मशीन सीखने और बाधाओं का सिद्धांत

बैकलॉग प्राथमिकता के लिए कार्यों के सरलीकरण और भार की आवश्यकता होती है। हर एक विज्ञापन अधिग्रहण या सीआरओ जैसी रणनीति से संबंधित है। हम कारोबार, परिचालन लागत, इनपुट के रूप में अन्य मैट्रिक्स पर विचार कर सकते हैं; लाभ मार्जिन, आरओआई - खुदरा के मामले में आउटपुट के रूप में। एक समय में एक ही रणनीति पर 20/80 समाधान खोजने और संसाधनों को केंद्रित करने के लिए सही लक्ष्य है। रणनीतियों से बंधे मेट्रिक्स मॉडल का आयाम देते हैं। कभी-कभी गैर-रैखिकता के कारण इकाई अर्थव्यवस्था संबंधों का उल्लंघन होता है। व्यवहार में इसका मतलब निम्न / महत्वहीन सहसंबंध और खराब प्रतिगमन है। उदाहरण: अधिग्रहण और रूपांतरण को अलग करना असंभव है - अधिग्रहण की मात्रा इसकी गुणवत्ता और इसके विपरीत को प्रभावित करती है। कार्यों / रणनीतियों का अपघटन नॉनलाइन सिस्टम के रैखिक अपघटन को मानता है। जब सीजेएम को ट्रैक नहीं किया जा सकता है या ऑनलाइन / ऑफलाइन चैनलों को अलग नहीं किया जा सकता है, तब रणनीतियों के गैर-सांख्यिकीय सांख्यिकीय मूल्यांकन की आवश्यकता होती है।



क्या हमें अपने मॉडल को सरल बनाने के लिए सटीकता का बलिदान करना चाहिए? नहीं। बड़ी संख्या में सुविधाओं के परिणामस्वरूप अस्थिरता और अधिकता हो सकती है। सटीकता में वृद्धि के साथ आयाम कम किया जा सकता है। जटिल प्रणाली को नॉनलाइनियर टाई-अप के कारण बहुत कम मापदंडों द्वारा वर्णित किया गया है। गैर-रैखिकता का अर्थ सरलीकरण है, जटिलता नहीं। यह विचार Eliyahu Goldratt - TOC के संस्थापक द्वारा टिप्पणी की गई थी। यदि अधिग्रहण, रूपांतरण बारीकी से जुड़े हुए हैं - रैखिक अपघटन से संभव नहीं है। हम एक एकल पैरामीटर (अधिग्रहण या रूपांतरण) का चयन कर सकते हैं - दक्षता / लागत का एक इष्टतम।

मशीन लर्निंग (एमएल) मॉडल यथार्थवादी आयाम में कमी के लिए एक खिड़की खोलते हैं। यह एक दृष्टिकोण देता है कि सबसे प्रभावी रणनीति कैसे प्राप्त करें। एक स्पष्ट {रणनीति <=> मीट्रिक} मानचित्रण कार्य को सरल करता है। एमएल में यथार्थवादी नॉनलाइन (!) आउटपुट जैसे लॉजिस्टिक फंक्शन या न्यूरल नेटवर्क के साथ फीचर वेटिंग है। दृष्टिकोण व्यावहारिक प्रश्न पर आधारित है - 90% जैसी स्वीकार्य सटीकता के साथ व्यावसायिक लक्ष्य का अनुमान लगाने के लिए मैट्रिक्स / रणनीति का कौन सा सेट पर्याप्त है? रणनीति (S1) दक्षता को इसकी मीट्रिक (M1) पूर्वानुमान शक्ति का एक कार्य माना जाता है।



हमारे पास पुनरावृत्ति प्रक्रिया है। पहला: मैट्रिक्स के एक पूर्ण समूह के प्रभाव का विश्लेषण करें। अगले पुनरावृत्ति में भविष्यवाणी शक्ति पर न्यूनतम प्रभाव के साथ एन मैट्रिक्स में से एक को फेंकना शामिल है। पहले संयोजन में इष्टतम प्राप्त करने के लिए एन संयोजनों का परीक्षण किया जाना है। मिश्रित ऐतिहासिक डेटा का हिस्सा डेटा के आउट-ऑफ-सैंपल भाग के लिए भविष्यवाणी प्राप्त करने के लिए उपयोग किया जाता है। सटीकता की स्वीकार्य सीमा तक पहुंचने तक Iterative प्रक्रिया चलती है। सभी पुनरावृत्तियों में समान (!) एमएल मॉडल का उपयोग किया जाता है। टीओसी सिद्धांत के अनुसार प्रत्येक क्षण में एक ही बाधा होनी चाहिए जो व्यापार को सबसे अधिक सीमित करती है। इसलिए पुनरावृति प्रक्रिया को N = 1 पर रोक दिया जाना चाहिए। एन! N = 1 स्टॉप कंडीशन के साथ एल्गो की जटिलता है।

ऐसा लगता है कि एमएल को अतिरिक्त बिग डेटा की आवश्यकता है। हालाँकि हम लक्ष्य सीमा को भविष्यवाणी अंतराल में विभाजित कर सकते हैं: ROI = (10% -20%), (20% -30%), आदि कम अंतराल - एमएल लागू करने के लिए कम रिकॉर्ड / डेटा की आवश्यकता होती है। यदि सटीकता सीमा एन = 1 से पहले पहुँच जाती है तो 2 तरीके हैं। पहला: एन बाधाओं / मैट्रिक्स के लिए वजन की आवश्यकता हो सकती है। दूसरा: कम अंतराल और रफ बायनराइजेशन। वेब रणनीति मूल्यांकन का उदाहरण यहां दिया गया है । जुपिटर कोड की कुछ शांति यहां दी गई है । यदि आयाम पर्याप्त रूप से कम हो जाता है, तो ऑनलाइन / ऑफ़लाइन सरल और स्थिर विभाजन संभव है। हम ऑनलाइन वजन और लक्ष्य जानते हैं।

इस मामले में लक्ष्य (लाभ मार्जिन, प्रस्ताव, आरओआई) को निम्नलिखित तरीके से दर्शाया जा सकता है:
लक्ष्य = भार x (online_metric) + const

दोनों भागों का Averaging <> आवश्यक संबंध देता है:
ऑनलाइन / ऑफलाइन = (वजन x <online_metric>) / कास्ट

कर्म के लिए धन्यवाद