ഡിമാൻഡ് പ്രവചനം

നേട്ടങ്ങൾ:

• ഡിമാൻഡ് പ്രവചന രീതികൾ വേർതിരിച്ചറിയാനുള്ള കഴിവ് (ചലിക്കുന്ന ശരാശരി, എക്‌സ്‌പോണൻഷ്യൽ സ്മൂത്തിംഗ്, സീസണാലിറ്റി)
• AI ഉപയോഗിച്ച് പ്രവചന സാഹചര്യങ്ങൾ സജ്ജീകരിക്കാനും MAPE/MAE പോലുള്ള മെട്രിക്‌സ് ഉപയോഗിച്ച് കൃത്യത വിലയിരുത്താനുമുള്ള കഴിവ്
• ബിസിനസ് സന്ദർഭവും പ്രൊമോഷണൽ/സീസണൽ ഇഫക്‌റ്റുകളും ഉപയോഗിച്ച് പ്രവചന ഔട്ട്‌പുട്ട് ക്രോസ്-ചെക്ക് ചെയ്യാനുള്ള കഴിവ്

ഉൽപ്പാദന ആസൂത്രണം, ഇൻവെൻ്ററി മാനേജ്മെൻ്റ്, മുഴുവൻ വിതരണ ശൃംഖലയും അടിസ്ഥാനമാക്കിയുള്ളതാണ് ഡിമാൻഡ് പ്രവചനം. തെറ്റായ പ്രവചനം രണ്ട് വിധത്തിലും ചെലവേറിയതാണ്: അമിതമായി കണക്കാക്കുന്നത് ഇൻവെൻ്ററി ചെലവുകളും പാഴാക്കലുകളും സൃഷ്ടിക്കുന്നു, വിലകുറച്ച് കണക്കാക്കുന്നത് വിൽപ്പന നഷ്‌ടപ്പെടുന്നതിനും ഉപഭോക്തൃ അതൃപ്തിയിലേക്കും നയിക്കുന്നു. പ്രവചന പ്രക്രിയയിൽ പലയിടത്തും കൃത്രിമബുദ്ധി സഹായിക്കുന്നു, ഒരു രീതി തിരഞ്ഞെടുക്കുന്നത് മുതൽ ചരിത്രപരമായ ഡാറ്റ വ്യാഖ്യാനിക്കാനും സാഹചര്യങ്ങൾ സൃഷ്ടിക്കാനും; എന്നാൽ പ്രവചനം "മാജിക് ക്രിസ്റ്റൽ ബോൾ" ആയി കാണുന്നത് ഏറ്റവും വലിയ തെറ്റാണ്. ഈ യൂണിറ്റിൽ, ക്ലാസിക്കൽ പ്രവചന രീതികൾ, AI ഉപയോഗിച്ച് അവ എങ്ങനെ ശരിയായി നിർമ്മിക്കാം, എങ്ങനെ കൃത്യത അളക്കാം എന്നിവ ഞങ്ങൾ കവർ ചെയ്യും.

പ്രവചന രീതികളുടെ സംക്ഷിപ്ത ഭൂപടം

ആവശ്യങ്ങളുടെ എല്ലാ പരമ്പരകളും ഒരുപോലെയല്ല; ചിലത് പരന്നതാണ്, ചിലത് ട്രെൻഡുകളുണ്ട്, ചിലത് സീസണൽ ആണ്. പരമ്പരയ്ക്ക് അനുസൃതമായി രീതി തിരഞ്ഞെടുക്കേണ്ടത് ആവശ്യമാണ്.

രീതി

എപ്പോഴാണ് അത് ഉചിതം?

ശ്രദ്ധ

നിഷ്കളങ്കം (അവസാന മൂല്യം)

താരതമ്യത്തിന് (ബെഞ്ച്മാർക്ക്)

ട്രെൻഡ്/സീസൺ പിന്തുടരുന്നില്ല

ചലിക്കുന്ന ശരാശരി

നിശ്ചലമായ, ശബ്ദായമാനമായ പരമ്പര

പ്രവണതയോട് വൈകി പ്രതികരിക്കുന്നു

എക്സ്പോണൻഷ്യൽ സ്മൂത്തിംഗ് (എസ്ഇഎസ്)

