राजस्व पूर्वानुमान

राजस्व पूर्वानुमान

राजस्व कई कारकों की बातचीत का परिणाम है: सामग्री/उत्पाद प्रस्ताव, उपयोगकर्ता व्यवहार, कीमतें और प्रचार, बाहरी स्थितियां (छुट्टियां, खेल की घटनाएं, विनिमय दर, विनियामक परि विश्वसनीय पूर्वानुमान एक "मॉडल" नहीं है, लेकिन संचालित समोच्च: परिभाषाएं → डेटा → मॉडल → परिदृश्य → ऑपरेशन → सत्यापन → सुधार।

1) कार्य विवरण

हम क्या अनुमान लगाते हैं: सकल राजस्व (जीजीआर), शुद्ध (शुद्ध), बोनस/कमीशन के बाद राजस्व, आधार मुद्रा और स्थानीय मुद्राओं में।

क्षितिज/चरण: दैनिक/साप्ताहिक/मासिक; नकद अंतराल योजना के लिए - प्रतिदिन, बजट के लिए - मासिक/तिमाही।

पूर्वानुमान इकाई: ब्रांड × देश × प्लेटफ़ॉर्म × चैनल (न्यूनतम), उसके बाद पदानुक्रम सामंजस्य।

उद्देश्य: बजट, यातायात/सामग्री खरीद, बुनियादी ढांचे की सीमा, वित्तीय वाचाएं।

त्रुटि मूल्य: पूर्वानुमान के तहत (खोई हुई मांग/पूर्वानुमान के तहत) बनाम पुन: पूर्वानुमान (अत्यधिक खरीद/पुन: वादे)।

2) वित्तीय सर्किट के साथ परिभाषाएं और समन्वय

सूत्र: GGR, नेट, कटौती (करों, बोनस, afiliat आयोगों) - शब्दार्थ परत में वर्गीकृत।

पंचांग: UTC भंडारण + स्थानीय दृश्य; छुट्टियां/वेतन दिन; खेल कार्यक्रम (यदि प्रासंगिक हो)।

एफएक्स नीति: विनिमय दर स्रोत, रूपांतरण तिथि (लेनदेन तिथि/औसत अवधि दर), एकल आधार मुद्रा।

सुलह: लेखांकन के साथ अनिवार्य सुलह प्रक्रिया (स्वीकार्य सीमा के भीतर विसंगति)।

3) ड्राइवरों पर आय का अपघटन

[
· पाठ {राजस्व} = पाठ {text {Text {Conversion} é times {Freecency} é times {time {Aurvel check}
]

ट्रैफिक/सक्रिय: उपयोक्ता/सत्र/लॉगिन।

रूपांतरण: भुगतान का अनुपात, घटनाओं को लक्षित करने के लिए सीआर।

आवृत्ति: प्रति भुगतानकर्ता/अवधि में लेनदेन की संख्या।

औसत जाँच: औसत लेनदेन राशि (बोनस/छूट पर विचार करें)।

ड्राइवरों को अलग से भविष्यवाणी करने की सिफारिश की जाती है, फिर कारकों के योगदान (योजना-तथ्य पुल) को देखने के लिए समग्र इकट्ठा करें।

4) डेटा और रजिस्टर्स

समय श्रृंखला: पूर्वानुमान इकाई द्वारा दिन/सप्ताह एकत्

• प्रोमो/बोनस (तीव्रता, प्रकार, कवरेज);
• विपणन व्यय/छाप/क्लिक;
• सामग्री घटनाओं (रिलीज, टूर्नामेंट, प्रमुख मैच);
• मूल्य/सीमा/सूची परिवर्तन
• एफएक्स/मुद्रास्फीति, मौसम/कैलेंडर (यदि प्रभावित हो);
• नियामक घटनाएं (प्रतिबंध/अपवित्रता)।
• विसंगतियाँ/एक-बंद: चिह्न, चुपचाप "चिकनी" न करें।
• कोई चेहरा नहीं: पूर्वानुमान के समय केवल उपलब्ध जानकारी का उपयोग करें।

