企业官网建设流程全解析

我用 Python 预测 10 家门店未来 30 天销量：时间序列最容易踩的坑都在这里

通过网盘分享的文件：02 销售预测实战项目_完整版.zip 链接:
https://pan.baidu.com/s/1-WKULhDrKn-Mv0oLmn45rA?pwd=43q7 提取码: 43q7

2 年、7310 条门店流水，从趋势分解到备货决策的完整链路。含代码，数据在文末（开箱即跑）。

这是我做的第二个完整实战项目。第一个是电商行为分析的漏斗+RFM，这次换了个更有挑战的方向：预测。

为什么说更有挑战？因为预测要求模型对未来负责。描述过去可以慢慢分析，预测错了就是真金白银的损失——备货多了积压占资金，备货少了断货丢客人。

而时间序列预测里，有个坑能让你的模型"线下 95 分、上线 30 分"，很多人栽在上面还不知道为什么。

一、数据说明

某连锁零售企业 10 家门店、2 年（2024-2025）的日销售数据：

规模：7,310 条记录，总销售额 33,917 万元。数据为教学模拟，但业务结构完全真实（后面你会看到）。

二、先看清规律，再谈模型

拿到时间序列，第一步不是建模，是看。

图里那条浅色的日线噪声很大，但蓝色的 30 日滚动平均一出来，趋势立刻清楚了：整体在涨。

这是看时间序列的第一个技巧：日线看趋势等于自虐，直接上滚动平均。

total=df.groupby("date")["sales"].sum()ax.plot(total.index,total.rolling(30,center=True).mean())# 关键

周季节：零售最强的规律

周一平均 3.76 万元，周六 5.57 万元——周末比周初高约 48%。

这个发现直接决定了一件事：备货绝不能按"日均"一刀切，必须按星期几分开算。

更细心的观察：右图显示各门店周末强度不同——社区店更依赖周末客流，标准店相对平缓。这是后面"分门店建模"的依据。

年季节：夏冬双峰

6-8 月和 10-12 月是两个高峰，3-4 月最低。典型零售结构。

还有一类重要事件：大促日（双11、618、国庆、春节前）会形成脉冲式尖峰。

关键认知：这些尖峰不是噪声，是信号。新手常犯的错是把它们当异常值删掉——那等于把模型最需要学的信息扔了。正确做法是做成显式特征。

三、时间序列分解：把规律拆成零件

把序列拆成三层：趋势 × 周季节 × 残差。分解后如果残差还是白噪声，说明规律提取干净了。

ACF：用数据决定滞后阶数

高手的做法不是"我猜 lag_7 有用"，而是让数据说话：

ACF 在7、14、21、28处出现尖峰——这是周季节的"指纹"。它直接告诉我们：必须加 7 的倍数作为特征。

defacf(x,nlags=30):x=np.asarray(x,float);x=x[~np.isnan(x)];x=x-x.mean()n=len(x);denom=np.sum(x**2)return[np.sum(x[:n-k]*x[k:])/denomforkinrange(nlags+1)]

四、特征工程：这里是分水岭

我构建了三类特征：

结果符合直觉：roll_mean_7（近7日均值）与lag_7（上周同日）相关性最高——"近期水平 + 周同期"是预测的两大核心信号。

⚠️ 重点：数据穿越（Data Leakage）

这是时间序列第一大坑，我见过太多人栽在这里。

看这段代码，你觉得有问题吗？

df["ma7"]=df["sales"].rolling(7).mean()

有。默认的rolling(7)是包含当前行的——也就是说，"今天"的特征里混进了"今天"的真实销量。而我们的任务是预测今天。等于考试前偷看了答案。

正确写法：

df["ma7"]=df["sales"].shift(1).rolling(7).mean()# 先整体后移，再滚动

症状：线下评估漂亮得不像话（R² 0.99），一上线就崩。看到"好得不真实"的分数，第一反应就该查数据穿越。

还有两个隐蔽的穿越：

# ❌ 归一化用了全量数据（含未来）scaler.fit(df[feats])scaler.fit(train[feats])# ✅# ❌ 目标编码用了全量标签df["store_mean"]=df.groupby("store")["sales"].transform("mean")# 含未来# ✅ 只用训练集统计再映射

五、评估：为什么不能随机切分

时间序列不能用随机 K 折交叉验证。

因为随机切分会把未来数据放进训练集，模型"见过未来"，评估结果虚高。正确做法有三种：

滚动向前验证长这样：

窗口1: [训练 1~100] → 预测 101~107 窗口2: [训练 1~107] → 预测 108~114 窗口3: [训练 1~114] → 预测 115~121

每个窗口都用"当时可得的数据"训练，模拟业务真实节奏。多个窗口的平均表现才可信。

别忘了建立基线

任何模型都必须先打败朴素基线，否则毫无价值：

• 上周同日（lag_7）：“下周六 ≈ 上周六”
• 近7日均值（roll_mean_7）

零售数据的自相关很强，这两个基线往往已经"不太差"。如果复杂模型打不过lag_7，说明模型没用，别上线。

六、建模对比

我用 Ridge 回归和随机森林做了对比：

两者都能跟上销量的起伏节奏（周末高、促销尖），但都在极端促销日低估——这是所有预测模型的共同局限。

补充一个树模型的固有缺陷：随机森林无法外推——预测值不会超出训练集见过的范围。遇到持续增长或新高的场景会系统性低估。Ridge 没这个问题，但要保证趋势能线性外推。

七、找错：误差分析比调参有用

模型跑完，最重要的一步是分析它在哪错。

误差在门店间不均匀：社区店误差明显更大（销售波动本来就大）。一刀切的备货策略一定在这类门店出问题。

周末误差高于工作日——周末人流不确定性更强。结论：周末备货的安全系数必须单独上调。

八、从预测到决策：这才是业务买单的地方

老板不关心 MAE 是 0.8 还是 0.75，他关心该备多少货。

先给不确定性：只报"预测 5.2 万"是不专业的，要说"预测 5.2 万，大概率在 4.6~5.8 万之间"。

安全库存公式

建议备货 = 预测值 + z × 预测误差标准差 z = 1.28 → 缺货率约 10% z = 1.65 → 约 5% z = 2.33 → 约 1%

为什么用 P90 而不是均值？

因为备货是不对称风险：

所以取预测分布的高分位。这是风险偏好驱动的决定，不是统计教条。

关键在于：没有"最优解"，只有"业务能接受的平衡点"。数据分析师的职责是把权衡量化清楚（满足率 vs 超备比例），让业务方决策，而不是替他拍脑袋。

九、结论汇总

十、写在最后

做完这个项目，我最想分享的不是模型技巧，而是三个认知：

1. 时间序列的坑都在"细节"里——随机切分、滚动含当前值、归一化用全量，任何一个都能让你的模型上线即崩；
2. 必须建立基线——打败不了lag_7的模型没有价值，别急着调参；
3. 承认模型边界——大促、新品、结构突变，模型都搞不定。主动说明边界，比夸大能力更能赢得信任。