Прогнозирование спроса на смартфоны в ВКР: метрики, ML-модель и пример Poco X8 Pro

Новость о старте продаж смартфонов Poco X8 Pro в России — это не просто информация для покупателей, а готовый кейс для ИТ-студента. Компания diHouse, дистрибьютор Xiaomi и Poco, при выводе новой модели сталкивается с необходимостью быстро спрогнозировать спрос, спланировать поставки и избежать дефицита или переизбытка товара. Для выпускника это отличная возможность построить ВКР, основанную на реальном бизнес-событии, показать навыки анализа данных, проектирования систем и машинного обучения. В статье разберем, как превратить такой релиз в полноценное исследование: от выбора темы до количественных метрик эффективности.

Темы ВКР на основе кейса со стартом продаж

Тема 1. Прогнозирование спроса на новые модели смартфонов (на примере Poco X8 Pro)

Актуальность: выход нового продукта создаёт «холодный старт»: исторических данных по конкретной модели нет, но есть данные по похожим. Это типичная задача для ритейла и дистрибуции.

Цель: разработать модель прогнозирования продаж на первые недели после старта и веб-сервис для её использования.

Исследовать методы прогнозирования временных рядов (Prophet, SARIMA, LSTM).
Собрать и обогатить данные о продажах аналогичных моделей.
Обучить модель и провести валидацию на отложенной по времени выборке.
Разработать API для получения прогноза.
Оценить точность по метрикам MAE, RMSE, MAPE.

Структура: Глава 1 — анализ предметной области; Глава 2 — проектирование архитектуры и реализация; Глава 3 — тестирование и оценка эффективности.

Тема 2. Разработка хранилища данных для анализа продаж дистрибьютора электроники

Актуальность: дистрибьютору необходимо консолидировать данные из разных каналов (сайт, розница, маркетплейсы). Старт продаж новой модели требует оперативных витрин и отчётности.

Цель: спроектировать хранилище данных (DWH) и ETL-процессы для загрузки данных о продажах.

Исследовать источники данных и их форматы.
Разработать логическую и физическую схему хранилища (схема «звезда» или «снежинка»).
Настроить ETL-пайплайны с инкрементальной загрузкой.
Построить дашборд для отдела продаж.

Структура: Глава 1 — анализ источников и требований; Глава 2 — проектирование DWH; Глава 3 — реализация ETL и тестирование.

Тема 3. Наблюдаемость ETL-пайплайнов в дистрибьюторской компании на основе OpenTelemetry

Актуальность: при росте числа запусков новых моделей частота загрузок данных увеличивается, сбои пайплайнов стоят денег. OpenTelemetry — стандарт де-факто для наблюдаемости.

Цель: внедрить наблюдаемость для ETL-пайплайнов, чтобы сократить время простоя.

Изучить архитектуру OpenTelemetry и способы интеграции с Airflow / Spark.
Спроектировать сбор метрик и трассировок.
Реализовать алерты на основе SLO.
Оценить влияние на MTTR (время восстановления).

Структура: Глава 1 — теория наблюдаемости; Глава 2 — интеграция OpenTelemetry; Глава 3 — эксперимент и метрики.

Разбор темы «Прогнозирование спроса» — как написать главы ВКР

Глава 1. Анализ предметной области с использованием новости о Poco X8 Pro

В первой главе нужно показать, что вы понимаете бизнес-процесс вывода новой модели. Сошлитесь на новость от 2026-03-18 как на триггер: «появление устройства формирует новый спрос, который необходимо прогнозировать». Опишите структуру рынка смартфонов, роль дистрибьютора и связанные риски (дефицит/затоваривание). Здесь же уместно построить UML-диаграмму деятельности (activity diagram) — «Процесс планирования поставок при старте продаж». Для оформления технического задания полезно сослаться на стандарты серии ГОСТ 34, которые регламентируют разработку автоматизированных систем.

Глава 2. Проектирование и реализация ML-сервиса

Архитектура на уровне C4-модели. Контекст: пользователь (менеджер по продажам) взаимодействует с дашбордом, API, ML-модулем и базой данных. Схему можно описать текстом или представить в виде простой схемы компонентов:

[CRM / кассы / сайт] → [ETL на Python] → [PostgreSQL] → [Prophet] → [FastAPI] → [Dash/дашборд]

В качестве ML-модели удобно взять Prophet — он хорошо работает с короткими рядами и позволяет добавлять внешние регрессоры. Пример фрагмента кода для прогноза:

import pandas as pd
from prophet import Prophet

df = pd.read_csv('sales_poco_previous.csv')
df['ds'] = pd.to_datetime(df['date'])
df['y'] = df['orders']

# добавляем внешнюю переменную — маркетинговый бюджет
model = Prophet(seasonality_mode='multiplicative')
model.add_regressor('marketing_spend')
model.fit(df)

future = model.make_future_dataframe(periods=14)
forecast = model.predict(future)
print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']])

Обратите внимание: для Poco X8 Pro нет собственной истории продаж, поэтому используйте перенос обучения от предыдущих моделей линии Poco/Xiaomi. Это сильный методологический приём и лишний повод обосновать выбор темы.

