「这团乱麻也能预测？」
第一次把某 SKU 两年日销投到会议室大屏时，老板的反应是：「这团乱麻也能预测？」
我的回答是：能。因为它不是乱麻，是四块积木叠在一起——叠着看是乱麻，拆开看每一块都老实得很。那天我在白板上画了四条线，会议从「要不要做预测」变成了「预测怎么做」。这篇把白板重现一遍。
一条曲线 = 趋势 + 季节 + 残差
-
T 趋势：这门生意整体在涨还是在跌。老板看的「大盘」就是它。
-
S 季节：固定周期、固定形状的重复波动——周末高、夏天高、月初高。它是日历写在销量上的签名。
-
R 残差：解释不掉的部分，真正的不确定性。
拆完之后的世界观会变：规律可以外推，残差只能靠库存去扛。 预测方法的全部工作就是把 T 和 S 解释掉；剩下的 R，交给安全库存和分位数（第 12、14 篇）。所以一个预测系统好不好，本质上看它「解释掉了多少、剩下多少」。
上图是一段 48 个月数据的分解。脚本算出的 12 个加法季节因子（单位：件）：
| 月 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| S | −359.7 | −413.4 | −210.3 | −91.3 | +28.6 | +176.3 | +277.5 | +148.8 | +20.5 | −92.8 | +131.6 | +384.3 |
读法：2 月比趋势水平少卖 413 件，12 月多卖 384 件。这就是这个品类的「年历」——拿到它，你甚至不需要模型就能做季度计划：明年 Q 的预测 = 明年 Q 的趋势估计 + 对应因子。
两个体检性质顺手记：加法因子之和必须为 0（本例 −0.0000，否则日历自带偏见）；残差标准差 σ_R = 22.19——这个数字会一路走到第 14 篇的安全库存公式里。
还有个反直觉细节：这段数据注入的噪声标准差是 45，但分解后残差只有 22.19。因为移动平均在估趋势时吸收了一部分噪声。结论：残差 ≠ 原始噪声，它是「模型解释完之后剩下的」不确定性——模型越好，残差越小，库存越省。这就是预测项目省钱的第一条路径。
证明：中心化移动平均为什么恰好抹掉季节
很多人把「移动平均去季节」当黑箱。其实它是个三行的代数事实。
设加法模型 y(t) = T(t) + S(t) + R(t)，季节因子已归一化，即一个完整周期内因子之和为 0：
先验证这个前提在我们手算的季度数据上成立：−51.328 + 10.672 + 68.672 + (−28.016) = 0.000。✓
现在取一个恰好覆盖 m 个不同季节位置的窗口求平均：
第二项恒为 0（前提）；第三项是噪声平均，窗口越长越接近 0；第一项在窗口内若 T 近似线性，就等于窗口中心处的 T。于是平均值 ≈ 中心处的趋势。 季节就这样被「平均没了」——不是魔法，是归一化的直接推论。
那为什么偶数 m 要「两端各取半权」？ 因为偶数窗口（如 m=4 取 t..t+3）的中心落在两期之间，覆盖的季节位置是 {0,1,2,3} 但中心不对齐任何一期。给两端各半权后，窗口变成「半 + 全 + 全 + 全 + 半」，覆盖的季节位置集合仍是每个位置恰好一次（半权的两端是同一个季节位置的前后周期，合起来算一次），和仍为 0，且中心正好落在整数期上。
手算验证（第 t=3 期，季度数据）：
人话：半个 Q1 + 完整一年 + 半个 Q1 = 恰好一个整年的季节签名互相抵消。
加法还是乘法：给「喇叭口」一个量化判据
- 加法：季节波动的绝对量固定。水平翻倍，周末还是多卖 50 件。
- 乘法：季节波动是倍数。水平翻倍，周末多卖的量也翻倍。
肉眼判据是「看喇叭口」，但评审会上肉眼会吵架。量化判据用相对振幅 = (窗口内 max − min) ÷ 窗口内均值，比较水平高低两段：
| 数据形态 | 低水平段（均值 500） | 高水平段（均值 1000） | 相对振幅变化 | 判定 |
|---|---|---|---|---|
| 振幅 50 → 52 | 0.10 | 0.052 | 减半 | 加法 |
| 振幅 50 → 100 | 0.10 | 0.10 | 不变 | 乘法 |
判据一句话：相对振幅随水平下降 → 加法；相对振幅恒定 → 乘法。 实务经验：电商零售绝大多数 SKU 是乘法型（促销与季节本质是倍数效应，打五折就是 ×2）；物流成本、人力排班更接近加法型。选错的典型症状：高水位时区间该宽不宽，低水位时该窄不窄。
季节指数完整手算：三步 + 一步验证
用某饮料 SKU 的 12 个季度销量（万件）：三年依次 120/180/240/150、132/196/260/164、145/214/283/179。
第 1 步：中心化移动平均估趋势（公式见上），可得位置全部算出：
| t | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
|---|---|---|---|---|---|---|---|---|
