Планирование
Прогноз будущих продаж для планирования деятельности магазинов.
RMSE
2727.69
MAE
1281.70
R²
0.9843
01
О проекте
Система автоматически прогнозирует недельные продажи магазинов и отделов на плановый период.
Результаты сохраняются в PostgreSQL и могут использоваться в аналитике и бизнес-процессах.
02
Бизнес-задача
Нагрузка
Оценка ожидаемого объёма продаж и нагрузки.
Аналитика
Использование прогнозов в аналитических и бизнес-сценариях.
03
Источники данных
sales
Исторические продажи.
plan
Плановые периоды прогнозирования.
stores
Информация о магазинах.
Дополнительно использовались внешние признаки, связанные с периодом и характеристиками продаж.
04
Feature Engineering
Временные признаки
- month
- quarter
- year
- week
Lag Features
sales_1week_agosales_2week_agosales_4week_ago
Rolling Statistics
mean_sales_2weekmean_sales_4weekavg_sales_before
Основной акцент сделан на исторической динамике продаж. Lag и rolling-признаки рассчитываются только по прошлым данным, поэтому не используют будущие значения target.
05
Model Development
CatBoostRegressor
Градиентный бустинг используется для прогнозирования недельного объёма продаж.
Входные признаки
Временные, лаговые и агрегированные характеристики исторических продаж.
Метрики
RMSE, MAE и R² используются для оценки качества прогноза.
06
Результаты модели
RMSE
2727.69
MAE
1281.70
R²
0.9843
Параметры CatBoost
iterations = 1000 learning_rate = 0.05 depth = 8 loss_function = RMSE use_best_model = True best_iteration = 998
07
Важность признаков
Lag Features
sales_1week_agosales_2week_agosales_4week_ago
Aggregated Features
mean_sales_4weekavg_sales_before
Историческая динамика продаж является главным источником информации для прогноза будущего спроса.
08
Production Pipeline
01
PostgreSQL
Input data
02
Preprocessing
Features
03
S3
Model storage
04
Inference
Batch prediction
05
PostgreSQL
Predictions
09
Airflow DAG
load_data
↓
preprocess_features
↓
load_model
↓
run_inference
↓
save_predictions
DAG автоматически запускает полный batch inference pipeline по расписанию.
10
Инженерные решения
Единый preprocessing
Feature engineering вынесен в отдельный модуль
preprocessing.py.
Model Storage
Модель загружается из S3 во время inference.
Batch Processing
Прогнозирование автоматически запускается через Airflow.
11
Архитектура
PostgreSQL
Data
Preprocessing
Features
CatBoost
Prediction
PostgreSQL
Output
12
Technology Stack
13