Опубликовано: 06.08.2026 | Источник: CNews (новости)

**Семантический анализ:** - **Поддомен:** Data Engineering / ML - **Роль:** Data/ML-инженер - **Основной поисковый запрос:** прогнозирование спроса на смартфоны ВКР - **LSI-запросы:** временные ряды, Prophet, XGBoost, MAPE/RMSE, предобработка данных, CRISP-DM, Pandas, витрина данных, BI-дашборд, feature engineering - **Реальные вопросы студентов:** 1. Где взять данные о продажах для диплома? 2. Какую модель прогнозирования выбрать? 3. Как правильно посчитать точность модели? 4. Как вставить код и графики в пояснительную записку? 5. Соответствует ли структура ВКР требованиям ГОСТ? - **Ключевые сущности:** CRISP-DM, ГОСТ 34.601, ISO/IEC 25010, UML (диаграммы), метрики MAPE/RMSE **Схема структуры:** B (Введение → Основная часть (объединённая с темами) → FAQ → Чек-лист → Ошибки → CTA → Эксперт → Источник)

Анализ старта продаж Oрро Reno15 Pro для ВКР: прогнозирование спроса на базе временных рядов

Новость о выходе Oрро Reno15 Pro и умных часов Oрро Watch S — это не просто маркетинговый анонс, а готовый практический кейс для дипломной работы по анализу данных. Выпуск нового продукта всегда означает всплеск спроса, изменение рыночной динамики и появление новых данных. Если вы пишете ВКР по направлению Data Science, ML или системам поддержки принятия решений, этот сюжет можно превратить в полноценное исследование: от сбора данных до построения прогнозной модели и бизнес-метрик. В статье разберём, как это сделать, какие темы выбрать и как подготовить работу к защите.

Темы ВКР на основе кейса Oрро

Как использовать статью в основной части ВКР

1. Введение и первая глава: обоснование актуальности

Официальный анонс — это релевантный источник, на который можно ссылаться при описании предметной области. Не пишите «в современном мире» — вместо этого укажите факт: в марте 2026 года Oрро начала продажи новых устройств, что создаёт задачу анализа потребительского отклика. Для первой главы тезисно разберите, какие данные доступны: характеристики, цены, даты старта продаж, отзывы. Это ложится в параграф «Постановка задачи».

2. Вторая глава: проектирование модели

Здесь уместно показать архитектуру решения. Ссылка на CRISP-DM — один из стандартов процесса анализа данных. Опишите этапы в виде списка и диаграммы UML. Для кода достаточно фрагмента — не вставляйте весь листинг в текст, иначе работа превратится в инструкцию. Пример предобработки данных и обучения модели Prophet:

import pandas as pd
from prophet import Prophet

# формат данных: ds — дата, y — количество продаж
df = pd.read_csv('sales_oppo.csv')
df['ds'] = pd.to_datetime(df['ds'])

model = Prophet(weekly_seasonality=True)
model.fit(df[['ds', 'y']])

future = model.make_future_dataframe(periods=30)
forecast = model.predict(future)

print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail())

Обязательно добавьте в пояснительную записку пояснение, почему выбрана именно эта библиотека. Сравните Prophet с линейной регрессией или XGBoost в таблице.

3. Третья глава: оценка эффективности

Используйте метрики MAPE (средняя абсолютная процентная ошибка) и RMSE. Они показывают точность прогноза в относительных и абсолютных величинах. Для бизнес-выводов добавьте расчёт: если компания спрогнозирует спрос с точностью 85%, она сможет сократить издержки на складские запасы на X%. Такой расчёт делает работу практико-ориентированной.

from sklearn.metrics import mean_absolute_percentage_error, mean_squared_error

mape = mean_absolute_percentage_error(y_true, y_pred)
rmse = mean_squared_error(y_true, y_pred, squared=False)
print(f'MAPE: {mape:.2%}, RMSE: {rmse:.2f}')

4. Оформление схем и соответствие ГОСТ

Для диаграмм используйте UML: use case, диаграмму активности, диаграмму развёртывания. Если работа относится к автоматизированным системам, примените ГОСТ 34.601-90 — он регулирует стадии создания АС. Для оценки качества интерфейса или функциональности дашборда подойдёт ISO/IEC 25010. Ссылки на стандарты обязательны в списке литературы.

Чему вы научитесь в ходе работы

• Проектировать исследование по методологии CRISP-DM: от бизнес-гипотезы до внедрения.
• Собирать и очищать реальные данные с помощью Pandas и запросов к открытым источникам.
• Строить и валидировать модели временных рядов (Prophet, SARIMA, XGBoost).
• Считать метрики MAPE/RMSE и интерпретировать их для бизнес-задачи.
• Оформлять схемы по ГОСТ 34.601 и UML, а также защищать результаты перед комиссией.

Частые вопросы студентов

Где взять данные для прогнозирования продаж?

Используйте открытые агрегаторы: интернет-магазины, публичные датасеты (например, Kaggle), аналитические отчёты. В кейсе Oрро можно парсить товарные позиции и отзывы с популярных маркетплейсов. Важно зафиксировать период сбора данных и указать в работе, что данные не являются официальной статистикой — иначе возникнут вопросы к достоверности.

Какую модель прогнозирования выбрать?

Если нужно быстро получить baseline — берите Prophet. Если у вас объёмный датасет с нелинейными зависимостями — XGBoost. Для официальной ВКР лучше сравнить несколько моделей и в выводах указать, какая показала лучший результат по MAPE. Это демонстрирует глубину исследования.

Как правильно оформить код и схемы?

Код не должен занимать больше 30% текста. В приложении выносите полные листинги, а в основной части — только ключевые фрагменты. Схемы подписывайте стандартно: «Рисунок 1 — Диаграмма вариантов использования». Каждый рисунок должен анализироваться в тексте.

Как рассчитать экономическую эффективность ВКР?

Покажите, как прогноз помогает сократить затраты. Например: при точности прогноза 90% компания уменьшает излишки складских запасов на 15%, что экономит X рублей. Методику расчёта описывают в третьей главе.

Чек-лист перед сдачей

Типичные ошибки студентов

Источник: Oрро объявляет о старте продаж в России смартфона Oрро Reno15 Pro и умных часов Oрро Watch S (опубликовано 2026-03-17)