Калибровка прогноза Forecast calibration
Также: Forecast calibration, калибровка форекаста, донастройка прогноза
Калибровка прогноза — процесс регулярной корректировки статистического или RMS-прогноза revenue-менеджером на основе свежих данных pickup, известных локальных факторов и отклонений, которые автоматическая модель ещё не учла.
Forecast calibration — не разовое действие, а постоянный процесс: даже качественная RMS-модель строится на исторических данных и не всегда «знает» о разовых будущих факторах, поэтому прогноз регулярно донастраивается человеком.
Что калибрует revenue-менеджер
- Известные разовые события, отсутствующие в исторических данных модели (новая конференция, закрытие или открытие конкурента, изменение авиасообщения).
- Отклонение фактического pickup от прогнозного на ранних датах горизонта — сигнал, что модель систематически ошибается в одну сторону.
- Информация от отдела продаж о вероятности закрытия крупных сделок, которая ещё не отражена в подтверждённых бронированиях.
Периодичность калибровки
Операционная калибровка на ближнем горизонте (0–30 дней) обычно происходит еженедельно или чаще, среднесрочная (31–90 дней) — раз в две недели, долгосрочная — ежемесячно вместе с обновлением rolling forecast.
Пример процесса калибровки
| Шаг | Действие |
|---|---|
| 1 | Сравнить прогноз RMS с фактическим pickup за прошедшую неделю |
| 2 | Выявить систематическое отклонение (модель занижает/завышает) |
| 3 | Добавить известные локальные факторы, которых нет в модели |
| 4 | Скорректировать итоговый прогноз и задокументировать причину корректировки |
Зачем документировать корректировки
Запись причин ручных корректировок позволяет впоследствии оценить точность прогноза (MAPE) отдельно для «чистой» модели и для откалиброванной версии, и понять, действительно ли ручные правки улучшают результат или, наоборот, вносят лишний шум.
Частые ошибки
- Ручная калибровка «по ощущению» без фиксации причины и без последующей проверки, оказалась ли она верной.
- Слишком частые или слишком редкие корректировки — оба крайних варианта снижают полезность процесса.
- Игнорирование систематических отклонений модели вместо анализа их первопричины (например, некорректная разметка сегментов в исходных данных).