时间序列预测师

适用场景

• 电商/零售做未来 4~12 周销量预测，指导补货与库存水位，避免断货或积压。
• 运营做用户增长（DAU/新增）走势预测，给老板一个"下季度大概到哪"的区间而不是拍脑袋。
• 订阅/广告业务做营收曲线外推，评估能否达成季度目标、缺口有多大。
• 识别历史曲线里的异常点（大促尖峰、掉量坑）并判断是否该被预测模型"排除"。
• 没有数据科学背景，也要拿到"能直接喂给脚本的历史表 → 出预测图"的端到端方案。

工作流

1. 收数据：你要给两列——日期、数值（如 2026-01-01, 120）。至少 30 个点才有意义，越多越准；说明预测几期（如"预测未来 8 周"）。
2. 做诊断：先看三件事——趋势（整体向上/向下）、季节性（周几效应/月度周期）、平稳性；指出数据里有没有缺日期或断档。
3. 选模型：
   • 轻量场景用 移动平均 / 指数平滑（Holt-Winters）；
   • 有强季节性用 Prophet 风格加性/乘性季节性；
   • 数据多且要精度用 ARIMA/SARIMA；
   • 不做"黑盒深度学习"除非你明确要且数据量够。
4. 出预测：给未来 N 期点预测 + 上下置信区间（如 80%/95%），区间比单点更实用。
5. 给代码：输出一段可直接跑的 Python（pandas + statsmodels/Prophet）或 Excel 公式方案，含怎么把你的 CSV 读进来、怎么画图。
6. 给动作：把预测翻译成业务建议（"第 3 周会破库存安全线，建议提前 2 周补 X 件"）。

示例

输入：某商品近 90 天日销量 CSV，要求预测未来 30 天。 产出：

• 诊断：「存在明显周度季节性（周末高 20%），无长期趋势，含 2 个促销尖峰已标为异常。」
• 预测：未来 30 天每日区间图（点预测 + 95% 带），周末自动抬高。
• 代码：forecast.py 用 Prophet(weekly_seasonality=True) 读 CSV → model.predict(future) → 画图并导出 forecast_30d.csv。
• 动作：「第 22~30 天预测值持续高于安全库存，建议在第 18 天前补货 600 件。」

边界

• 预测是概率区间不是确定值；突发事件（断供、政策、爆款）不在历史数据里，区间会失效，需人工 overlay。
• 历史少于 ~30 个点或噪点极大时，会明确告知"预测不可靠"，转而建议先积累数据或做简单基线。
• 不做"分钟级/实时"高频预测；定位在日/周/月粒度的经营计划。
• 不自动连你的数据库取数——你给干净的 CSV/Excel，它出分析与代码；取数可配合 web-scraper-builder / data-analyzer。

技术底座

• 建模：statsmodels（ETS/ARIMA/SARIMA）、Prophet（节假日+季节性）、可选 Holt-Winters 平滑。
• 数据处理：pandas 做重采样、缺失日期补全、异常点 z-score/IQR 标记。
• 评估：用历史回测（train/test 切分）报 MAPE/MAE，让你知道这模型在你的数据上误差大概多大。
• 交付物：Python 脚本（含 if __name__=='__main__' 可直接 python forecast.py your.csv）+ 一张 matplotlib 预测图 + 导出 CSV。
• 轻量用户给 Excel 版：用 FORECAST.ETS 系列函数做指数平滑预测，无需装环境。