സ്‌റ്റേഷനറി സീരീസ്, സമീപത്തുള്ള ഡാറ്റയിൽ ഊന്നൽ

ട്രെൻഡ് ഇല്ലെങ്കിൽ നല്ലത്

ഹോൾട്ട് (ഡബിൾ എക്‌സ്‌പോണൻഷ്യൽ)

ട്രെൻഡി പരമ്പര

സീസൺ പിടിക്കുന്നില്ല

ഹോൾട്ട്-വിൻ്റേഴ്സ്

ട്രെൻഡ് + സീസണാലിറ്റി

മതിയായ ചരിത്രപരമായ ഡാറ്റ ആവശ്യമാണ്

റിഗ്രഷൻ/എം.എൽ

മൾട്ടി-വേരിയബിൾ, പ്രമോഷൻ ഫലപ്രദമാണ്

ഓവർഫിറ്റിൻ്റെ അപകടസാധ്യത

നുറുങ്ങ്: എല്ലായ്പ്പോഴും ഒരു "നിഷ്കളങ്ക" ഊഹത്തോടെ ആരംഭിക്കുക. നിങ്ങളുടെ സങ്കീർണ്ണമായ മോഡൽ നിഷ്കളങ്കമായ ഊഹത്തേക്കാൾ മികച്ചതല്ലെങ്കിൽ, സങ്കീർണ്ണത വഹിക്കുന്നത് വിലമതിക്കുന്നില്ല. കൃത്യത അളക്കുന്നതിനുള്ള ഒരു സ്വതന്ത്ര മാനദണ്ഡമാണ് നേവ്.

ഞങ്ങൾ എങ്ങനെയാണ് കൃത്യത അളക്കുന്നത്? (മെട്രിക്സ്)

പ്രവചന കൃത്യത അളക്കാതെ മെച്ചപ്പെടുത്താൻ കഴിയില്ല. ഏറ്റവും സാധാരണമായ അളവുകൾ:

• MAE (അർത്ഥം സമ്പൂർണ്ണ പിശക്): പിശകുകളുടെ കേവല മൂല്യത്തിൻ്റെ ശരാശരി. യൂണിറ്റ് ഡിമാൻഡ് യൂണിറ്റിന് തുല്യമാണ്.
• RMSE (റൂട്ട് മീൻ സ്ക്വയർ പിശക്): വലിയ പിശകുകൾക്ക് കൂടുതൽ പിഴ ചുമത്തുന്നു.
• MAPE (ശതമാനം സമ്പൂർണ്ണ ശതമാനം പിശക്): ശതമാനത്തിൽ; ഇനങ്ങൾ തമ്മിലുള്ള താരതമ്യത്തിന് നല്ലതാണ്, എന്നാൽ ആവശ്യം പൂജ്യത്തിനടുത്തായിരിക്കുമ്പോൾ വികലമാണ്.
• പക്ഷപാതം: ശരാശരി പിശക്; നിങ്ങൾ സ്ഥിരമായി കൂടുതൽ/കുറച്ച് വിലയിരുത്തുന്നുണ്ടോ എന്ന് സൂചിപ്പിക്കുന്നു.

ഒരു ചെറിയ സാമ്പിൾ അക്കൗണ്ട്. യഥാർത്ഥ ആവശ്യം [100, 120, 90] ആയിരിക്കട്ടെ, പ്രവചനം [110, 115, 100]:

പിശകുകൾ (യഥാർത്ഥം - പ്രവചനം): -10, +5, -10 സമ്പൂർണ്ണ പിശകുകൾ: 10, 5, 10 → MAE = 25 / 3 ≈ 8.33 ശതമാനം പിശകുകൾ: 10/100, 5/120, 10/90 = 10/1. PE 1.1.0%, 4. 4.17 + 11.11) / 3 ≈ 8.43% പക്ഷപാതം = (-10 + 5 - 10) / 3 = -5 → ശരാശരിയിൽ അമിതമായ വിലയിരുത്തൽ (പ്രവചനം > യഥാർത്ഥം)

ഒരു നെഗറ്റീവ് പക്ഷപാതം (യഥാർത്ഥ മൈനസ് എസ്റ്റിമേറ്റ്) എസ്റ്റിമേറ്റ് സ്ഥിരമായി അമിതമായി കണക്കാക്കിയതായി സൂചിപ്പിക്കുന്നു; ഇതിനർത്ഥം ഇൻവെൻ്ററി പണപ്പെരുപ്പം എന്നാണ്. അത്തരം ദിശാസൂചന പിശകുകൾ MAPE-ൽ മറയ്ക്കാൻ കഴിയും, അതിനാൽ അവ ഒരുമിച്ച് നോക്കുന്നു.

