企业官网建设流程全解析

一、为什么要学销量预测？

想象你是某连锁奶茶店的运营：

• 备货太少 → 顾客喝不到，差评 😡

• 备货太多 → 过期倒掉，亏钱 😭

销量预测（Sales Forecasting）​ 就是为了解决这个“黄金平衡点”。

在本教程中，我们将用Python + 真实逻辑，完成一次完整的销量预测项目。

二、准备工作：环境与数据

1️⃣ 安装必备库

pip install pandas numpy matplotlib scikit-learn statsmodels

2️⃣ 构造示例数据

假设我们有某店铺过去 90 天的销量数据：

import pandas as pd import numpy as np # 构造日期 date_rng = pd.date_range(start='2024-01-01', end='2024-03-30', freq='D') np.random.seed(42) # 构造销量（含趋势 + 波动） sales = ( 100 + 0.5 * np.arange(len(date_rng)) + 10 * np.sin(2 * np.pi * date_rng.dayofyear / 7) + np.random.normal(0, 5, len(date_rng)) ) df = pd.DataFrame({ 'date': date_rng, 'sales': sales }) df.set_index('date', inplace=True) print(df.head())

三、第一步：数据可视化（EDA）

永远先看图，再建模。

import matplotlib.pyplot as plt plt.figure(figsize=(12, 5)) plt.plot(df.index, df['sales'], label='Daily Sales') plt.title("Daily Sales Trend") plt.xlabel("Date") plt.ylabel("Sales") plt.legend() plt.show()

🔍观察要点：

• 是否有上升趋势？

• 是否有周期性（周几卖得好）？

• 是否有异常值？

四、方法一：线性回归（初学者必学）

1️⃣ 特征工程：给时间编号

机器不懂“日期”，只懂数字。

df['day_index'] = np.arange(len(df))

2️⃣ 划分训练集 & 测试集

from sklearn.model_selection import train_test_split X = df[['day_index']] y = df['sales'] X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, shuffle=False )

3️⃣ 训练模型

from sklearn.linear_model import LinearRegression model = LinearRegression() model.fit(X_train, y_train)

4️⃣ 预测 & 评估

from sklearn.metrics import mean_absolute_error y_pred = model.predict(X_test) mae = mean_absolute_error(y_test, y_pred) print(f"MAE（平均绝对误差）：{mae:.2f}")

📌线性回归适合：

✅ 趋势明显

❌ 忽略季节性

五、方法二：时间序列（Prophet 实战）

Facebook 开源的Prophet​ 非常适合业务人员。

1️⃣ 安装 Prophet

pip install prophet

2️⃣ 数据格式转换

Prophet 要求两列：

• ds：日期

• y：数值

from prophet import Prophet prophet_df = df.reset_index().rename(columns={'date': 'ds', 'sales': 'y'})

3️⃣ 训练 & 预测

model = Prophet( yearly_seasonality=False, weekly_seasonality=True, daily_seasonality=False ) model.fit(prophet_df)

4️⃣ 生成未来 30 天预测

future = model.make_future_dataframe(periods=30) forecast = model.predict(future) model.plot(forecast) plt.show()

✅ Prophet 自动识别：

• 周规律（周末爆单）

• 节假日效应

• 趋势变化

六、模型对比：哪个更好？

七、落地建议（非常重要）

7.1 不要只看 MAE

• 还要看 RMSE、MAPE

7.2 业务解释性 > 精度

• 老板要听得懂

7.3 定期重训模型

• 每月更新一次

7.4 做区间预测

• 给出“乐观 / 中性 / 悲观”

八、完整项目结构推荐

sales_forecast/ ├── notebooks/ │ └── 01_EDA.ipynb ├── .gitignore ├── main.py ├── requirements.txt ├── models/ │ ├── prophet_model.py │ └── linear_regression_model.py ├── data/ │ └── sales.csv └── utils/ └── metrics.py

1️⃣requirements.txt

（放在项目根目录，用于一键安装依赖）

pandas>=1.5.0 numpy>=1.21.0 matplotlib>=3.5.0 scikit-learn>=1.0.0 prophet>=1.1.0 jupyter>=1.0.0

