Πώς να αντιμετωπίζετε τα λάθη που προκαλούνται από σφάλματα στο σύστημα - ανδρείκελα

Όταν βασίζεστε σε τεχνολογία ή όργανα για να διεξάγετε μια πρόβλεψη αναλυτικής εργασίας, μια σφάλμα εδώ ή εκεί μπορεί να αναγκάσει τα όργανα αυτά να καταγράψουν ακραίες ή ασυνήθιστες τιμές. Εάν οι αισθητήρες καταχωρούν τιμές παρατήρησης που δεν πληρούν τα βασικά πρότυπα ελέγχου ποιότητας, μπορούν να προκαλέσουν πραγματικές διακοπές που αντικατοπτρίζονται στα δεδομένα.

Ο χρήστης που πραγματοποιεί καταχώρηση δεδομένων, για παράδειγμα, μπορεί εύκολα να προσθέσει ένα πρόσθετο 0 στο τέλος μιας τιμής κατά λάθος, παίρνοντας την είσοδο εκτός εμβέλειας και δημιουργώντας μια εξωστρέφεια.

Εάν κοιτάζετε δεδομένα παρατήρησης που συλλέγονται από έναν αισθητήρα νερού εγκατεστημένο στο λιμάνι του Βαλτιμόρη - και αναφέρει ένα βάθος νερού 20 ποδιών πάνω από τη μέση στάθμη της θάλασσας - έχετε μια απόκλιση. Ο αισθητήρας είναι προφανώς λάθος εκτός αν η Βαλτιμόρη καλύπτεται πλήρως από νερό.

Τα δεδομένα μπορούν να καταλήξουν να έχουν αποκλίσεις εξαιτίας εξωτερικών συμβάντων ή σφάλματος από ένα άτομο ή ένα όργανο.

Εάν ένα πραγματικό συμβάν, όπως ένα φλας, εντοπίζεται σε ένα σφάλμα στο σύστημα, οι συνέπειές του είναι ακόμα πραγματικές - αλλά αν γνωρίζετε την πηγή του προβλήματος, μπορεί να καταλήξετε στο συμπέρασμα ότι υπάρχει ένα ελάττωμα στα δεδομένα και όχι το μοντέλο σας, ήταν φταίξιμο εάν το μοντέλο σας δεν πρόβλεπε το συμβάν.

Η γνώση της πηγής του εξωφύλλου θα καθοδηγήσει την απόφασή σας για το πώς θα το αντιμετωπίσετε. Τα αποθέματα που ήταν αποτέλεσμα σφαλμάτων εισαγωγής δεδομένων μπορούν εύκολα να διορθωθούν μετά από διαβούλευση με την πηγή δεδομένων. Οι παραμέτρους που αντικατοπτρίζουν την αλλαγή πραγματικότητας ενδέχεται να σας ζητήσουν να αλλάξετε το μοντέλο σας.

Δεν υπάρχει απάντηση ενός μεγέθους σε όλα όταν αποφασίζετε να συμπεριλάβετε ή να αγνοήσετε ακραία δεδομένα που δεν είναι λάθος ή σφάλμα. Η απάντησή σας εξαρτάται από τη φύση της ανάλυσης που κάνετε - και από τον τύπο του μοντέλου που χτίζετε. Σε μερικές περιπτώσεις, ο τρόπος αντιμετώπισης αυτών των αποδόσεων είναι απλός:

• Εάν ανιχνεύσετε το σφάλμα εισόδου δεδομένων σε περίπτωση σφάλματος κατά την διαβούλευση με την πηγή δεδομένων, μπορείτε εύκολα να διορθώσετε τα δεδομένα και (κατά πάσα πιθανότητα) να διατηρήσετε το μοντέλο ανέπαφο.

• Εάν αυτός ο αισθητήρας νερού στο Baltimore Harbour αναφέρει νερό σε βάθος 20 ποδιών πάνω από τη μέση στάθμη της θάλασσας και βρίσκεστε στη Βαλτιμόρη, κοιτάξτε έξω το παράθυρό σας:

  • Αν η Βαλτιμόρη δεν καλύπτεται εντελώς από το νερό, είναι προφανώς λάθος.

  • Αν βλέπετε ένα ψάρι που κοιτάζει σε σας, η πραγματικότητα έχει αλλάξει? ίσως χρειαστεί να αναθεωρήσετε το μοντέλο σας.

• Η συντριβή του φλας ίσως ήταν μια μοναδική εκδήλωση (βραχυπρόθεσμα, ούτως ή άλλως), αλλά τα αποτελέσματά της ήταν πραγματικά - και αν έχετε μελετήσει την αγορά μακροπρόθεσμα, γνωρίζετε ότι κάτι παρόμοιο μπορεί να συμβεί ξανά.Εάν η επιχείρησή σας είναι σε χρηματοδότηση και ασχολείστε με το χρηματιστήριο όλη την ώρα, θέλετε το μοντέλο σας να λογοδοτεί για τέτοιες εκτροπές.

Γενικά, εάν το αποτέλεσμα μιας εκδήλωσης που θεωρείται κανονικά μια απόκλιση μπορεί να έχει σημαντικό αντίκτυπο στην επιχείρησή σας, σκεφτείτε πώς να αντιμετωπίσετε αυτά τα συμβάντα στην ανάλυσή σας. Λάβετε υπόψη αυτά τα γενικά σημεία για τα υπερβολικά υψηλά ποσοστά:

• Όσο μικρότερο είναι το σύνολο δεδομένων, τόσο πιο σημαντικές είναι οι επιπτώσεις των επιπτώσεων στην ανάλυση.

• Καθώς αναπτύσσετε το μοντέλο σας, βεβαιωθείτε ότι αναπτύσσετε επίσης τεχνικές για να βρείτε υπερβάσεις και να κατανοείτε συστηματικά τις επιπτώσεις τους στην επιχείρησή σας.

• Η ανίχνευση των ακραίων τιμών μπορεί να είναι μια πολύπλοκη διαδικασία. δεν υπάρχει απλός τρόπος ταυτοποίησης τους.

• Ένας εμπειρογνώμονας τομέα (κάποιος που γνωρίζει το πεδίο που σχεδιάζετε) είναι το καλύτερο άτομο που επισκέπτεστε για να επαληθεύσετε εάν ένα σημείο δεδομένων είναι έγκυρο, μια απόκλιση που μπορείτε να αγνοήσετε ή μια απόκλιση που έχετε να λάβει υπόψη. Ο εμπειρογνώμονας τομέα θα πρέπει να είναι σε θέση να εξηγήσει ποιοι παράγοντες δημιούργησαν το πλεόνασμα, ποια είναι η ποικιλία του και το αντίκτυπό του στην επιχείρηση.

• Τα εργαλεία απεικόνισης μπορούν να σας βοηθήσουν να εντοπίσετε τα υπερβολικά δεδομένα στα δεδομένα. Επίσης, αν γνωρίζετε το αναμενόμενο εύρος τιμών, μπορείτε εύκολα να ζητήσετε δεδομένα που δεν εμπίπτουν σε αυτό το εύρος τιμών.