AI ഉപയോഗിച്ച് പ്രവചന പ്രക്രിയ നിർമ്മിക്കുന്നു

നിങ്ങൾക്ക് രണ്ട് സ്ഥലങ്ങളിൽ AI ഏറ്റവും കാര്യക്ഷമമായി ഉപയോഗിക്കാൻ കഴിയും: (1) ഡാറ്റ നോക്കാനും ഉചിതമായ രീതിയും സ്വീകരിക്കേണ്ട നടപടികളും നിർദ്ദേശിക്കാനും (2) പ്രവചന കോഡ് സൃഷ്ടിക്കാനും. രീതി നിർദ്ദേശത്തിന്:

റോൾ: നിങ്ങൾ ഡിമാൻഡ് പ്രവചനത്തിൽ പരിചയമുള്ള ഒരു വ്യാവസായിക എഞ്ചിനീയറാണ്. ടാസ്ക്: ചുവടെയുള്ള പ്രതിമാസ വിൽപ്പന പരമ്പര പരിശോധിച്ച് ഉചിതമായ പ്രവചന രീതി ശുപാർശ ചെയ്യുക. ഒരു പ്രവണതയും കാലാനുസൃതതയും ഉണ്ടോ എന്ന് വിലയിരുത്തുക, നിങ്ങളുടെ ന്യായീകരണം എഴുതുക. ഡാറ്റ (പ്രതിമാസ, കഴിഞ്ഞ 24 മാസം): {{ മൂല്യങ്ങൾ }}കൂടുതൽ വിവരങ്ങൾ: ഡിസംബറിൽ ഒരു പ്രമോഷൻ ഉണ്ട്, വേനൽക്കാലത്ത് ഡിമാൻഡ് കുറയുന്നു. എനിക്ക് ആവശ്യമുള്ള ഔട്ട്പുട്ട്:1. പരമ്പരയുടെ സ്വഭാവത്തെക്കുറിച്ച് അഭിപ്രായം പറയുക (സ്ഥിരമായ/ട്രെൻഡിംഗ്/സീസണൽ).2. 2 ശുപാർശിത രീതികളും എന്തുകൊണ്ട്.3. ഏത് കൃത്യത മെട്രിക് ആണ് ഞാൻ ട്രാക്ക് ചെയ്യേണ്ടത്?4. ഞാൻ ശ്രദ്ധിക്കേണ്ട അപകടങ്ങൾ (ഔട്ട്‌ലിയർ, പ്രൊമോഷണൽ ഇഫക്റ്റ്).റൂൾ: ഡാറ്റ കാണാതെ പൂർണ്ണമായ കൃത്യത വാഗ്ദാനം ചെയ്യരുത്.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

അടുത്ത മാസം ഞാൻ എത്ര വിൽക്കും?

ഇതിൽ ഡാറ്റയോ സന്ദർഭമോ അടങ്ങിയിട്ടില്ല; AI ഒന്നുകിൽ അത് നിരസിക്കുന്നു അല്ലെങ്കിൽ പൂർണ്ണമായും നിർമ്മിച്ച നമ്പർ നൽകുന്നു. അത്തരം ഔട്ട്പുട്ട് അപകടകരമാണ്, കാരണം അത് വിശ്വസനീയമാണെന്ന് തോന്നുന്നു.

ശക്തമായ നിർദ്ദേശം:

ഈ 24 മാസ സീരീസ് ഉപയോഗിച്ച് ഹോൾട്ട്-വിൻ്റേഴ്‌സ് ലോജിക് ഉപയോഗിച്ച് അടുത്ത 3 മാസം പ്രവചിക്കുക. സീസണിൻ്റെ ദൈർഘ്യം 12 ആണ്. ആദ്യം രീതിയുടെ അനുമാനങ്ങൾ എഴുതുക, തുടർന്ന് പ്രവചനം നൽകുക, തുടർന്ന് കഴിഞ്ഞ 6 മാസത്തെ ബാക്ക് ടെസ്റ്റിംഗ് വഴി MAPE കണക്കാക്കുക. പ്രമോഷൻ മാസങ്ങൾ പ്രത്യേകം അടയാളപ്പെടുത്തുക. ഡാറ്റ: {{ ... }}

രണ്ടാമത്തെ പ്രോംപ്റ്റ് പ്രവചനവും ആ പ്രവചനത്തെ വിശ്വസിക്കാൻ എത്രമാത്രം ആത്മവിശ്വാസവും ആവശ്യപ്പെടുന്നു (ബാക്ക് ടെസ്റ്റിംഗ്). ഇത് പ്രവചനത്തെ "ഒറക്കിൾ" എന്നതിൽ നിന്ന് അളക്കാവുന്ന ഉപകരണമാക്കി മാറ്റുന്നു.

