Lecția 1Considerații de implementare: cadența de reantrenare, conducte de date, monitorizarea derivației și testarea retrospectivă a prognozelorPlanificați implementarea sistemelor de prognoză a veniturilor, incluzând cadența de reantrenare, conducte automate de date, monitorizarea derivației de date și concept, precum și testarea retrospectivă continuă pentru a asigura performanțe stabile în condiții de piață în schimbare.
Proiectarea conductelor robuste de dateProgramarea reantrenării și actualizărilorMonitorizarea derivației de date și conceptTestare retrospectivă continuă și benchmarkingStrategii de alertare și revenireLecția 2Comunicarea prognozelor către părți interesate: vizualizarea prognozelor punctuale și intervalelor, analiza scenariilor, transparența ipotezelorComunicați eficient prognozele de venituri către părțile interesate folosind vizualizări clare ale predicțiilor punctuale și interval, analiza scenariilor și documentație transparentă a ipotezelor, limitărilor și considerațiilor de risc ale modelului.
Vizualizarea prognozelor punctuale și intervalProiectarea analizei scenariilor și what-ifExplicarea factorilor de influență și caracteristicilor cheieDocumentarea ipotezelor și limitelorAdaptarea mesajelor la părțile interesateLecția 3Modele de învățare automată pentru serii temporale: păduri aleatoare/boosting gradient cu caracteristici întârziate, XGBoost/LightGBM și modele secvențiale (LSTM/GRU)Antrenați modele de învățare automată pentru prognoza veniturilor în serii temporale, incluzând ansambluri de arbori cu caracteristici întârziate și modele secvențiale precum LSTM și GRU, gestionând nonstaționaritatea, sezonalitatea și heterogenitatea la nivel de produs.
Păduri aleatoare cu caracteristici întârziateBoosting gradient, XGBoost, LightGBMModele globale versus locale de prognozăModele secvențiale cu LSTM și GRUGestionarea nonstaționarității și scalăriiLecția 4Formularea obiectivelor de prognoză și orizontelor de evaluare (ex. următoarele 3, 6, 12 luni)Definiți obiectivele de prognoză pentru produsele bancare de bază prin selectarea țintelor de predicție, orizonturilor și granularității, aliniindu-le cu deciziile de afaceri precum bugetarea, prețurile, planificarea lichidității și nevoile de raportare reglementară sau de risc.
Alegerea țintelor și unităților de venituriSelectarea orizonturilor și frecvenței de prognozăAlinierea prognozelor cu deciziile de afaceriGranularitate pe produs, segment și regiuneGestionarea produselor noi și istoricelor scurteLecția 5Identificarea și furnizarea datelor de serii temporale (serii financiare publice, volume de plăți, tehnici de generare sintetică)Învățați cum să identificați, evaluați și furnizați date de serii temporale pentru prognoza veniturilor bancare, incluzând metrici interne de produs, serii financiare publice și date sintetice care augmentă în siguranță înregistrările istorice rare sau zgomotoase.
Catalogarea seriilor interne de venituri ale produselorUtilizarea surselor publice de date macro și de piațăColectarea datelor de volume de plăți și tranzacțiiEvaluarea calității datelor, golurilor și revizuirilorGenerarea datelor sintetice pentru scenarii de stresLecția 6Antrenare și optimizare hiperparametri: căutare grid/random, optimizare Bayesiană, scorare conștientă de timpOptimizați performanța modelului folosind strategii structurate de optimizare a hiperparametrilor, incluzând căutarea grid și random, optimizarea Bayesiană și scorarea conștientă de timp care respectă ordinea temporală și se concentrează pe orizonturile critice pentru afaceri.
