پیش بینی KPI

پیش بینی KPI «حدس زدن نمودار» نیست، بلکه یک حلقه کنترل شده است: داده های صحیح → یک مدل مناسب → سناریوها و تفسیر → نظارت عملیاتی. در زیر یک چک لیست سیستم و معماری است که مقیاس از سری ساده به نمونه کارها، پیش بینی سلسله مراتبی و احتمالی است.

1) بیانیه وظیفه

چه چیزی را پیش بینی می کنیم ؟ سطح، دلتا، چندک، فاصله، رویداد (سنبله).
افق/مرحله: ساعت/روز/هفته/ماه ؛ پنجره های نورد برای کنترل کوتاه مدت.
واحد: محصول/نام تجاری/کشور/پلت فرم/کانال.
زمینه کسب و کار: اهرم های کنترل شده (تبلیغی، قیمت ها، انتشار) و محدودیت ها (SLA، RG/انطباق).
ارزش ها و خطرات: هزینه دوباره/زیر پیش بینی، خوب برای هشدار نادرست است.

2) داده ها و آماده سازی

دانه و تقویم: تقویم تک (تعطیلات/تعطیلات آخر هفته/روزهای حقوق و دستمزد)، زمان محلی (UTC + نمایش های محلی).
Aggregates and consistency: DAU/WAU/MAU, GGR/Net, ARPPU, retention (D7/D30), funnel conversions, latency p95 - فروشگاه به عنوان ویترین جداگانه با فرمول صریح.
Regressors (X): تبلیغات/پاداش ها، کمپین ها، تغییرات قیمت، انتشار محتوا، رویدادهای ورزشی، نرخ ارز، آب و هوا (در صورت لزوم).
ناهنجاری ها و حذفیات: ما برچسب می زنیم، کورکورانه حذف نمی کنیم ؛ برای حوادث - «یکی کردن» پرچم.
پایداری طرح ها: نقاط تغییر نسخه/ابعاد محصول را به عنوان رویدادها ثبت می کنیم.

3) انواع KPI و ویژگی های مدل سازی

حجم افزودنی (درآمد، سپرده): ETS/ARIMA/GBM/Temporal-NN به خوبی انجام می شود.
کسرها و تبدیلها: خطوط logit، مدلهای بتا-دوجملهای، رگرسیون محدود [0,1].
ضرایب و نسبت ها (ARPPU): صورت و مخرج را به طور جداگانه مدل کنید، سپس ترکیب کنید.
سریهای متناوب (رویدادهای نادر، بازپرداخت): Croston/SBA/TSB، رویکردهای تورم صفر.
سلسله مراتب (strana → brend → kanal): آشتی: پایین به بالا، بالا به پایین، MinT.
KPI های کامپوزیت (به عنوان مثال، GGR): رانندگان جداسازی: ترافیک × تبدیل × فرکانس × بررسی متوسط.

4) مدل ها: از پایه تا پیشرفته

Baselines: ساده لوح، فصلی ساده لوح، رانش - مورد نیاز برای ارزیابی صادقانه.
سری کلاسیک: ETS/ARIMA/SARIMA ؛ پیامبر برای فصل سریع و تعطیلات.
Regressors: ARIMAX/ETS + X، رگرسیون پویا، TBATS برای چندین فصل.
افزایش گرادیان/جدول NN: LightGBM/XGBoost/TabNet با ویژگی های تاخیر، آمار پنجره، تقویم و تبلیغی.
زمان NN: N-Beats، TFT (Temporal Fusion Transformer) - برای چند سری و غنی X.
احتمالاتی: رگرسیون چندک (از دست دادن پین بال)، گاوسی/دانشجو-تی، جنگل چندک/GBM.
علیت و سناریوها: DiD/SC برای ارزیابی اثر تبلیغی ؛ بالا بردن به برنامه «چه اتفاقی می افتد اگر ما شامل».

5) تجزیه و نشانه ها

T + S + R: روند + فصلی (روز هفته/ماه/ساعت) + تعادل.

