Proqnostik modellər

Proqnoz modelləri

Proqnostik modellər tarixi məlumatlara əsaslanan gələcək dəyərləri və ya hadisələri qiymətləndirən alqoritmlərdir. Onlar məhsul analitikası, risk menecmenti, marketinq, antifrod və əməliyyat optimizasiyasının əsasını təşkil edir. Aşağıda - praktiki təlimat: vəzifənin ifadəsini seçməkdən tutmuş istismara və keyfiyyətə nəzarət etməyə qədər.

1) Tapşırıqların formalaşdırılması və siqnallar

Reqressiya: davamlı miqdar proqnozu (LTV, depozit ölçüsü, çek ölçüsü).
Təsnifat: hadisə ehtimalı (30 gün ərzində müştərinin axını, frod/frod deyil).
Sıralama: obyektlərin müvafiq qaydaya salınması (tövsiyələr).
Zaman sıraları: təqvim proqnozu (trafik, yük, gəlir).
Survival/Hadisədən əvvəl vaxt: çıxış/təkrar ödənişdən əvvəl vaxt qiymətləndirilməsi.
Uplift modelləşdirmə: təsir effektinin artması (hansı hərəkət həqiqətən davranışı dəyişir).
Çox sinifli/çox pilləli tamaşalar: eyni vaxtda bir neçə hal/hadisə.
Bayes və ehtimal modelləri: aydın qeyri-müəyyənliklə proqnoz.

2) Məlumat və hazırlıq

Taxıl və müşahidə pəncərəsi: proqnoz vahidini (istifadəçi/sessiya/gün) və proqnoz anına qədər əlamətlərin toplanmasının dürüst «pəncərəsini» təyin edin.
Hədəf dəyişən: aydın tərif, üfüqlər (7/30/90 gün), gələcəyin sızmasının aradan qaldırılması.
Əlamətləri: pəncərələr üzrə aqreqatlar (7/30/90), davranış tezlikləri, ardıcıllıqlar, kateqoriyalı enkodinqlər, qarşılıqlı təsirlər, seqmentlər üzrə statistika.
Verilənlərin keyfiyyəti: boşluqlar, emissiyalar, təkrarlamalar, sxemlərin dəyişdirilməsi, vaxt işarələrinin sabitliyi.
Siniflərin balansı: stratifikasiya, tartı, oversampling/undersampling - yerdəyişmə etməmək üçün diqqətlə.

3) Alqoritmlərin seçilməsi

Əsas xətti: xətti/logistika reqressiyası, nizamlama (L1/L2/Elastic Net) - sürətli, şərh edilə bilən.
Ağaclar və ansambllar: Random Forest, Gradient Boosting (XGBoost/LightGBM/CatBoost) - güclü beyzlaynlar.
Neyron şəbəkələr: mürəkkəb nümunələr üçün MLP/Seq2Seq/Transformer (mətnlər, ardıcıllıqlar, zaman sıraları).
Müvəqqəti sıralar: ARIMA/ETS, Prophet, Laqlarla Gradient Boosting, DeepAR/N-BEATS/Temporal Fusion Transformer.
Uplift: iki model yanaşma, T-Learner/S-Learner/X-Learner, səbəb təsiri ağaclar.
Survival: Cox, AFT, Random Survival Forests.
Bayes: prior paylanması ilə GLM/iyerarxik modellər.

Təcrübə: sadə və təkrar edilə bilən bir beyzline ilə başlayın, yalnız metrik və sabitlik baxımından nəzərə çarpan qazancla çətinlik əlavə edin.

4) Bölmə və validasiya

Temporal CV: zamanla tapşırıqlar üçün - tarixlərə görə kəsilmələr (rolling/expanding windows).
Stratifikasiya: balanssız siniflər üçün.
Qrup validasiyası: qruplar arasında «sızmalara» yol verməyin (user_id, campaign_id).
Out-of-time test: «gələcək» dövrdə son test.
Beyzlaynlar: sadəlövh (son dəyər, orta), tezlik, sadə logreg - real dəyəri ölçmək üçün.

5) Keyfiyyət metrikası

Təsnifat: ROC-AUC, PR-AUC (nadir hadisələr üçün vacibdir), logloss, Brier score, F1, precision/recall @k, lift/NDCG.
Reqressiya: RMSE/MAE/MAPE, sMAPE, R ², quantile loss (üzlük üçün).
Zaman sıraları: MAPE/sMAPE/MASE, Pinball loss (kvantil proqnozu).
Survival: Concordance index, Brier vaxt-əvvəl-hadisə üçün.
Uplift: Qini, uplift@k, AUUC.
Business Metrics: Artımlı mənfəət, saxlanılan istifadəçilər, azalmış freod, SLA dəqiqliyi.

Tövsiyə: Həmişə metriklərin iki səviyyəsini saxlayın - «ML-keyfiyyət» və «biznes effekti».

6) kalibrləmə və eşik

Ehtimal kalibrlənməsi: Platt, isotonic, temperature scaling.
Hədd seçimi: biznes məqsədləri (maksimum mənfəət/saxta müsbət məhdudiyyət), xərclər/cərimələr üzrə.
Eşik sabitliyi: paylanmada dəyişiklik nəzərə alınmaqla monitorinq.

7) Şərh və izahlılıq

Qlobal: əlamətlərin əhəmiyyəti (gain, permutation), PDP/ICE, SHAP hesabatları.
Yerli: SHAP/LIME obyekt qərarını izah etmək üçün.
Caveat: interpretasiya mütləq «həqiqət» deyil, fərziyyə və etimadın təsdiqlənməsi üçün bir vasitədir.

