ML-прогнозирование спроса

Мультипрогноз продаж с production pipeline, Celery и live-прогрессом выполнения.

Что показывает кейс

Кейс показывает production-процесс прогнозирования спроса: подготовка данных, baseline, обучение и сравнение моделей, сохранение артефактов, проверка качества и регулярный расчёт прогноза для потребителей.

Контекст

Разовый ноутбук с моделью не решает задачу планирования: прогноз нужно повторяемо считать по нескольким объектам, одинаково готовить train/test и признаки, хранить идентичность запусков и понимать, где находится тяжёлый расчёт. Без отдельного production-контура пользователь получает долгий запрос, не видит состояние выполнения, а повтор после ошибки может заново пересчитать уже готовые этапы.

Что вошло в контур проекта

Сервис готовит данные и признаки, формирует train/test выборки, запускает модели и каскадный прогноз, хранит результаты многоточечных расчётов и отдаёт прогресс через WebSocket. Celery выполняет тяжёлые задачи, Prometheus фиксирует состояние воркеров.

Решение

Django-сервис оборачивает подготовку данных и ML-модели в воспроизводимый production pipeline, хранит запросы и результаты многоточечных прогнозов, запускает тяжёлые этапы через Celery и отдаёт фактический прогресс выполнения через WebSocket. Состояние расчёта отделено от веб-запроса, поэтому запуск можно наблюдать, диагностировать и повторять без ручной работы автора модели.

Подготовка данных, очистка, feature engineering и построение dataset.
Train/test pipeline и sklearn-совместимые модели.
Каскадное прогнозирование последовательных периодов.
Хранение запросов и результатов мультипрогноза.
Celery-задачи с предварительной загрузкой моделей в worker.
Channels/WebSocket для прогресса и Prometheus-метрики задач.

Рабочий процесс

Данные
Features
Модель
Celery
Прогноз
Live progress
Результат

Технологический контур

Django
Celery
Channels
Pandas
scikit-learn
Prometheus

Бизнес-эффект

Прогнозирование становится повторяемым сервисным процессом с наблюдаемым выполнением, а не ручным запуском модели.