KPI预测

KPI预测

KPI预测不是"图形猜测"，而是受控的轮廓：正确的数据→适当的模型→场景和解释→操作监控。下方是系统支票清单和体系结构，可从简单系列扩展到投资组合，层次和概率预测。

1）任务设置

我们预测什么？级别，delta，quantil，间隔，事件（spike）。
地平线/步骤：小时/天/周/月；滚动窗口用于短期控制。
单位：产品/品牌/国家/平台/渠道。
业务背景：可管理的杠杆（促销、价格、发行版）和限制（SLA、RG/合规性）。
价值和风险：羽毛/低风险的成本，虚假变种的罚款。

2）数据和准备

谷物和日历：统一日历（假期/周末/工资日），时间点（UTC+本地表示）。
聚合和一致性：DAU/WAU/MAU，GGR/Net，ARPPU，保留（D7/D30），漏斗转换，latency p95-作为带有明确公式的单独店面存储。
回报（X）：促销/奖金，活动，价格变化，内容发布，体育赛事，货币汇率，天气（如果相关）。
异常和遗漏：标记，不要盲目移除；对于事件-单击标志。
电路稳定性：将产品/测量版本转换点捕获为事件。

3）KPI类型和建模功能

累加量（收入、存款）：ETS/ARIMA/GBM/Temporal-NN运作良好。
分数和转换：logit标尺、beta二项式模型、约束回归［0.1］。
系数和关系（ARPPU）：分别对分子和分母进行建模，然后进行合成。
互换行（罕见事件，chargeback）：Croston/SBA/TSB，零注入方法。

层次结构（strana→brend→kanal）： 重建：Bottom-Up, Top-Down, MinT.

复合KPI（如GGR）：不汇总驱动程序：流量×转换×频率×平均支票。

4）型号： 从基本到高级

Beizlines： Naive, Seasonal Naive, Drift-需要诚实评估。
系列经典：ETS/ARIMA/SARIMA；Prophet用于快速季节和假期。
回归器：ARIMAX/ETS+X，动态回归，TBATS用于多个季节。
梯度增强/表格NN： LightGBM/XGBoost/TabNet带有差分、窗口统计、日历和促销。
Temporal NN：N-Beats，TFT（Temporal Fusion Transformer）-用于多系列和富有X。
概率：量子回归（pinball loss），Gaussian/Student-t，量子森林/GBM。
因果关系和情景：DiD/SC评估促销效果；uplift用于规划"如果我们打开会发生什么"。

5）解剖和体征

T+S+R：趋势+季节（周日/月/小时）+余额。
泻湖和窗户：'y_{t-1.. t-28}'，滑动中间/std，•。平滑化；"节日的尾巴"。
分类：国家/频道/OS为embeddings/单一热门。
事件：版本/促销活动/横幅-二进制/强度。
泄漏控制：只有"来自过去"的信息。

6）评分和背景测试

拆分：滚动/扩展起源；我们阻止季节性（周/月的倍数）。
级别度量：MAE，RMSE，MAPE/sMAPE，WAPE（在零值下更可靠）。
概率度量：pinball loss（q=0。1/0.5/0.9），CRPS，间隔校准（覆盖，SHARP）。
事件/尖峰度量：通过"弹出"检测进行精度/回收。
Baseline规则：模特应该战胜Seasonal Naive。
稳定性：按段/假期划分的误差方差；超时（最后N周）。

7）层次预测和匹配

Bottom-Up：总结"非传染性"；很简单，但很吵。
Top-Down：我们按历史份额分配。
MinT （optimal reconciliation）：最大限度地减少误差协方差-在丰富的"底层"下的最佳权衡。
实践：在每个级别教授基本模型,然后协商。

8）概率预测和解释

Quantili： q10/q50/q90 →计划"悲观主义者/基地/乐观主义者"。
间隔：目标覆盖率（例如80%/95%）；我们检查校准。
风险成本：按有条件的VaR/expected shortfall规划,用于非对称损失的KPI（需求低负荷比过量成本高,反之亦然）。

9）场景模拟

外来场景："无促销/无促销"，"± 10％的课程"，"足球决赛"。
如果是：我们改变X（活动强度，限制，价格）→ KPI预测和置信区间。
计划事实：桥梁（桥梁）因素：季节贡献，促销，价格，趋势，冲击/事件。

