有些图片不一定加载的出来，大家可以去CSDN上看【复盘与分享】第十一届泰迪杯B题：产品订单的数据分析与需求预测

[toc]

距离比赛结束已经过去两个多月了。

整个过程还是非常辛苦的，在前期整个团队都在进行学习铺垫，精力主要集中在全部数据给出后的建模

收到了答辩的通知，可惜评委问的问题太过离谱，没能展现出我们的创新点，最终没能获得特等奖，是个国一

因为感觉对我们的工作进行一个总结，对很多准备相关比赛的同学还是挺有帮助的，所以还是复盘一下

用Prophet一个个商品预测肯定是错误的，训练时间太长。先整合成结构化数据，再上机器学习才是合理的做法

题目

任务1：数据分析

针对提供的历史销售数据(order_train1.csv)，需要进行深入的数据分析。分析主题包括但不限于：

1.1 产品的不同价格对需求量的影响 1.2 产品所在区域对需求量的影响，以及不同区域的产品需求量有何特性 1.3 不同销售方式（线上和线下）的产品需求量的特性 1.4 不同品类之间的产品需求量有何不同点和共同点 1.5 不同时间段（例如月头、月中、月末等）产品需求量有何特性 1.6 节假日对产品需求量的影响 1.7 促销（如618、双十一等）对产品需求量的影响 1.8 季节因素对产品需求量的影响

任务2：需求预测

基于上述分析，需要建立数学模型，对给出的产品(predict_sku1.csv)进行未来3个月（即2019年1月、2月、3月）的月需求量预测。预测结果需要按照给定格式保存为文件result1.xlsx。

请分别按照天、周、月的时间粒度进行预测，并尝试分析不同的预测粒度对预测精度可能产生的影响。

第一问

第一问就是数据探索性分析，没啥好说的，现在会调chatgpt并且进行简单的修改就能做出不错的图了。

虽然题目的意思可能是通过第一问的分析，对第二问的建模起到什么帮助，可能会在论文里看起来不错，但说实话屁用没有。第二问预测靠的还是特征工程等经验。所以第一问不是重点，展示几个图吧，不细讲了。

• 价格与需求量散点图

• 线下/线上订单需求量随时间变化趋势图

• 各大类/细类产品需求量占比双环图

• 各大类产品月需求量气泡图

• 不同时段（月初、月中、月末）的产品需求量折线图

• 线下/上销售趋势

• “6.18”和“双十一”期间Top50促销产品所属细类双向柱状图

第二问

第二问要预测的精准，还是比较考验学习、代码能力的，当时是看了好几个销量预测的比赛代码，主要是kaggle上的，并且一步步自己改。搭出Baseline后，能先有一个预测的结果，再一步步的加上自己的想法。

以下内容都是先有Baseline后一步步试出来的，所以会有些跳跃性

一些链接（很多我找不到了）：

详细的EDA和随机森林

1st place solution - Part 1 - "Hands on Data"

2.1 数据预处理

• 缺失值处理

• 异常值检测

  • 对于检测出来有异常值的商品
  • 在预测集中的商品单独建模（手动预测）
  • 不再预测集中的商品直接删除

• 分类型数据转换成数值型

  • 销售渠道
  • 产品编号/产品类别/销售区域

• 对于波动很大的销量数据，我们有两种指标。

  • 标签平滑处理：取对数，用RMSE指标
  • 不对数处理：使用Tweedie偏差（Tweedie deviance）

• 如果你不处理，就用RMSE评价销量预测的精确度肯定有问题。

  比如一只5块钱的笔（一个月销量大约5000个），预测偏差100个。跟一块2000块钱的手表（一个月销量大约500个），预测偏差100个。用RMSE评价是一样的，但实际上肯定是手表预测的偏差带来的问题更大。Tweedie偏差就能解决这种问题

  当然如果先对数处理，倒也可以用RMSE

  二选一即可，最后我还是使用了后者

2.2 数据集分析

2.2.1 训练集

这里我们对数据进行了很详细的分析，我自己单独去看每一类别中的每个商品的趋势，就能发现很多特征。尽管大部分因为时间原因没有用上，但这在现实业务的预测中是很重要的一步。我们要对这个数据集有详细的了解，才能针对性处理。

稍微列举几点：

1. 403/404/405：最初线上，2017年起增加线下
2. 406：线下，小规模订单；2018.3从105区域迁到其他区域
3. 407：销售趋势呈多个小高峰，具有季节性趋势
4. 411：于2017年11月上市
5. 自2017年起，地区104停止销售，104地区大部分产品转移到105地区，编写函数实现数据迁移
6. 有些商品有线上引领线下的销售特征，如果某个商品线上涨了，那个这个商品下个月大概率线下也会涨

