya saling menutupi.

Yang ketiga kejadian sekali yang nol akan terulang. Lonjakan karena satu berita, satu promosi besar, atau satu gangguan. Membiarkannya di data latihan membuat model mempelajari kejadian yang nol akan datang lagi.

Dan satu jebakan yang paling sering menjatuhkan: membandingkan ramalan dengan bulan lalu, nol dengan bulan sama tahun lalu. Untuk usaha yang musimannya kuat, perbandingan pertama hampir selalu menyesatkan, dan ia yang paling banyak dipakai di laporan.

Jadi di kelas ini ketiganya dipisahkan lebih dahulu, dan patokan naifnya pun dipilih dengan memperhitungkan musim. Untuk usaha yang musimannya kuat, bulan sama tahun lalu patokan yang jauh lebih jujur daripada rata-rata tiga bulan terakhir.

Meramalkan jumlah dan meramalkan orang: dua pekerjaan berbeda

Pembedaan ini pantas dibuat di awal, sebab keduanya kerap disebut dengan istilah yang sama dan jalannya berbeda.

Meramalkan jumlah berarti memperkirakan satu angka untuk keseluruhan: permintaan pekan depan, jumlah kunjungan bulan depan, atau kebutuhan persediaan. Di sini waktu dan musim jadi bahasan utama, dan keliru sedikit biasanya bisa ditanggung.

Meramalkan orang berarti menandai atau mengurutkan individu: siapa yang mungkin berhenti, siapa yang mungkin membeli lagi, atau siapa yang perlu dihubungi. Di sini kapasitas tindak lanjut jadi bahasan utama, dan ada pertimbangan tambahan yang nol ada di peramalan jumlah.

Pertimbangan tambahan itu: keputusan yang menyangkut orang pantas bisa dipertanggungjawabkan. Pelanggan yang ditolak, ditawari syarat berbeda, atau diperlakukan berbeda karena sebuah angka pantas punya penjelasan yang bisa disebutkan.

Jadi untuk peramalan orang, satu aturan ditegakkan di kelas ini: angka yang keluar dipakai sebagai masukan bagi manusia yang memutuskan, nol sebagai putusannya. Dan untuk keperluan yang menuntut penjelasan per orang, cara yang lebih sederhana dan bisa dijelaskan kerap lebih tepat daripada model yang lebih akurat dan nol bisa dijelaskan.

Pertukaran itu disebut terbuka, sebab ia keputusan Anda, nol keputusan yang pantas diambil pembuat modelnya.