8) Döyüş yerləşdirilməsi

Xidmət: onlayn (REST/gRPC, aşağı gecikmə) və batch (hər saat/gündəlik).
Version: modellər, verilənlər, sxemlər və xüsusiyyətlər (registry).
Fichestores: online/oflayn uyğunluq, nöqtə-in-time düzgünlük.
Gecikmələrə nəzarət: əlamətlərin çıxarılması üçün büdcə, inferens, post-proseslər.
Fail-safe: defolt qaydaları, beyzline, taymaut və retraya deqradasiya.
A/B və tədricən rollout: kanarya relizlər, shadow/inference mirroring.

9) Monitorinq və drift

Keyfiyyət: Prod metriklər (ROC-AUC/PR-AUC, iş KPI).
Paylanmalar: PSI/JS-divergence/KL, xüsusiyyətləri sürüklənmə və hədəf.
Data Health: keçid payı, kateqoriyaların kardinallığı, paylayıcılar, gecikmələr.
Alerting və SLO: eşik dəyərləri, Runibook (deqradasiya zamanı nə etmək lazımdır).
Retreninq: cədvələ, sürüklənmə triggerlərinə, mövsümiliyə görə; keyfiyyət reqressiya nəzarət.

10) Təhlükəsizlik, uyğunluq və etika

Gizlilik: məlumatların minimuma endirilməsi, təxəllüs, giriş nəzarəti.
Ədalət: seqmentlər üzrə bias yoxlama (false positive/negative rate), nümunə/eşik düzəlişləri.
GDPR/yerli normalar: emal məqsədləri, saxlama müddəti, izahat hüququ.
Audit və reproduktivlik: Tracking versiyası, reproduktiv montajlar, həll jurnalı.

11) Standart cases üçün şablonlar

Çıxış (churn): ikili təsnifat; metriklər - PR-AUC, saxlama kampaniyaları üçün uplift testi; nəticə offerlərin prioritetləşdirilməsidir.
Antifrod: yüksək balanslı təsnifat; metriklər - PR-AUC, recall @low -FPR; ciddi latency-məhdudiyyətlər.
LTV/ARPPU: reqressiya və ya kvantil reqressiya; müntəzəm yenidən kalibrləmə.
Yük/gəlir proqnozu: müvəqqəti sıralar; statistik və ML-modellər ansamblı; mövsümlük və tətil kimi fiçlər.
Şəxsi tövsiyələr: sıralama/matrfaktorizasiya/seq-modellər; online yeniləmələr və istismar (mult-armed bandits).

12) Proses (ML Lifecycle)

1. Problem və KPI → 2. Data və Ficks → 3. Beyzline → 4. Modellər və seçim →

2. Kalibrləmə və eşik → 6. Validasiya və A/B → 7. Xidmət və monitorinq → 8. Retreninq/təkamül.

Hər bir mərhələ sənədləşdirilir: məlumat sxemləri, təlimin konfiqləri, artefaktların versiyaları, təcrübələrin nəticələri.

13) Xüsusiyyətlərin mühəndisliyi (qısa)

Aqreqatlar: pəncərələr üzrə məbləğlər/orta/kvantillər.
Sayğaclar və tezliklər: dönüşüm, nadir kateqoriyalar.
Müvəqqəti lag və trendlər: deltalar, eksponensial hamarlamalar.
Encoding kateqoriyalar: target/stats encoding (sızıntıları diqqətlə), WoE, one-hot/Hashing.
Mətnlər və hadisələr: TF-IDF, embeddinq, sequence fiçləri.
Biznes məntiqi: domen əlamətləri (məsələn, «son ödənişlə günlərin sayı»).

14) Təcrübələrin idarə edilməsi

Tracking: metriklər, parametrlər, artefaktlar, datasetlər.
Hiperparametrlər: Bayes iddiası, random/grid search, erkən dayanma.
Xüsusiyyətlərə nəzarət: məlumat kataloqu, sxemlər müqaviləsi, uyğunluq testləri.

15) Satış öncəsi yoxlama siyahısı

• Gələcəyin sızması yoxdur; düzgün müvəqqəti validasiya
• Metriklər dəyişməyə davamlıdır; OOT testi var
• Kalibrləmə yoxlanılır; biznes həddi seçildi
• Rəqəmlərin və məlumat müqavilələrinin sənədləşdirilməsi
• Deqradasiya və həyəcan funksiyaları konfiqurasiya
• Retreninq planı və dayanma meyarları
• Hüquqi və etik yoxlamalar keçdi

Mini sözlük

Distributions drift: data statistik dəyişiklik/zamanında hədəf.
Kalibrləmə: hadisələrin real tezliyinə ehtimalların gətirilməsi.
Uplift: «emal» və «nəzarət» arasında təsir fərqinin proqnozu.
OOT testi: öyrənmə/validasiya zamanı tamamilə görünməyən bir dövrdə modelin yoxlanılması.

Yekun

Proqnostik model yalnız bir alqoritm deyil, bir prosesdir: problemin düzgün qoyulması, məlumatların nizam-intizamı, deploy-payplaynların səsləndirdiyi ciddi validasiya, monitorinq və etika. Təsvir olunan dövrü izləmək «oflayn gözəl metriklər» riskini azaldır və məhsulda real dəyəri artırır.