Прогнозирование

Прогнозирование - это процесс предсказания будущих значений или событий на основе анализа исторических данных и выявления скрытых закономерностей. В контексте интернет-маркетинга прогнозирование позволяет оценить будущий спрос, спланировать бюджет, оптимизировать товарные запасы и предвидеть результаты рекламных кампаний.

К 2026 году прогнозирование всё чаще выполняется с помощью автоматизированных систем машинного обучения (AutoML), которые значительно упрощают и ускоряют этот процесс.

Методы прогнозирования

Существует 2 основных подхода к прогнозированию: использование моделей временных рядов и использование регрессионных (объяснительных) моделей.

Модели временных рядов

Эти методы используют только исторические значения самого прогнозируемого показателя. Они строят функцию, которая предсказывает будущее значение на основе предыдущих наблюдений:

yₜ₊₁ = f(yₜ, yₜ₋₁, …, yₜ₋ₛ),

где `f` - функция, а `s` - количество прошлых значений, влияющих на прогноз.

К таким моделям относятся:

Наивные и сезонные наивные модели.
ARIMA(X) (Autoregressive Integrated Moving Average).
Экспоненциальное сглаживание.
Средние и сезонные средние модели.

Модели регрессии (объяснительные модели)

Эти модели используют не только историю целевого показателя, но и другие факторы (предикторы), которые могут на него влиять, например, цену, день недели, наличие промо-акций:

y = g(цена, день_недели, праздник)

Модели регрессии строят прогноз сразу на весь горизонт (прямое прогнозирование), что снижает накопление ошибок. Однако они требуют, чтобы все используемые предикторы были известны на будущие периоды.

Примеры моделей регрессии: линейная регрессия, случайный лес, градиентный бустинг (LightGBM, XGBoost).

Гибридный подход с запаздывающими значениями

Можно улучшить модели регрессии, добавив в них в качестве дополнительных признаков прошлые значения целевого показателя (так называемые «запаздывающие» значения). Это объединяет сильные стороны обоих подходов.

Глубокие нейронные сети (DNN)

Для прогнозирования сложных временных рядов с большим объёмом данных могут применяться модели глубокого обучения. В Azure ML, например, доступна модель TCNForecaster (Temporal Convolutional Network) - глубокая нейронная сеть с миллионами параметров, способная улавливать сложные шаблоны.

Ансамблевые методы

AutoML также может использовать ансамбли моделей, которые комбинируют лучшие из них для повышения точности. При прогнозировании применяется «мягкий ансамбль голосования», где веса для каждой модели подбираются специальным алгоритмом. Важно отметить, что ансамбли стекинга (мета-модели) для временных рядов часто отключают по умолчанию из-за высокого риска переобучения.