التنبؤ بالزيارات والتحويلات: التحقق قبل اتخاذ القرار

تنبؤ الحجم ودرجة الميل الفردية يجيبان عن سؤالين مختلفين. لا يثبت أي منهما وحده الأثر السببي لحملة.

الهدف والمدة والمعلومات المتاحة

حدّد الكمية المتوقعة ووحدتها وفترتها وأفق القرار. استخدم فقط المتغيرات التي كانت متاحة وقت إصدار التنبؤ المفترض. إدراج معلومات مستقبلية يسبب تسرب البيانات وقد يجعل الاختبار مواتيًا بصورة مصطنعة.

الاختبار بالترتيب الزمني

درّب على الماضي وقيّم في فترة لاحقة وكرّر مع التقدم في الزمن. راعِ تأخر ظهور النتائج الفعلية. اضبط التحويلات ببيانات التدريب وحدها، واحتفظ بمجموعة اختبار نهائية منفصلة عن اختيار النموذج.

مقارنة مرجع واختبار الإجراء

قارِن بمرجع بسيط، مثل الفترة السابقة أو مرجع موسمي، على البيانات والأفق نفسيهما. وثّق الخطأ وعدم اليقين؛ نجاح الاختبار التاريخي لا يضمن المستقبل. قياس أثر إجراء يتطلب تصميمًا سببيًا مناسبًا، مثل تجربة مصممة بعناية.

المصادر والتحقق

تم التحقق في 1 نوفمبر 2026

• scikit-learn — Common pitfalls
• scikit-learn — TimeSeriesSplit
• TensorFlow — Time series forecasting
• NIH — Research Methods Resources

{
    "functional_unit": "accepted_task",
    "energy_kWh": 2,
    "intensity_gCO2e_per_kWh": 100,
    "embodied_gCO2e": 50,
    "accepted_tasks": 100,
    "SCI_gCO2e_per_task": 2.5
}

{
    "values": [
        10,
        null,
        0
    ],
    "observed_count": 2,
    "mean_observed": 5,
    "mean_if_missing_replaced_with_zero": 3.3333333333,
    "extended_sample": {
        "values": [
            10,
            null,
            0,
            20,
            null,
            30
        ],
        "known_count": 4,
        "expected_count": 6,
        "known_sum": 60,
        "mean_observed": 15,
        "mean_after_zero_fill": 10
    },
    "missing_only_sample": {
        "values": [
            null,
            null
        ],
        "known_count": 0,
        "mean_observed": null
    }
}