Pelajaran 1Pertimbangan Penerapan: Jadwal Pelatihan Ulang, Pipeline Data, Pemantauan Drift dan Backtesting RamalanRencanakan penerapan sistem peramalan pendapatan, termasuk jadwal pelatihan ulang, pipeline data otomatis, pemantauan drift data dan konsep, serta backtesting berkelanjutan untuk memastikan kinerja stabil dalam kondisi pasar yang berubah.
Merancang pipeline data yang kuatMenjadwalkan pelatihan ulang dan pembaruanMemantau drift data dan konsepBacktesting dan benchmarking berkelanjutanStrategi peringatan dan rollbackPelajaran 2Menyampaikan Ramalan kepada Pemangku Kepentingan: Visualisasi Ramalan Titik dan Interval, Analisis Skenario, Transparansi AsumsiSampaikan ramalan pendapatan secara efektif kepada pemangku kepentingan menggunakan visualisasi yang jelas dari prediksi titik dan interval, analisis skenario, serta dokumentasi transparan tentang asumsi, keterbatasan, dan pertimbangan risiko model.
Memvisualisasikan ramalan titik dan intervalMerancang analisis skenario dan what-ifMenjelaskan pendorong dan fitur kunciMendokumentasikan asumsi dan batasanMenyesuaikan pesan untuk pemangku kepentinganPelajaran 3Model Deret Waktu Pembelajaran Mesin: Random Forests/Gradient Boosting dengan Fitur Tertunda, XGBoost/LightGBM, dan Model Sekuens (LSTM/GRU)Latih model pembelajaran mesin untuk peramalan pendapatan deret waktu, termasuk ensemble pohon dengan fitur tertunda dan model sekuens seperti LSTM dan GRU, sambil menangani nonstasioneritas, musiman, dan heterogenitas tingkat produk.
Random forests dengan fitur tertundaGradient boosting, XGBoost, LightGBMModel peramalan global versus lokalModel sekuens dengan LSTM dan GRUMenangani nonstasioneritas dan penskalaanPelajaran 4Merumuskan Tujuan Peramalan dan Horizon Evaluasi (misalnya, 3, 6, 12 bulan ke depan)Tentukan tujuan peramalan untuk produk bank inti dengan memilih target prediksi, horizon, dan granularitas, serta sesuaikan dengan keputusan bisnis seperti penganggaran, penetapan harga, perencanaan likuiditas, dan kebutuhan pelaporan regulasi atau risiko.
Memilih target pendapatan dan unitMemilih horizon dan frekuensi ramalanMenyesuaikan ramalan dengan keputusan bisnisGranularitas berdasarkan produk, segmen, dan wilayahMenangani produk baru dan riwayat pendekPelajaran 5Mengidentifikasi dan Mencari Sumber Data Deret Waktu (deret keuangan publik, volume pembayaran, teknik generasi sintetis)Pelajari cara mengidentifikasi, menilai, dan mencari sumber data deret waktu untuk peramalan pendapatan bank, termasuk metrik produk internal, deret keuangan publik, dan data sintetis yang aman untuk menambah catatan historis yang langka atau berisik.
Katalog deret pendapatan produk internalMenggunakan sumber data makro dan pasar publikMengumpulkan data volume pembayaran dan transaksiMenilai kualitas data, celah, dan revisiGenerasi data sintetis untuk skenario stresPelajaran 6Pelatihan dan Penyetelan Hyperparameter: Pencarian Grid/Random, Optimasi Bayesian, Penilaian Berbasis WaktuOptimalkan kinerja model menggunakan strategi penyetelan hyperparameter yang terstruktur, termasuk pencarian grid dan random, optimasi Bayesian, dan penilaian berbasis waktu yang menghormati urutan temporal dan fokus pada horizon kritis bisnis.