وقفهها و پنجرهها: 'y _ {t-1.. t-28}، میانگین های متحرک/std، exp. صاف کردن ؛ «تعطیلات عید»

دسته بندی: کشور/کانال/سیستم عامل به عنوان جاسازی/یک داغ.
رویدادها: انتشار/تبلیغات/آگهی ها - باینری/شدت.
کنترل نشت: فقط اطلاعات «از گذشته».

6) به ثمر رساند و backtesting

انشعابات: نورد/گسترش منشاء ؛ ما فصلی (چند هفته/ماه) را مسدود می کنیم.
معیارهای سطح: MAE، RMSE، MAPE/sMAPE، WAPE (قابل اعتماد تر در صفر).
معیارهای احتمالی: از دست دادن پین بال (q = 0. 1/0. 5/0. 9)، CRPS، کالیبراسیون فاصله (پوشش، SHARP).
معیارهای رویداد/سنبله: دقت/فراخوان در آشکارساز «تخلیه».
قانون پایه: مدل باید فصلی ساده و بی تکلف ضرب و شتم.
ثبات: واریانس خطا بر اساس بخش/تعطیلات ؛ خارج از زمان (N هفته گذشته).

7) پیش بینی سلسله مراتبی و آشتی

پایین به بالا: خلاصه «پایین» ؛ ساده اما پر سر و صدا.
بالا به پایین: سهام تاریخی را گسترش دهید.
MinT (آشتی بهینه): کوواریانس خطا را به حداقل می رساند - بهترین سازش با پایین غنی.
تمرین: ما مدل های پایه را در هر سطح آموزش می دهیم، سپس موافقت می کنیم.

8) پیش بینی و تفسیر احتمالی

Quantles: q10/q50/q90 → برنامه ریزی «بدبین/پایه/خوش بین».
فواصل: پوشش هدف (به عنوان مثال،. 80 %/95%); کالیبراسیون چک کردن.
هزینه ریسک: با توجه به کمبود VaR/مورد انتظار برای KPI ها با تلفات نامتقارن برنامه ریزی کنید (پیش بینی تقاضا گران تر از پیش بینی است و بالعکس).

9) مدل سازی سناریو

سناریوهای بیرونی: «بدون تبلیغی/تبلیغاتی»، «دوره ± 10٪»، «نهایی فوتبال».
چه می شود اگر: تغییر X (شدت کمپین، محدودیت ها، قیمت ها) → پیش بینی KPI و فواصل اطمینان.
واقعیت طرح: عوامل پل: سهم فصل، تبلیغی، قیمت، روند، شوک/حادثه.

10) حلقه تولید و MLOps

فرکانس بازآموزی: KPI های کوتاه مدت - روزانه/هفتگی ؛ ماهانه - T + 1/T + 3.
لایه ها/مصنوعات: fichestor (برابری آنلاین/آفلاین)، ثبت مدل، داده های KPI/نسخه های فرمول.
مانیتورینگ: پنجره کشویی WAPE/SMAPE، پوشش فاصله، رانش ویژگی (PSI)، تاخیر خوراک، تولید SLA.
هشدارها: اسپایک خطا> آستانه، فواصل uncalibrated، شکست فصلی.
شکست امن: تخریب → بازگشت به فصلی ساده و بی تکلف/ETS ؛ انجماد مدل ها به قله های تعطیلات.
هیسترزیس: آستانه های مختلف روشن/خاموش «regressors promo» برای جلوگیری از «چشمک زدن».

11) ویژگی محصول و iGaming-KPI (نقشه تقریبی)

ترافیک/فعالیت: DAU/WAU/MAU، از جمله روزهای بازی/انتشار بازی.
کسب درآمد: GGR/خالص، سپرده، ARPU/ARPPU - فصلی قوی شب/آخر هفته/تعطیلات.
نگهداری: D1/D7/D30 - بهتر است به عنوان یک احتمال (logit) با یک تقویم پیش بینی شود.
خطرات: نرخ بازپرداخت (متناوب)، شاخص های RG (سیاست ها/تعطیلات)، سیگنال های ضد تقلب.
عملیات: تأخیر p95/p99، خطاهای معامله - سازگار با ناهنجاری ها/تأثیرات علیت انتشار.

