שיעור 1שיקולים להטמעה: קצב אימון מחדש, צינורות נתונים, ניטור סטייה ובדיקות אחוריותתכנון הטמעת מערכות חיזוי הכנסות, כולל קצב אימון מחדש, צינורות נתונים אוטומטיים, ניטור סטייה של נתונים וסטייה קונספטואלית ובדיקות אחוריות רציפות כדי להבטיח ביצועים יציבים בתנאי שוק משתנים.
Designing robust data pipelinesScheduling retraining and updatesMonitoring data and concept driftOngoing backtesting and benchmarkingAlerting and rollback strategiesשיעור 2תקשורת תחזיות לבעלי עניין: ויזואליזציה של תחזיות נקודתיות ומרווחים, ניתוח תרחישים, שקיפות הנחותתקשורת תחזיות הכנסות באופן יעיל לבעלי עניין באמצעות ויזואליזציות ברורות של תחזיות נקודתיות ומרווחים, ניתוח תרחישים ותיעוד שקוף של הנחות, מגבלות ושיקולי סיכון מודל.
Visualizing point and interval forecastsScenario and what-if analysis designExplaining drivers and key featuresDocumenting assumptions and limitsTailoring messages to stakeholdersשיעור 3מודלי למידת מכונה לסדרות זמן: יערות אקראיים/שיפור גרדיאנט עם מאפייני השהיה, XGBoost/LightGBM, מודלי רצף (LSTM/GRU)אימון מודלי למידת מכונה לחיזוי סדרות זמן של הכנסות, כולל יערות אקראיים עם מאפייני השהיה ומודלי רצף כמו LSTM ו-GRU, תוך טיפול באי-תחנותיות, עונתיות והטרוגניות ברמת מוצר.
Random forests with lagged featuresGradient boosting, XGBoost, LightGBMGlobal versus local forecasting modelsSequence models with LSTM and GRUHandling nonstationarity and scalingשיעור 4ניסוח יעדי חיזוי ואופקי הערכה (למשל, 3, 6, 12 חודשים הבאים)הגדרת יעדי חיזוי למוצרי בנק ליבה בבחירת יעדי חיזוי, אופקים ורמת פירוט, והתאמתם להחלטות עסקיות כמו תקציב, תמחור, תכנון נזילות ודיווח רגולטורי או ניהול סיכונים.
Choosing revenue targets and unitsSelecting forecast horizons and frequencyAligning forecasts with business decisionsGranularity by product, segment, and regionHandling new products and short historiesשיעור 5זיהוי ומקור נתוני סדרות זמן (סדרות פיננסיות ציבוריות, נפחי תשלומים, טכניקות יצירת נתונים סינתטיים)למידה כיצד לזהות, להעריך ולמקור נתוני סדרות זמן לחיזוי הכנסות בנקאיות, כולל מדדים פנימיים של מוצרים, סדרות פיננסיות ציבוריות ונתונים סינתטיים שמרחיבים בצורה בטוחה רשומות היסטוריות דלות או רועשות.
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 scenariosשיעור 6אימון וכוונון היפר-פרמטרים: חיפוש רשת/אקראי, אופטימיזציה בייסיאנית, ציון מודע-זמןאופטימיזציה של ביצועי מודל באמצעות אסטרטגיות כוונון היפר-פרמטרים מובנות, כולל חיפוש רשת ואקראי, אופטימיזציה בייסיאנית וציון מודע-זמן שמכבד סדר זמני ומתמקד באופקים קריטיים לעסק.
Defining search spaces and priorsGrid and random search trade-offsBayesian optimization workflowsTime-aware validation and scoringEarly stopping and resource limitsשיעור 7אנסמבל מודלים והתאמה: ממוצע מודלים פשוט, אנсамבלים משוקללים, סטאקינג לסדרות זמןשילוב מספר מודלי חיזוי להכנסות בנקאיות באמצעות ממוצעים פשוטים, אנсамבלים משוקללים וסטאקינג, והחלה התאמה היררכית כדי להבטיח תחזיות קוהרנטיות על פני מוצרים, סניפים ורמות ארגוניות.
Simple and weighted model averagingStacking and meta-learners for seriesDiversity and correlation among modelsHierarchical and grouped reconciliationEvaluating ensemble stability over timeשיעור 8שיטות סדרות זמן בסיסיות: ARIMA, ETS, מודלים נאיביים ועונתיים, פירוק (מגמה/עונתיות)סקירת מודלי סדרות זמן בסיסיים להכנסות בנקאיות, כולל נאיביים, נאיביים עונתיים, ARIMA, ETS ופירוק, כדי לקבוע ביצועי ייחוס ולפרש מגמות ועונתיות לפני שימוש במודלי למידת מכונה מורכבים.
Naive and seasonal naive benchmarksClassical decomposition of trend and seasonalityARIMA modeling for bank revenue seriesExponential smoothing and ETS variantsComparing baselines across productsשיעור 9הנדסת מאפיינים להכנסות: השהיות, ממוצעים/סטיות גלגלים, הפרשיות, השפעות לוח שנה, מדדי חגים, השפעות קוהורט, דגלי שיווק/קמפייניםהנדסת מאפיינים חזויים להכנסות בנקאיות, כולל השהיות, ממוצעים/סטיות גלגלים, הפרשיות, השפעות לוח שנה, מדדי חגים, השפעות קוהורט, דגלי שיווק/קמפיינים שתופסים שינויי ביקוש ושברים מבניים.
Lag and lead features for revenueRolling means, volatility, and ratiosCalendar, holiday, and payday effectsCohort and lifecycle based featuresMarketing and campaign impact flagsשיעור 10פיצול נתונים ואימות צלבי לסדרות זמן: פיצולים אימון/אימות/בדיקה, חלון גלגל CV, CV חסוםתכנון פיצול נתונים ואימות צלבי לסדרות זמן לחיזוי הכנסות, כולל גישות גלגלות וחסומות, כדי למנוע דליפה, לחקות שימוש בפרודקשן ולקבל הערכות אמינות של ביצועי מודל לאורך זמן.
Holdout train, validation, and test splitsRolling and expanding window validationBlocked cross-validation for seasonalityPreventing temporal leakage in featuresBacktesting over multiple forecast originsשיעור 11מדדי הערכה וניתוח שגיאות: MAE, RMSE, MAPE, sMAPE, מרווחי חיזוי ומכסההערכת תחזיות הכנסות באמצעות מדדי MAE, RMSE, MAPE, sMAPE ומכסה מרווחים, וביצוע ניתוח שגיאות מפורט לפי פלח, אופק ומשטר כדי לחשוף הטיות וחולשות מודל.
Scale-dependent error metricsPercentage and relative error metricsPrediction intervals and coverageHorizon and segment level diagnosticsRegime and event-driven error analysisשיעור 12רגרסורים מאקרו וחיצוניים: שימוש ב-CPI, אבטלה, ריביות, ניידות, Google Trends; בחירת מאפיינים ויישור השהיותשילוב רגרסורים מאקרו וחיצוניים במודלי הכנסות, כמו CPI, אבטלה, ריביות, ניידות ומגמות חיפוש, ולמידת טכניקות יישור השהיות, מדרגיות ובחירת מאפיינים כדי למנוע התאמה יתר.
Selecting relevant macro indicatorsAligning lags between macro and revenueTransforming and scaling external dataFeature selection and regularizationStress and scenario overlays with macros
