Melhore a qualidade de previsões de sim/não

Ao analisar o cartão de pontuação da sua previsão, você obtém uma pontuação de previsão. Se você não estiver satisfeito com a qualidade da previsão, aqui estão algumas maneiras de melhorá-la.

Se a qualidade da sua previsão for Ótima, ótimo! Não é há necessidade de melhoria. Porém, verifique seu cartão de pontuação regularmente para monitorar a qualidade. Se a qualidade for boa quando a previsão for executada em dados ativos e não estimados, está tudo pronto. Se a qualidade da previsão for OK, Baixa demais ou Alta demais, continue lendo.

Primeiro, observe se o título de Qualidade da previsão diz "Estimada" ou não. Em caso positivo, significa que você ainda não habilitou sua previsão ou que ela está habilitada, mas ainda não em execução em dados ativos. De qualquer forma, a pontuação de qualidade é estimada com base em um subconjunto dos dados de exemplo. É comum que a qualidade pareça diminuir depois que a previsão começa a ser executada em dados ativos. Por exemplo, se a qualidade de sua previsão for ótima, mas estimada, verifique a pontuação novamente após um mês para ver o desempenho com os dados ativos.

Aqui estão algumas considerações para melhorar a qualidade de uma previsão.

• Colete mais dados. Nem todos os problemas de qualidade se devem à quantidade de dados. Em alguns casos, você pode melhorar a qualidade quando houver mais dados no conjunto de dados.
• Tente alterar o modo como seus dados são segmentados. Por exemplo, o segmento deve incluir apenas registros relevantes para sua previsão. Se você tiver dois conjuntos de dados distintos que se beneficiariam de ter cada um a própria previsão, crie uma previsão separada para cada segmento.
• Garanta que seu conjunto de exemplos contenha registros relevantes para exemplos de sim e não. Procure possíveis origens de viés em seus dados que influenciam sua previsão.
• Não exclua campos que possam fornecer dados adicionais e úteis.
• Se a sua previsão usa fórmulas, verifique se elas estão corretas.
• Se a qualidade de sua previsão for excessiva quando estimada (antes de estar em execução em dados ativos), provavelmente ela é boa demais para ser verdade. Analise os campos incluídos em sua previsão. Algum parece incorreto ou contém dados que não eram conhecidos até depois do evento que estava sendo previsto? Em caso afirmativo, exclua esses campos. Esse tipo de problema é chamado de viés. Consulte também os Principais preditores no cartão de pontuação. Eles fazem sentido? Se algum parecer errado, considere excluí-lo.