Прогнозирование продаж акций в режиме cold-start с помощью контрастных объяснений на основе градиентного бустинга

Множество решений машинного обучения в промышленности требуют интерпретируемости. В розничной торговле это особенно важно при прогнозировании продаж акций в режиме cold-start. На этапе планирования промоакций ритейлеры формируют прогнозы продаж, которые проверяют эксперты по прогнозированию и менеджеры. В данной работе мы сочетали предиктивные преимущества регрессоров на основе градиентного бустинга деревьев решений с интерпретируемостью контрастных объяснений, которые неявно формируются через способ организации данных. Наш метод представляет прогнозы для cold-start в сопоставлении с наблюдаемыми продажами по акциям других товаров, которые мы называем «соседями». Соседи выбираются на основе меры близости к прогнозируемой акции, выведенной из важности переменных, рассчитанной в процессе обучения регрессоров. Обладая этой информацией, эксперт-ревьюер корректирует прогноз cold-start, просто изменяя вклад соседей. Для валидации мы тестируем метод на суррогатной модели и на данных реального рынка. Результаты на суррогатной модели демонстрируют, что метод способен точно идентифицировать факторы, влияющие на продажи, и затем выбрать ближайших соседей для формирования контрастного объяснения. Результаты на данных реального рынка показывают, что предложенный метод работает на уровне широко используемых методов, таких как обычный CatBoost, NGBoost или AutoGluon, и при этом обеспечивает интерпретируемость.