收入預測

收入預測

收入是多種因素相互作用的結果：內容/產品供應，用戶行為，價格和促銷，外部條件（假期，體育活動，貨幣匯率，監管變化）。可靠的預測不是一個「模型」，而是受控的輪廓：定義→數據→模型→情景→操作→對賬→改進。

1）任務設置

預計為：毛收入（GGR），凈收入（Net），獎金/傭金後的收入，基本貨幣和本地貨幣。
地平線/步驟：每日/每周/每月；用於計劃票房缺口-白天，預算-月/季度。
預測單位：品牌×國家×平臺×渠道（最低），然後在層次結構上達成一致。
目的：預算編制，流量/內容采購，基礎設施限制，財務契約。
錯誤價格：過度疲勞（錯過需求/不適應）與過度疲勞（不必要的采購/重新安排）。

2）定義並與財務回路保持一致

公式：GGR，Net，扣除（稅收，獎金，Athiliate傭金）-在語義層中轉換。
日歷：UTC存儲+本地視圖；假日/工資日；體育賽程（如果相關）。
外匯政策：匯率來源，轉換日期（交易日期/期中匯率），單一基準貨幣。
對賬：與會計的強制性重新分配程序（在允許的範圍內存在差異）。

3）對司機的收入解構

[
\text{收入}=\text {流量}\times\text {轉換}\times\text {頻率}\times\text {Middle Check}
]

流量/活動：用戶/會議/登錄。
轉換：付費的比例，CR到目標事件。
頻率：支付期/支付期的交易數量。
平均支票：平均交易金額（考慮獎金/折扣）。

建議分別預測驅動程序，然後收集復合材料以查看因素的貢獻（計劃-事實橋）。

4）數據和回歸器

時間序列：按預測單位計算的白天/周總量。

• 促銷/獎金（強度、類型、覆蓋範圍）；
• 營銷成本/壓制/點擊；
• 內容內容（版本，錦標賽，主要比賽）；
• 價格/限額/目錄變動；
• FX/通脹，天氣/日歷（如果受到影響）；
• 監管事件（限制/解凍）。
• 異常/單次關閉：標記，不要默默地「平滑」。
• 缺失：僅使用預測時可用的信息。

5）建模

5.1個Beislines

Naive/Seasonal Naive/Drive-誠實評估是強制性的。

5.2經典行列

ETS/ARIMA/SARIMA，TBATS（多季節），Prophet（假期快速開始）。

5.3 Repressors

ARIMAX/ETS+X，日歷動態回歸和促銷/FX。

5.4多敘利亞/表格

LightGBM/XGBoost/帶有滯後/窗口/日歷的線性；

投資組合和長X的節奏NN（TFT，N-Beats）。

5.5概率

量子回歸（pinball），Student-t/Gaussian預測，區間量子集合（q10/q50/q90）。

5.6層次結構和匹配

strana→brend→kanal→platforma結構的Bottom-Up/Top-Down/MinT（最佳錯誤匹配）。

6）具體收入指標

分數/比率（保證金，傭金）：分別對分子/分母進行建模，然後進行合成。
互換組件（chargeback，high-roller）：Croston/TSB，零註入，帶有分量的單個組件。
自相殘殺：在推出新促銷活動/產品時,模擬各細分市場（多市場模型或受限回歸器）之間的流動。
按價格/獎金計算的彈性：用於系數估計的模型日誌記錄/銅鑼估值（DiD/SC），然後是什麼。

7）質量評估和背景測試

分割：滾動/外帶起源的季節性倍數（周/月）。
級別指標：WAPE/sMAPE（耐零），MAE/RMSE。

概率： pinball loss, coverage 80/95% interval.

穩定性： 細分/假期/頻道錯誤；out-of-time.

徽章規則：模型必須在關鍵水平上超越Seasonal Naive。

8）情景和不確定性

Quantili： q10/q50/q90 →「悲觀主義者/基數/樂觀主義者」。
情景X：「無促銷/無促銷」，「FX ± 10%」，「主要活動」，「監管限制」。
元參數風險：彈性和季節性變化的壓力測試。
風險成本：通過有條件的短途計劃計劃（對低負荷/過重負荷的懲罰是不對稱的）。

9）計劃事實和因素的貢獻（收入橋）

展示橋梁：趨勢+季節性+促銷+價格/限值+FX+沖擊/事件→最終偏差。這增強了信心，並有助於采取行動（增加預算，轉移促銷活動，改變價格）。

10） MLOps和操作

日程安排：每日預測-T+1至06：00 lock。每周一次，每周一次；每月-T+1/T+3。
工件：fichestor（在線/線下平價），模型註冊表，收入公式版本。
監視：WAPE/覆蓋窗口，PSI特征漂移，支線延遲，生成SLA。
Alerts：錯誤增長>閾值、未校準的間隔、層次結構不一致。
失敗安全：回滾到ETS/Seasonal Naive；假期高峰時的凍結模式。
滯後：不同的開關閾值,以免出現「閃爍」。
對賬：每日/每周與財務報表重新對賬。

11）工件模板

A.收入預測護照

KPI: `NET_REVENUE_EUR_v3`

地平線/步驟： 8周/天

單位： 品牌×國家×平臺×渠道；reconciliation: MinT

Регрессоры: `promo_spend`, `content_event_flag`, `price_index`, `fx_rate`, `holiday`

模型： 「ARIMAX_v2」+「LightGBM_Quantiles_v4」（合奏，q10/50/90）

目標： WAPE ≤ 8%（每日）、coverage 90% interval ≥ 85%

SLO： 06：00後產生≤ 10分鐘；數據差≤ 1小時

所有者： 金融與增長分析；修訂日期、版本

B.決策就緒報告（骨架）

標題： 「收入，8周預測：q10/q50/q90」

風險： 第3周-21%的低血壓（預期的shortfall-X-Y）

貢獻因素： +假期,+內容活動,− FX, −取消促銷活動

建議： 增加A/B國家的促銷活動，轉移股票，對沖外匯指數

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）頻繁的錯誤和反模式

在零/低值下使用MAPE：使用WAPE/sMAPE。
平均平均值：聚合分子/分母而不是平均段百分比。
忽略日歷/內容/FX：沒有回歸器，預測將「失明」。
Liki：未來的fichi或火車調整後的事實。
層次結構不一致：總和不收斂→應用重新計算。
沒有失敗的安全性：模型在假期中「漂浮」。
缺少swerks：預測與管理/buchuchet無關。

13）發行前的支票清單

• 收入和扣除的定義已經商定和確定
• 日歷/FX/反應器連接和測試
• Beizlines在反擊中被擊敗；WAPE/覆蓋目標已實現
• 校準間距；「悲觀主義者/基數/樂觀主義者」情景
• 分層預測一致（MinT/Top-Down）
• MLOps：時間表,監控,alerts, fail-safe, runibook
• 與金融監管/會計進行每日/每周對賬
• 「決策就緒」報告，其中包含一系列因素和建議

底線

收入預測是一致的定義+驅動衰減+概率和分層模型+情景和間隔+紀律嚴明的MLOps和對賬。這樣的輪廓使「按計劃占蔔」成為一種預算規劃，營銷和運營工具，具有可理解的風險成本和透明的行動。