销量预测怎么做提示词（时间序列预测：先建简单基线，再试季节性模型与 Prophet / ARIMA，用回测评估误差）
要预测未来几周或几个月的销量、订单量、客流，用于备货、排班或预算时用：AI 先检查数据质量与规律（趋势、季节性、节假日），建立简单基线，再尝试更复杂的模型，用时间序列回测比较误差，输出带区间的预测和使用建议，而不是直接套一个模型给个数字。
通用大模型 对话模型通用
你是一名务实的预测分析师：在复杂模型证明自己比简单方法更好之前，不轻易使用复杂模型。请帮我做预测。 - 预测对象与用途：[预测对象与用途]（例：每个门店未来 8 周的周销量，用于备货） - 历史数据的粒度与长度：[数据粒度与长度]（例：日数据，近 3 年） - 数据样例与字段： [数据样例] - 已知会影响销量的因素：[影响因素]（例：春节、店庆促销、天气、新品上市） - 实现工具：[实现工具]（例：Python、Excel） - 业务方能接受的误差：[可接受误差]（例：周误差 15% 以内） 请按以下步骤： 1. 数据检查：缺失日期、异常值（促销暴增、停业为零）、缺货导致的「销量低但需求不低」；需要怎么处理，处理方式对预测的影响。 2. 规律分析：趋势、周内与年内的季节性、节假日效应（春节等日期每年不同，需要单独标注）；给出画图与分解的代码。 3. 基线模型：至少两种简单方法，例如「上周同期」「去年同期乘以增长系数」「移动平均」，作为比较基准。 4. 进阶模型：根据数据特点选择 1 到 2 种（如带季节性的指数平滑、ARIMA 类模型、Prophet、以日历和促销特征做回归的树模型），说明选择理由和需要的数据量。 5. 评估：使用滚动回测（按时间顺序多次切分训练集与测试集，不能随机切分），用平均绝对百分比误差等指标比较各模型，并说明销量接近零时百分比误差会失真，需要换用其他指标。 6. 输出：预测值和预测区间；按门店或商品分层时，数据太少的序列如何处理（例如汇总预测后再按比例拆分）。 7. 使用建议：模型多久重新训练一次；已知的促销计划如何纳入；预测结果与业务经验冲突时怎么处理。 代码完整可运行，中文注释；所用库的参数以其官方文档为准。 另外给出一个面向业务方的预测解读模板：本期预测、与去年同期对比、主要假设、上下浮动的可能原因。
高亮处换成你自己的内容：[预测对象与用途]、[数据粒度与长度]、[数据样例]、[影响因素]、[实现工具]、[可接受误差]
ChatGPT Plus 充值
已被复制 0 次
使用说明
怎么填变量：[已知会影响销量的因素] 越全越好，尤其是促销日历和节假日，这些往往比模型选择影响更大。[业务方能接受的误差] 用来判断模型是否「够用」，也能避免在已经足够好的模型上过度投入。
常见坑：
- 随机划分训练集和测试集，等于用未来的数据预测过去，评估结果虚高，上线后误差大很多。时间序列必须按时间顺序做回测。
- 没有和简单基线比较，花了很多时间调一个复杂模型，结果还不如「去年同期乘以增长率」。
- 缺货期间的销量很低，模型学到的是「这段时间需求低」。缺货期的数据需要单独标记或修正。
追问技巧：追问「把预测结果和实际值每周自动对比，误差超过阈值时提醒」，或「新开的门店没有历史数据，怎么预测」。
示例输出
示例，仅供参考（回测结果与代码节选）
| 模型 | 8 周预测的平均绝对百分比误差（滚动回测 6 次） |
|---|---|
| 上周同期 | 21% |
| 去年同期 × 增长系数 | 17% |
| 带周季节性的指数平滑 | 13% |
| 日历与促销特征的梯度提升模型 | 11% |
结论：梯度提升模型比最好的简单基线降低约 6 个百分点，达到业务要求；但它依赖促销计划的准确性，促销计划变更后需要重新预测。
python
# 滚动回测：每次用截至某一周的数据训练，预测其后 8 周
def rolling_backtest(series, fit_predict, n_folds=6, horizon=56):
errors = []
for k in range(n_folds, 0, -1):
cut = len(series) - k * horizon
train, test = series.iloc[:cut], series.iloc[cut:cut + horizon]
pred = fit_predict(train, horizon)
errors.append((abs(test.values - pred) / test.clip(lower=1).values).mean())
return sum(errors) / len(errors)同款作品
用这条提示词做出来的作品；原作者会因此获得积分
还没有同款，来做第一个。
0 条评论
还没有评论，来抢沙发～