Dane treningowe

Dane treningowe to uporządkowany zbiór obserwacji (rekordów) używany do uczenia modeli statystycznych i uczenia maszynowego, tak aby potrafiły przewidywać, klasyfikować lub rekomendować na podstawie nowych danych. W praktyce są to dane wejściowe (cechy) oraz — w wielu zadaniach — oczekiwany wynik (etykieta), na których model „uczy się” zależności.

W kontekście e-commerce dane treningowe najczęściej powstają z danych operacyjnych i behawioralnych: historii zamówień, kliknięć, wyszukiwań, zwrotów, stanów magazynowych, cen, kampanii, a także z danych o produktach (atrybuty, kategorie, opisy) i klientach (np. segmenty, preferencje). Kluczowe jest, że dane treningowe nie są „dowolnym eksportem z bazy”, lecz zbiorem przygotowanym pod konkretne zadanie: np. przewidywanie popytu, wykrywanie nadużyć, rekomendacje produktów, prognozowanie zwrotów czy automatyczne przypisywanie kategorii.

Jakość danych treningowych zwykle w większym stopniu determinuje jakość modelu niż sam wybór algorytmu. Obejmuje to kompletność i poprawność danych, spójność definicji (np. co uznajemy za „konwersję”), reprezentatywność (czy dane obejmują typowe i nietypowe sytuacje, sezonowość, różne kanały), a także właściwe przygotowanie cech (feature engineering) i etykiet. Przykładowo, jeśli uczymy model przewidywania anulacji zamówienia, etykieta może brzmieć „anulowane w ciągu 24 godzin od złożenia”, a cechy mogą obejmować metodę płatności, czas od rejestracji klienta, liczbę wcześniejszych anulacji, wartość koszyka czy typ dostawy.

Dane treningowe wymagają też kontroli ryzyk: wycieku informacji (data leakage), błędów wynikających z nieprawidłowego próbkowania oraz stronniczości (bias). W e-commerce łatwo o sytuację, w której do cech przypadkowo trafia informacja dostępna dopiero po zdarzeniu, które model ma przewidzieć (np. status zwrotu użyty do przewidywania zwrotu). Równie istotne jest rozdzielenie danych na zbiory treningowe i testowe w sposób odzwierciedlający realne użycie (często podział czasowy), aby ocena modelu nie była zawyżona.

• Kluczowe właściwości
• Zależność od zadania: „dane treningowe” nie są uniwersalne; ten sam surowy log może dać różne zbiory treningowe w zależności od celu (np. rekomendacje vs. prognoza popytu).
• Struktura: cechy i (często) etykiety: w uczeniu nadzorowanym dane zawierają pary *(X, y)*, np. *(cechy zamówienia, czy nastąpił zwrot)*; w nienadzorowanym etykiet może nie być (np. segmentacja klientów).
• Reprezentatywność i pokrycie: dane powinny obejmować różne kategorie, kanały, sezony, poziomy cen, typy klientów; brak pokrycia prowadzi do słabej generalizacji.
• Jakość i spójność definicji: jednolite definicje zdarzeń (klik, sesja, konwersja), walidacja braków, duplikatów, anomalii oraz kontrola zmian w śledzeniu i w systemach źródłowych.
• Odporność na leakage i właściwy podział: cechy muszą być dostępne w momencie predykcji; podział trening/test często powinien być czasowy (np. uczymy na miesiącach 1–10, testujemy na 11–12).

• Typowe konteksty użycia
• Rekomendacje i personalizacja: dane treningowe z interakcji użytkownik–produkt (wyświetlenia, kliknięcia, zakupy) oraz metadanych produktów; przykład: przewidywanie prawdopodobieństwa zakupu produktu po obejrzeniu.
• Prognozowanie popytu i planowanie zapasów (fulfillment): szeregi czasowe sprzedaży, promocje, ceny, dostępność, lead time; przykład: prognoza sprzedaży SKU na tydzień dla decyzji o uzupełnieniu magazynu.
• CRO i analityka predykcyjna: modelowanie prawdopodobieństwa konwersji sesji, wartości koszyka, porzucenia koszyka; przykład: scoring sesji do priorytetyzacji testów lub personalizacji treści.
• Wykrywanie nadużyć i ryzyka: dane o płatnościach, adresach, urządzeniach, historii chargebacków; przykład: klasyfikacja transakcji jako podejrzanej przed autoryzacją.
• Automatyzacja merchandisingu: klasyfikacja produktów do kategorii, ekstrakcja atrybutów z opisów, wykrywanie duplikatów ofert; przykład: przypisanie „materiał: bawełna” na podstawie tytułu i opisu.

• Częste nieporozumienia
• „Im więcej danych, tym lepiej”: duża ilość nie zastąpi jakości; dane zaszumione, niespójne lub z błędnymi etykietami mogą pogorszyć model bardziej niż mniejszy, ale czysty zbiór.
• Mylenie danych treningowych z danymi testowymi/produkcyjnymi: dane treningowe służą do uczenia, a testowe do oceny; mieszanie ich (np. przez losowy podział bez uwzględnienia czasu) może zawyżać wyniki.
• Ignorowanie zmienności w czasie (drift): model uczony na danych sprzed roku może nie działać dziś (zmiany cen, asortymentu, kanałów, zachowań); dane treningowe powinny uwzględniać aktualność i sezonowość.
• Brak kontroli leakage: użycie cech, które „wiedzą przyszłość” (np. informacja o dostarczeniu paczki przy przewidywaniu anulacji) daje pozornie świetne wyniki, ale zawodzi w realnym użyciu.
• Założenie, że etykiety są obiektywne: etykiety często wynikają z procesów biznesowych (np. ręczne oznaczenia, reguły zwrotów, polityka anulacji) i mogą zawierać stronniczość lub błędy, które model następnie utrwala.