Lektion 1Bereitstellungserwägungen: Retraining-Frequenz, Datenpipelines, Überwachung von Drift und Backtesting von PrognosenPlanen Sie die Bereitstellung von Umsatzprognosesystemen, einschließlich Retraining-Frequenz, automatisierter Datenpipelines, Überwachung auf Daten- und Konzeptdrift sowie kontinuierliches Backtesting, um stabile Leistung unter sich ändernden Marktbedingungen zu gewährleisten.
Designing robust data pipelinesScheduling retraining and updatesMonitoring data and concept driftOngoing backtesting and benchmarkingAlerting and rollback strategiesLektion 2Prognosen an Stakeholder kommunizieren: Visualisierung von Punktprognosen und Intervallen, Szenarioanalyse, Transparenz der AnnahmenKommunizieren Sie Umsatzprognosen effektiv an Stakeholder mit klaren Visualisierungen von Punkt- und Intervallvorhersagen, Szenarioanalysen und transparenter Dokumentation von Annahmen, Einschränkungen und Modellrisiken.
Visualizing point and interval forecastsScenario and what-if analysis designExplaining drivers and key featuresDocumenting assumptions and limitsTailoring messages to stakeholdersLektion 3Maschinelle Lern-Zeitreihenmodelle: Random Forests/Gradient Boosting mit verzögerten Merkmalen, XGBoost/LightGBM und Sequenzmodelle (LSTM/GRU)Trainieren Sie maschinelle Lernmodelle für Zeitreihen-Umsatzprognosen, einschließlich Baumensembles mit verzögerten Merkmalen und Sequenzmodellen wie LSTM und GRU, unter Berücksichtigung von Nichtstationarität, Saisonalität und produktspezifischer Heterogenität.
Random forests with lagged featuresGradient boosting, XGBoost, LightGBMGlobal versus local forecasting modelsSequence models with LSTM and GRUHandling nonstationarity and scalingLektion 4Prognoseziele und Evaluationshorizonte formulieren (z. B. nächste 3, 6, 12 Monate)Definieren Sie Prognoseziele für Kernbankprodukte durch Auswahl von Vorhersagetargets, Horizonten und Granularität und richten Sie diese an Geschäftentscheidungen wie Budgetierung, Preisfestlegung, Liquiditätsplanung und regulatorische oder Risikoberichterstattung aus.
Choosing revenue targets and unitsSelecting forecast horizons and frequencyAligning forecasts with business decisionsGranularity by product, segment, and regionHandling new products and short historiesLektion 5Zeitreihendaten identifizieren und beschaffen (öffentliche Finanzreihen, Zahlungsvolumen, synthetische Generierungstechniken)Erfahren Sie, wie man Zeitreihendaten für Bank-Umsatzprognosen identifiziert, bewertet und beschafft, einschließlich interner Produktmetriken, öffentlicher Finanzreihen und synthetischer Daten, die knappe oder verrauschte historische Aufzeichnungen sicher ergänzen.
Cataloging internal product revenue seriesUsing public macro and market data sourcesCollecting payment and transaction volume dataAssessing data quality, gaps, and revisionsSynthetic data generation for stress scenariosLektion 6Training und Hyperparameter-Tuning: Grid/Random-Search, bayessche Optimierung, zeitbewusste BewertungOptimieren Sie die Modellleistung mit strukturierten Hyperparameter-Tuning-Strategien, einschließlich Grid- und Random-Search, bayesscher Optimierung und zeitbewusster Bewertung, die zeitliche Reihenfolge respektiert und sich auf geschäftskritische Horizonte konzentriert.
