Прогноз спроса на 20 SKU, где по каждому — полтора года истории с пропусками и промо-всплесками. Модель показывает MAPE 8% на бэктесте, вы радостно отдаёте её в планирование закупок, а через квартал выясняется, что она систематически занижает пики и не видит смену тренда после смены ассортиментной матрицы. Знакомо? Это типичная точка, где заканчивается «учебный» анализ временных рядов и начинается настоящая работа.
Разберём, как устроены два самых распространённых класса моделей — Prophet и семейство ARIMA/SARIMA, — на каких данных каждая честно работает, где ломается, и почему accuracy на валидации почти всегда оптимистичнее production-точности.
Как это работает на самом деле
ARIMA стоит на трёх идеях: стационарность (ряд без тренда и меняющейся дисперсии), авторегрессия (значение зависит от предыдущих значений) и скользящее среднее (от остатков предыдущих прогнозов). Параметры p, d, q — это порядки AR, дифференцирования и MA. Дифференцирование — способ убрать тренд: вместо уровней моделируем приращения.
Prophet устроен иначе: он раскладывает ряд на тренд (кусочно-линейный или логистический с точками изменения), сезонности (Фурье-ряды) и эффекты праздников, а веса компонент оценивает байесовски — то есть с априорными распределениями и доверительными интервалами. Это делает его устойчивее к пропускам и «человеческим» календарным эффектам, но платить приходится меньшей чувствительностью к тонкой автокорреляционной структуре.
Один разбор вместо списка навыков
Возьмём дневные продажи с явной недельной сезонностью и годовым циклом, история — 2 года. Практик действует так:
- Строит график и смотрит на пропуски и выбросы. Пропуски интерполирует осторожно — иначе дифференцирование даст ложные скачки.
- Проверяет стационарность (тест Дики-Фуллера). Ряд с трендом нестационарен — берёт d=1.
- Смотрит ACF/PACF, чтобы оценить p и q, затем подбирает SARIMA с сезонными порядками (P, D, Q, m), где m=7 для недельной сезонности.
- Делает feature engineering временных рядов: лаги, скользящие средние, день недели, флаги промо и праздников. Это часто даёт больше прироста точности, чем смена модели.
- Оценивает на бэктесте — rolling origin, а не случайный train/test split. Случайный сплит во временных рядах — грубая ошибка: модель «подглядывает» в будущее.
Теперь что пойдёт не так при ином порядке. Если не проверить стационарность и подать в ARIMA сырой ряд с трендом, модель будет экстраполировать тренд линейно и улетит в абсурд. Если взять d=2 «на всякий случай» — передифференцируете ряд, получите шум и потеряете сигнал. Если оценивать на одном hold-out, а не на нескольких окнах, метрика окажется случайно хорошей.
Где ломается сама схема
Короткие ряды. Меньше двух-трёх сезонных циклов — сезонные компоненты оцениваются ненадёжно. Prophet выдаст широкие интервалы (честно), SARIMA — нестабильные параметры. Заметить заранее: посмотрите на ширину доверительных интервалов и стабильность параметров при скользящем окне. Если уже поздно — переходите на более простые модели или агрегируйте ряд.
Сдвиг тренда. Промо, смена ассортимента, внешний шок — модель, обученная на прошлом, продолжает старый тренд. В Prophet точки изменения тренда задаются априори; если их не обновлять, модель запаздывает. Признак: систематическое смещение остатков в одну сторону после события.
Множественная сезонность. Недельная и годовая одновременно — классическая SARIMA плохо это ловит. Prophet справляется лучше за счёт нескольких сезонных компонент, но требует аккуратной настройки. Обнаружение аномалий тоже усложняется: аномалия на фоне двух сезонностей маскируется.
Инструмент перестал работать. Модели деградируют из-за дрейфа данных. Без мониторинга дрейфа и автоматического retraining пайплайн тихо теряет точность. Заметить можно по росту ошибки на свежих данных и по изменению распределения входных признаков.
Пути освоения и их trade-offs
| Путь | Время | Деньги | Результат |
|---|---|---|---|
| Самостоятельно по документации | Месяцы | Минимальные | Гибко, но нет обратной связи и легко закрепить ошибки |
| Курс со структурой | Недели | Средние | Быстрее, есть проверка решений |
| Практика на работе | Зависит от задач | — | Реальный опыт, но узкий контекст |
Самостоятельный путь упирается в барьер: некому сверить ваш бэктест и логику выбора модели. Ошибки в валидации дорого стоят и всплывают поздно. Курс закрывает именно это — структура и обратная связь по решениям.
Кому подходит, а кому нет
Подходит аналитикам и data-специалистам, работающим с прогнозами, метриками и мониторингом. Не подходит тем, кто ищет «модель, которая просто предскажет»: без понимания данных и валидации любая модель даст ложную уверенность.
Курс Time Series (анализ временных рядов) разбирает эти расчёты на примерах — от выбора модели до мониторинга дрейфа и retraining в пайплайне — и даёт обратную связь по вашим решениям. Подробности и запись — на странице курса.