KPI予測

KPI予測

KPI予測は「グラフの推測」ではなく、制御されたループです。正しいデータ→適切なモデル→シナリオと解釈→運用監視。以下は、シンプルなシリーズからポートフォリオ、階層予測、確率予測にスケーリングするシステムチェックリストとアーキテクチャです。

1）タスクステートメント

私たちは何を予測しますか？レベル、デルタ、quantile、間隔、でき事（スパイク）。
地平線/ステップ：時間/日/週/月；短期制御のための圧延窓。
単位：プロダクト/ブランド/国/プラットホーム/チャネル。
ビジネスコンテキスト：制御レバー（プロモーション、価格、リリース）と制限（SLA、 RG/コンプライアンス）。
値とリスク：再予測/未予測のコスト、偽のアラートには問題ありません。

2）データと準備

穀物とカレンダー：単一のカレンダー（休日/週末/給与日）、時間ロケール（UTC+ローカルビュー）。
集計と整合性：DAU/WAU/MAU、 GGR/Net、 ARPPU、リテンション（D7/D30）、ファネル変換、レイテンシp95-明示的な数式を持つ個別のショーケースとして保存します。
Regressors （X）：プロモーション/ボーナス、キャンペーン、価格変更、コンテンツリリース、スポーツイベント、為替レート、天気（関連する場合）。
異常および省略：私達は、盲目的に取除かないで分類します；イベントの場合-「one-off」フラグ。
スキームの安定性：製品バージョン/寸法の変更点をイベントとして記録します。

3） KPIタイプとモデリング機能

付加的な容積（収入、沈殿物）：ETS/ARIMA/GBM/Temporal-NNはよく機能します。
分数と変換：ロジットライン、ベータ二項モデル、制限回帰［0,1］。
係数と比率（ARPPU）：分子と分母を別々にモデル化し、次に組成をモデル化します。
断続シリーズ（レアイベント、チャージバック）：クロストン/SBA/TSB、ゼロインフレーテッドアプローチ。
階層（strana→brend→kanal）：和解：ボトムアップ、トップダウン、MinT。
複合KPI（例えば、GGR）：分散ドライバ：トラフィック×変換×周波数×平均チェック。

4）モデル： 基本から高度へ

ベースライン：ナイーブ、季節のナイーブ、ドリフト-正直な評価に必要です。
シリーズクラシック：ETS/ARIMA/SARIMA；早い季節と休日のための預言者。
リグレッサー：ARIMAX/ETS+X、動的回帰、複数の季節のTBATS。
グラデーションブースト/表形式NN： LightGBM/XGBoost/TabNet、ラグ機能、ウィンドウ統計、カレンダー、プロモーション。
Temporal NN： Nビート、TFT （Temporal Fusion Transformer）-マルチシリーズおよびリッチX用。
確率：クオンタイル回帰（ピンボール損失）、ガウス/学生t、クオンタイル森林/GBM。
因果関係とシナリオ：プロモーション効果を評価するDiD/SC；「私たちが含めるとどうなるか」をスケジュールするためのアップリフト。

5）分解および印

T+S+R：トレンド+季節性（曜日/月/時間）+バランス。
ラグとウィンドウ：'y_{t-1。。t-28}'、移動平均/std、 exp。平滑化；「休日の尾」。
カテゴリー：埋め込み/ワンホットとしての国/チャネル/OS。
イベント：リリース/プロモーション/バナー-バイナリ/強度。
リークコントロール：過去からの情報のみ。

6）スコアリングとバックテスト

分割：転がり/拡大の原点；季節性（複数週/月）をブロックします。
レベルメトリック：MAE、 RMSE、 MAPE/sMAPE、 WAPE（ゼロでより信頼性の高い）。
確率的指標：ピンボール損失（q=0。1/0.5/0.9）、 CRPSの間隔の口径測定（適用範囲、SHARP）。
イベント/スパイクメトリクス：「イジェクション」検出器の精度/リコール。
ベースラインルール：モデルはSeasonal Naiveに勝つ必要があります。
安定性：区分/休日による誤差；時間外（最後のN週間）。

7）階層的予測と和解

ボトムアップ：「ボトム」を要約します。シンプルだが騒々しい。
トップダウン：歴史的な株式に広がる。
MinT（最適な和解）：エラーの共分散を最小限に抑えます。
練習：各レベルで基本的なモデルを訓練し、同意します。

8）確率的な予測と解釈

Quantiles： q10/q50/q90→planning 「pessimist/base/optimist」。
間隔：ターゲットカバレッジ（例：80 %/95%);キャリブレーションのチェック。
リスクのコスト：非対称損失のあるKPIの条件付きVaR/予想不足に応じて計画する（需要予測は予測よりも高価であり、その逆もあります）。

