四象限是：业务理解→数据诊断→建模预测→风险预案。
第一道坑：夏季是冬季1.8倍 这叫季节性波动，但别傻算总账。芝士草莓的夏季指数可能是2.5，热可可只有0.4。你必须按品类算出精准的季节权重，还要把10月拆成上下两段——前半段残留夏季习惯，后半段已入冬。更关键的是动态校准，如果今年夏天暴热天数比去年多，1.8倍就要上调到1.9。
第二道坑：去年12月新品推高销量 这是离群冲击，处理它看可复现性。如果今年Q4有新品，去年的30%增量就是基准参考，要建模干预函数（第一周+30%，第二周+20%，一个月后衰减到+10%）。如果今年没有新品，这30%必须剔除，但别直接删，用\"平滑替换\"保留趋势完整性。
第三道坑：今年4月上海骤降 这叫地域风险，先别急着当异常值处理。诊断五连问：是全市还是部分门店？持续多久？竞品跌了吗？有公共事件吗？供应链出问题了？如果是暴雨+地铁施工这类一次性冲击，且Q4不会重演，那4月数据可以剔除。但如果是竞品促销导致，这不是异常，是竞争信号，Q4预测必须加入\"竞品动态\"变量。
隐藏的地雷：
温度敏感：Q4预测必须接入气象预报，日均温低于15度时热饮占比会从20%飙到55%。准备暖冬/冷冬两套方案。
节假日错位：今年中秋在9月，10月月饼礼袋销量会下滑；但圣诞节购物中心店会爆单，写字楼店会冷清。
供应链约束：水果茶原料保质期7-15天，预测误差不能超过±15%；茶叶糖浆可以多备30%。你的报告要区分\"短保精准值\"和\"长保区间值\"。
行为迁移：外卖占比已45%，但雨雪天会受运力影响，堂食和外卖要分开建模。
三板斧策略：
Prophet/STL分解：把夏季因子、12月新品作为外部变量加进去，跑乐观/基准/保守三版。
XGBoost残差修正：把气温、促销、竞品等50个特征丢进去，捕捉非线性关系，提升10-15%精度。
压力测试：模拟11月寒潮提前、12月疫情反弹等极端场景，你的预测在±20%波动下，原料冗余度够不够？
最终交付物必须包含：
Q4总销量区间预测（分10/11/12月）
分品类矩阵（热饮/冰饮/烘焙的季节权重）
分区域矩阵（上海是否继续打折）
新品情景分析（如有，爬坡曲线）
风险热力图（短保vs长保的不同采购策略）
#数据分析实战 #知识库 #时间序列分析 #销量预测 #茶饮行业 #数据建模 #季节性分析 #供应链优化 #预测方法 #职场实战技巧
第一道坑：夏季是冬季1.8倍 这叫季节性波动，但别傻算总账。芝士草莓的夏季指数可能是2.5，热可可只有0.4。你必须按品类算出精准的季节权重，还要把10月拆成上下两段——前半段残留夏季习惯，后半段已入冬。更关键的是动态校准，如果今年夏天暴热天数比去年多，1.8倍就要上调到1.9。
第二道坑：去年12月新品推高销量 这是离群冲击，处理它看可复现性。如果今年Q4有新品，去年的30%增量就是基准参考，要建模干预函数（第一周+30%，第二周+20%，一个月后衰减到+10%）。如果今年没有新品，这30%必须剔除，但别直接删，用\"平滑替换\"保留趋势完整性。
第三道坑：今年4月上海骤降 这叫地域风险，先别急着当异常值处理。诊断五连问：是全市还是部分门店？持续多久？竞品跌了吗？有公共事件吗？供应链出问题了？如果是暴雨+地铁施工这类一次性冲击，且Q4不会重演，那4月数据可以剔除。但如果是竞品促销导致，这不是异常，是竞争信号，Q4预测必须加入\"竞品动态\"变量。
隐藏的地雷：
温度敏感：Q4预测必须接入气象预报，日均温低于15度时热饮占比会从20%飙到55%。准备暖冬/冷冬两套方案。
节假日错位：今年中秋在9月，10月月饼礼袋销量会下滑；但圣诞节购物中心店会爆单，写字楼店会冷清。
供应链约束：水果茶原料保质期7-15天，预测误差不能超过±15%；茶叶糖浆可以多备30%。你的报告要区分\"短保精准值\"和\"长保区间值\"。
行为迁移：外卖占比已45%，但雨雪天会受运力影响，堂食和外卖要分开建模。
三板斧策略：
Prophet/STL分解：把夏季因子、12月新品作为外部变量加进去，跑乐观/基准/保守三版。
XGBoost残差修正：把气温、促销、竞品等50个特征丢进去，捕捉非线性关系，提升10-15%精度。
压力测试：模拟11月寒潮提前、12月疫情反弹等极端场景，你的预测在±20%波动下，原料冗余度够不够？
最终交付物必须包含：
Q4总销量区间预测（分10/11/12月）
分品类矩阵（热饮/冰饮/烘焙的季节权重）
分区域矩阵（上海是否继续打折）
新品情景分析（如有，爬坡曲线）
风险热力图（短保vs长保的不同采购策略）
#数据分析实战 #知识库 #时间序列分析 #销量预测 #茶饮行业 #数据建模 #季节性分析 #供应链优化 #预测方法 #职场实战技巧
