Опубликовано: 11.10.2026 | Источник: CNews (новости)

Аналитика продаж планшетов для ВКР: от парсинга данных до прогнозной модели

Поддомен: Data Engineering / ML. Роль эксперта: Data/ML-инженер.

Введение: новость, которая стоит главы вашей работы

«МегаФон» зафиксировал рост продаж планшетов третий квартал подряд, а в I квартале 2026 года — сразу +72% год к году. Для менеджера ритейла это повод пересмотреть склад, а для выпускника ИТ-специальности — почти готовое обоснование актуальности. Почему? Потому что любой резкий разворот рынка обнажает слабое место: аналитика не успевает за спросом, закупки строятся на интуиции, а данные о ценах и остатках размазаны по API маркетплейсов, ERP и Excel.

Если вы ищете, как написать ВКР, которая защищаема, а не «сделана ради галочки», — возьмите эту новость как точку входа. Вы получаете реальный кейс с цифрами, свежую дату и очевидного заказчика результата: систему, которая собирает данные, считает метрики и прогнозирует спрос. Ниже — три рабочие темы, архитектура, метрики и подводные камни.

Темы ВКР и как развернуть их в полноценную работу

Формат объединённый: каждая тема — это сразу и постановка, и техническая начинка. Выбирайте ту, где у вас есть доступ к данным: даже публичная статистика ритейлеров и выгрузки с маркетплейсов закрывают 80% потребностей диплома.

Тема 1. Прогнозная модель спроса на планшетные ПК на основе временных рядов

Актуальность: трёхквартальный рост из статьи — классический нестационарный ряд с сезонностью (праздники, старт учебного года, распродажи). Именно на таких рядах проверяются SARIMA, Prophet и градиентный бустинг с лаговыми признаками.

Цель: разработать модель краткосрочного (1–3 месяца) прогноза спроса с контролируемой ошибкой.

Задачи: собрать и очистить ряд продаж; провести декомпозицию на тренд/сезонность/шум; обучить и сравнить 2–3 модели; оценить качество на отложенной выборке; оформить API выдачи прогноза.

Структура: Глава 1 — анализ рынка планшетов и методов прогнозирования. Глава 2 — проектирование пайплайна и обучение моделей. Глава 3 — оценка точности, сравнение с базовой моделью, выводы.

Тема 2. ETL-пайплайн и BI-дашборд мониторинга продаж электроники

Актуальность: за всплеском спроса всегда идёт вопрос «что мы об этом знаем в реальном времени?». Пайплайн, который сводит данные из нескольких источников в единое хранилище, — самостоятельная инженерная задача.

Цель: построить отказоустойчивый конвейер загрузки и витрину для аналитики продаж.

Задачи: спроектировать схему хранилища; реализовать DAG-и загрузку в Airflow; настроить инкрементальное обновление; собрать дашборд с ключевыми срезами (бренд, ценовой сегмент, регион).

Структура: Глава 1 — обзор подходов к построению хранилищ (звезда/снежинка). Глава 2 — реализация ETL на Airflow + ClickHouse. Глава 3 — нагрузочное тестирование и оценка задержки данных.

Тема 3. Сервис сбора рыночных данных через API маркетплейсов

Актуальность: цены и остатки меняются ежедневно, а ручной сбор невозможен. Сервис-агрегатор тут же становится источником данных для тем 1 и 2.

Цель: разработать сервис, который регулярно собирает карточки товаров и складывает их в хранилище.

Задачи: описать контракты API; реализовать обработку лимитов и ретраев; обеспечить идемпотентность записи; покрыть логику тестами.

Структура: Глава 1 — анализ источников и ограничений. Глава 2 — архитектура сервиса и реализация. Глава 3 — тестирование, отказоустойчивость, метрики наблюдаемости.

Как встроить материал статьи в главы работы

Глава 1: обоснование и требования

Цифру «+72% в I квартале 2026» ставьте не как украшение, а как аргумент в подразделе «Анализ предметной области». Свяжите её с волатильностью спроса и покажите, что классические методы планирования (среднее за год) на таком рынке дают ошибку в разы больше. Техническое задание оформляйте по ГОСТ 34.602 — это тот самый пункт, на котором ловят нормоконтроль. Требования к качеству ПО распишите по ISO/IEC 25010: функциональная полнота, производительность, надёжность.

Глава 2: проектирование и реализация

Архитектуру рисуйте в нотации C4: контекст → контейнеры → компоненты. Для сценариев загрузки данных отлично заходит диаграмма последовательности UML (клиент → API источника → очередь → хранилище → дашборд). Ниже — минимальный скелет ETL-шага, который можно приложить к главе как листинг.

import pandas as pd
from datetime import datetime

def clean_sales(raw: pd.DataFrame) -> pd.DataFrame:
    df = raw.copy()
    df["date"] = pd.to_datetime(df["date"], errors="coerce")
    df = df.dropna(subset=["date", "sku", "qty"])
    df["qty"] = df["qty"].clip(lower=0)
    df["week"] = df["date"].dt.isocalendar().week
    return df.groupby(["week", "brand"], as_index=False)["qty"].sum()

def mape(y_true, y_pred) -> float:
    import numpy as np
    y_true, y_pred = np.asarray(y_true), np.asarray(y_pred)
    mask = y_true != 0
    return float(np.mean(np.abs((y_true[mask] - y_pred[mask]) / y_true[mask])) * 100)

# Пример: базовый прогноз по прошлому периоду против факта
fact = [1200, 1450, 1900, 2100]
naive = [900, 1200, 1450, 1900]
print(f"MAPE naive: {mape(fact, naive):.2f}%")

Глава 3: тестирование и оценка эффективности

Здесь мало «модель работает». Нужны числа: MAPE, RMSE, MAE по прогнозу; p95 времени отклика API; доля успешных запусков DAG. Для наблюдаемости пайплайна используйте OpenTelemetry — трейсы по каждому шагу загрузки превращают главу 3 в инженерный, а не описательный раздел.

Чему вы научитесь на этой теме

• Проектировать ETL-конвейеры с инкрементальной загрузкой и идемпотентностью.
• Оценивать прогнозные модели не «на глаз», а через MAPE/RMSE на отложенной выборке.
• Описывать архитектуру в C4 и UML так, чтобы комиссия увидела систему, а не набор классов.
• Формулировать ТЗ и требования по ГОСТ 34 и ISO/IEC 25010.
• Настраивать наблюдаемость сервиса через OpenTelemetry и считать эксплуатационные метрики.

Источник: «МегаФон»: продажи планшетов растут третий квартал подряд (опубликовано 2026-03-27)