• 数据按月整合，才能做特征工程和机器学习
  • 对每个产品的需求量按区域和月份进行整合
  • 建立一个包含销售区域、销售月份和产品等组合信息的结构化数据集

• 然后我们提出了一个比较有用的策略-商品分层。思路来源于营销课广告，因为不同性质定位的产品，其销售规律肯定有所不同，所以分类
  • 新品：直至第36个月（date_block_num）才开始出现在市场上的产品。
  • 流星品：突然出现的商品；但销售时长不超过5个月，销量会急剧下降。
  • 睡眠品：一直保持客观的销量，却在某个时间点之后销售量骤减，但究其原因并非季节性因素的产品。
  • 常规品：总有销量的产品；销售时长达39周以上或至少存在于市场中一年以上。
• 其实应该还有季节性商品的，但是大部分商品其存在时间都没到两年，所以算法不太能判断的出来，遂放弃

2.2.2 预测集

• 然后我们编写了分类函数，对预测集中的商品进行分类，来看看要预测的都是哪些商品

发现大部分是常规品，新品占比也不小。在搭出Baseline后我们进行了误差分析（后面会提，就是分析预测误差来源于哪里）。我们就发现很多的新品和一些波动大的商品，预测偏差很大，所以单独建立了新品模型。

2.3 特征工程

特征工程是最重要的，也是决定模型最终预测精度的关键。常规的就是滞后特征、趋势特征等等。不断添加新特征，不断训练模型验证效果，最后没用的特征我们删除就好

• 切记不要数据泄漏，不要在做特征的时候引入未来的数据。比如趋势应该是上上个月->上个月的趋势，别是上个月->这个月的。这个月数据是要预测的

2.4 模型建立

2.4.1 模型框架和评价指标

• 题目非常离谱的要按日/周/月分别建模预测。实际上能做好月的就不错了，因为不然你要做三组特征，这是不可能的。

  • 我们的解法就是按照月预测，不断的优化。日/周的就prophet随便预测一下就行。但在这个过程中，我们发现prophet不仅可以预测，还可以提取一些季节性特征。

  • 因为我们做的特征实际上是缺少季节性的，所以就融入了这部分来自prophet提取的特征，也发现效果确实不错。

2.4.2 模型建立

• 模型选择的话，我们Baseline使用LightGBM做的，因为其训练时间最快，方便我们不断优化
  • 最后使用了三种梯度提升树算法（LightGBM、CatBoost、XGBoost）进行模型融合
  • 该怎么说呢，效果肯定是很好的，但是这样也会带来过拟合。实际上，其实不用那么复杂，用一个模型也许效果最好

2.4.3 误差分析和特征筛选

• 误差分析
  • 在训练前期的帮助很大
  • 重新预测误差大的商品，并将预测值覆盖提交到原先的模型中
• 特征筛选
  • 剔除没啥用的特征

2.4.4 新品模型

• 对于新品，我们使用滑动窗口提取出每个月的新品，来组成新品模型的训练集和预测集
• 并且重新进行特征工程，因为新品没啥历史数据，预测只能靠同类商品的一些信息，所以我们做的特征往这个方向靠

2.5 模型融合

比较了一下，选定了进行模型融合的方法

还是那句话，模型太复杂并不代表真正的预测效果越好。但是这些工作在论文的展现中是需要的。

2.6 预测方法

我们还测试了三种预测方法。因为题目要求预测往后三个月的数据。

直接预测、滚动预测应该比较好理解。

滞后预测需要重新做特征，比如预测M+2月的销售量。我们是不能用M+1月的数据做特征的

2.7 总结

结尾

先吐槽一下本次比赛的题目，题目的数据感觉质量不是太好，前期做起来很头疼，也许是销量数据的通病。第二问的按日/周/月精度分别预测完全没有必要。再吐槽一下评委，私以为能进入答辩的队伍应该都是用机器学习/深度学习对整个数据集一起训练的，评委应该focus我们工作的创新之处。但是评委貌似无法理解，认为我们怎么能用到了Prophet但又不用一个个训练，好像很难理解用机器学习怎么对每个商品进行预测。我们达到的是全局最优而不是每个商品最优，这跟用不用Prophet无关（我们只是用了Prophet来一个个提取特征，总体的工作是用LGBM不断优化的）。

还有就是这个比赛需要先提交论文和预测数据（2019年1、2、3月的数据），提交的后一天又会给出1、2、3月的数据，要求在预测一遍4、5、6月的数据。当时都五一放假了喂，那天早上发现1月份的真实销售数据销量很高，总体大概是预测的2～3倍。然后我就发现5月的数据也有可能很高，就重新改代码，总结了每一类商品的每月销售特征，又预测了一天。最终相信效果应该是不错的。合理的运用Trick来提升预测精度也是获奖必不可少的部分！

最后致谢一下吧。感谢我的两位队友的努力，感谢npy的作图和比赛期间的理解、感谢学姐学长的帮助和答辩指导、感谢我的指导老师。希望这篇总结能帮助到别人。