| T | 174.000 | 177.500 | 182.000 | 186.250 | 189.625 | 193.500 | 198.625 | 203.375 |
| y−T | +66.00 | −27.50 | −50.00 | +9.75 | +70.38 | −29.50 | −53.62 | +10.62 |
| y÷T | 1.3793 | 0.8451 | 0.7253 | 1.0523 | 1.3711 | 0.8475 | 0.7300 | 1.0522 |
第 2 步：同季放一起求平均。 三年的 Q3 摆在一起，季节显形：加法平均 +68.188，乘法平均 1.3752。
第 3 步：归一化。 加法各减去均值 −0.484；乘法各除以均值 1.0004：
| 季度 | Q1 | Q2 | Q3 | Q4 |
|---|---|---|---|---|
| 加法因子 | −51.328 | +10.672 | +68.672 | −28.016 |
| 乘法因子 | 0.7274 | 1.0519 | 1.3747 | 0.8460 |
第 4 步（多数人漏掉）：验证。 用 T + 加法因子还原拟合值，看残差：
| t | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
|---|---|---|---|---|---|---|---|---|
| 拟合 T+S | 242.672 | 149.484 | 130.672 | 196.922 | 258.297 | 165.484 | 147.297 | 214.047 |
| 残差 y−拟合 | −2.672 | +0.516 | +1.328 | −0.922 | +1.703 | −1.484 | −2.297 | −0.047 |
残差平方和 = 20.400，除以 8 = 2.550，RMSE = 1.597 万件——相对 200 万量级的季度销量，分解解释了 99% 以上的波动。这一步的意义：它告诉你「积木拆干净了」，剩下的 1.6 才是需要扛的不确定性。
残差诊断：拆完别急着庆祝
回头看残差序列，三个检查：
-
还有周期吗？ 把残差按星期/月份分组求均值，若某组显著非零 → 季节没建好（常见于季节形状在漂移，第 7 篇 γ 的作用）。
-
均值非零吗？ 残差均值 = −Bias 的雏形 → 有系统性方向错误（第 3 篇）。
-
方差在变大吗？ 分段比较残差标准差（如前半年 vs 后半年）。变大 → 该换乘法模型，或先取对数把乘法变加法。
三条都干净，才轮到模型出场炫耀。
预告一类敌人：四块积木全失效的序列
如果序列长这样：0, 0, 4, 0, 6, 0, 0, 0, 5 … 大部分时间是 0，偶尔来一单。趋势和季节都无从谈起，移动平均会被 0 一路拖低。
给它两个体检指标：
-
ADI（平均需求间隔） = 总期数 ÷ 有需求的期数。本例 9 ÷ 3 = 3.0。
-
CV²（非零需求量的变异系数平方） = 方差 ÷ 均值²。非零值 [4, 6, 5]：均值 5，方差 (1+1+0)÷3 = 0.667，CV² = 0.667 ÷ 25 = 0.027。
按 Syntetos-Boylan 分类（ADI > 1.32 且 CV² ≤ 0.49 → 间歇象限），它正是长尾 SKU 的主流形态。专治方法 Croston/TSB，第 13 篇手算给你看。
读者问答
Q1：季节因子会过时吗？ 会。季节形状随品类结构、客群、渠道变化而漂移。监控方法：每季度重算一次因子，与在用因子对比；若单季偏差超过残差 σ 的 2 倍，触发更新。HW 里的 γ 就是「在线版」的这个更新（第 7 篇）。
Q2：只有不到一个完整周期的数据（如新品 5 个月），能分解吗？ 不能可靠分解。此时借品类季节因子 × 自身水平（层级借用，第 13 篇），或直接用周季节（周期短、样本够）先顶着。
Q3：趋势和季节会互相污染吗？ 会，尤其在周期与窗口不对齐时。所以第 1 步必须用「恰好覆盖整周期」的中心化窗口；若用错窗口（如 m=12 却取 10 期平均），季节残留会渗进趋势，趋势再渗进预测——误差变得既有方向又有周期，最难排查。
实操清单
- 对 Top 50 SKU 画「原始 + 12 期中心化 MA」双线图，肉眼看喇叭口定加法/乘法。
- 用相对振幅判据（高低两段对比）复核肉眼结论，不一致的 SKU 单独标记。
- 手算或脚本算季节因子后，必做第 4 步验证：还原拟合、算残差 RMSE，并存档。
- 残差三检查做成月度自动报告：周期残留、均值偏移、方差漂移。
- 给每个 SKU 记录 ADI 与 CV²，把间歇象限的 SKU 分流到第 13 篇的方法，别让平滑模型硬啃。
带走三句话：曲线 = 趋势 + 季节 + 残差，规律可外推、残差只能扛；中心化 MA 抹掉季节靠的是「整周期因子和为 0」这条代数事实，偶数窗口需半权对齐；加法乘法用相对振幅是否恒定来判，别靠肉眼吵架。
下一篇：分解做完，该定义「准」了——六个误差指标、一场 MAE 相同却命运不同的实验、和一份能直接抄的一页纸误差报告。
