积压工作优先级要求简化和加权任务。 每个都属于诸如广告获取或CRO之类的策略。 我们可能会考虑营业额，运营成本，其他指标作为输入； 利润率，ROI-零售情况下的产出。 理想的目标是找到20/80解决方案并将资源一次集中在一个策略上。 与策略相关的度量给出了模型的维度。 有时由于非线性而违反单位经济关系。 在实践中，这意味着低/无关紧要和差的回归。 例如：不可能将采集和转换分开-采集数量会影响其质量，反之亦然。 任务/策略的分解假设非线性系统发生线性分解。 此外，当无法跟踪CJM或无法分离在线/离线渠道时，还需要对策略进行非线性统计评估。
我们应该牺牲准确性来简化模型吗？ 不行 大量特征可能导致不稳定的预测和过度拟合。 尺寸可以随着精度的提高而减小。 由于非线性联系，用少量参数描述复杂的系统。 非线性意味着简化而不是复杂。 TOC的创始人Eliyahu Goldratt表示了这个想法。 如果进行采集，则转换紧密相连-则不可能进行线性分解。 我们可以选择一个参数（获取或转换）-效率/成本的最佳选择。
机器学习（ML）模型打开了一个缩小尺寸的窗口。 它给出了如何获得最有效策略的前景。 明确的{strategy <=> metric}映射简化了任务。 ML将特征加权与现实的非线性（！）输出（如逻辑函数或神经网络）结合在一起。 该方法基于实际问题-哪一组度量标准/策略足以以可接受的准确性（例如90％）预测业务目标？ 策略（S1）效率被认为是其度量（M1）预测能力的函数。
我们有反复的过程。 首先：分析整套指标的影响。 下一迭代包括丢弃对预测能力影响最小的N个度量之一。 必须测试N个组合才能在第一次迭代中获得最佳效果。 混合历史数据的一部分用于获取数据样本外部分的预测。 迭代过程一直进行到达到可接受的精度阈值为止。 在所有迭代中都使用相同的（！）ML模型。 根据TOC理论，每时每刻都应有一个限制最大的业务约束。 因此，应在N = 1处停止迭代过程。 N！ 是N = 1停止条件时算法的复杂度。
ML似乎需要额外的大数据。 但是，我们可以将目标范围划分为预测间隔：ROI =（10％-20％），（20％-30％）等。较小的间隔-应用ML所需的记录/数据较少。 如果在N = 1之前达到准确性阈值，则有2种方法。 第一：N个约束/指标可能需要权重。 第二：更小的间隔和更粗糙的二值化。 这里给出了网络策略评估的示例。
这里给出
了一些Jupyter代码的安全性。 如果尺寸被充分减小，则在线/离线简单而稳定的分离是可能的。 我们知道在线体重和目标。
在这种情况下，可以通过以下方式表示目标（利润率，报价，ROI）：
目标=权重x（在线指标）+常量两个部分的平均<>给出所需的关系：
在线/离线=（权重x <在线指标>）/常量感谢因果报应