KPI預測

KPI預測

KPI預測不是「圖形猜測」，而是受控的輪廓：正確的數據→適當的模型→場景和解釋→操作監控。下方是系統支票清單和體系結構，可從簡單系列擴展到投資組合，層次和概率預測。

1）任務設置

我們預測什麼？級別，delta，quantil，間隔，事件（spike）。
地平線/步驟：小時/天/周/月；滾動窗口用於短期控制。
單位：產品/品牌/國家/平臺/渠道。
業務背景：可管理的杠桿（促銷、價格、發行版）和限制（SLA、RG/合規性）。
價值和風險：羽毛/低風險的成本，虛假變種的罰款。

2）數據和準備

谷物和日歷：統一日歷（假期/周末/工資日），時間點（UTC+本地表示）。
聚合和一致性：DAU/WAU/MAU，GGR/Net，ARPPU，保留（D7/D30），漏鬥轉換，latency p95-作為帶有明確公式的單獨店面存儲。
回報（X）：促銷/獎金，活動，價格變化，內容發布，體育賽事，貨幣匯率，天氣（如果相關）。
異常和遺漏：標記，不要盲目移除；對於事件-單擊標誌。
電路穩定性：將產品/測量版本轉換點捕獲為事件。

3）KPI類型和建模功能

累加量（收入、存款）：ETS/ARIMA/GBM/Temporal-NN運作良好。
分數和轉換：logit標尺、beta二項式模型、約束回歸［0.1］。
系數和關系（ARPPU）：分別對分子和分母進行建模，然後進行合成。
互換行（罕見事件，chargeback）：Croston/SBA/TSB，零註入方法。

層次結構（strana→brend→kanal）： 重建：Bottom-Up, Top-Down, MinT.

復合KPI（如GGR）：不匯總驅動程序：流量×轉換×頻率×平均支票。

4）型號： 從基本到高級

Beizlines： Naive, Seasonal Naive, Drift-需要誠實評估。
系列經典：ETS/ARIMA/SARIMA；Prophet用於快速季節和假期。
回歸器：ARIMAX/ETS+X，動態回歸，TBATS用於多個季節。
梯度增強/表格NN： LightGBM/XGBoost/TabNet帶有差分、窗口統計、日歷和促銷。
Temporal NN：N-Beats，TFT（Temporal Fusion Transformer）-用於多系列和富有X。
概率：量子回歸（pinball loss），Gaussian/Student-t，量子森林/GBM。
因果關系和情景：DiD/SC評估促銷效果；uplift用於規劃「如果我們打開會發生什麼」。

5）解剖和體征

T+S+R：趨勢+季節（周日/月/小時）+余額。
瀉湖和窗戶：'y_{t-1.. t-28}'，滑動中間/std，•。平滑化；「節日的尾巴」。
分類：國家/頻道/OS為embeddings/單一熱門。
事件：版本/促銷活動/橫幅-二進制/強度。
泄漏控制：只有「來自過去」的信息。

6）評分和背景測試

拆分：滾動/擴展起源；我們阻止季節性（周/月的倍數）。
級別度量：MAE，RMSE，MAPE/sMAPE，WAPE（在零值下更可靠）。
概率度量：pinball loss（q=0。1/0.5/0.9），CRPS，間隔校準（覆蓋，SHARP）。
事件/尖峰度量：通過「彈出」檢測進行精度/回收。
Baseline規則：模特應該戰勝Seasonal Naive。
穩定性：按段/假期劃分的誤差方差；超時（最後N周）。

7）層次預測和匹配

Bottom-Up：總結「非傳染性」；很簡單，但很吵。
Top-Down：我們按歷史份額分配。
MinT （optimal reconciliation）：最大限度地減少誤差協方差-在豐富的「底層」下的最佳權衡。
實踐：在每個級別教授基本模型,然後協商。

8）概率預測和解釋

Quantili： q10/q50/q90 →計劃「悲觀主義者/基地/樂觀主義者」。
間隔：目標覆蓋率（例如80%/95%）；我們檢查校準。
風險成本：按有條件的VaR/expected shortfall規劃,用於非對稱損失的KPI（需求低負荷比過量成本高,反之亦然）。

