Розробка ML-моделі передбачення цін (Price Prediction)

Нафта марки Brent за місяць втрачає 15%, а через квартал відіграє — помилка в прогнозі коштує мільйони. Роздрібна мережа з тисячею SKU втрачає до 8% виручки через неоптимальні ціни. ML-моделі передбачення цін дозволяють знизити MAPE до 3–5% на горизонті до місяця. Наприклад, при торгівлі зерном точність прогнозу ±2% дозволяє заощадити до $500 000 на кожній великій угоді. У ритейлі правильно налаштований dynamic pricing збільшує маржу на 7–15% без втрати обсягу продажів. Ми побудували десятки таких моделей для commodities, нерухомості та retail. Нижче — що реально працює в продакшені та як впровадити ML у ваш бізнес. Хочете такий же результат? Замовте аналіз ваших даних — ми підберемо оптимальну архітектуру моделі.

Типологія задач передбачення цін

Товарні ринки (commodities): Нафта, газ, метали, агропродукція. Фактори: ф'ючерсні криві, запаси, геополітика, погода. Горизонт: 1–12 місяців.

Нерухомість: Оцінка конкретного об'єкта (hedonic pricing model) або прогноз ринкового індексу. Горизонт: 3–24 місяці.

Фінансові активи: Акції, валюти, криптовалюти. Найбільш конкурентне середовище — EMH (Efficient Market Hypothesis) обмежує передбачуваність. Практичний горизонт: 1–30 днів.

Роздрібні ціни: Передбачення оптимальної ціни для максимізації виручки/маржі з урахуванням цінової еластичності.

Як ми будуємо моделі передбачення цін?

Розкладання ціни на компоненти

• Довгостроковий тренд (автокореляція, макро-фактори)
• Сезонність (річна, квартальна, внутрішньотижнева)
• Циклічність (бізнес-цикли)
• Залишок (нерегулярні події, шум)

STL/MSTL-декомпозиція — перший крок аналізу будь-якого цінового ряду.

Hedonic Pricing для нерухомості

Найбільш практична реалізація — оціночна модель. Порівняння популярних підходів:

Features для нерухомості:

• Характеристики об'єкта: площа, кімнати, поверх, рік побудови, матеріал
• Локація: відстань до метро, шкіл, центру; crime index; school district rating
• Інфраструктура: proximity scores до магазинів, парків, лікарень
• Ринкові умови: порівнювані угоди за останні 6–12 місяців

Точність сучасних hedonic моделей: MAPE 5–12% для житлової нерухомості в містах з хорошими даними.

Прогнозування товарних цін (на прикладі нафти)

Features:
- Futures curve slope (contango/backwardation)
- EIA crude oil inventories (weekly)
- Baker Hughes rig count
- USD Index (DXY)
- Geopolitical risk index (NLP з новин)
- Lagged price series: t-1, t-7, t-30, t-365

LightGBM з rolling cross-validation. MAPE 3–8% на тижневому горизонті — прийнятний результат. На 3-місячному горизонті помилка зростає до 15–25%.

Проблема look-ahead bias: всі ознаки мають бути доступні на момент прогнозу. Ф'ючерсна крива на момент t — OK. Дані про запаси за поточний тиждень — ні (публікуються із затримкою).

Чому dynamic pricing ефективніший за статичні прайс-листи?

Цінова еластичність та retail pricing

Не прогнозування майбутньої ринкової ціни, а знаходження оптимальної ціни для максимізації виручки:

Модель еластичності:

log(Demand) = α + β × log(Price) + γ × log(Competitor_Price) + δ × Promotions + ε

β — price elasticity coefficient. Типово від -0.5 до -3.0 залежно від категорії.

Dynamic pricing модель: LightGBM передбачає demand при різних цінових точках. Оптимізатор (scipy.optimize) знаходить price = argmax(Price × Demand(Price)). Обмеження: мін/макс ціна, MSRP, ціновий імідж бренду.

Bayesian optimization дозволяє досліджувати простір цін без шкоди для виручки в період навчання. За нашими даними, впровадження dynamic pricing в мережі з 500 магазинів приносить додатковий прибуток, обсяг якого розраховується індивідуально. Дізнайтеся, як ML може підвищити вашу маржинальність — зв'яжіться з нами для консультації.

Як проходить розробка моделі? (кроки)

1. Аналіз даних та feature engineering — збір історичних цін, зовнішніх факторів, очищення, аналіз кореляцій.
2. Побудова baseline — проста модель (середнє, ARIMA) для оцінки нижньої межі точності.
3. Розробка production-моделі — LightGBM/XGBoost з гіперпараметричною оптимізацією, rolling cross-validation.
4. Тестування на відкладеній вибірці — перевірка на look-ahead bias, стабільність метрик.
5. Упаковка в REST API — endpoint для отримання прогнозів за запитом, документація Swagger.
6. Моніторинг та A/B тестування — відстеження MAPE, автоматичне перенавчання при деградації.

Порівняння методів прогнозування часових рядів

params:
  objective: regression
  metric: mape
  boosting_type: gbdt
  num_leaves: 127
  learning_rate: 0.05
  feature_fraction: 0.8
  bagging_fraction: 0.8
  bagging_freq: 5
  num_rounds: 1000
  early_stopping_rounds: 50

Що входить в роботу?

• Аналіз даних та feature engineering
• Розробка baseline та production-моделі
• REST API для інтеграції у вашу систему
• Документація та навчання команди
• Моніторинг та підтримка після деплою

Інтеграція та оновлення

• Retail: інтеграція з pricing engine (Revionics, Wiser, власний) через API
• Commodities: експорт прогнозів в ERP/Treasury систему для хеджування
• Нерухомість: REST API для AVM (Automated Valuation Model), інтеграція з CRM агентств

Моніторинг: відстеження MAPE на ковзному вікні 30 днів. При деградації > 30% — автоматичне перенавчання.

Строки: hedonic-модель нерухомості або commodity price forecast — 4–6 тижнів. Retail dynamic pricing з price elasticity та A/B тестуванням — 3–4 місяці.

Наш досвід та гарантії

Наші інженери працюють з ML-моделями понад 5 років, реалізовано понад 30 проектів у сфері прогнозування. Ми гарантуємо прозорість метрик, відтворюваність експериментів та повну документацію. Наші клієнти фіксують підвищення маржинальності на 5–15% після впровадження dynamic pricing. Зниження MAPE з 20% до 5% дозволяє економити мільйони при торгівлі сировиною.

Підхід hedonic pricing описаний у Wikipedia — модель оцінки.

Замовте консультацію — ми проаналізуємо ваші дані та запропонуємо оптимальну модель для вашого бізнесу. Зв'яжіться з нами для обговорення вашого проекту.

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.