9）シナリオモデリング

外因性シナリオ：「no promo/s promo」、 「course ± 10％」、 「football final」。
What-if： change X（キャンペーンの強度、限度、価格）→KPI予測と信頼区間。
プランファクト：ブリッジファクター：季節の貢献、プロモーション、価格、トレンド、ショック/インシデント。

10）生産ループおよびMLOps

再トレーニング頻度：短期KPI-毎日/毎週；毎月-T+1/T+3。
レイヤー/アーティファクト：fichestor（オンライン/オフラインのパリティ）、モデルレジスタ、KPIデータ/数式バージョン。
モニタリング：WAPE/SMAPEスライディングウィンドウ、インターバルカバレッジ、フィーチャードリフト（PSI）、フィード遅延、SLA生成。
アラート：error spike> threshold、 uncalibrated intervals、 seasonality breakdown。
フェイルセーフ：劣化→季節のナイーブ/ETSへのロールバック；休日のピークに凍結モデル。
ヒステリシス：「点滅」を避けるために「プロモリグレッサー」の異なるオン/オフしきい値。

11）製品およびiGaming-KPIの特異性（おおよその地図）

トラフィック/アクティビティ：試合日/ゲームリリースを含むDAU/WAU/MAU。
収益化：GGR/ネット、預金、ARPU/ARPPU-強い夜/週末/休日の季節性。
保持：D1/D7/D30-カレンダーで確率（ロジット）として予測することをお勧めします。
リスク：チャージバック率（断続的）、RG指標（ポリシー/休日）、不正防止信号。
操作：遅延p95/p99、トランザクションエラー-リリースの異常/因果関係と互換性があります。

12）アーティファクトパターン

A。 KPI予報パスポート

KPI/コード： 'GGR_EUR'（数式バージョン）

地平線/ステップ： 8週間、日

階層： brend→strana→platforma

Regressors： 'promo_spay'、 'fixtures_flag'、 'holiday'、 'fx_rate'

モデル： 'TFT_v4' （q10/q50/q90）+MinT和解

メトリクス： WAPE（絶対ターゲット≤ 8％）、カバレッジ90％-間隔≥ 85％

SLO： 06：00の後の生成≤ 10分；データログ≤ 1時間

所有者： 収益化アナリティクス；リビジョンの日付：2025-10-15

B。 Decision-readyレポート（スケルトン）

見出し： 「GGR：予測8週間、q10/q50/q90」

キー： 週3 22％で予後不良のリスク（ES=-€X）

ドライバー： +週末の季節性、+プロモーションエフェクト、FX −

推奨事項： 低リスク週間のシフト予算、A/Bチャネルの上限を引き上げる

パイプラインの疑似コード（トランジェント）

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）頻繁な間違いおよび反パターン

0のMAPE： WAPE/sMAPEを使用します。
平均：集計数値/分母を別々に意味します。
休日/リリースを無視する：リグレッサーと「後味」の日付を追加します。
顔：将来の情報（ターゲット漏洩）を持つ機能。
ベースラインなしであまりにも「スマート」モデル：最初の敗北Seasonal Naive。
改ざんされていない間隔：「美しいが空」-カバレッジをチェックしてください。
階層の矛盾：和解がなければ、全体の計画は散らばっています。
フェイルセーフの欠如：休日のピーク時に、モデルは「ハング」、計画が崩壊します。

14）販売におけるモニタリング

質：WAPEの圧延、quantileによるピンボール、適用範囲80/95％。
安定性：主な属性によるPSI、季節性ドリフト。
操作：生成時間、データラグ、フォールバックの％。
アラート：エラーの「3 σ」ルール、SLO違反、階層の内訳。
Runibook：フリーズモード、「騒々しい」リグレッサー、フォースオーバードーンをオフにします。

15）プレリリースのチェックリスト

• KPI定義とバージョン管理（セマンティックレイヤー）
• カレンダー/休日/リグレッサーの整列とテスト
• ベースライン（ナイーブ/季節）バックテストで敗れた
• 選択したメトリック（WAPE/ピンボール）とターゲットのしきい値
• 間隔は目盛りが付いています；悲観的/ベース/楽観的なシナリオを収集
• 階層が同意する（MinT/トップダウン）
• MLOps：ワークアウトスケジュール、モニタリング、アラート、フェイルセーフ
• ドキュメンテーション：予測パスポート、SQL/フィーチャーレシピ、 インシデントrunibook

合計

KPI予測は、明確な定義、豊富なカレンダーとリグレッサー、正直なベースライン、確率的予測、階層的アライメント、安定したMLOps、シナリオ計画などのソリューションアーキテクチャです。このようなアウトラインは、計画、マーケティング、運用、コンプライアンスを直接提供する、妥当な期待、管理可能なリスク、および「意思決定の準備ができた」レポートを提供します。