【摘要】：数据是否出现了反常值。比如，因为受疫情影响，造成汽车的销量出现反常低值。数据是否保持一致。数据是否有结构性的改变。数据是否与商品生命周期有关。数据是否具有季节性。对以上问题进行相关处理后，企业就可以开始对数据进行清洁，保持历史数据的真实性。
需求预测始于数据，高质量的历史数据是确保需求预测准确的基础，历史数据往往会受到客观因素的影响，比如促销活动、新产品的推出、国家政策的调整等，这些客观因素在将来或许不会再出现，因此，对历史数据进行清洁是企业必须做的事情。进行数据清洁，企业要考虑以下因素：
（1）数据是否有连接性。不连接的数据会导致猜测模型不能表现出最大的功效。
（2）数据是否出现了反常值。比如，因为受疫情影响，造成汽车的销量出现反常低值。
（3）数据是否保持一致。例如，企业在预测客户未来一定时间的需求时，就要参考该客户过去订货的数据，而不是客户预订的数据，因为两者之间会有偏差。
（4）数据是否有结构性的改变。假设产商A和产商B占据市场多半个江山，但因产商A生产的产品被查出有质量问题被勒令停业整顿，导致产商B的产品销售大增，这就属于结构性改变。(www.xing528.com)
（5）数据是否与商品生命周期有关。商品处于不同的生命周期，也会导致销售数据相差较大，例如老产品退市，新产品导入等。
（6）数据是否具有季节性。例如，每年“五一”和“十一”，商家都会举行大促销活动，销售额明显提升。
对以上问题进行相关处理后，企业就可以开始对数据进行清洁，保持历史数据的真实性。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