Глава 3. Оценка эффективности

Сравните прогноз с базовым (naive) подходом: например, «продажи следующей недели равны продажам этой». Считайте метрики MAE, RMSE и MAPE. Дополнительно оценивайте не только точность, но и качество системы в целом по модели ISO/IEC 25010: функциональность, надёжность, производительность. Например, укажите, что время формирования прогноза не превышает 2 секунд, а отказоустойчивость API обеспечивается репликацией сервиса.

Чему вы научитесь в ходе работы

Проектировать архитектуру ML-сервиса (C4, диаграммы UML).
Строить и валидировать временные прогнозы с учётом «холодного старта».
Работать с метриками качества прогнозирования и интерпретировать их.
Оформлять техническое задание и описание АС по стандартам ГОСТ.
Презентовать результаты и защищать их перед комиссией, опираясь на данные.

Типичные ошибки студентов

Ошибка 1. Используют данные только по новой модели. При отсутствии истории модель ничего не предскажет. Как избежать: собрать данные по аналогичным моделям и тщательно описать методику переноса.

Ошибка 2. Делят выборку случайным образом, а не по времени. Это даёт «утечку» будущей информации и завышает метрики. Как избежать: использовать временные срезы (например, train до определённой даты, test после).

Ошибка 3. Ограничиваются одной метрикой RMSE. Она хорошо показывает «среднюю ошибку», но является чувствительной к выбросам. Как избежать: дополнительно считать MAE (ошибка в абсолютных единицах) и MAPE (относительная ошибка).

FAQ — вопросы, которые чаще всего задают студенты

Где взять данные для прогнозирования, если нет доступа к базам дистрибьютора?

Используйте открытые данные: официальные релизы компаний, агрегаторы цен, аналитические отчёты. Можно взять данные с Ozon, Wildberries, «М.Видео» — они публично доступны. Если этого мало, сгенерируйте синтетический датасет с правдоподобным распределением и обязательно опишите этот процесс в работе.

Prophet или LSTM — что выбрать для дипломной работы?

Если у вас до 200–300 точек и важна интерпретируемость — берите Prophet. Он быстро обучается, стабилен и проще в объяснении на защите. LSTM оправдан на больших и шумных временных рядах, но требует тюнинга и большего времени обучения. Лучший вариант — сравнить обе модели в работе.

Как оформить схемы в ВКР, чтобы не придрался нормоконтроль?

Для диаграмм используйте стандартные нотации: UML (use case, activity, component) или IDEF0. ГОСТ напрямую не требует конкретной нотации, но важна читаемость и единый стиль. В пояснительной записке обязательно подпишите каждую схему подрисуночной подписью и сошлитесь на неё в тексте.

Как рассчитать экономическую эффективность для главы 3?

Сравните две ситуации: ручное планирование и планирование с помощью вашей модели. Например, посчитайте финансовые потери от дефицита товара (недополученная маржа) и от затоваривания (затраты на хранение и утилизацию). Затем продемонстрируйте, что ваша модель уменьшает эти потери на X% по сравнению с текущим подходом.

Чек-лист «Что проверить перед сдачей»

Все ли задачи из введения нашли отражение в выводах по главам?
Есть ли диаграммы UML / C4 и корректные ссылки на них в тексте?
Правильно ли выполнено разбиение выборки на train и test (по времени)?
Приведены ли метрики MAE, RMSE, MAPE и сравнение с базовым прогнозом?
Упомянут ли источник — новость о старте продаж Poco X8 Pro?
Соответствует ли оформление требованиям вашего вуза (ГОСТ 7.32 или внутренний стандарт)?
В приложения вынесены весь код, модели и датасеты?

Даже если вы сами успешно справляетесь с темой, иногда бывает нужно вычитать ВКР, составить план или проверить расчёты. Если почувствуете, что ресурсов не хватает — не переживайте. Наши эксперты могут провести консультацию, помочь с методологией или подготовить часть материалов. Первая консультация — бесплатна, а сложной теме обычно уделяется до 120 часов внимания. Вы всегда можете обратиться за профессиональной помощью, сохранив при этом свой стиль работы.

Материал подготовлен экспертами компании [Название сайта]. Мы помогаем студентам с 2010 года. Если вам нужна помощь в разработке темы или оформлении работы, наши специалисты готовы подсказать.

Последнее обновление: 2026-08-12

Источник: В России начались продажи серии смартфонов Poco X8 Pro (опубликовано 2026-03-18)

```