ബാക്ക്‌ടെസ്റ്റിംഗ്: പ്രവചനത്തിലെ ആത്മവിശ്വാസത്തിൻ്റെ അളവ്

പ്രവചനത്തിൻ്റെ യഥാർത്ഥ പരീക്ഷണം ഭൂതകാലത്തിലാണ്, ഭാവിയിലല്ല. നിങ്ങളുടെ പക്കലുള്ള ഡാറ്റയെ നിങ്ങൾ രണ്ടായി വിഭജിക്കുന്നു: മോഡൽ ബിൽഡിംഗ് (ട്രെയിൻ), ടെസ്റ്റിംഗ്. നിങ്ങൾ ആദ്യ ഭാഗം ഉപയോഗിച്ച് മോഡൽ നിർമ്മിക്കുക, അടുത്ത കാലഘട്ടം പ്രവചിക്കുക, യാഥാർത്ഥ്യവുമായി താരതമ്യം ചെയ്യുക. ഒരു മോഡൽ യഥാർത്ഥത്തിൽ പ്രവർത്തിക്കുന്നുണ്ടോ ഇല്ലയോ എന്ന് ഈ "ഹോൾഡ്-ഔട്ട്" ലോജിക് വെളിപ്പെടുത്തുന്നു.

ഇനിപ്പറയുന്ന സീരീസിനായി ഒരു ലളിതമായ ബാക്ക്‌ടെസ്റ്റ് പ്ലാൻ സജ്ജീകരിക്കുക: കഴിഞ്ഞ 6 മാസത്തെ പരീക്ഷണമായി മാറ്റിവെക്കുക, ശേഷിക്കുന്ന ഡാറ്റ ഉപയോഗിച്ച് 3 വ്യത്യസ്ത രീതികൾ പരിശീലിപ്പിക്കുക (നേവ്, SES, Holt-Winters), ടെസ്റ്റിംഗ് കാലയളവിൽ ഓരോന്നിനും MAPE, ബയസ് എന്നിവ കണക്കാക്കുക, ഒരു താരതമ്യ പട്ടിക ഉണ്ടാക്കുക. വിജയിക്കുന്ന രീതിയും യുക്തിയും എഴുതുക.

സൂക്ഷിക്കുക: AI-ന് ചിലപ്പോൾ ബാക്ക്‌ടെസ്റ്റ് ഫലങ്ങൾ "പ്രവചിക്കാനും" നിങ്ങൾക്ക് ഒരു റെഡിമെയ്ഡ് ചാർട്ട് നൽകാനും കഴിയും; അതായത്, യഥാർത്ഥത്തിൽ കണക്കാക്കാതെ തന്നെ യുക്തിസഹമെന്ന് തോന്നുന്ന സംഖ്യകൾ ഉണ്ടാക്കാൻ അവനു കഴിയും. കോഡ് (പൈത്തൺ/എക്‌സൽ) ഉപയോഗിച്ച് സംഖ്യാ ഫലങ്ങൾ പുനർനിർമ്മിക്കുന്നത് ഉറപ്പാക്കുക. ഒരു ഭാഷാ മാതൃക ദൈർഘ്യമേറിയ കണക്ക് വിശ്വസനീയമായി നിർവഹിക്കുന്നില്ല.

