Moduł 1 · Fundamenty modeli predykcyjnych
Czym jest model predykcyjny i kiedy go używać
Po tej lekcji odróżnisz model predykcyjny od zwykłego raportu, nazwiesz cechy i zmienną docelową oraz ocenisz, czy dane pytanie biznesowe nadaje się do prognozowania.
Raport mówi, co było. Model zgaduje, co będzie
Zwykły raport sprzedaży odpowiada na pytanie „ile zamówień mieliśmy w maju?”. Model predykcyjny odpowiada na pytanie „ile zamówień będzie w przyszły piątek?” albo „która klientka prawdopodobnie przestanie kupować?”. Różnica jest zasadnicza: raport liczy fakty, model szacuje coś, czego jeszcze nie wiesz, na podstawie wzorców z przeszłości.
Przez cały kurs pracujesz na jednym przykładzie. Zielony Koszyk to fikcyjny sklep internetowy z ekologiczną żywnością z Wrocławia, który dowozi zakupy także do Poznania, Krakowa, Warszawy i Łodzi. Właścicielka chce wiedzieć trzy rzeczy:
- ile pieniędzy wyda klient w najbliższych 90 dniach (żeby lepiej planować budżet marketingu w zł),
- którzy klienci prawdopodobnie zrezygnują z zakupów (żeby wysłać im kupon, zanim odejdą),
- ile zamówień wpłynie każdego dnia (żeby zaplanować kierowców i magazyn).
Każde z tych pytań rozwiążesz innym typem modelu. Dane w kursie są wygenerowane na potrzeby nauki i nie opisują żadnej prawdziwej firmy.
Cechy, zmienna docelowa i obserwacje
Model uczy się na tabeli. Każdy wiersz to obserwacja, u nas jeden klient. Kolumny dzielisz na dwie grupy:
- zmienna docelowa (ang. target): to, co chcesz przewidzieć, na przykład
rezygnacja(0 albo 1) lubwydatki_nast_90d_zl, - cechy (ang. features): informacje znane w chwili prognozy, na przykład staż klienta w miesiącach, liczba zamówień w ostatnich 90 dniach, liczba dni od ostatniego zakupu.
Najważniejsza zasada brzmi: cecha musi być znana w chwili, w której model ma podjąć decyzję. Jeśli chcesz dziś przewidzieć, czy klient odejdzie w ciągu kwartału, nie możesz użyć jego wydatków z tego właśnie kwartału, bo ich jeszcze nie znasz. Taki błąd nazywa się wyciekiem danych i poświęcisz mu osobną lekcję w module 4.
Przykład: fikcyjny sklep Zielony Koszyk, Wrocław.
Trzy rodzaje zadań, które poznasz w kursie
Regresja przewiduje liczbę: kwotę w zł, liczbę sztuk, czas dostawy. W module 2 przewidzisz wydatki klienta w kolejnych 90 dniach.
Klasyfikacja przewiduje kategorię: odejdzie albo zostanie, oszustwo albo zwykła transakcja. Model zwykle podaje prawdopodobieństwo, a Ty wybierasz próg, od którego uznajesz klienta za zagrożonego. Zajmiesz się tym w modułach 3 i 4.
Prognozowanie szeregu czasowego to regresja, w której liczy się kolejność w czasie: dzienna liczba zamówień zależy od dnia tygodnia, pory roku i trendu. Tym zajmiesz się w module 5.
Wszystkie trzy to uczenie nadzorowane: model dostaje przykłady z gotową odpowiedzią i szuka reguły, która łączy cechy z wynikiem. Istnieje też uczenie nienadzorowane (na przykład podział klientów na grupy bez gotowej etykiety), ale ten kurs skupia się na przewidywaniu.
Kiedy model ma sens, a kiedy wystarczy reguła
Model predykcyjny opłaca się, gdy spełnione są trzy warunki:
- Decyzja się powtarza. Wybór klientów do kampanii co tydzień to dobry kandydat. Jednorazowa decyzja o otwarciu magazynu w Łodzi raczej nie.
- Masz historię z wynikami. Żeby przewidywać rezygnacje, musisz wiedzieć, którzy klienci odeszli w przeszłości. Bez tego model nie ma się na czym uczyć.
- Lepsza prognoza zmienia działanie. Jeśli i tak wysyłasz kupon wszystkim, model rezygnacji niczego nie zmieni.
Zawsze porównuj model z punktem odniesienia (ang. baseline). Może to być reguła „klient bez zakupu od 60 dni jest zagrożony” albo prognoza „jutro będzie tyle zamówień, co tydzień temu”. Jeśli model nie bije prostej reguły, nie wdrażasz go. W kolejnych modułach zobaczysz, że to się zdarza częściej, niż się wydaje.
Warto też pamiętać, że model daje szacunek, a nie pewność. Dobra prognoza mówi: „ten klient ma 62% szans na odejście”, a nie „ten klient odejdzie”. Decyzję, co z tym zrobić, podejmuje człowiek.
Narzędzia w kursie
Pracujesz w Pythonie z bibliotekami pandas (tabele) i scikit-learn (modele). Stan na październik 2026: aktualna wersja scikit-learn to 1.9.1, a pandas 3.0.6. Nie musisz umieć programować zaawansowanie: każdy moduł ma gotowe skrypty do pobrania z plikami danych, a w lekcjach tłumaczę każdą linijkę, która ma znaczenie. Środowisko przygotujesz w następnej lekcji.
# tak wygląda cały „szkielet” pracy z modelem w scikit-learn
model.fit(X_trening, y_trening) # nauka na danych historycznych
prognozy = model.predict(X_nowe) # prognoza dla nowych obserwacjiNajważniejsze w 3 punktach
- Model predykcyjny szacuje nieznaną wartość na podstawie cech znanych w chwili decyzji, a raport opisuje to, co już się stało.
- Regresja przewiduje liczbę, klasyfikacja kategorię, a prognoza szeregu czasowego wartości w kolejnych okresach.
- Model wdrażasz tylko wtedy, gdy bije prosty punkt odniesienia i zmienia realną decyzję.
Źródła
- scikit-learn, User Guide: Supervised learning, wersja 1.9 (stan na październik 2026): https://scikit-learn.org/stable/supervised_learning.html
- scikit-learn w PyPI, wersja 1.9.1 z 10 września 2026 r.: https://pypi.org/project/scikit-learn/
- pandas w PyPI, wersja 3.0.6 z 17 września 2026 r.: https://pypi.org/project/pandas/