Defining search spaces and priorsGrid and random search trade-offsBayesian optimization workflowsTime-aware validation and scoringEarly stopping and resource limitsLektion 7Modell-Ensembling und Rekonziliation: einfacher Modell-Durchschnitt, gewichtete Ensembles, Stacking für ZeitreihenKombinieren Sie mehrere Prognosemodelle für Bank-Umsätze mit einfachen Durchschnitten, gewichteten Ensembles und Stacking und wenden Sie hierarchische Rekonziliation an, um kohärente Prognosen über Produkte, Filialen und Organisationsstufen hinweg zu gewährleisten.
Simple and weighted model averagingStacking and meta-learners for seriesDiversity and correlation among modelsHierarchical and grouped reconciliationEvaluating ensemble stability over timeLektion 8Basis-Zeitreihenmethoden: ARIMA, ETS, naive und saisonale naïve Modelle, Dekomposition (Trend/Saisonalität)Erkunden Sie Basis-Zeitreihenmodelle für Bank-Umsätze, einschließlich naiver, saisonaler naiver Modelle, ARIMA, ETS und Dekomposition, um Referenzleistung zu etablieren und Trend sowie Saisonalität zu interpretieren, bevor komplexe maschinelle Lernmodelle eingesetzt werden.
Naive and seasonal naive benchmarksClassical decomposition of trend and seasonalityARIMA modeling for bank revenue seriesExponential smoothing and ETS variantsComparing baselines across productsLektion 9Merkmalsentwicklung für Umsatz: Verzögerungen, rollende Mittelwerte/Std., Differenzierung, Kalendereffekte, Feiertagsindikatoren, Kohorteneffekte, Marketing-/Kampagnen-FlagsEntwickeln Sie prädiktive Merkmale für Bank-Umsätze, einschließlich Verzögerungen, rollender Mittelwerte/Std.-Abweichungen, Differenzierung, Kalendereffekte, Feiertagsindikatoren, Kohorteneffekte und Marketing-/Kampagnen-Flags, die Nachfrageschübe und Strukturbrüche erfassen.
Lag and lead features for revenueRolling means, volatility, and ratiosCalendar, holiday, and payday effectsCohort and lifecycle based featuresMarketing and campaign impact flagsLektion 10Datensplitting und Cross-Validation für Zeitreihen: Train/Validation/Test-Splits, erweiterndes Fenster-CV, blockierte CVEntwerfen Sie zeitbewusste Datensplits und Cross-Validation-Schemata für Umsatzprognosen, einschließlich rollender und blockierter Ansätze, um Lecks zu vermeiden, Produktionsnutzung nachzuahmen und zuverlässige Schätzungen der Modellleistung über die Zeit zu erhalten.
Holdout train, validation, and test splitsRolling and expanding window validationBlocked cross-validation for seasonalityPreventing temporal leakage in featuresBacktesting over multiple forecast originsLektion 11Evaluationsmetriken und Fehleranalyse: MAE, RMSE, MAPE, symmetrisches MAPE, Vorhersageintervalle und AbdeckungEvaluieren Sie Umsatzprognosen mit Metriken wie MAE, RMSE, MAPE, symmetrischem MAPE und Intervallabdeckung und führen Sie detaillierte Fehleranalysen nach Segment, Horizont und Regime durch, um Bias und Modellschwächen aufzudecken.
Scale-dependent error metricsPercentage and relative error metricsPrediction intervals and coverageHorizon and segment level diagnosticsRegime and event-driven error analysisLektion 12Makro- und externe Regressoren: VPI, Arbeitslosigkeit, Zinsen, Mobilität, Google Trends nutzen; Merkmalsauswahl und VerzögerungsausrichtungIntegrieren Sie makroökonomische und externe Regressoren in Umsatzmodelle, wie VPI, Arbeitslosigkeit, Zinsen, Mobilität und Google Trends, und lernen Sie Techniken für Verzögerungsausrichtung, Skalierung und Merkmalsauswahl, um Overfitting zu vermeiden.
Selecting relevant macro indicatorsAligning lags between macro and revenueTransforming and scaling external dataFeature selection and regularizationStress and scenario overlays with macros
