从Excel到机器学习集成：六个月内实现精准销售预测
业务决策高度依赖销售预测——无论是启动促销活动还是调整预算。一个MAPE仅为4.5%的模型看似完美，但一次20%的偏差就会彻底动摇信任。高管们开始忽视数据，手动修正结果，因害怕未达目标而过度支出。真正的业务需求是什么？是可预测性：我们能否在不出现灾难性错误的前提下，顺利达成月度目标？
项目目标：构建覆盖整个大型配送服务（79个城市，数千个履约中心）的可靠45天销售、订单与收入预测模型。
现有模型体系盘点
当前采用的方法包括：
- 每个履约中心独立部署Prophet：数千个模型用于物流管理。问题在于无法处理新中心（依赖专家用Excel估算），全国层面的准确性未被验证，且优化目标为每日精度而非月度目标。
- Excel结合年度季节性：基于去年同一周数据乘以增长系数（如1.15表示+15%）。纯视觉判断，缺乏量化指标。
- 国家层面的Prophet：超参数调优，引入外部特征（宏观经济趋势、节假日、计划折扣）。平均误差1–2%，但短期表现仅为人为构造的假象。
专家使用的Excel方法难以复现，所有方案亟需统一基准进行评估。
以真实滚动回测为基础：客观评估的基石
实施了为期12个月的滚动回测，用于客观评估模型性能：利用历史数据每日模拟预测，并在新增实际数据后重新训练。该方法真实还原了增长、波动、营销活动和节假日等复杂场景。
回测流程：
- 第1天：使用截至1月1日的数据训练 → 预测未来45天。
- 第2天：加入1月1日的实际数据 → 重新训练 → 生成新预测。
- 重复至全年结束。
将Excel中的年度季节性逻辑移植到Python中，成为基准模型。各履约中心的Prophet模型表现出乐观结果（未考虑新中心）。国家层面的Prophet则暴露出特征使用问题（计划折扣与实际折扣差异）。
结果：基准模型（Excel）展现出强可预测性；机器学习模型虽平滑了趋势，但误差波动剧烈。
Excel胜过Prophet：简单带来的启示
出人意料的回测结果：在关键指标——累计月度误差（贴近业务实际）上，带年度季节性的Excel模型优于Prophet。尽管Prophet在每日精度上更优，但因对趋势过度拟合，长期表现不佳。
指标对比：
- MAPE（平均绝对百分比误差）：Prophet更优。
- 30/45天累计误差：Excel领先。
Prophet将时间序列分解为趋势、季节性（日/月/年）、节假日及已知特征。局限性在于仅支持单序列，且特征必须提前知晓。
向精细化迈进：城市级与机器学习融合
为提升效果，预测粒度细化至城市层级（共79个城市）。这有效捕捉了本地化影响：需求动态差异、新履约中心的上线。
引入经典机器学习方法：
- 梯度提升算法（LightGBM/XGBoost），结合滞后项、滚动均值，以及工作日/节假日的哑变量。
- 特征包括：历史滞后（1–30天）、同比增速、外部信号（节假日）。
结果：累计误差较基准降低10–15%，但未实现质变。问题在于对非线性模式捕捉能力弱，对异常值敏感。
TSMixer：突破与边界
转向神经网络架构。TSMixer（时序稀疏混合器）是多变量时间序列领域的前沿模型。其原理类似MLP-Mixer：通道独立处理，通过非循环结构捕捉跨通道依赖关系。
架构特点：
- 历史与未来双塔结构，分别处理过去与未来特征。
- MLPMixer模块：时间维度混合作用 + 通道维度混合作用。
- 可扩展性强：复杂度为O(L * D)，远低于Transformer的O(L²)。
在79个城市 × 3项指标（销售额/订单量/收入）上训练。回测结果显示：TSMixer相比基准提升25%，优于梯度提升12%。但缺陷仍存：节日期间仍存在滞后，且对数据量要求较高。
最终集成方案：融合优势，扬长避短
单一预测 = 模型集成：
- Excel季节性模型（权重30%）：保障长期趋势稳定性。
- 梯度提升模型（权重40%）：捕捉局部动态规律。
- TSMixer模型（权重30%）：应对非线性变化。
权重通过回测中的堆叠排名法确定（各指标排名之和最小者优先）。最终成果：MAPE降至3.2%，95%情况下月度累计误差低于5%。可预测性显著提升，业务部门无需再手动干预，直接采纳模型输出。
核心经验：
- 可预测性比平均准确率更重要：应关注长期累计误差。
- 滚动回测是评估模型的黄金标准。
- 集成模型优于单一模型：兼顾简洁与智能力量。
- 细粒度（城市级）优于粗略聚合。
- 业务信任的是能通过压力测试（节假日、经济下行）的模型。
项目成果总结
短短六个月内，原本混乱无序的预测体系演变为P.E.S.E.C.——即每日战略预测系统。企业决策不再焦虑。关键成功要素：真实评估、聚焦业务KPI、混合方法论的应用。
— Editorial Team
暂无评论。