Setiap menjelang Ramadan, volume transaksi OveerPay melonjak hingga 4.2× dari baseline harian. Selama tiga tahun pertama, tim infrastruktur selalu kebobolan: alert spam, queue penuh, dan merchant kecil kehilangan revenue di jam-jam berkah. Tahun ini berbeda — kami berhasil memprediksi puncak transaksi dalam akurasi 94% untuk window 15 menit ke depan.
Kuncinya bukan model yang rumit. Justru sebaliknya: pipeline yang sederhana, fitur musiman yang bersih, dan loop feedback yang pendek. Artikel ini membongkar arsitektur lengkapnya — dari ingestion event Kafka, feature store, hingga dashboard yang dipakai C-level setiap pagi.
Mengapa forecasting transaksi itu sulit
Pola transaksi e-wallet tidak mengikuti distribusi normal. Ada efek hari (Senin pagi vs Sabtu malam), efek musiman (Ramadan, Lebaran, payday), efek event (promo flash sale), dan efek black-swan (gangguan provider). Model time-series klasik seperti ARIMA gagal menangani interaksi antar-efek ini.
Kami akhirnya memakai kombinasi LightGBM untuk baseline + Prophet untuk decompose seasonal, lalu menggabungkannya dengan stacking sederhana. Hasilnya stabil di MAPE 6% selama 30 hari Ramadan.
Arsitektur data layer
Event transaksi mengalir dari payment gateway → Kafka → ClickHouse (raw events) → dbt models (aggregated minute-level features). Feature store memakai Feast, sementara model di-serve via Ray Serve dengan auto-scaling berbasis QPS.
Dashboard yang dipakai setiap pagi
Bagian paling penting bukan model — tapi bagaimana hasil prediksi masuk ke dashboard yang dipercaya tim. Kami membangun satu halaman OveerInsight dengan 4 widget: prediksi 24 jam, confidence band, anomali deteksi, dan recommended scaling action. C-level cek ini setiap jam 7 pagi.
Tiga bulan setelah rollout, tim ops bisa pre-warm cluster 30 menit sebelum puncak, merchant tidak lagi alami timeout di jam berkah, dan revenue Ramadan tumbuh 18% YoY tanpa menambah engineer on-call.