Прогноз спроса.
От выгрузки к решению.

1. Сначала определить, что прогнозируем

Сумма частотностей пересекающихся запросов не равна числу людей. Для Wordstat фиксируем набор запросов и называем результат индексом поискового интереса. Запросы «профлист» и «профлист купить» нельзя автоматически складывать как независимый спрос. Отметка «нет» также не даёт основания вычитать частотность: множества могут пересекаться.

Контракт данных

Одна строка: месяц, страна, код региона, категория, запрос, частотность, операторы, дата выгрузки, источник и правило включения. Пропуск отличается от нуля. Справочник категорий хранится с версией; неоднозначные совпадения попадают в отчёт, а не в первую найденную категорию.

Россия и Казахстан анализируются отдельно. Для сводок проверяем, не включает ли агрегированный регион автономные округа или города, уже представленные отдельными рядами. Сумма выбранных регионов не называется общероссийским спросом без проверки покрытия.

2. Что позволяют два года истории

В текущих выгрузках 24 месячных наблюдения: октябрь 2022 — сентябрь 2024. Рабочий горизонт — октябрь 2024 — сентябрь 2025. Два сезонных цикла дают слабую основу для сложной локальной модели и проверки устойчивости годового прогноза.

1. Базовая модель: повторить последние 12 месяцев. Проверить соответствие каждого месяца исходной дате.
2. Предварительный отбор: прогнозы на 1–3 месяца из дат отсечения март, апрель и май 2024. Для всех кандидатов использовать одинаковые доступные данные.
3. Финальная проверка: июль — сентябрь 2024 после фиксации кандидата, с отсечением в июне. Эти значения уже рассматривались в предыдущей работе, поэтому тест нельзя называть ранее невиданным.
4. Годовой горизонт: одного прошлого годового окна недостаточно для уверенного выбора и калибровки. Короткий тест не подтверждает качество на 12 месяцев. Запросить более длинную историю, предпочтительно 36–60 месяцев, или собирать последующие факты.

Региональные ряды помогают общей модели обучаться, но не создают дополнительные независимые годы. Гиперпараметры, обработка выбросов и веса ансамбля выбираются только на обучении и предварительных окнах.

3. Практический набор моделей

Для пилота достаточно одного Python-контура: подготовка таблиц, простые модели, один общий ML-кандидат и один предобученный кандидат. AutoGluon помогает организовать сравнение. R имеет смысл оставить для команды, уже работающей с forecast или fable; дублировать весь процесс на двух языках не требуется.

По официальному репозиторию TimesFM, веса 3.0 ограничены некоммерческим и непроизводственным использованием, в отличие от весов до 2.5. Это важно при выборе кандидата для рабочих задач. Название SOTA в исходном обзоре не доказывает преимущество на Wordstat. Источник: TimesFM.

Chronos и AutoGluon TimeSeries: официальные материалы для проверки интерфейсов и версий. Остальные модели из обзора сохраняются в списке для дальнейшего изучения.

4. Как отличить хороший прогноз от красивого

• MAE: средний абсолютный промах в единицах показателя.
• WAPE: сумма абсолютных ошибок / сумма факта на одном и том же тесте. Показывать отдельно по стране и категории. При нулевой сумме факта показатель недоступен.
• Bias: сумма (прогноз − факт) / сумма факта. Положительное значение означает систематическое завышение.
• MASE / RMSSE: масштабирование через обучающую историю; знаменатель и сезонный период указать явно. Для постоянного ряда или слишком короткого обучения результат может быть недоступен.
• Преимущество над baseline: разница ошибок на одинаковых окнах. MASE < 1 само по себе не доказывает победу над сезонной моделью на текущем тесте.

MAPE не ставим главным показателем для редких запросов: промах на одну единицу при факте один равен 100%. Большая процентная ошибка линеарных панелей может отражать малый объём. Сначала проверяем абсолютный промах, нули и устойчивость по окнам.

Интервалы и сценарии

p50 — медиана, а не обязательно наиболее вероятное значение. p10–p90 — центральный 80%-й прогнозный интервал при корректной калибровке. Проверяем долю попаданий и ширину отдельно для каждого горизонта. Произвольный диапазон ±20% называется сценарием чувствительности, а не доверительным интервалом.

Сумма региональных p90 обычно не равна p90 страны. Точечные итоги можно согласовать суммированием непересекающихся регионов; для вероятностных итогов нужны совместные сценарии с учётом зависимости. При 24 точках не обещаем надёжную региональную калибровку на год.

5. Как использовать результат в маркетинге

Падение поискового интереса само по себе не доказывает проблему сайта. Очерёдность задач задаём абсолютным масштабом, устойчивостью сигнала и значимостью категории для бизнеса. Для SEO учитываем время подготовки страниц, для рекламы — стоимость и конверсию, для закупок — продажи и сроки поставки.

Будущие факторы используем только в доступном на момент прогноза виде: план рекламного бюджета, утверждённое промо, календарь. Фактическая погода следующего года, будущие цены конкурентов и ещё неизвестные продажи в признаки не попадают.

6. План следующего расчёта

1. Перепроверить четыре одинаковых региональных CSV, пропуски и пересечения географии. Не назначать копию одному региону наугад.
2. Зафиксировать запросы, категории, операторы и версию данных. Сохранить исключения с причинами.
3. Исправить сезонную базу и добавить независимую проверку дат. Пересчитать историю итогов и прогноз.
4. Сравнить сезонный baseline с ограниченным набором кандидатов по MAE, WAPE и bias, сохраняя ошибки каждого окна.
5. Вывести интервалы только вместе с методом и ограничениями калибровки. Показать сценарии там, где вероятностная оценка не подтверждена.
6. Собрать Excel: категории по странам, региональные прогнозы, сравнение моделей, проверка данных, словарь и методика. Графики: факт и прогноз с границей отсечения, ошибки по горизонту, сезонность и абсолютный вклад регионов.

Критерий готовности: результат воспроизводится, сравнение с baseline прозрачно, даты согласованы, неопределённость видна, итоговые выводы опираются на исправленные расчёты.

Основа: предоставленный обзор «SOTA прогнозирования временных рядов», срез 12.09.2026. Исходник сохранён для изучения; эта адаптация уточняет определения, ограничения короткой истории и порядок применения к рабочим задачам. Публикации о лидерстве моделей из исходника не воспроизводились.