2️⃣data/sales.csv

（这是我们的原始数据源，你可以手动创建，也可以用代码生成）

date,sales 2024-01-01,105.2 2024-01-02,108.7 2024-01-03,112.4 2024-01-04,115.1 2024-01-05,118.9 2024-01-06,122.3 2024-01-07,119.8 2024-01-08,125.6 2024-01-09,128.4 2024-01-10,130.2 2024-01-11,127.5 2024-01-12,135.8 2024-01-13,138.2 2024-01-14,142.7 2024-01-15,140.1 2024-01-16,145.3 2024-01-17,148.9 2024-01-18,152.4 2024-01-19,149.7 2024-01-20,155.2 2024-01-21,158.6 2024-01-22,162.1 2024-01-23,165.8 2024-01-24,168.3 2024-01-25,172.9 2024-01-26,175.4 2024-01-27,178.8 2024-01-28,182.3 2024-01-29,179.6 2024-01-30,185.1

✅提示：真实项目中这里通常是几十万行的数据，这里仅做演示。

3️⃣notebooks/01_EDA.ipynb

（Jupyter Notebook 文件，用于探索性分析）

# %% import pandas as pd import matplotlib.pyplot as plt # 读取数据 df = pd.read_csv('../data/sales.csv', parse_dates=['date']) df.set_index('date', inplace=True) # 查看前5行 print(df.head()) # %% # 基础统计信息 print(df.describe()) # %% # 销量趋势图 plt.figure(figsize=(12, 6)) plt.plot(df.index, df['sales'], marker='o', linestyle='-') plt.title('Daily Sales Trend') plt.xlabel('Date') plt.ylabel('Sales') plt.grid(True) plt.show() # %% # 按周聚合查看周期性 weekly_sales = df.resample('W').mean() print(weekly_sales.tail())

4️⃣utils/metrics.py

（工具函数：专门用于评估模型好坏）

from sklearn.metrics import mean_absolute_error, mean_squared_error import numpy as np def evaluate_model(y_true, y_pred): """ 计算回归模型的常用评估指标 """ mae = mean_absolute_error(y_true, y_pred) rmse = np.sqrt(mean_squared_error(y_true, y_pred)) # 避免除以0 if y_true.mean() != 0: mape = np.mean(np.abs((y_true - y_pred) / y_true)) * 100 else: mape = np.nan return { "MAE": round(mae, 2), "RMSE": round(rmse, 2), "MAPE": f"{round(mape, 2)}%" }

5️⃣models/prophet_model.py

（封装 Prophet 模型，便于主程序调用）

from prophet import Prophet import pandas as pd class SalesProphet: def __init__(self): self.model = None def train(self, df: pd.DataFrame): """ df 必须包含两列：ds (日期), y (销量) """ self.model = Prophet( yearly_seasonality=False, weekly_seasonality=True, daily_seasonality=False ) self.model.fit(df) def predict(self, periods=30): """ 预测未来 N 天 """ future = self.model.make_future_dataframe(periods=periods) forecast = self.model.predict(future) return forecast def plot(self, forecast): fig = self.model.plot(forecast) return fig

6️⃣models/linear_regression_model.py

（备选模型：线性回归）

from sklearn.linear_model import LinearRegression import numpy as np class LinearSalesModel: def __init__(self): self.model = LinearRegression() def train(self, X, y): self.model.fit(X, y) def predict(self, X): return self.model.predict(X) def get_coefficients(self): return { "intercept": self.model.intercept_, "coefficient": self.model.coef_[0] }

7️⃣main.py

（项目的主入口文件，串联整个流程）

import pandas as pd from utils.metrics import evaluate_model from models.prophet_model import SalesProphet def main(): print("🚀 启动销量预测项目...") # 1. 加载数据 df = pd.read_csv('data/sales.csv', parse_dates=['date']) df_prophet = df.rename(columns={'date': 'ds', 'sales': 'y'}) # 2. 训练模型 model = SalesProphet() model.train(df_prophet) # 3. 预测未来 30 天 forecast = model.predict(periods=30) # 4. 评估（使用历史数据进行回测） y_true = df_prophet['y'].values[-30:] y_pred = forecast['yhat'].values[-30:] metrics = evaluate_model(y_true, y_pred) print("📊 模型评估结果：") for k, v in metrics.items(): print(f"{k}: {v}") # 5. 可视化 model.plot(forecast) import matplotlib.pyplot as plt plt.show() if __name__ == "__main__": main()

8️⃣.gitignore（可选但推荐）

# Python __pycache__/ *.pyc *.pyo # Jupyter .ipynb_checkpoints/ # 数据文件（如果是敏感数据） # data/*.csv # 虚拟环境 venv/ .env

✅ 运行顺序

1. 安装依赖：pip install -r requirements.txt

2. 打开 Notebook：jupyter notebook notebooks/01_EDA.ipynb

3. 运行主程序：python main.py

九、总结一句话

销量预测不是“算命”，而是用历史数据 + 数学模型，降低经营的不确定性。