Lekcja 1Uwagi dotyczące wdrożenia: cykl retreningu, potoki danych, monitorowanie dryfu i backtestowanie prognozPlanuj wdrożenie systemów prognozowania przychodów, w tym cykl retreningu, zautomatyzowane potoki danych, monitorowanie dryfu danych i koncepcji oraz ciągłe backtestowanie w celu zapewnienia stabilnej wydajności w zmieniających się warunkach rynkowych.
Projektowanie solidnych potoków danychHarmonogram retreningu i aktualizacjiMonitorowanie dryfu danych i koncepcjiCiągłe backtestowanie i benchmarkingStrategie alertów i rollbackuLekcja 2Komunikowanie prognoz interesariuszom: wizualizacja prognoz punktowych i przedziałów, analiza scenariuszy, przejrzystość założeńKomunikuj prognozy przychodów skutecznie interesariuszom za pomocą jasnych wizualizacji prognoz punktowych i przedziałowych, analizy scenariuszy oraz przejrzystej dokumentacji założeń, ograniczeń i kwestii ryzyka modelu.
Wizualizacja prognoz punktowych i przedziałowychProjektowanie analizy scenariuszy i what-ifWyjaśnianie driverów i kluczowych cechDokumentowanie założeń i ograniczeńDostosowywanie komunikatów do interesariuszyLekcja 3Modele uczenia maszynowego dla szeregów czasowych: lasy losowe/gradient boosting z cechami opóźnionymi, XGBoost/LightGBM oraz modele sekwencyjne (LSTM/GRU)Trenuj modele uczenia maszynowego do prognozowania przychodów w szeregach czasowych, w tym zespoły drzewiaste z cechami opóźnionymi i modele sekwencyjne jak LSTM i GRU, jednocześnie radząc sobie z niestacjonarnością, sezonowością i heterogenicznością na poziomie produktów.
Lasy losowe z cechami opóźnionymiGradient boosting, XGBoost, LightGBMGlobalne versus lokalne modele prognozowaniaModele sekwencyjne z LSTM i GRURadzenie sobie z niestacjonarnością i skalowaniemLekcja 4Formułowanie celów prognozowania i horyzontów oceny (np. następne 3, 6, 12 miesięcy)Definiuj cele prognozowania dla podstawowych produktów bankowych poprzez wybór celów predykcji, horyzontów i granularności, dostosowując je do decyzji biznesowych takich jak budżetowanie, ceny, planowanie płynności oraz potrzeby raportowania regulacyjnego lub ryzyka.
Wybór celów przychodów i jednostekWybór horyzontów prognoz i częstotliwościDostosowywanie prognoz do decyzji biznesowychGranularność według produktu, segmentu i regionuRadzenie sobie z nowymi produktami i krótkimi historiamiLekcja 5Identyfikacja i pozyskiwanie danych szeregów czasowych (publiczne serie finansowe, wolumeny płatności, techniki generowania syntetycznego)Naucz się identyfikować, oceniać i pozyskiwać dane szeregów czasowych do prognozowania przychodów bankowych, w tym wewnętrzne metryki produktów, publiczne serie finansowe oraz syntetyczne dane bezpiecznie uzupełniające ubogie lub hałaśliwe historyczne zapisy.
Katalogowanie wewnętrznych serii przychodów produktówUżywanie publicznych źródeł danych makro i rynkowychZbieranie danych o wolumenach płatności i transakcjiOcena jakości danych, luk i rewizjiGenerowanie syntetycznych danych dla scenariuszy stresowychLekcja 6Trening i strojenie hiperparametrów: wyszukiwanie siatkowe/losowe, optymalizacja bayesowska, ocena uwzględniająca czasOptymalizuj wydajność modelu za pomocą strukturalnych strategii strojenia hiperparametrów, w tym wyszukiwania siatkowego i losowego, optymalizacji bayesowskiej oraz oceny uwzględniającej czas, szanującej porządek czasowy i skupionej na krytycznych horyzontach biznesowych.
