Les 1Implementatieoverwegingen: hertrainingsfrequentie, datapijplijnen, monitoring van drift en backtesting van voorspellingenPlan de implementatie van omzetvoorspellingssystemen, inclusief hertrainingsfrequentie, geautomatiseerde datapijplijnen, monitoring op data- en conceptdrift, en continue backtesting om stabiele prestaties te garanderen onder veranderende marktomstandigheden.
Ontwerp van robuuste datapijplijnenPlannen van hertraining en updatesMonitoring van data- en conceptdriftDoorlopende backtesting en benchmarkingStrategieën voor waarschuwingen en terugdraaienLes 2Communiceren van voorspellingen aan belanghebbenden: visualisatie van punttvoorspellingen en intervallen, scenariAnalyse, transparantie van aannamesCommuniceer omzetvoorspellingen effectief aan belanghebbenden met duidelijke visualisaties van punt- en intervalvoorspellingen, scenarioanalyse, en transparante documentatie van aannames, beperkingen en modelrisico's.
Visualiseren van puntt- en intervalvoorspellingenOntwerp van scenario- en what-if-analyseUitleg van drijvende krachten en sleutelkenmerkenDocumenteren van aannames en limietenAanpassen van boodschappen aan belanghebbendenLes 3Machine learning tijdreeksmodellen: random forests/gradient boosting met gelagerde kenmerken, XGBoost/LightGBM, en sequentiemodellen (LSTM/GRU)Train machine learning-modellen voor tijdreeksomzetvoorspelling, inclusief boomensembles met gelagerde kenmerken en sequentiemodellen zoals LSTM en GRU, terwijl je rekening houdt met niet-stationariteit, seizoenseffecten en productheterogeniteit.
Random forests met gelagerde kenmerkenGradient boosting, XGBoost, LightGBMGlobale versus lokale voorspellingsmodellenSequentiemodellen met LSTM en GRUBehandelen van niet-stationariteit en schalingLes 4Formuleren van voorspeldoelen en evaluatiehorizons (bijv. komende 3, 6, 12 maanden)Definieer voorspeldoelen voor kernbankproducten door predictiedoelen, horizons en granulariteit te kiezen, en stem ze af op zakelijke beslissingen zoals budgettering, prijsstelling, liquiditeitsplanning en rapportagebehoeften voor regelgeving of risico.
Kiezen van omzetdoelen en eenhedenSelecteren van voorspelhorizons en frequentieAfstemmen van voorspellingen op zakelijke beslissingenGranulariteit per product, segment en regioBehandelen van nieuwe producten en korte historieLes 5Identificeren en sourcen van tijdreeksdata (publieke financiële reeksen, betaalvolumes, synthetische generatietechnieken)Leer hoe je tijdreeksdata identificeert, beoordeelt en sourced voor bankomzetvoorspelling, inclusief interne productmetrics, publieke financiële reeksen en synthetische data die schaarse of ruige historische records veilig aanvult.
Catalogiseren van interne productomzetreeksenGebruik van publieke macro- en marktbronnenVerzamelen van betaal- en transactievolumendataBeoordelen van data-kwaliteit, gaten en revisiesSynthetische datageneratie voor stressscenario'sLes 6Training en hyperparameter tuning: grid/random search, Bayesische optimalisatie, tijd-bewuste scoringOptimaliseer modelprestaties met gestructureerde hyperparametertuning-strategieën, inclusief grid- en random search, Bayesische optimalisatie, en tijd-bewuste scoring die temporele ordening respecteert en focust op zakelijk-kritische horizons.
Definiëren van zoekruimtes en priorsTrade-offs van grid en random searchBayesische optimalisatiestromenTijd-bewuste validatie en scoringVroeg stoppen en resource-limietenLes 7Modelensembling en reconciliatie: eenvoudige modelgemiddelden, gewogen ensembles, stacking voor tijdreeksenCombineer meerdere voorspellingsmodellen voor bankomzet met eenvoudige gemiddelden, gewogen ensembles en stacking, en pas hiërarchische reconciliatie toe voor coherente voorspellingen over producten, filialen en organisatieniveaus.
Eenvoudige en gewogen modelgemiddeldenStacking en meta-learners voor reeksenDiversiteit en correlatie onder modellenHiërarchische en gegroepeerde reconciliatieEvaluatie van ensemble-stabiliteit over tijdLes 8Basis tijdreeksmethoden: ARIMA, ETS, naïeve en seizoensnaïeve modellen, decompositie (trend/seizonaliteit)Verken basis tijdreeksmodellen voor bankomzet, inclusief naïef, seizoensnaïef, ARIMA, ETS en decompositie, om referentieprestaties vast te stellen en trend en seizoenseffecten te interpreteren vóór complexe machine learning-modellen.
Naïeve en seizoensnaïeve benchmarksKlassieke decompositie van trend en seizoenseffectenARIMA-modellering voor bankomzetreeksenExponentiële smoothing en ETS-variantenVergelijken van baselines over productenLes 9Feature engineering voor omzet: lags, rollende gemiddelden/std, differentiatie, kalendereffecten, feestdagenindicatoren, cohort-effecten, marketing/campagnevlaggenOntwikkel voorspellende kenmerken voor bankomzet, inclusief lags, rollende statistieken, differentiatie, kalender- en feestdageneffecten, cohort- en levenscyclusindicatoren, en marketing- of campagnevlaggen die vraagverschuivingen en structurele breuken vastleggen.
Lag- en lead-kenmerken voor omzetRollende gemiddelden, volatiliteit en ratio'sKalender-, feestdag- en betaaldageffectenCohort- en levenscyclusgebaseerde kenmerkenMarketing- en campagne-impactvlaggenLes 10Data splitting en cross-validatie voor tijdreeksen: train/validatie/test splits, expanderende window CV, geblokkeerde CVOntwerp tijd-bewuste datasplits en cross-validatieschema's voor omzetvoorspelling, inclusief rollende en geblokkeerde benaderingen, om lekkage te vermijden, productiegebruik na te bootsen en betrouwbare schattingen van modelprestaties over tijd te verkrijgen.
Holdout train-, validatie- en testsplitsRollende en expanderende window-validatieGeblokkeerde cross-validatie voor seizoenseffectenVoorkomen van temporele lekkage in kenmerkenBacktesting over meerdere voorspeloriginsLes 11Evaluatiemetrics en foutanalyse: MAE, RMSE, MAPE, symmetrische MAPE, predictie-intervallen en dekkingEvalueer omzetvoorspellingen met metrics zoals MAE, RMSE, MAPE, symmetrische MAPE en intervaldekking, en voer gedetailleerde foutanalyse uit per segment, horizon en regime om biases en modelzwaktes bloot te leggen.
Schaalafhankelijke foutmetricsPercentage- en relatieve foutmetricsPredictie-intervallen en dekkingHorizon- en segmentniveau-diagnostiekRegime- en gebeurtenisgedreven foutanalyseLes 12Macro- en externe regressors: gebruik van CPI, werkloosheid, rentetarieven, mobiliteit, Google Trends; kenmerkselectie en lag-alignmentIntegreer macro-economische en externe regressors in omzetmodellen, zoals CPI, werkloosheid, rentetarieven, mobiliteit en zoektrends, en leer technieken voor lag-alignment, schaling en kenmerkselectie om overfitting te vermijden.
Selecteren van relevante macro-indicatorenAligneren van lags tussen macro en omzetTransformeren en schalen van externe dataKenmerkselectie en regularisatieStress- en scenario-overlays met macros