12) الگوهای مصنوعی

A. KPI پیش بینی گذرنامه

KPI/کد: «GGR _ EUR» (نسخه فرمول)

افق/مرحله: 8 هفته، روز

سلسله مراتب: براند → استرانا → platforma

Regressors: «promo _ spend», «fixtures _ flag», «holiday», «fx _ rate»

مدل: 'TFT _ v4' (q10/q50/q90) + آشتی MinT

معیارها: WAPE (هدف مطلق ≤ 8٪)، پوشش 90٪ - فاصله ≥ 85٪

SLO: نسل ≤ 10 دقیقه پس از 06:00 ؛ ثبت اطلاعات ≤ 1 ساعت

صاحبان: تجزیه و تحلیل کسب درآمد ؛ تاریخ تجدید نظر: 2025-10-15

B. گزارش تصمیم گیری آماده (اسکلت)

عنوان: «GGR: پیش بینی 8 هفته، q10/q50/q90»

کلید: خطر ابتلا به پیش آگهی در هفته 3 22٪ (ES = - € X)

رانندگان: + فصلی آخر هفته، + اثر تبلیغی، − FX

توصیه ها: تغییر بودجه برای هفته های کم خطر، افزایش محدودیت در کانال های A/B

C. شبه کد خط لوله (گذرا)

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) خطاهای مکرر و ضد الگوهای

MAPE در صفرها: از WAPE/sMAPE استفاده کنید.
معنی میانگین: شمارش کننده/مخرج جمع به طور جداگانه.
نادیده گرفتن تعطیلات/انتشار: اضافه کردن regressors و تاریخ «aftertaste».
چهره ها: ویژگی هایی با اطلاعات آینده (نشت هدف).
بیش از حد «هوشمند» مدل بدون پایه: اول شکست فصلی ساده لوح.
فواصل بدون کالیبره: «زیبا اما خالی» - بررسی پوشش.
ناسازگاری سلسله مراتبی: بدون آشتی، طرح کلی پراکنده است.
عدم خرابی امن: در اوج تعطیلات، مدل «آویزان»، برنامه های سقوط.

14) نظارت بر فروش

کیفیت: WAPE نورد، پین بال توسط چندک، پوشش 80/95٪.
پایداری: PSI توسط ویژگی های کلیدی، رانش فصلی.
عملیات: زمان تولید، تاخیر داده ها،٪ از folbacks.
هشدارها: «3 σ» قانون خطا، نقض SLO، شکست سلسله مراتب.
Runibook: حالت انجماد، خاموش کردن regressors «پر سر و صدا»، نیروی بیش از حد.

15) چک لیست قبل از انتشار

KPI تعریف شده و نسخه شده (لایه معنایی)
تقویم/تعطیلات/regressors تراز وسط قرار دارد و تست شده
Baselines (ساده و بی تکلف/فصلی) شکست خورده توسط backtesting
معیارهای انتخاب شده (WAPE/پین بال) و آستانه هدف
فواصل کالیبره می شوند ؛ سناریوهای بدبینانه/پایه/خوش بینانه جمع آوری شده است
سلسله مراتب موافق (MinT/بالا به پایین)
MLOps: برنامه تمرین، نظارت، هشدار، شکست امن
مستندات: گذرنامه پیش بینی، دستور العمل های SQL/ویژگی، runibook حادثه

مجموع

پیش بینی KPI یک معماری راه حل است: تعاریف روشن، تقویم غنی و regressors، خطوط صادقانه، پیش بینی های احتمالی، تراز سلسله مراتبی، MLOps پایدار و برنامه ریزی سناریو. چنین طرحی انتظارات قابل قبول، خطرات قابل کنترل و گزارش های «آماده تصمیم گیری» را فراهم می کند که به طور مستقیم برنامه ریزی، بازاریابی، عملیات و انطباق را تغذیه می کند.

پیش بینی KPI