3月，我们的开发团队以“ Hands-Auki”为傲，在黑客马拉松AI.HACK的数字领域进行了为期两天的战斗。 总共提出了来自不同公司的五项任务。 我们专注于Gazpromneft的任务：预测B2B客户对燃料的需求。 根据匿名数据，有必要学习如何根据燃料购买地区，燃料编号，燃料类型，价格，日期和客户ID来预测特定客户将来会购买多少。 展望未来-我们的团队以最高的精度解决了这个问题。 客户分为三个部分：大，中和小。 除了主要任务，我们还建立了每个细分市场的总消费量预测。
卸载包含2016年11月至2018年3月15日期间的客户购买数据（2018年1月1日至2018年3月15日期间的数据不包括数量）。
样本数据：
列的名称说明一切，我认为没有任何解释的意义。
除了培训样本，组织者还提供了今年三个月的测试样本。 价格是针对公司客户的，并考虑到特定的折扣，折扣取决于特定客户的消费，特殊优惠和其他要点。
接收到初始数据后，我们像其他所有人一样，开始尝试经典的机器学习方法，尝试建立合适的模型，以感觉到某些信号的相关性。 我们尝试提取其他功能，构建回归模型（XGBoost，CatBoost等）。
问题本身的陈述最初暗示燃料价格以某种方式影响需求，因此有必要更准确地理解这种依赖性。 但是，当我们开始分析提供的数据时，我们发现需求与价格不相关。
符号相关：
事实证明，升数实际上不取决于价格。 逻辑上对此进行了解释。 驾驶员在高速公路上行驶，他需要加油。 他可以选择：要么在公司合作的加油站加油，要么在其他地方加油。 但是驾驶员并不在乎燃油成本，而是由组织支付。 因此，他只是关闭了最近的加油站并给油箱加油。
但是，尽管付出了所有努力并进行了反复试验的模型，仍无法达到使用以下公式（对称平均绝对百分比误差）计算得出的最低可接受的预测精度（基线）：
我们尝试了所有选项，但没有任何效果。 然后我们中间的一个人开始使用机器学习，并转向良好的旧统计数据：只取燃油类型的平均值，进行验证并查看您获得的准确度。
所以我们首先超过了阈值。
我们开始考虑如何改善结果。 我们尝试按客户群，燃料类型，地区和加油站数量获取中间值。 问题在于，在测试数据中，培训样本中大约30％的客户ID丢失了。 也就是说，新客户出现在测试中。 这是组织者未检查的错误。 但是我们必须自己解决问题。 我们不知道新客户的消费量，因此无法为他们建立预测。 机器学习在这里起到了作用。
在第一阶段，缺失的数据用整个样本的平均值或中值填充。 然后这个想法浮出水面：为什么不根据现有数据创建新的客户资料？ 我们按地区，有多少客户在那购买燃料，以什么频率，什么类型来削减。 我们将现有客户聚集在一起，为不同地区编译特定的配置文件，并对他们进行培训，然后“完成”新客户的配置文件。
这使我们跃居第一。 总结结果还剩下三个小时。 我们很高兴并开始解决奖金问题-提前三个月按细分进行预测。
蓝色显示实际数据，红色显示预测。 误差范围为3％至6％。 例如，考虑到季节性高峰和假期，甚至可以更准确地进行计算。
在我们这样做的同时，一支团队开始追赶我们，每15至20分钟改善一次我们的成绩。 我们也开始大惊小怪，并决定采取行动，以防他们追上我们。
他们开始并行制作另一个模型，该模型按显着性对统计数据进行排名，其准确性略低于第一个模型。 当竞争对手击败我们时，我们尝试将两种模型结合起来。 这使我们略微提高了指标-达到了37.24671％，因此，我们重新获得了第一名并将其保持到最后。
为了取得胜利，我们的Ruki-Auki团队获得了10万卢布，荣誉，尊敬和……充满自尊的证书，我去了温泉浴场！ ;）
Jet信息系统开发团队