10）操作电路和MLOps

再培训频率：短期KPI-每天/每周；每月-T+1/T+3。
图层/工件：fichestor（联机/离线平价）,模型注册表,KPI数据版本/公式。
监视：WAPE/SMAPE通过滑动窗口，间隔覆盖，特征漂移（PSI），接头延迟，生成SLA。
Alerts：错误激增>阈值、未校准间隔、季节性破坏。
失灵安全：降解→回滚至季节性Naive/ETS；假日高峰期的freeze模型。
磁滞：不同的开关阈值"promo repressors"以免闪烁。

11）杂货店和iGaming-KPI的细节（大致地图）

流量/活动：DAU/WAU/MAU，包括比赛日/游戏发布。
货币化：GGR/Net，存款，ARPU/ARPPU-强烈的季节性"晚上/周末/假期"。
保留：D1/D7/D30-最好用日历预测概率（logit）。
风险：chargeback比率（互换），RG指标（政策/假期），反性别信号。
操作：latency p95/p99，事务错误-与发行版的异常/因果关系影响兼容。

12）工件模板

A. KPI预测护照

KPI/代码： "GGR_EUR"（公式版本）

地平线/步骤： 8周，每天

层次结构： brend→strana→platforma

回归者： "promo_spend"，"fixtures_flag"，"holiday"，"fx_rate"

模型： "TFT_v4"（q10/q50/q90）+MinT重组

度量： WAPE（目标≤ 8％），覆盖率为90％-interal ≥ 85％

SLO： 06：00 lock后产生≤ 10分钟；数据差≤ 1小时

所有者： Monetization Analytics；审计日期：2025-10-15

B.决策就绪报告（骨架）

标题： "GGR：预测8周，q10/q50/q90"

关键： 第三周出现低血压的风险22% （ES=-X）

驱动程序： +周末季节性,+促销效果,− FX

建议： 将预算改为低风险周，提高A/B通道的限制

python
1) load data y, X, calendar = load_series_and_regressors()
2) build features ds = make_lags_and_windows(y, X, lags=[1,7,14,28], roll=[7,14,28])
ds = add_calendar_features(ds, calendar) # holidays, dow, month_end
3) split cv = rolling_backtest(ds, folds=6, horizon=28)
4) models m1 = ETSx(). fit(ds. train)         # baseline m2 = LightGBMQuantiles(q=[0. 1,0. 5,0. 9]). fit(ds. train)
5) evaluate scores = evaluate([m1,m2], cv, metrics=['WAPE','pinball'])
6) retrain full + reconcile forecasts = reconcile_minT(train_and_forecast([m2], hierarchy))
7) report + push publish(forecasts, scores, sla=timedelta(minutes=10))

13）频繁的错误和反模式

空白时的MAPE：使用WAPE/sMAPE。
平均平均值：分别聚合分子/分母。
忽略假期/发行版：添加回归和"回放"日期。
Liki：具有未来信息的fichi（目标泄漏）。
太聪明了，没有徽章：首先击败Seasonal Naive。
未校准的间隔："美丽但空虚"-检查覆盖范围。
层次结构不一致：没有重新连接，总体计划就会崩溃。
缺失安全：在假期高峰期，模式"挂起"，计划崩溃。

14）销售监控

质量：WAPE滚动，分量弹球，覆盖80/95％。
稳定性：PSI的关键特征，季节性漂移。
操作：生成时间，数据差，百分比后退。
Alerts：错误"3 σ"规则、违反SLO、层次结构不一致。
Runibuck：freeze模式，关闭"嘈杂"的回归器，强化。

15）发行前的支票清单

• KPI定义和验证（语义层）
• 日历/假期/回归者同意和测试
• Beislines（Naive/Seasonal）在背靠背测试中被击败
• 选择指标（WAPE/pinball）和目标阈值
• 校准间距；"悲观主义者/基数/乐观主义者"情景
• 层次结构一致（MinT/Top-Down）
• MLOps：训练时间表、监测、警报、失败安全
• 文档：预测护照,SQL/fiche处方,runibook事件

底线

KPI预测是一种解决方案体系结构：清晰的定义，丰富的日历和回归器，诚实的徽章，概率预测，分层匹配，稳定的MLOps和场景规划。这样的轮廓提供了合理的期望，可管理的风险和"决策就绪"报告，这些报告直接为计划，营销，运营和合规性提供了动力。