Python-Code- UOM-Correction V2

该UOM流程将原始交易数据转化为可靠、标准化且可执行的分析结果。首先，对数据进行清洗与结构化处理，统一计量单位并剔除无效记录。随后通过特征工程生成预测信号，并训练梯度提升树模型以识别UOM错误并输出风险评分。接着对交易数据进行增强，完成UOM标准化，并通过模式识别进行根因分析（如供应商或物料问题）。引入强化学习实现自动决策，最终通过仪表板和导出结果提供预测、风险评分及优化建议，支持持续改进。(其中的Ptthon Script 需要更改为本地 Path）

该UOM流程将原始交易数据转化为可靠、标准化且可执行的分析结果。首先，对数据进行清洗与结构化处理，统一计量单位并剔除无效记录。随后通过特征工程生成预测信号，并训练梯度提升树模型以识别UOM错误并输出风险评分。接着对交易数据进行增强，完成UOM标准化，并通过模式识别进行根因分析（如供应商或物料问题）。引入强化学习实现自动决策，最终通过仪表板和导出结果提供预测、风险评分及优化建议，支持持续改进。

(其中的Ptthon Script 需要更改为本地 Path）

DATA INGESTION & INITIAL CLEANING

清洗并结构化原始交易数据以便分析

加载并清洗交易数据

标准化计量单位（UOM）格式并处理缺失值

过滤无效记录

输出：可用于分析的干净数据集

INTELLIGENT FEATURE ENGINEERING

将原始数据转化为强大的预测信号

自动生成 60+ 个机器学习特征

MACHINE LEARNING ENGINE

训练模型以预测计量单位（UOM）错误，

并对新数据进行评分

训练梯度提升树模型

预测UOM错误概率（0–100%）

采用80/20训练-测试划分并进行验证

输出：所有交易的错误概率

AUTONOMOUS DECISION ENGINE

交易数据已增强风险评分，

并完成计量单位（UOM）的统一与标准化

通过强化学习代理实现自主决策

进行模式识别以预防系统性错误（根因分析）

FINAL DATA CLEANING AND COLUMN FILTERING

CSV OUTPUT (PATTERNS REPORT)

导出系统性错误模式以支持预防性措施——识别供应商问题、物料混淆以及时间性异常峰值

CSV OUTPUT (DETAILED DATA REPORT)

导出包含交易级预测结果的数据，包括风险评分、已统一的计量单位（UOM），以及自动生成的行动建议

VISUALIZATION DASHBOARD

提供前瞻性洞察以支持流程优化，并提供可用于日常运营的仪表板。