网站导航

多促销交互与透支的时间回测

全文共 2415 字,阅读约需 5 分钟

多促销交互与透支的时间回测:这里补齐生鲜基地到门店、鞋服地域颜色尺码、延迟制造、促销透支、活动类比、制造备件及医药聚合预测之间原来未展开的步骤。所有企业、商品、事件、数据、时间和参数均为明确构造的模拟。没有真实业务数据,没有连接采购、生产、财务、配送或医疗系统。本课中

← 学习路线
课程目录与学习记录 0 / 109

学习进度仅存于本机浏览器。原教程站的记录不会跨域自动迁移;可先在原站导出留存,新站按实际完成情况重新勾选。

入门数据与作业包

禾味数据为 2 店 × 8 SKU × 180 天,共 2,880 行,是可见教学数据,不是封存盲测集。起步包是模拟夹具,不表示已完成六行业预测实验。资源中心另有四专项工程、模型实验和计划实验,使用前请阅读各自能力边界。

R2独立验收的行业教学扩展。下载行业9课实验包。所有数据均模拟;模拟可比基线;统计关系不是因果识别,确定性首折误差零不证明泛化。

共同阅读约定

行业多层级预测与决策补课

这里补齐生鲜基地到门店、鞋服地域颜色尺码、延迟制造、促销透支、活动类比、制造备件及医药聚合预测之间原来未展开的步骤。所有企业、商品、事件、数据、时间和参数均为明确构造的模拟。没有真实业务数据,没有连接采购、生产、财务、配送或医疗系统。本课中的“订单”“分录”“锁产”均为离线建议或教学账,不代表已经执行。

R2补强了输入校验:重复主键、矛盾的组级份额、超出固定需求模板会报错;时间序列按时间键计算,不依赖CSV行顺序。默认手算答案不变。

先完成百分比、加权平均、库存收支和训练集/验证集的基础课,再按本课顺序学习。每课建议60到90分钟:读业务问题、逐项手算、跑代码、修改一个输入、写边界。数学只用高一可读的代数与概率;需要最小二乘时会解释其含义,代码负责重复算术,不把“调用了一个函数”当作理解。

项目包 forecast-industry-gap-labs.zip 只需 Python 3.10 或更新版本的标准库。解压并进入目录后执行:

python run_all.py
python -m unittest -v test_industry
python manufacture_pharma.py self-test

首次解压已含模拟CSV。run_all.py仅重算,不覆盖输入。要另建一份原始输入,运行 python generate_all.py --data fresh_data,随后用 python run_all.py --data fresh_data --out fresh_outputs 重算。生成器拒绝覆盖非空目录;先复制目录再改参。生成数据与运行模型是两步,脚本输出由CSV计算,不从教材答案回填。统一参考结果在 outputs/,子项目结果在 outputs/manufacture_pharma/。仅运行上面第一条不等于跑过测试。

行业补课四 多促销交互与透支的时间回测

课程ID:industry-promotion-pantry-fit。对应范围:C11。输入:promotions.csv。输出:promotion_backtest.csv与industry_results.json中的promotion_pantry。

一场促销需要看活动后

基础销量B指同样客群、正常价格、没有活动的情景。本例B来自事前给定的可比非促销窗口,全程有货;它是模拟可比基线,不是已经识别的真实反事实。若缺货、竞争活动或节日变化未处理,下面的β和透支不能直接解释成因果效应。

D和A分别为折扣、广告指示:出现为1,未出现为0。预测公式:

促销需求=B×(1+β_D×D+β_A×A+γ×D×A)−Dip。

β_D、β_A是单项比例,γ是同时出现时超出简单相加的交互比例。Dip是后续被提前购买而减少的件数。D×A只有两个活动同时存在才为1,不能遗漏,也不能在两项主效应各自重复加一次。

B=100时,单折扣130、单广告120、同时160。手算β_D=130÷100−1=0.30;β_A=0.20;γ=160÷100−1−0.30−0.20=0.10。故同时发生为100×(1+0.30+0.20+0.10)=160,不是100×1.3×1.2=156。

项目实际从多个历史促销日拟合这三个参数。最小二乘的意思:选择三个系数,使每一天“实际/B−1”和三个项加和之间差的平方总和最小。平方把正负误差都变成非负,并更重罚大错。若历史只有同时折扣与广告,三个系数无法分别识别,代码报设计矩阵不满秩,而不是硬输出三个神奇数字。

从已成熟历史估计透支

设U为活动期相对基线的毛增量件数;L为活动后两天相对基线的总缺口。透支比例ρ=历史ΣL÷历史ΣU。按总量比求,不把每场活动比例简单平均。首个恢复日权重w=首日Σ缺口÷两天Σ缺口,另一天是1−w。

本例前六场模拟历史得到ρ=0.4、w=0.75。若两天活动都同时折扣+广告且基线100,每天毛增60,U=120。后两天总透支0.4×120=48;分别36和12,后两天需求为64、88。全窗口合计160+160+64+88=472;正常四天400,净增72。只报活动两天增120会把未来需求提前购买当永久新增。

这120到72的分解依赖可比基线和无其他冲击假设,不是本项目发现了消费者真实囤货。若后期还有别的促销、基线偏差或缺货,这个缺口不能无条件命名为透支。代码的非负截断也不能修复错误基线。

为什么不能随机打乱活动日期

项目有8场完整四日活动。每场结束及数据可得日=活动起点+5,预测时点=目标活动起点−1。第6场只用1至5,第7场只用1至6,第8场只用1至7。完整活动后窗口没有成熟的历史不能拿来估ρ,也不能把第8场的事后销量参与第6场训练。

前三折的β逐次为:[0.3,0.2,0.1]、[0.3,0.2,0.1]、[0.31,0.196,0.094]。第三折系数变化,是已观测第7场存在模拟漂移,不是预测时偷看第8场。第6场的模型恰好等于数据生成机制,因此其误差接近浮点零;这只是确定性机制自检,绝不是现实模型完美的证据。

每折按完整四日窗口算WAPE=Σ|实际−预测|÷Σ实际。三折合并WAPE为2.489191%,不建透支的对照为7.309831%。它们来自模拟数据,不代表真实收益或因果优势。两方案使用同一训练历史、同一目标窗口和同一基线,才有可比性。

作业与验收

  1. 手算100基线、两个同时促销日的160/160/64/88,以及净增72。
  2. 把第6至8场actual改成极大值,只重新拟合第6场之前的参数。参数必须不变,证明没有事后标签泄漏;回测评分当然会改变。
  3. 删除所有单项活动,只留D=A=1。唯一系数解不存在,必须报错或明确退回只估总效应,不能称分别识别了β_D和β_A。
  4. 将目标期数据复制为未来实际表,解释预测函数为何只能读基线、已知活动安排,不得读actual。实际列只在评分步骤用。
  5. 在真实业务迁移前至少检查活动结束后窗口长度、跨场重叠、库存可得、基线变动、促销自选择。写一条你不能从本课2.489191%推导出的结论。

通过标准:多项加总及交互都有数字,从历史估透支,三折完整时间回测,未来数据污染测试通过,统计改善和因果解释分开。

仅保存在本机当前浏览器,无账号云同步;清除浏览器数据会丢失。不自动认定你通过测试。建议先保留输出文件和计算过程。

所有数据、系数与业务场景均为教学模拟。预测不等于采购或排产指令。来源与修订说明。