场景：预测建模——CLV与营收趋势预测
1. 业务背景
CLV（用户生命周期价值）：预测单个用户未来6个月的消费金额；
营收趋势：预测未来3个月的整体营收，指导库存/预算规划。
2. 建模代码（对应仓库notebooks/forecasting）
运用机器学习技术，基于电商客户的行为与交易数据开展客户分群分析，核心目标是识别出特征鲜明的客户群体，为精准营销、产品推荐及客户留存策略的制定提供决策依据。
1.加载和准备数据
加载数据集
解析日期字段并核查时间粒度
将销售数据聚合至日度或周度维度
import pandas as pd import seaborn as sns import matplotlib.pyplot as plt # Load data sales_df = pd.read_csv('../../data/ecommerce_transactions.csv', parse_dates=['purchase_date']) # Extract date only (if datetime includes time) sales_df['event_date'] = sales_df['purchase_date'].dt.date # Aggregate daily sales daily_sales = sales_df.groupby('event_date')['purchase_amount'].sum().reset_index(name='total_sales') daily_sales['event_date'] = pd.to_datetime(daily_sales['event_date']) daily_sales.set_index('event_date', inplace=True) # Preview daily_sales.head()2.可视化时间序列
绘制销售趋势图，识别潜在的业务规律
plt.figure(figsize=(12,6)) daily_sales['total_sales'].plot(label='Daily Sales', alpha=0.5) daily_sales['total_sales'].rolling(window=7).mean().plot(label='7-Day Moving Avg', linewidth=2) plt.title('Daily Total Sales with 7-Day Moving Average') plt.xlabel('Date') plt.ylabel('Total Sales') plt.grid(True) plt.legend() plt.savefig('../../assets/forecasting/daily_total_sales_time_series.png', bbox_inches='tight', dpi=300) plt.show()解释:
日度销售额走势图显示数据波动性较强，涨跌波动频繁，反映出客户消费行为的不稳定性。
叠加 7 日移动平均线后可呈现出更为平缓的趋势曲线，便于识别出持续性增长、阶段性回落或季节性周期等特征。这种平滑后的趋势视图，能够为更精准的销售预测和促销节点规划提供有力支撑。
3.时间序列分解
运用 STL 分解法识别趋势、季节性特征及残差项
from statsmodels.tsa.seasonal import STL stl = STL(daily_sales['total_sales'], period=7) result = stl.fit() result.plot() plt.savefig('../../assets/forecasting/daily_total_sales_decomposition.png', bbox_inches='tight', dpi=300) plt.show()解释:
STL 分解法将销售数据信号拆解为三个核心构成部分：
趋势项：近月呈现出温和的下行走势，表明整体需求存在潜在走弱的迹象
季节性项：可观测到周度周期性规律，这一特征大概率由工作日 / 周末的消费行为差异，或周期性促销活动驱动
残差项：残差噪声呈现随机分布状态，无明显规律可循，说明模型已有效捕捉到核心的趋势特征与季节性波动
4.训练/测试划分
预留最后 30 天的数据作为验证集
train = daily_sales.iloc[:-30] test = daily_sales.iloc[-30:]5.预测模型
基于训练集数据拟合 Prophet 模型
预测未来 30 天的业务数据
from prophet import Prophet import matplotlib.pyplot as plt df_prophet = daily_sales.reset_index().rename(columns={'event_date': 'ds', 'total_sales': 'y'}) # Fit Prophet model prophet = Prophet(daily_seasonality=True) prophet.fit(df_prophet) # Create future dataframe future = prophet.make_future_dataframe(periods=30) forecast = prophet.predict(future) # Plot forecast plt.figure(figsize=(12, 6)) fig = prophet.plot(forecast) plt.title("Sales Forecast (Prophet)") plt.xlabel("Date") # replaces 'ds' plt.ylabel("Total Sales") # replaces 'y' plt.grid(True) plt.savefig('../../assets/forecasting/daily_sales_forecast_prophet.png', bbox_inches='tight', dpi=300) plt.show()解释
趋势项：预测结果整体保持平稳，表明预期销量不存在显著的上升或下降趋势
季节性项：模型捕捉到了规律性的周度波动特征，这一结果反映出稳定的需求周期（例如工作日与周末的消费行为差异）
不确定性：部分区间的预测范围较宽，表明对应时间段的销量波动较大或近期可用数据有限，这可能会对预测结果的可信度造成影响
6.预测准确性
对比测试集上的预测值与实际值
计算平均绝对误差（MAE）和均方根误差（RMSE）
from sklearn.metrics import mean_absolute_error, mean_squared_error import numpy as np # Extract forecasted values for test period forecast_test = forecast.set_index('ds').loc[test.index]['yhat'] mae = mean_absolute_error(test['total_sales'], forecast_test) rmse = np.sqrt(mean_squared_error(test['total_sales'], forecast_test)) print(f'MAE: {mae:.2f}') print(f'RMSE: {rmse:.2f}')该模型能够捕捉整体趋势与季节性特征，但日度数据中的随机噪声导致了中度预测误差。
均方根误差（RMSE）略高于平均绝对误差（MAE），这一结果表明预测过程中存在偶发性的大幅偏差，而这类偏差大概率与促销活动或异常订单相关。
7.商业解读
销售额呈现显著的周度季节性特征且长期趋势保持稳定，预测模型能提供低偏差的可靠短期预测，可有效支撑需求规划、库存管理及预算分配等业务决策；从模型表现来看，Prophet 模型较好地拟合了销售数据的趋势与季节性特征，RMSE 约为 540，这一数值虽反映出日度销售额存在波动性，但模型整体预测跟踪效果良好，而纳入节假日效应或营销活动因素则能进一步提升预测准确性；基于上述业务解读与核心结论，建议每周开展滚动预测以支撑库存决策、构建品类级预测模型助力精细化规划、将预测模型与营销日历联动以实现营销活动增量的动态调整。
数字化时代，数据分析能力是职场的刚需技能，如果你想提升工作效率，强烈建议可以考个CDA证书，对于数据分析来说，业务分析是最重要的，所以是CDA数据分析师一级把业务分析模型作为重要考点，CDA一级从怎么采数据、清数据，到用 Excel、SQL、Python 做分析，都能学明白。学会了这些，不管是换工作做数据分析，还是在现在的岗位上帮公司做决策，都能用得上。
CDA数据分析师证书，与CPA注会、CFA特许金融师并驾齐驱，其权威性与实用性不言而喻。在互联网行业中，应用数据分析是非常适配的，该行业数据量庞大、发展快。CDA数据分析师在互联网行业的数据岗中认可度非常高，一般都要求考过CDA数据分析师二级，CDA二级中包含了模型搭建的详细内容，对于数据岗的工作来说特别有帮助。
CDA数据分析师之所以备受青睐，离不开它广泛的企业认可度。众多知名企业在招聘数据分析师时，都会明确标注CDA持证人优先考虑。像是中国联通、德勤、苏宁等大型企业，更是将CDA持证人列为重点招募对象，甚至为员工的CDA考试提供补贴，鼓励他们提升数据处理与分析能力。这足以证明，CDA证书在求职过程中，能为你增添强大的竞争力，使你从众多求职者中脱颖而出。
CDA数据分析师在银行业的数据岗中认可度非常高，一般都要求考过CDA数据分析师二级，CDA二级中包含了模型搭建的详细内容，对于数据岗的工作来说特别有帮助，一些企业可以给报销考试费。