Definirea spațiilor de căutare și priorilorCompromisuri căutare grid și randomFluxuri de lucru optimizare BayesianăValidare și scorare conștientă de timpOprire timpurie și limite de resurseLecția 7Ansambluri de modele și reconciliere: medie simplă de modele, ansambluri ponderate, stacking pentru serii temporaleCombinați multiple modele de prognoză pentru veniturile bancare folosind medii simple, ansambluri ponderate și stacking, și aplicați reconciliere ierarhică pentru a asigura prognoze coerente pe produse, sucursale și niveluri organizaționale.
Medie simplă și ponderată de modeleStacking și meta-învățători pentru seriiDiversitate și corelație între modeleReconciliere ierarhică și grupatăEvaluarea stabilității ansamblului în timpLecția 8Metode de bază pentru serii temporale: ARIMA, ETS, modele naive și sezoniere naive, descompunere (tendință/sezonalitate)Explorați modelele de bază pentru serii temporale pentru veniturile bancare, incluzând naive, naive sezoniere, ARIMA, ETS și descompunere, pentru a stabili performanțe de referință și a interpreta tendința și sezonalitatea înainte de utilizarea modelelor complexe de învățare automată.
Benchmarks naive și naive sezoniereDescompunere clasică a tendinței și sezonalitățiiModelare ARIMA pentru seriile de venituri bancareNetezire exponențială și variante ETSComparații baseline pe produseLecția 9Ingineria caracteristicilor pentru venituri: întârzieri, medii/std rulante, diferențiere, efecte calendaristice, indicatori de sărbători, efecte de cohortă, semnale de marketing/campaniiDezvoltați caracteristici predictive pentru veniturile bancare, incluzând întârzieri, statistici rulante, diferențiere, efecte calendaristice și de sărbători, indicatori de cohortă și ciclu de viață, precum și semnale de marketing sau campanii care capturează schimbări de cerere și întreruperi structurale.
Caracteristici de întârziere și avans pentru venituriMedii rulante, volatilitate și raporturiEfecte calendaristice, de sărbători și de zi de platăCaracteristici bazate pe cohorte și ciclu de viațăSemnale de impact marketing și campaniiLecția 10Împărțirea datelor și validare încrucișată pentru serii temporale: împărțiri train/validation/test, CV fereastră expandantă, CV blocatProiectați împărțiri de date conștiente de timp și scheme de validare încrucișată pentru prognoza veniturilor, incluzând abordări rulante și blocate, pentru a evita scurgerile, a imita utilizarea în producție și a obține estimări fiabile ale performanței modelului în timp.
Împărțiri holdout train, validare și testValidare fereastră rulantă și expandantăValidare încrucișată blocată pentru sezonalitatePrevenirea scurgerilor temporale în caracteristiciTestare retrospectivă pe multiple origini de prognozăLecția 11Măsurători de evaluare și analiză erori: MAE, RMSE, MAPE, MAPE simetric, intervale de predicție și acoperireEvaluați prognozele de venituri folosind metrici precum MAE, RMSE, MAPE, MAPE simetric și acoperirea intervalului, și efectuați analiză detaliată a erorilor pe segmente, orizonturi și regimuri pentru a descoperi biasuri și slăbiciuni ale modelului.
Metrici de eroare dependente de scarăMetrici de eroare procentuale și relativeIntervale de predicție și acoperireDiagnosticare la nivel de orizont și segmentAnaliză erori bazată pe regim și evenimenteLecția 12Regresori macro și externi: utilizarea CPI, șomaj, rate dobânzi, mobilitate, Google Trends; selecție caracteristici și aliniere întârzieriIncorporați regresori macroeconomici și externi în modelele de venituri, precum CPI, șomaj, rate de dobândă, mobilitate și tendințe de căutare, și învățați tehnici pentru alinierea întârzierilor, scalare și selecție caracteristici pentru a evita supra-ajustarea.
Selectarea indicatorilor macro relevanțiAlinierea întârzierilor între macro și venituriTransformarea și scalarea datelor externeSelecție caracteristici și regularizareSuprapuneri de stres și scenarii cu macro