Definiowanie przestrzeni wyszukiwania i priorówKompromisy wyszukiwania siatkowego i losowegoPrzepływy pracy optymalizacji bayesowskiejWalidacja i ocena uwzględniająca czasWczesne zatrzymywanie i limity zasobówLekcja 7Ensembling modeli i rekonsyliacja: proste uśrednianie modeli, ensembly ważone, stacking dla szeregów czasowychŁącz wiele modeli prognozowania przychodów bankowych za pomocą prostych średnich, ensembli ważonych i stackingu, a także stosuj rekonsyliację hierarchiczną w celu zapewnienia spójnych prognoz na poziomie produktów, oddziałów i poziomów organizacyjnych.
Proste i ważone uśrednianie modeliStacking i meta-uczyciele dla szeregówRóżnorodność i korelacja wśród modeliRekonsyliacja hierarchiczna i grupowaOcena stabilności ensembli w czasieLekcja 8Podstawowe metody szeregów czasowych: ARIMA, ETS, naiwne i sezonowe naiwne modele, dekompozycja (trend/sezonowość)Poznaj podstawowe modele szeregów czasowych dla przychodów bankowych, w tym naiwne, sezonowe naiwne, ARIMA, ETS i dekompozycję, aby ustalić referencyjną wydajność i zinterpretować trend i sezonowość przed użyciem złożonych modeli uczenia maszynowego.
Naiwne i sezonowe naiwne benchmarkiKlasyczna dekompozycja trendu i sezonowościModelowanie ARIMA dla serii przychodów bankowychWygładzanie wykładnicze i warianty ETSPorównywanie baseline'ów między produktamiLekcja 9Inżynieria cech dla przychodów: opóźnienia, średnie/std rolujące, różniczkowanie, efekty kalendarzowe, wskaźniki świąt, efekty kohortowe, flagi marketingowe/kampaniiTwórz predykcyjne cechy dla przychodów bankowych, w tym opóźnienia, statystyki rolujące, różniczkowanie, efekty kalendarzowe i świąteczne, wskaźniki kohortowe i cyklu życia oraz flagi marketingowe lub kampanii wychwytujące zmiany popytu i przełomy strukturalne.
Cechy opóźnione i wyprzedzające dla przychodówŚrednie rolujące, zmienność i比率Efekty kalendarzowe, świąteczne i dni wypłatyCechy oparte na kohortach i cyklu życiaFlagi wpływu marketingu i kampaniiLekcja 10Podział danych i walidacja krzyżowa dla szeregów czasowych: podziały train/validation/test, walidacja okna rozszerzającego, walidacja blokowaProjektuj podziały danych uwzględniające czas i schematy walidacji krzyżowej dla prognozowania przychodów, w tym podejścia rolujące i blokowe, aby uniknąć przecieku, naśladować użycie produkcyjne i uzyskać wiarygodne szacunki wydajności modelu w czasie.
Podziały holdout train, validation i testWalidacja okna rolującego i rozszerzającegoWalidacja krzyżowa blokowa dla sezonowościZapobieganie przeciekowi czasowemu w cechachBacktestowanie na wielu początkach prognozLekcja 11Metryki oceny i analiza błędów: MAE, RMSE, MAPE, symetryczne MAPE, przedziały predykcyjne i pokrycieOceniaj prognozy przychodów za pomocą metryk takich jak MAE, RMSE, MAPE, symetryczne MAPE i pokrycie przedziałów, oraz przeprowadzaj szczegółową analizę błędów według segmentu, horyzontu i reżimu w celu wykrycia biasów i słabości modelu.
Metryki błędów zależne od skaliMetryki błędów procentowych i względnychPrzedziały predykcyjne i pokrycieDiagnostyka na poziomie horyzontu i segmentuAnaliza błędów zależna od reżimu i wydarzeńLekcja 12Regresory makro i zewnętrzne: używanie CPI, bezrobocia, stóp procentowych, mobilności, Google Trends; selekcja cech i wyrównanie opóźnieńWłącz regresory makroekonomiczne i zewnętrzne do modeli przychodów, takie jak CPI, bezrobocie, stopy procentowe, mobilność i trendy wyszukiwania, oraz naucz się technik wyrównania opóźnień, skalowania i selekcji cech w celu uniknięcia przeuczenia.
Selekcja istotnych wskaźników makroWyrównywanie opóźnień między makro a przychodamiTransformacja i skalowanie danych zewnętrznychSelekcja cech i regularyzacjaNakładki stresowe i scenariuszy z makro
