Как построить прогноз спроса и не потерять голову - Мария Суртаева,Самокат

В работе с временными рядами и прогнозированием многие отдают предпочтение градиентному бустингу: это быстро и эффективно, а на стадии R&D показывает хорошие теоретические метрики. Все становится интереснее, когда доходит до продакшена: там у градиентного бустинга случаются проблемы с бизнес-метриками.
В докладе Мария рассказала об опыте использования градиентного бустинга в Самокате: почему выбрали именно его, с какими сложностями столкнулись на продакшене, как решают эти проблемы.
Блог AI-комьюнити Тинькофф:
• t.me/tinkoffai
• tinkoffai
Дайджесты, статьи и анонсы митапов: t.me/itstinkoff
Блог на Хабре: l.tinkoff.ru/habr-tinkoff
Наши вакансии: l.tinkoff.ru/its-career

[@quazijay]

Очень понравился доклад, хоть я и далёк от DS. У меня есть несколько вопросов, если позволите: 1. Как ранее закупщики решали проблему прогнозирования спроса? Или как сейчас решают без DS в команде. 2. Зачем столько слов про ML и бустинг, если по сути всё сводится к усредненному историческому спросу? Я бы очень хотел увидеть в примерах, как ваша модель справилась лучше, чем метод средних.

[@user-qi5hn3du2z]

Спасибо! 1. Отдел закупок строит прогнозы на основе экспертных знаний об области. Зачастую это сравнение продаж за период с дополнительной поправкой на предположения о будущем: эффекте от планируемого промо, сезонной динамики спроса на товар, договоренностям с поставщиками (ввод и вывод товаров) и тд. 2. Ответ на этот вопрос очень связан с первым) Так изначально стояла глобальная задача автоматизировать закупки, логично было начать с копирования логики человека, совершающего закупки. И то, что при это средние продажи за прошлые периоды, выступающими главным фактором при принятии решения человеком, оказались наиважнейшими факторами и в модели бустинга, скорее плюс к тому, что построенная модель адекватна. Раз она справляется в простом случае, когда продажи завтра будут такие же, как продажи вчера, то фундамент нормальный, и модель можно усложнять. После добавляем дополнительные факторы, влияющие на спрос: промо-акции, динамика цены, промо-акции на похожие товары и на товары-компаньоны, объем категории и число аналогов и тд. Как раз возможность охватить большой объем других факторов вкупе с историей продаж и позволяет улучшать прогноз в периодах, когда происходит отклонение от предыдущего периода, в том числе, когда от человеческого глаза вся совокупность данных может ускользать.

[@eksi2004]

Очень понравилось, спасибо!

[@anatolyalekseev101]

Модуль корректироваки прогнозов интересен, я бы скорее использовал его для сигнала о необходимости до/пере обучить базовую модель, чем для разработки корректирующей модели.

[@alexfx7021]

Где ссылка на тг команды аналитики самоката?