收入预测

收入预测

收入是多种因素相互作用的结果：内容/产品供应，用户行为，价格和促销，外部条件（假期，体育活动，货币汇率，监管变化）。可靠的预测不是一个"模型"，而是受控的轮廓：定义→数据→模型→情景→操作→对账→改进。

1）任务设置

预计为：毛收入（GGR），净收入（Net），奖金/佣金后的收入，基本货币和本地货币。
地平线/步骤：每日/每周/每月；用于计划票房缺口-白天，预算-月/季度。
预测单位：品牌×国家×平台×渠道（最低），然后在层次结构上达成一致。
目的：预算编制，流量/内容采购，基础设施限制，财务契约。
错误价格：过度疲劳（错过需求/不适应）与过度疲劳（不必要的采购/重新安排）。

2）定义并与财务回路保持一致

公式：GGR，Net，扣除（税收，奖金，Athiliate佣金）-在语义层中转换。
日历：UTC存储+本地视图；假日/工资日；体育赛程（如果相关）。
外汇政策：汇率来源，转换日期（交易日期/期中汇率），单一基准货币。
对账：与会计的强制性重新分配程序（在允许的范围内存在差异）。

3）对司机的收入解构

[
\text{收入}=\text {流量}\times\text {转换}\times\text {频率}\times\text {Middle Check}
]

流量/活动：用户/会议/登录。
转换：付费的比例，CR到目标事件。
频率：支付期/支付期的交易数量。
平均支票：平均交易金额（考虑奖金/折扣）。

建议分别预测驱动程序，然后收集复合材料以查看因素的贡献（计划-事实桥）。

4）数据和回归器

时间序列：按预测单位计算的白天/周总量。

• 促销/奖金（强度、类型、覆盖范围）；
• 营销成本/压制/点击；
• 内容内容（版本，锦标赛，主要比赛）；
• 价格/限额/目录变动；
• FX/通胀，天气/日历（如果受到影响）；
• 监管事件（限制/解冻）。
• 异常/单次关闭：标记，不要默默地"平滑"。
• 缺失：仅使用预测时可用的信息。

5）建模

5.1个Beislines

Naive/Seasonal Naive/Drive-诚实评估是强制性的。

5.2经典行列

ETS/ARIMA/SARIMA，TBATS（多季节），Prophet（假期快速开始）。

5.3 Repressors

ARIMAX/ETS+X，日历动态回归和促销/FX。

5.4多叙利亚/表格

LightGBM/XGBoost/带有滞后/窗口/日历的线性；

投资组合和长X的节奏NN（TFT，N-Beats）。

5.5概率

量子回归（pinball），Student-t/Gaussian预测，区间量子集合（q10/q50/q90）。

5.6层次结构和匹配

strana→brend→kanal→platforma结构的Bottom-Up/Top-Down/MinT（最佳错误匹配）。

6）具体收入指标

分数/比率（保证金，佣金）：分别对分子/分母进行建模，然后进行合成。
互换组件（chargeback，high-roller）：Croston/TSB，零注入，带有分量的单个组件。
自相残杀：在推出新促销活动/产品时,模拟各细分市场（多市场模型或受限回归器）之间的流动。
按价格/奖金计算的弹性：用于系数估计的模型日志记录/铜锣估值（DiD/SC），然后是什么。

7）质量评估和背景测试

分割：滚动/外带起源的季节性倍数（周/月）。
级别指标：WAPE/sMAPE（耐零），MAE/RMSE。

概率： pinball loss, coverage 80/95% interval.

稳定性： 细分/假期/频道错误；out-of-time.