5) सिमुलेशन

5. 1 बेसलाइन

Naive/मौसमी Naive/बहाव - ईमानदार मूल्यांकन के लिए आवश्यक।

5. 2 क्लासिक पंक्तियाँ

ETS/ARIMA/SARIMA, TBATS (कई मौसमी), पैगंबर (छुट्टियों के साथ तेजी से शुरुआत)।

5. 3 रेजिस्टर्स

ARIMAX/ETS + X, कैलेंडर और प्रोमो/FX के साथ गतिशील रीग्रेशन।

5. 4 मल्टी-सीरियन/टैबुलर

LightGBM/XGBoost/linear lags/windows/calendar के साथ;

पोर्टफोलियो और लंबे एक्स के लिए टेम्पोरल एनएन (टीएफटी, एन-बीट्स)

5. 5 संभाव्य

मात्रा प्रतिगमन (पिनबॉल), छात्र-टी/गॉसियन भविष्यवाणियां, अंतराल के लिए मात्रा पहनावा (q10/q50/q90)।

5. 6 पदानुक्रम और सुलह

strana→brend→kanal→platforma संरचना के लिए बॉटम-अप/टॉप-डाउन/मिंट।

6) आय मैट्रिक्स की विशिष्टताएं

अंश/अनुपात (मार्जिन, आयोग): मॉडल अंश/भाजक अलग से, फिर रचना करें।

आंतरायिक घटक (चार्जबैक, हाई-रोलर): क्रॉस्टन/टीएसबी, शून्य-फुलाया, मात्रा वाले व्यक्तिगत घटक।

नरभक्षण: एक नई गतिविधि/उत्पाद शुरू करते समय मॉडल क्रॉस-सेगमेंट प्रवाह (मल्टी-आउटपुट मॉडल या प्रतिबंधित रजिस्टर)।

मूल्य/बोनस द्वारा लोच: गुणांक का अनुमान लगाने के लिए लॉग-लॉग मॉडल/कारण अनुमान (DiD/SC), फिर - क्या-यदि।

7) गुणवत्ता मूल्यांकन और बैकटेस्टिंग

विभाजन: मौसमी बहुलता (सप्ताह/महीने) के साथ रोलिंग/विस्तार मूल।

स्तर मैट्रिक्स: WAPE/sMAPE (शून्य प्रतिरोधी), MAE/RMSE।

संभाव्य: पिनबॉल हानि, कवरेज 80/95% - अंतराल।

स्थिरता: खंड/अवकाश/चैनल द्वारा त्रुटियां; आउट-ऑफ-टाइम।

बेसलाइन नियम: मॉडल को प्रमुख क्षितिज पर मौसमी Naive से आगे निकलना चाहिए।

8) परिदृश्य और अनिश्चितता

मात्रा: q10/q50/q90 → "निराशावादी/आधार/आशावादी"।

परिदृश्य X: "कोई प्रोमो/एस प्रोमो", "FX" 10% "," प्रमुख घटना "," नियामक प्रतिबंध "।

मेटापारामीटर का जोखिम: लोच और मौसमी में परिवर्तन के लिए तनाव परीक्षण।

जोखिम की लागत: सशर्त कमी के अनुसार योजना (अंडर-पूर्वानुमान/पुन: पूर्वानुमान के लिए सजा असममित है)।

9) योजना-वास्तविक और कारकों का योगदान (राजस्व पुल)

पुल दिखाएं: प्रवृत्ति + मौसमी + प्रोमो + मूल्य/सीमा + एफएक्स + झटके/घटनाएं - अंतिम विचलन। यह विश्वास बढ़ाता है और कार्रवाई करने में मदद करता है (एक बजट जोड़ें, प्रोमो को स्थानांतरित करें, मूल्य निर

10) MLOps और ऑपरेशन

अनुसूची: दैनिक पूर्वानुमान - टी + 1 तक 06:00 लॉक।; साप्ताहिक - सप्ताह में समय; मासिक - T + 1/T + 3।

कलाकृतियां: फिचस्टर (ऑनलाइन/ऑफ़लाइन समता), मॉडल का रजिस्टर, आय सूत्रों के संस्करण।

निगरानी: WAPE/विंडो द्वारा कवरेज, सुविधा बहाव PSI, फ़ीड देरी, SLA पीढ़ी।

अलर्ट: त्रुटि वृद्धि> दहलीज, असंबद्ध अंतराल, पदानुक्रम टूटना।

विफल-सुरक्षित: ईटीएस/मौसमी Naive पर रोलबैक; शिखर की छुट्टियों के दौरान फ्रीज मोड।

