پیش بینی درآمد

پیش بینی درآمد

درآمد نتیجه تعامل بسیاری از عوامل است: پیشنهادات محتوا/محصول، رفتار کاربر، قیمت ها و تبلیغات، شرایط خارجی (تعطیلات، رویدادهای ورزشی، نرخ ارز، تغییرات نظارتی). پیش بینی قابل اعتماد یک «مدل» نیست، بلکه کانتور عمل می کند: تعاریف → داده ها → سناریو → عملیات → بهبود

1) بیانیه وظیفه

آنچه ما پیش بینی می کنیم: درآمد ناخالص (GGR)، خالص (خالص)، درآمد پس از پاداش/کمیسیون، ارز پایه و ارزهای محلی.
افق/مرحله: روزانه/هفتگی/ماهانه ؛ برای برنامه ریزی شکاف نقدی - روزانه، برای بودجه - ماهانه/سه ماهه.
واحد پیش بینی: نام تجاری × کشور × پلت فرم × کانال (حداقل)، به دنبال آشتی سلسله مراتب.
هدف: بودجه بندی، ترافیک/تهیه محتوا، محدودیت های زیرساختی، میثاق های مالی.
قیمت خطا: تحت پیش بینی (تقاضای از دست رفته/تحت پیش بینی) در مقابل پیش بینی مجدد (خرید بیش از حد/دوباره وعده).

2) تعاریف و هماهنگی با مدار مالی

فرمول: GGR، خالص، کسر (مالیات، پاداش، کمیسیون afiliat) - نسخه در لایه معنایی.

تقویم: ذخیره سازی UTC + نمایش های محلی ؛ روزهای تعطیل/حقوق و دستمزد ؛ برنامه های ورزشی (در صورت لزوم)

سیاست FX: منبع نرخ ارز، تاریخ تبدیل (تاریخ معامله/نرخ متوسط دوره)، ارز تک پایه.
آشتی: روش آشتی اجباری با حسابداری (اختلاف در محدوده قابل قبول).

3) کاهش درآمد رانندگان

[
\ text {Revenue} =\text {Traffic }\times\text {Conversion }\times\text {Frequency }\times\text {Average check}
]

ترافیک/فعال: کاربران/جلسات/ورود.
تبدیل: نسبت پرداخت، CR به رویدادهای هدف.
فرکانس: تعداد معاملات در هر پرداخت کننده/دوره.
بررسی متوسط: میانگین مبلغ معامله (پاداش/تخفیف را در نظر بگیرید).

توصیه می شود رانندگان را به طور جداگانه پیش بینی کنید، سپس کامپوزیت را جمع آوری کنید تا سهم عوامل (پل طرح واقعیت) را ببینید.

4) داده ها و regressors

سری زمانی: مجموع روز/هفته توسط واحد پیش بینی.

• تبلیغی/پاداش (شدت, نوع, پوشش);
• هزینه های بازاریابی/برداشت/کلیک ؛
• رویدادهای محتوا (انتشار، مسابقات، مسابقات بزرگ) ؛
• تغییرات قیمت/محدودیت/کاتالوگ
• FX/تورم، آب و هوا/تقویم (اگر تحت تاثیر قرار) ؛
• رویدادهای نظارتی (محدودیت/یخ زدایی).
• ناهنجاری/یک خاموش: علامت، «صاف» در سکوت نیست.
• بدون چهره: فقط از اطلاعات موجود در زمان پیش بینی استفاده کنید.

5) شبیه سازی

5. 1 خطوط پایه

ساده و بی تکلف/فصلی ساده و بی تکلف/رانش - مورد نیاز برای ارزیابی صادقانه.

5. 2 ردیف کلاسیک

ETS/ARIMA/SARIMA، TBATS (چند فصلی)، پیامبر (شروع سریع با تعطیلات).

5. 3 Regressors

ARIMAX/ETS + X، رگرسیون پویا با تقویم و تبلیغی/FX.

5. 4 چند سوری/جدول

LightGBM/XGBoost/خطی با عقب/ویندوز/تقویم ؛

NN زمانی (TFT، N-Beats) برای اوراق بهادار و X طولانی.

5. 5 احتمالی

رگرسیون چندک (پین بال)، پیش بینی دانشجو-t/گاوسی، گروه چندک برای فواصل (q10/q50/q90).

5. 6 سلسله مراتب و آشتی

پایین به بالا/بالا به پایین/MinT برای strana → brend → kanal → ساختار پلت فرم.

6) مشخصات معیارهای درآمد

کسری/نسبت (حاشیه، کمیسیون): مدل صورت کسر/مخرج به طور جداگانه، و سپس نوشتن.
اجزای متناوب (شارژ، غلتک بالا): Croston/TSB، صفر متورم، اجزای فردی با چندک.
Cannibalization: مدل جریانهای مقطعی (مدلهای چند خروجی یا regressors محدود) هنگام شروع یک فعالیت/محصول جدید.
کشش با قیمت/پاداش: مدل ورود به سیستم/تخمین علی (DiD/SC) برای برآورد ضرایب، پس از آن - چه اگر.