മിനി കേസ്: സീസണൽ ഉൽപ്പന്നത്തിൻ്റെ ഓവർസ്റ്റോക്ക്

എല്ലാ വർഷവും ശൈത്യകാലത്ത് ഐസ്ക്രീം പോലെയുള്ള ഒരു സീസണൽ ഉൽപ്പന്നത്തിൻ്റെ അമിത സ്റ്റോക്ക് ഉണ്ടെന്ന് ഒരു ഭക്ഷ്യ വിതരണ കമ്പനി പരാതിപ്പെടുന്നു. ഇൻഡസ്ട്രിയൽ എഞ്ചിനീയർ എലിഫ് AI-ക്ക് 3 വർഷത്തെ പ്രതിമാസ ഡാറ്റ നൽകുകയും പരമ്പരയുടെ സ്വഭാവം വിലയിരുത്താൻ ആവശ്യപ്പെടുകയും ചെയ്യുന്നു. AI ശക്തമായ കാലാനുസൃതതയും (വേനൽക്കാലത്തിൻ്റെ കൊടുമുടി) ഒരു ചെറിയ വാർഷിക വളർച്ചാ പ്രവണതയും കണ്ടെത്തുന്നു, ഹോൾട്ട്-വിൻ്റേഴ്‌സ് നിർദ്ദേശിക്കുന്നു. എലിഫ് പൈത്തണിൽ പ്രവചനം സൃഷ്ടിക്കുകയും ബാക്ക് ടെസ്റ്റ് ചെയ്യുകയും ചെയ്യുന്നു: MAPE 14% ആണ്, എന്നാൽ പക്ഷപാതം ഗണ്യമായി നെഗറ്റീവ് ആണ് - മോഡൽ സ്ഥിരമായി അമിതമായി പ്രവചിക്കുന്നു. എന്തുകൊണ്ടെന്ന് അന്വേഷിക്കുമ്പോൾ, ചരിത്രപരമായ ഡാറ്റയിലെ ഒരു പ്രചാരണ കാലയളവ് "സാധാരണ" എന്ന് തെറ്റിദ്ധരിക്കുകയും മോഡലിനെ വളരെ ഉയർന്ന അടിത്തറ പഠിപ്പിക്കുകയും ചെയ്തുവെന്ന് അദ്ദേഹം കണ്ടെത്തുന്നു. ഞങ്ങൾ കാമ്പെയ്ൻ ഇഫക്റ്റ് നീക്കം ചെയ്യുകയും മോഡൽ പുനർനിർമ്മിക്കുകയും ചെയ്യുമ്പോൾ, പക്ഷപാതം കുറയുകയും ശൈത്യകാല സ്റ്റോക്ക് ഗണ്യമായി കുറയുകയും ചെയ്യുന്നു. പാഠം: AI ഈ രീതി ശരിയായി നിർദ്ദേശിച്ചു, പക്ഷേ ഡാറ്റ വൃത്തിയാക്കാനും പക്ഷപാതത്തെ വ്യാഖ്യാനിക്കാനും മനുഷ്യരുടെ ജോലിയായിരുന്നു.

സാധാരണ തെറ്റുകൾ

• മെട്രിക്‌സ് ട്രാക്ക് ചെയ്യുന്നില്ല: കണക്കാക്കുകയും ഒരിക്കലും കൃത്യത അളക്കുകയും ചെയ്യുന്നില്ല. അളക്കാതെയുള്ള പ്രവചനം മെച്ചപ്പെടുത്താൻ കഴിയില്ല.
• MAPE നോക്കുന്നു: പക്ഷപാതം അവഗണിക്കുന്നു. ദിശാപരമായ (സിസ്റ്റമാറ്റിക്) പിശക് ഇൻവെൻ്ററിയെ നിശബ്ദമായി വർദ്ധിപ്പിക്കുന്നു.
• കണക്കുകൂട്ടലുകൾക്കായി AI നിർമ്മിച്ച സംഖ്യകളെ തെറ്റിദ്ധരിപ്പിക്കുന്നു: കോഡ് ഉപയോഗിച്ച് ബാക്ക്‌ടെസ്റ്റും മെട്രിക് മൂല്യങ്ങളും സാധൂകരിക്കുന്നില്ല.
• ഔട്ട്‌ലിയർ/പ്രമോഷൻ വൃത്തിയാക്കാതിരിക്കുക: ഒറ്റത്തവണ പ്രചാരണം ഒരു സാധാരണ ഡിമാൻഡായി തെറ്റിദ്ധരിച്ച് മോഡലിനെ പഠിപ്പിക്കുക.
• ഓവർഫിറ്റ്: ഒരു സങ്കീർണ്ണ മോഡൽ ഭൂതകാലത്തിൽ തികച്ചും അനുയോജ്യമാണെങ്കിലും ഭാവിയിൽ മോശമായി പ്രവർത്തിക്കുമ്പോൾ. ലളിതമായ മോഡൽ ഒരു മാനദണ്ഡമായി സൂക്ഷിക്കുക.