徽章规则：模型必须在关键水平上超越Seasonal Naive。

8）情景和不确定性

Quantili： q10/q50/q90 →"悲观主义者/基数/乐观主义者"。
情景X："无促销/无促销"，"FX ± 10%"，"主要活动"，"监管限制"。
元参数风险：弹性和季节性变化的压力测试。
风险成本：通过有条件的短途计划计划（对低负荷/过重负荷的惩罚是不对称的）。

9）计划事实和因素的贡献（收入桥）

展示桥梁：趋势+季节性+促销+价格/限值+FX+冲击/事件→最终偏差。这增强了信心，并有助于采取行动（增加预算，转移促销活动，改变价格）。

10） MLOps和操作

日程安排：每日预测-T+1至06：00 lock。每周一次，每周一次；每月-T+1/T+3。
工件：fichestor（在线/线下平价），模型注册表，收入公式版本。
监视：WAPE/覆盖窗口，PSI特征漂移，支线延迟，生成SLA。
Alerts：错误增长>阈值、未校准的间隔、层次结构不一致。
失败安全：回滚到ETS/Seasonal Naive；假期高峰时的冻结模式。
滞后：不同的开关阈值,以免出现"闪烁"。
对账：每日/每周与财务报表重新对账。

11）工件模板

A.收入预测护照

KPI: `NET_REVENUE_EUR_v3`

地平线/步骤： 8周/天

单位： 品牌×国家×平台×渠道；reconciliation: MinT

Регрессоры: `promo_spend`, `content_event_flag`, `price_index`, `fx_rate`, `holiday`

模型： "ARIMAX_v2"+"LightGBM_Quantiles_v4"（合奏，q10/50/90）

目标： WAPE ≤ 8%（每日）、coverage 90% interval ≥ 85%

SLO： 06：00后产生≤ 10分钟；数据差≤ 1小时

所有者： 金融与增长分析；修订日期、版本

B.决策就绪报告（骨架）

标题： "收入，8周预测：q10/q50/q90"

风险： 第3周-21%的低血压（预期的shortfall-X-Y）

贡献因素： +假期,+内容活动,− FX, −取消促销活动

建议： 增加A/B国家的促销活动，转移股票，对冲外汇指数

python
1) load y = load_revenue_series(grain=['brand','country','platform','channel'], step='D')
X = load_regressors(['promo_spend','content_event','price_idx','fx_rate','holiday'])
2) features ds = make_lags(y, lags=[1,7,14,28])
ds = add_rolling_stats(ds, windows=[7,14,28])
ds = join_regressors(ds, X)
3) cv cv = rolling_backtest(ds, folds=6, horizon=28, step=7)
4) models m_baseline = ETS(). fit(ds. train)
m_gbm = LGBMQuantiles(q=[0. 1,0. 5,0. 9]). fit(ds. train)
m_arimax = ARIMAX(). fit(ds. train)
5) evaluate & ensemble scores = evaluate([m_baseline,m_gbm,m_arimax], cv, metrics=['WAPE','pinball'])
best = ensemble_quantiles([m_gbm,m_arimax])
6) reconcile & publish f = reconcile_minT(forecast(best), hierarchy=['country','brand','platform','channel'])
publish(f, sla='06:10', owners=['Finance','Growth'])

12）频繁的错误和反模式

在零/低值下使用MAPE：使用WAPE/sMAPE。
平均平均值：聚合分子/分母而不是平均段百分比。
忽略日历/内容/FX：没有回归器，预测将"失明"。
Liki：未来的fichi或火车调整后的事实。
层次结构不一致：总和不收敛→应用重新计算。
没有失败的安全性：模型在假期中"漂浮"。
缺少swerks：预测与管理/buchuchet无关。

13）发行前的支票清单

• 收入和扣除的定义已经商定和确定
• 日历/FX/反应器连接和测试
• Beizlines在反击中被击败；WAPE/覆盖目标已实现
• 校准间距；"悲观主义者/基数/乐观主义者"情景
• 分层预测一致（MinT/Top-Down）
• MLOps：时间表,监控,alerts, fail-safe, runibook
• 与金融监管/会计进行每日/每周对账
• "决策就绪"报告，其中包含一系列因素和建议

底线

收入预测是一致的定义+驱动衰减+概率和分层模型+情景和间隔+纪律严明的MLOps和对账。这样的轮廓使"按计划占卜"成为一种预算规划，营销和运营工具，具有可理解的风险成本和透明的行动。