7) ارزیابی کیفیت و backtesting

انشعابات: نورد/گسترش منشاء با تعدد فصلی (هفته/ماه).
معیارهای سطح: WAPE/sMAPE (مقاومت صفر)، MAE/RMSE.
احتمالی: از دست دادن پین بال، پوشش 80/95٪ - فواصل.
ثبات: خطاهای بخش/تعطیلات/کانال ؛ خارج از زمان.
قانون پایه: مدل باید فصلی ساده و بی تکلف در افق های کلیدی پیشی بگیرد.

8) سناریوها و عدم اطمینان

Quantles: q10/q50/q90 → «بدبین/پایه/خوش بین».
سناریوهای X: «بدون تبلیغی/تبلیغی»، «FX ± 10٪»، «رویداد بزرگ»، «محدودیت های قانونی».

خطر metaparameters: آزمون استرس برای تغییرات در کشش و فصلی

هزینه ریسک: با توجه به کمبود مشروط برنامه ریزی کنید (مجازات برای پیش بینی/پیش بینی مجدد نامتقارن است).

9) طرح واقعی و سهم عوامل (پل درآمد)

پل را نشان دهید: روند + فصلی + تبلیغی + قیمت/محدودیت + FX + شوک/حوادث → انحراف نهایی. این اعتماد را افزایش می دهد و به اقدام (اضافه کردن بودجه، حرکت تبلیغی، تغییر قیمت گذاری) کمک می کند.

10) MLOps و عملیات

برنامه: پیش بینی روزانه - T + 1 تا 06:00 قفل. هفتگی - N بار در هفته ؛ ماهانه - T + 1/T + 3.
مصنوعات: fichestor (برابری آنلاین/آفلاین)، ثبت نام از مدل ها، نسخه های فرمول درآمد.
نظارت: WAPE/پوشش توسط پنجره، ویژگی PSI رانش، تاخیر خوراک، نسل SLA.
هشدارها: رشد خطا> آستانه، فواصل نامنظم، شکست سلسله مراتب.
Fail-safe: بازگشت به ETS/فصلی ساده و بی تکلف ؛ حالت انجماد در طول تعطیلات اوج.
Hysteresis: آستانه های مختلف برای روشن/خاموش کردن regressors تبلیغاتی به طوری که به «چشمک زدن».
آشتی: آشتی روزانه/هفتگی با صورتهای مالی.

11) الگوهای مصنوعی

A. پیش بینی درآمد گذرنامه

KPI: «NET _ REVENUE _ EUR _ v3»

افق/مرحله: 8 هفته/روز

واحد: نام تجاری × کشور × پلت فرم × کانال ؛ آشتی: MinT

Регрессоры: 'promo _ spend', 'content _ event _ flag', 'price _ index', 'fx _ rate', 'holiday'

مدل ها: 'ARIMAX _ v2' + 'LightGBM _ چندک _ v4' (گروه، q10/50/90)

اهداف: WAPE ≤ 8٪ (روزانه)، پوشش 90٪ -بین ≥ 85٪

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

صاحبان: تجزیه و تحلیل مالی و رشد ؛ تاریخ تجدید نظر, نسخه

B. گزارش تصمیم گیری آماده (اسکلت)

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

خطرات: کمبود در هفته 3 - 21٪ (کمبود مورد انتظار € X- € Y)

عوامل موثر: + تعطیلات، + رویداد محتوا، − FX، − برداشت تبلیغاتی

توصیه ها: افزایش تبلیغی در کشورهای A/B، حرکت سهام، FX پرچین

C. شبه کد خط لوله

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) خطاهای مکرر و ضد الگوهای

MAPE در مقادیر صفر/پایین: از WAPE/sMAPE استفاده کنید.
میانگین: صورت کسر/مخرج جمع به جای میانگین درصد در بخش.
نادیده گرفتن تقویم/محتوا/FX: بدون regressors، پیش بینی «محو».
چهره ها: ویژگی های آینده یا تنظیمات پس از واقعیت در قطار.
ناسازگاری سلسله مراتب - مجموع همگرا نیست → اعمال آشتی.
بدون خرابی امن: مدل «شناور» در تعطیلات.
بدون مصالحه: پیش بینی با مدیریت/حسابداری مناسب نیست.

13) چک لیست قبل از انتشار

• تعاریف درآمد و کسر سازگار و نسخه هستند
• تقویم/FX/Regressors متصل و آزمایش شده است
• Baselines شکست در backtesting; اهداف WAPE/پوشش ملاقات کرد
• فواصل کالیبره می شوند ؛ سناریوهای بدبینانه/پایه/خوش بینانه جمع آوری شده است
• پیش بینی سلسله مراتبی توافق (MinT/بالا به پایین)
• MLOps: برنامه، نظارت، هشدار، شکست امن، runibook
• آشتی روزانه/هفتگی با نظارت مالی/حسابداری راه اندازی
• گزارش تصمیم گیری آماده با عامل و پل توصیه

مجموع

پیش بینی درآمد تعاریف اجماع + تجزیه راننده + regressors + مدل های احتمالی و سلسله مراتبی + سناریوها و فواصل + MLOps منظم و آشتی. چنین طرحی «پیشگویی برنامه» را به ابزاری برای برنامه ریزی بودجه، بازاریابی و عملیات با هزینه قابل درک ریسک و اقدامات شفاف تبدیل می کند.