一、模型框架
简易流程图
具体流程：
- 根据每个商品的聚集程度（7日均值与上一个7日均值的自相关系数）进行打分（0~1分）
0~1分表示,聚集程度从低到高。（聚集程度高，代表商品每七天销量关系大）
2. 根据商品聚集程度的打分，采取不同策略得到基础模型：
聚集程度高（分数1）的商品可以采用近期策略（双窗口滑动平均：过去两周加权均值，近的一周权值高）。
聚集程度低（分数0）的更适合长期策略（7个月的中位数）。
聚集程度低居中的，两种策略加权平均。 3. 在大类目级别提取周期因子（一周7天的销量波动、节假日波动）（在平均销量基础上的上浮下调比例）。 4. 将这些因子叠加到上一步的基础模型上：（基础模型 * 周期因子 + 促销因子）
根据未来21天的周信息、节假信息（乘以前面的周期因子）、促销档期（加上前面的促销因子），得到最终输出。
二、模型总体效果
销量分层（不加权）：
【分析】
- 周销量低于1的时候，由于销量基数（分母）太低，相对偏差会偏大，这个可以理解。
- 周销量大的bad case，案例分析列举如下： （桃李焙软全 麦切片面包 370g）
[注]：（蓝线是每天实际销量，黄线是预测销量） 本周（8.2~8.9）实际售卖3个，预测96个（相对误差远远大于1）。（看历史的销量比较明显可能有阶段性的促销档期，但是在系统里面该商品在7-8月份并没有促销信息）所以，黄线的预测策略其实没有问题，因为无法判断未来销售会跳回0。 （精香梨 约240g）
[注]：（蓝线是每天实际销量，黄线是预测销量）
该商品也无法预断未来销售突变为0。
五、促销效果
【注】蓝色为实际销量、黄色为促销还原的销量、绿色为是否为促销的标识
- 促销标注比较准确的效果：
- 促销标注不准确的效果：
【注】：模型会平均每次标为促销时的销量影响，不准确的促销标记会导致模型提取的促销效应不准确：1、如果非促销标记为大促，则下一次大促销量预测会偏低；1、如果非促销标记为大促，则下一次大促销量预测会偏高。
作者：张珂瑜 陈鹏飞
