Data Scientist — Trudniejsze sytuacje
Wynik rośnie po dodaniu daty reklamacji
Trudniejsze sytuacje · Lekcja 5 z 6
Wyniki dla grup i okresów
Model może radzić sobie nierówno dla grup klientów, przewoźników lub sezonów. Porównuj odpowiednie przekroje wraz z liczebnością i możliwym skutkiem błędu. Ustal, które różnice wymagają dodatkowych danych.
- Co zrobić najpierwWybierz grupy
- Co zrobić dalejOdczytaj błędy
- Jak zakończyćZapisz ograniczenia
Przykład z pracy
Wynik dla nowego przewoźnika jest niepewny, bo obejmuje kilka zamówień z jednego tygodnia.
Ćwiczenie praktyczne
Zaproponuj dwa ważne przekroje i opisz ostrożny wniosek dla małej grupy.
Sprawdź się — opcjonalne pytanie
Co robisz z wynikiem z nielicznej grupy?
- Ukrywasz grupę w wyniku ogólnym
- Wyciągasz ostateczny wniosek z jednego tygodnia
- Pokazujesz liczebność i ograniczenie interpretacji
Pokaż odpowiedź i wyjaśnienie
Pokazujesz liczebność i ograniczenie interpretacji. Mała grupa może dać niestabilny wynik mimo dużej różnicy.
Trudniejsze sytuacje · Lekcja 6 z 6
Monitorowanie i decyzja o aktualizacji
Po wdrożeniu śledź dostępność cech, zmiany rozkładów i wynik po dotarciu etykiet. Spadek jakości może wynikać z błędu integracji lub zmiany procesu. Dobierz reakcję do dowodu.
- Co zrobić najpierwRozpoznaj sygnał
- Co zrobić dalejSprawdź źródło
- Jak zakończyćOceń po korekcie
Przykład z pracy
Integracja przestaje wypełniać ważne pole. Zespół przywraca źródło i ponownie ocenia działanie modelu.
Ćwiczenie praktyczne
Opisz, jakie sygnały uzasadniają naprawę danych, a jakie nową ocenę modelu.
Wynik rośnie po dodaniu daty reklamacji
Wyjaśnij decyzję
W trzech zdaniach przekaż wynik sprawy „Wynik rośnie po dodaniu daty reklamacji”. Podaj, co potwierdziłeś, jakie działanie wybierasz i kiedy lub pod jakim warunkiem odbiorca powinien wykonać następny krok.
Omówienie decyzji i dopytanie
Przykładowe działanie. Usuwam cechę i sprawdzam pozostałe pola według chwili dostępności
Eliminujesz przeciek i weryfikujesz, czy inne dane można uzyskać przed wysyłką.
Pytanie z rozmowy o tym zawodzie. Jak odróżnisz dobre dopasowanie od użyteczności?
Porównam wynik z prostą metodą na oddzielnych danych i sprawdzę, czy decyzje mieszczą się w możliwościach zespołu.
Poproś rozmówcę, żeby powtórzył, co już potwierdzono i od jakiej informacji zależy następny krok.
Sprawdź się — opcjonalne pytanie
Co robisz po nagłym skoku brakujących wartości?
- Sprawdzasz źródło i moment zmiany danych
- Natychmiast zmieniasz algorytm
- Zwiększasz próg bez analizy
Pokaż odpowiedź i wyjaśnienie
Sprawdzasz źródło i moment zmiany danych. Problem źródła i utrata dopasowania modelu wymagają różnych działań.
Zadanie końcowe
Wykorzystaj sposób pracy z przypadku „Wynik rośnie po dodaniu daty reklamacji” w zadaniu rekrutacyjnym.
Sklep chce przewidywać zamówienia zagrożone opóźnieniem. Jedna kolumna zawiera datę skargi, a zespół obsługi może sprawdzić tylko część zamówień. Opisz wybór cech, dane oceny i decyzję o progu bez wykonywania obliczeń.
- Zdefiniuj decyzję
- Ucz i porównuj
- Oceń użyteczność
Pokaż kryteria wykonania
- Wykluczasz informacje dostępne po chwili predykcji.
- Uwzględniasz koszt obu rodzajów pomyłek i ograniczenia zespołu.
- Sprawdzasz wynik na innym okresie i porównujesz go z prostą regułą.
Jak sprawdzić odpowiedź na głos?
Dlaczego dobry wynik ogólny może ukryć problem?
Duże grupy dominują w wyniku. Sprawdzam pomyłki także dla nowszych okresów i grup ważnych dla decyzji.