ML-прогнозування попиту в автоіндустрії: точність без компромісів

ML-прогнозування попиту в автоіндустрії: точність без компромісів

Помилки планування виробництва автомобілів коштують дорого: зайві запаси простоюють на стоянках або втрачені продажі через дефіцит. За даними McKinsey Global Institute, зниження помилки прогнозу на 10% скорочує витрати на зберігання на 15% і підвищує доступність ходових моделей. ML-моделі вирішують це завдання в 1.2–1.4 рази точніше за традиційні економетричні підходи, особливо в умовах волатильного попиту та частих змін конфігурацій.

Наш досвід в automotive ML дозволив реалізувати понад 20 проєктів для OEM та дилерів. Ми гарантуємо точність за SLA та забезпечуємо прозорість прогнозів на всіх рівнях: від масових моделей до рідкісних конфігурацій.

Які проблеми вирішує ML-прогноз?

Холодний старт нових конфігурацій. У нових trim-рівнів або опцій немає історії продажів. Використовуємо attribute-based підхід: для кожної нової конфігурації знаходимо 5 історично схожих за характеристиками (двигун, коробка, опції) і застосовуємо середній коефіцієнт до прогнозу базової версії. Це дає WMAPE < 20% вже з першого місяця.

Макроекономічні шоки. Авторинок чутливий до криз — дефіцит чипів, санкції, стрибки ставок. У моделі передбачено event-driven перерахунок: при перевищенні MAPE за 2 місяці або появі зовнішнього шоку модель автоматично перенавчається з новими макро-регресорами. Це запобігає зміщенню прогнозів навіть у турбулентні періоди.

Післяпродажний попит. Запчастини мають складну сезонність і залежать від віку парку. Використовуємо failure rate моделі, що враховують пробіг, клімат та регіон. Наприклад, попит на шини прогнозується з точністю ±12% порівняно з ±35% при наївному підході.

Як ML-моделі справляються з холодним стартом?

Для нових конфігурацій (двигун, коробка, опції) без історичних даних ми використовуємо attribute-based transfer: знаходимо п'ять найбільш схожих конфігурацій за характеристиками та обчислюємо середній коефіцієнт корекції до прогнозу базової версії. Це дозволяє отримати WMAPE < 20% вже в перший місяць продажів. Без такого підходу прогноз був би неможливий до накопичення 6–12 місяців статистики.

Які макроекономічні фактори враховуються?

ВВП, споживча впевненість, безробіття, інфляція, ключова ставка НБУ, середня ставка автокредиту, ціни на бензин, індекс цін на авто з пробігом, демографія. Ці дані автоматично завантажуються та обробляються як регресори в моделі SARIMAX.

Як ми будуємо прогноз: від даних до деплою

1. Збір та очищення даних — 2–3 тижні. Джерела: внутрішні CRM, державна статистика, API постачальників.
2. Вибір та навчання моделі — 1–2 тижні. Порівнюємо SARIMAX, Prophet, XGBoost та виділяємо найкращу за метриками (MAPE, WMAPE, MASE).
3. Валідація на історичних даних — 1 тиждень. Backtesting на 2-х роках з калібруванням гіперпараметрів.
4. Інтеграція API та дашбордів — 2–3 тижні. REST/gRPC-сервіс, дашборд на Metabase або Grafana.
5. Пілотний запуск — 2 тижні. A/B-тест на одному дилерському центрі.

Порівняння методів: ML проти економетрики

ML-підхід (SARIMAX + XGBoost) у 2 рази точніший за традиційну економетрику для конфігураційних прогнозів.

Макроекономіка та сезонність: як урахувати зовнішні фактори

Ключові предиктори: ВВП, індекс споживчої впевненості, рівень безробіття, інфляція, ключова ставка НБУ, середня ставка автокредиту, ціни на бензин, індекс цін на авто з пробігом, демографія.

Модель SARIMAX враховує сезонність (піки в грудні, березні — пільгові програми) і дозволяє додавати зовнішні регресори:

from statsmodels.tsa.statespace.sarimax import SARIMAX

model = SARIMAX(
    endog=monthly_sales,
    exog=macro_feats_monthly,
    order=(2,1,1),
    seasonal_order=(1,1,1,12)
)
result = model.fit()
forecast = result.forecast(steps=12, exog=macro_forecast)

Як обробляти макроекономічні шоки?

При MAPE > порогу за 2 місяці або появі санкцій/дефіциту модель перераховується з новими макро-регресорами. Це гарантує стабільність прогнозів у кризу.

Прогнозування на різних рівнях: конфігурації та aftermarket

Cold start конфігурацій — attribute-based підхід, описаний вище. Колірний мікс прогнозується градієнтним бустингом з урахуванням регіону, сезону та трендів.

Aftermarket demand forecast:

def aftermarket_demand_forecast(part_number, region, horizon):
    park = get_veh_park(region, part_number['applicable_models'])
    mileage = regional_avg_mileage[region]
    failure_rate = failure_model.predict(part_number, age_dist=park['age'])
    return park['count'] * failure_rate / 12 * horizon

Сезонні деталі (шини, акумулятори) мають виражений річний цикл; гальмівні деталі — лінійна функція від пробігу.

Метрики, моніторинг та перенавчання моделі

Для моніторингу використовуємо Weights & Biases. Модель автоматично перераховується при перевищенні порогу MAPE за останні 2 місяці (додатково — при зовнішніх шоках). Планове оновлення макро-регресорів — раз на місяць.

Процес впровадження та терміни

Базова система (макро-регресори + SARIMAX + дилерський дашборд) — 4–6 тижнів. Повна ієрархічна система (конфігурації, aftermarket, урахування програм) — 3–4 місяці. Вартість розраховується індивідуально.

Що ви отримуєте в підсумку

• Технічна документація (Data Dictionary, Model Card)
• API-доступ до моделі (REST/gRPC)
• Дилерський дашборд (Metabase/Grafana)
• Навчання команди до 5 осіб
• Супровід 3 місяці після впровадження

Типові помилки, яких ми уникаємо:

• Використання лише часових рядів без урахування макро-факторів (помилка до 30%)
• Відсутність cold start для нових конфігурацій (прогнози неможливі перші 6 міс.)
• Ручне оновлення моделей (пропуск шоків)

Отримайте попередню оцінку вашого проєкту — зв'яжіться з нами, і ми надамо демо-доступ до системи протягом 2 днів. Замовте консультацію щодо впровадження ML-прогнозування.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.