9）場景模擬

外來場景：「無促銷/無促銷」，「± 10％的課程」，「足球決賽」。
如果是：我們改變X（活動強度，限制，價格）→ KPI預測和置信區間。
計劃事實：橋梁（橋梁）因素：季節貢獻，促銷，價格，趨勢，沖擊/事件。

10）操作電路和MLOps

再培訓頻率：短期KPI-每天/每周；每月-T+1/T+3。
圖層/工件：fichestor（聯機/離線平價）,模型註冊表,KPI數據版本/公式。
監視：WAPE/SMAPE通過滑動窗口，間隔覆蓋，特征漂移（PSI），接頭延遲，生成SLA。
Alerts：錯誤激增>閾值、未校準間隔、季節性破壞。
失靈安全：降解→回滾至季節性Naive/ETS；假日高峰期的freeze模型。
磁滯：不同的開關閾值「promo repressors」以免閃爍。

11）雜貨店和iGaming-KPI的細節（大致地圖）

流量/活動：DAU/WAU/MAU，包括比賽日/遊戲發布。
貨幣化：GGR/Net，存款，ARPU/ARPPU-強烈的季節性「晚上/周末/假期」。
保留：D1/D7/D30-最好用日歷預測概率（logit）。
風險：chargeback比率（互換），RG指標（政策/假期），反性別信號。
操作：latency p95/p99，事務錯誤-與發行版的異常/因果關系影響兼容。

12）工件模板

A. KPI預測護照

KPI/代碼： 「GGR_EUR」（公式版本）

地平線/步驟： 8周，每天

層次結構： brend→strana→platforma

回歸者： 「promo_spend」，「fixtures_flag」，「holiday」，「fx_rate」

模型： 「TFT_v4」（q10/q50/q90）+MinT重組

度量： WAPE（目標≤ 8％），覆蓋率為90％-interal ≥ 85％

SLO： 06：00 lock後產生≤ 10分鐘；數據差≤ 1小時

所有者： Monetization Analytics；審計日期：2025-10-15

B.決策就緒報告（骨架）

標題： 「GGR：預測8周，q10/q50/q90」

關鍵： 第三周出現低血壓的風險22% （ES=-X）

驅動程序： +周末季節性,+促銷效果,− FX

建議： 將預算改為低風險周，提高A/B通道的限制

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）頻繁的錯誤和反模式

空白時的MAPE：使用WAPE/sMAPE。
平均平均值：分別聚合分子/分母。
忽略假期/發行版：添加回歸和「回放」日期。
Liki：具有未來信息的fichi（目標泄漏）。
太聰明了，沒有徽章：首先擊敗Seasonal Naive。
未校準的間隔：「美麗但空虛」-檢查覆蓋範圍。
層次結構不一致：沒有重新連接，總體計劃就會崩潰。
缺失安全：在假期高峰期，模式「掛起」，計劃崩潰。

14）銷售監控

質量：WAPE滾動，分量彈球，覆蓋80/95％。
穩定性：PSI的關鍵特征，季節性漂移。
操作：生成時間，數據差，百分比後退。
Alerts：錯誤「3 σ」規則、違反SLO、層次結構不一致。
Runibuck：freeze模式，關閉「嘈雜」的回歸器，強化。

15）發行前的支票清單

• KPI定義和驗證（語義層）
• 日歷/假期/回歸者同意和測試
• Beislines（Naive/Seasonal）在背靠背測試中被擊敗
• 選擇指標（WAPE/pinball）和目標閾值
• 校準間距；「悲觀主義者/基數/樂觀主義者」情景
• 層次結構一致（MinT/Top-Down）
• MLOps：訓練時間表、監測、警報、失敗安全
• 文檔：預測護照,SQL/fiche處方,runibook事件

底線

KPI預測是一種解決方案體系結構：清晰的定義，豐富的日歷和回歸器，誠實的徽章，概率預測，分層匹配，穩定的MLOps和場景規劃。這樣的輪廓提供了合理的期望，可管理的風險和「決策就緒」報告，這些報告直接為計劃，營銷，運營和合規性提供了動力。