Mendefinisikan ruang pencarian dan priorKompromi pencarian grid dan randomAlur kerja optimasi BayesianValidasi dan penilaian berbasis waktuPemberhentian dini dan batas sumber dayaPelajaran 7Penggabungan Model dan Rekonsiliasi: Rata-rata Model Sederhana, Ensemble Tertimbang, Stacking untuk Deret WaktuGabungkan beberapa model peramalan pendapatan bank menggunakan rata-rata sederhana, ensemble tertimbang, dan stacking, serta terapkan rekonsiliasi hierarkis untuk memastikan ramalan yang koheren di seluruh produk, cabang, dan tingkat organisasi.
Rata-rata model sederhana dan tertimbangStacking dan meta-learner untuk deretKeragaman dan korelasi antar modelRekonsiliasi hierarkis dan berkelompokMenilai stabilitas ensemble seiring waktuPelajaran 8Metode Deret Waktu Baseline: ARIMA, ETS, Model Naif dan Musiman Naif, Dekomposisi (Tren/Musiman)Jelajahi model deret waktu baseline untuk pendapatan bank, termasuk naif, musiman naif, ARIMA, ETS, dan dekomposisi, untuk menetapkan kinerja referensi dan menginterpretasikan tren serta musiman sebelum menggunakan model pembelajaran mesin kompleks.
Benchmark naif dan musiman naifDekomposisi klasik tren dan musimanPemodelan ARIMA untuk deret pendapatan bankPenyamakan eksponensial dan varian ETSMembandingkan baseline di seluruh produkPelajaran 9Rekayasa Fitur untuk Pendapatan: Lag, Rata-rata/std Bergulir, Diferensiasi, Efek Kalender, Indikator Libur, Efek Kohort, Flag Pemasaran/KampanyeRekayasa fitur prediktif untuk pendapatan bank, termasuk lag, statistik bergulir, diferensiasi, efek kalender dan libur, indikator kohort dan siklus hidup, serta flag pemasaran atau kampanye yang menangkap pergeseran permintaan dan pemutusan struktural.
Fitur lag dan lead untuk pendapatanRata-rata bergulir, volatilitas, dan rasioEfek kalender, libur, dan hari gajianFitur berbasis kohort dan siklus hidupFlag dampak pemasaran dan kampanyePelajaran 10Pemisahan Data dan Validasi Silang untuk Deret Waktu: Pemisahan Latih/Validasi/Tes, CV Jendela Mengembang, CV TerblokirRancang pemisahan data berbasis waktu dan skema validasi silang untuk peramalan pendapatan, termasuk pendekatan bergulir dan terblokir, untuk menghindari kebocoran, meniru penggunaan produksi, dan memperoleh estimasi kinerja model yang andal seiring waktu.
Pemisahan holdout latih, validasi, dan tesValidasi jendela bergulir dan mengembangValidasi silang terblokir untuk musimanMencegah kebocoran temporal pada fiturBacktesting atas beberapa asal ramalanPelajaran 11Metrik Evaluasi dan Analisis Kesalahan: MAE, RMSE, MAPE, sMAPE Simetris, Interval Prediksi dan CakupanEvaluasi ramalan pendapatan menggunakan metrik seperti MAE, RMSE, MAPE, sMAPE simetris, dan cakupan interval, serta lakukan analisis kesalahan rinci berdasarkan segmen, horizon, dan rezim untuk mengungkap bias dan kelemahan model.
Metrik kesalahan bergantung skalaMetrik kesalahan persentase dan relatifInterval prediksi dan cakupanDiagnostik tingkat horizon dan segmenAnalisis kesalahan rezim dan berbasis peristiwaPelajaran 12Regresor Makro dan Eksternal: Menggunakan CPI, Pengangguran, Suku Bunga, Mobilitas, Google Trends; Seleksi Fitur dan Penyelarasan LagMasukkan regresor makroekonomi dan eksternal ke dalam model pendapatan, seperti CPI, pengangguran, suku bunga, mobilitas, dan tren pencarian, serta pelajari teknik penyelarasan lag, penskalaan, dan seleksi fitur untuk menghindari overfitting.
Memilih indikator makro yang relevanMenyelaraskan lag antara makro dan pendapatanMengubah dan menskalakan data eksternalSeleksi fitur dan regulasiOverlay stres dan skenario dengan makro