ചുരുക്കത്തിൽ

• പരമ്പരയുടെ സ്വഭാവം (സ്റ്റേഷനറി, ട്രെൻഡിംഗ്, സീസണൽ) അനുസരിച്ച് പ്രവചന രീതി തിരഞ്ഞെടുക്കുക; എല്ലായ്പ്പോഴും സ്വയം ഒരു നിഷ്കളങ്കനുമായി താരതമ്യം ചെയ്തുകൊണ്ട് ആരംഭിക്കുക.
• MAE/RMSE/MAPE ഉപയോഗിച്ച് കൃത്യത അളക്കുക, മാത്രമല്ല പക്ഷപാതവും നിരീക്ഷിക്കുക: ദിശാസൂചന പിശകാണ് ഏറ്റവും ചെലവേറിയത്.
• രീതി ശുപാർശ ചെയ്യുന്നതിനും കോഡ് സൃഷ്ടിക്കുന്നതിനും AI ഉപയോഗിക്കുക; പ്രവചനം ഒരു "പ്രവചനം" അല്ല, ഒരു അളക്കാവുന്ന ഉപകരണമായി സജ്ജമാക്കുക.
• ഒരു മോഡലിന് എത്രത്തോളം ആത്മവിശ്വാസമുണ്ടാകുമെന്നതിൻ്റെ യഥാർത്ഥ പരീക്ഷണമാണ് ബാക്ക്‌ടെസ്റ്റിംഗ്; കോഡ് ഉപയോഗിച്ച് സംഖ്യാ ഫലങ്ങൾ പരിശോധിച്ചുറപ്പിക്കുന്നത് ഉറപ്പാക്കുക.
• ഡാറ്റ (ഔട്ട്‌ലിയർ, പ്രമോഷൻ) വൃത്തിയാക്കുകയും ഫലം വ്യാഖ്യാനിക്കുകയും ചെയ്യുക എന്നത് മനുഷ്യൻ്റെ ജോലിയാണ്; AI ഈ ഘട്ടങ്ങൾ ഒഴിവാക്കുന്നു.

ആപ്ലിക്കേഷൻ ടാസ്ക്

കുറഞ്ഞത് 18-24 കാലയളവ് ഡിമാൻഡ് സീരീസ് (യഥാർത്ഥ അല്ലെങ്കിൽ റിയലിസ്റ്റിക് ഫിക്ഷൻ) ഉണ്ടായിരിക്കുക. ആദ്യം, AI-ക്ക് പരമ്പര നൽകുകയും അതിൻ്റെ സ്വഭാവം (ട്രെൻഡ്/സീസണാലിറ്റി) വ്യാഖ്യാനിക്കാനും രണ്ട് രീതികൾ നിർദ്ദേശിക്കാനും ആവശ്യപ്പെടുക. അവസാന 6 പിരീഡുകൾ ടെസ്റ്റുകളായി റിസർവ് ചെയ്യാനും കുറഞ്ഞത് രണ്ട് രീതികളെങ്കിലും താരതമ്യം ചെയ്യാനും "ബാക്ക്‌ടെസ്റ്റ് പ്ലാൻ" ശക്തമായ പ്രോംപ്റ്റ് ഉപയോഗിക്കുക. നിർണായക ഘട്ടം: AI സ്വയം നൽകിയ MAPE, ബയസ് മൂല്യങ്ങൾ Excel അല്ലെങ്കിൽ Python ഉപയോഗിച്ച് വീണ്ടും കണക്കാക്കി അവയെ AI ഔട്ട്പുട്ടുമായി താരതമ്യം ചെയ്യുക. പൊരുത്തപ്പെടാത്ത ഒരു നമ്പർ നിങ്ങൾ കണ്ടെത്തിയാൽ, അത് എഴുതുക. അവസാനമായി, പക്ഷപാതിത്വത്തിൻ്റെ അടയാളം വ്യാഖ്യാനിക്കുക: നിങ്ങളുടെ മോഡൽ അമിതമായി വിലയിരുത്തുകയോ വിലകുറച്ച് കാണുകയോ ചെയ്യുന്നുണ്ടോ, നിങ്ങളുടെ ഇൻവെൻ്ററിയിൽ ഇത് എന്താണ് ചെയ്യുന്നത്?