हिस्टेरिसिस: प्रोमो रजिस्टर को चालू/बंद करने के लिए अलग-अलग थ्रेसहोल्ड ताकि "पलक" न हो।

सामंजस्य: वित्तीय विवरणों के साथ दैनिक/साप्ताहिक सामंजस्य।

11) कलाकृतियाँ पैटर्न

ए। आय पूर्वानुमान पासपोर्ट

केपीआई: 'NET _ REVENT _ EUR _ v3'

क्षितिज/चरण: 8 सप्ताह/दिन

इकाइयाँ: ब्रांड × देश × प्लेटफ़ॉर्म × चै सुलह: MinT

Регрессоры: 'प्रोमो _ खर्च', 'कंटेंट _ इवेंट _ फ्लैग', 'प्राइस _ इंडेक्स', 'fx _ रेट', 'छुट्टियां'

मॉडल: 'ARIMAX _ v2' + 'LIGGBM _ Quantiles _ v4' (पहनावा, q10/50/90)

लक्ष्य: WAPE ≤ 8% (दैनिक), कवरेज 90% -interval ≥ 85%

SLO: 06:00 के बाद पीढ़ी ≤ 10 मिनट; डेटा लॉग ≤ 1 घंटा

मालिक: वित्त और विकास विश्लेषण; संशोधन तिथि, संस्करण

बी। निर्णय के लिए तैयार रिपोर्ट (कंकाल)

शीर्षक: "राजस्व, पूर्वानुमान 8 सप्ताह: q10/q50/q90"

जोखिम: सप्ताह 3 में कमी - 21% (अपेक्षित कमी € X- € Y)

योगदान कारक: + छुट्टियां, + सामग्री घटना, FX −, − प्रोमो वापसी

सिफारिशें: ए/बी देशों में प्रोमो बढ़ाएं, स्टॉक, एफएक्स हेज को स्थानांतरित करें

सी। पाइपलाइन का छद्म कोड

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) लगातार त्रुटियां और विरोधी पैटर्न

शून्य/कम मान पर MAPE: WAPE/sMAPE का उपयोग करें।

औसत: सेगमेंट में औसत प्रतिशत के बजाय कुल अंश/भाजक।

कैलेंडर/सामग्री/एफएक्स की अनदेखी: बिना रजिस्टर के, पूर्वानुमान "फीका"।

चेहरे: ट्रेन में भविष्य या पोस्ट-फैक्टम समायोजन से सुविधाएँ।

पदानुक्रम असंगति - कुल अभिसरण नहीं करते हैं → सामंजस्य लागू करते हैं।

कोई असफल-सुरक्षित नहीं: मॉडल छुट्टियों पर "तैरता है"।

कोई सुलह नहीं: पूर्वानुमान प्रबंधन/लेखांकन के साथ फिट नहीं है।

13) प्री-रिलीज़चेकलिस्ट

• आय और कटौती की परिभाषाएं सुसंगत और वर्तमान हैं
• पंचांग/FX/Regressors जुड़ा और परीक्षण किया
• बेसलाइन बैकटेस्टिंग पर पराजित; WAPE/कवरेज लक्ष्य मिले
• अंतराल कैलिब्रेटेड हैं; निराशावादी/आधार/आशावादी परिदृश्य एकत्र किए गए
• पदानुक्रमित पूर्वानुमान सहमत (मिंट/टॉप-डाउन)
• MLOps: शेड्यूल, मॉनिटरिंग, अलर्ट, फेल-सेफ, रनिबुक
• वित्तीय पर्यवेक्षण/लेखांकन के साथ दैनिक/साप्ताहिक सामंजस्य स्थापित किए गए हैं
• कारक और सिफारिश पुल के साथ निर्णय के लिए तैयार रिपो

कुल

राजस्व पूर्वानुमान सर्वसम्मति परिभाषाएं + ड्राइवर अपघटन + रजिस्टर + संभाव्य और पदानुक्रमित मॉडल + परिदृश्य और अंतराल + अनुशासित MLOps और सामंजस्य हैं। इस तरह की रूपरेखा जोखिम और पारदर्शी कार्यों की समझने योग्य लागत के साथ बजट योजना, विपणन और संचालन के लिए एक उपकरण में "अनुसूची अनुसूची" को बदल देती है।