简介基于Python的汽车销售数据可视化与预测资源面向数据分析初学者及商业智能从业者。项目完整覆盖数据获取、清洗处理、可视化分析与未来销量预测全流程以国内汽车市场总体、分厂商及分车型月度销售数据为基础运用时间序列图、标准差与滚动标准差考察销量波动通过同比增长率分析市场走势并结合ACF、PACF及SARIMA模型预测未来销量厂商与车型维度下进一步拆解Top5厂商年度趋势、市场份额变化、最佳与最差表现以及月度/年度销量关系代码注释清晰、图表输出完整便于迁移复用。资源共23个文件以16张PNG可视化图表、3个Excel原始数据表、1个Python主程序及数据库文件构成整体约3.98MB目录结构清晰复现流程直观。已有875人学习下载适合需要快速上手数据探索、掌握预测建模思路的分析岗位求职者或课程实训参考。1. 汽车销售数据可视化预测究竟解决什么问题“汽车销售数据可视化预测”这个课题很多人刚开始以为是把 Excel 表换成几个图表、再跑一个线性回归。但真正落过地的人都知道难点在数据清洗的口径、可视化的交互逻辑、以及预测模型对春节、国庆、月末冲量这些业务脉冲的敏感度。顺着标题里的“可视化 预测”两个动作这篇文章按一条可行的落地路径来写从脏乱的 4S 店销售流水到可交互看板再到可输出的周销量预测最后把预测结果变成库存储备的依据。适合刚接手销售数据分析、想用 Python 替代手工报表的人也适合被领导要求“上预测模型”却不知道从哪里下手的团队。2. 数据清洗与指标口径把4S店销售流水变成干净数据集2.1 原始销售数据长什么样字段、脏数据和时间口径做汽车销售可视化拿到的数据往往不止一张表。常见来源有 DMS 系统的交车记录、财务系统的开票记录、CRM 里的客户线索表还有年中促销活动表。核心的销售流水表一般包含这些字段订单号、开票日期、交车日期、车型、车系、门店/经销商、城市、销售员、客户类型、成交价、指导价、付款方式、是否贷款、上牌地区等。如果你是做集团汇总还要注意门店 Excel 的列名各不相同甚至有的表格里“成交价”填的是含税价有的填的是裸车价。脏数据的问题集中在几类日期格式混乱有的写“2024/1/5”有的写“20240105”还有的填了“2024.1.5”关键字段缺失比如部分订单没有交车日期只有开票日期重复订单同一辆车在两张表里都出现合并时被算两次价格异常过户二手车、含保险打包价、甚至测试订单的 0 元单混在一起。这些数据如果直接画图、建模结果一定让人翻车。最核心的口径问题是“开票日期”和“交车日期”不一致。很多店月末为了冲业绩先开票后交车或者先交车后补票。这就导致按开票日期汇总的月度销量和真实需求不同步。我建议以交车日期作为统计口径因为交车意味着真实需求释放库存占用和物流配送都围绕交车发生。如果某些历史数据只有开票日期那也要在清洗阶段先对齐一次月总数把差异控制在 2% 以内再继续。2.2 用pandas做四步清洗日期、去重、价格过滤与车型归一下面这段代码是我处理销售流水表时的起点面对多张表合并后的原始数据先做最小可用的清洗。import pandas as pd import numpy as np # 1. 读取原始流水表假设列名已经被整理过 df_sale pd.read_excel(sales_raw.xlsx, sheet_name流水) df_sale.columns [order_id, invoice_date, deliver_date, model, city, dealer, sale_amount, cost_amount, customer_type] # 2. 日期格式统一非法日期变成 NaT for col in [invoice_date, deliver_date]: df_sale[col] pd.to_datetime(df_sale[col], errorscoerce) # 3. 删除交车日期和车型都缺失的记录这是统计的基本底线 df_sale df_sale.dropna(subset[deliver_date, model]) # 4. 去重同一订单号只保留一条保留最早出现的 df_sale df_sale.drop_duplicates(subset[order_id], keepfirst) # 5. 价格过滤成交价范围按常规乘用车设定超出区间删掉 df_sale df_sale[(df_sale[sale_amount] 10000) (df_sale[sale_amount] 5000000)] # 6. 车型归一化去空格替换业务里常见的别名 model_alias {SUV-长: SUV长轴, SUV长轴版: SUV长轴} df_sale[model] df_sale[model].str.strip().replace(model_alias) # 7. 生成后续聚合要用的日期字段 df_sale[year] df_sale[deliver_date].dt.year df_sale[week] df_sale[deliver_date].dt.isocalendar().week.astype(int) df_sale[month] df_sale[deliver_date].dt.month # 8. 快速输出各车型销售条数确认清洗效果 print(df_sale.groupby(model).size())逻辑说明日期解析用errorscoerce会把非法日期转成NaT不会中断程序之后通过dropna统一过滤去重按order_id是前提但如果你遇到“一单多车”的团购记录order_id就会重复此时必须增加“行号”或“数量”字段作为联合主键。价格过滤的阈值需要根据品牌和业务模式调整如果你们有 50 万以上的高性能车或 100 万以上的进口车上限要放宽如果包含二手车业务建议先按业务类型筛选再过滤。车型别名替换用replace只能解决缓存的几个词更稳的做法是维护一个外部车型映射表通过merge把标准车型关联进来。这段代码跑完后df_sale就成为一个相对干净的单表。生产环境中你可能还需要处理“全国门店表”和“车型参数表”把城市、经销商、车系、级距等信息通过 key 关联回来这步不算清洗是数据整合但建议在同一脚本里完成避免后面可视化时找不到维度字段。2.3 构造预测特征节假日、月末冲量和促销窗口不能丢可视化阶段用销售流水的明细就够了但预测建模需要把流水聚合到“日”甚至“周”粒度并生成有业务含义的特征。下面是在日销量表上构造特征的过程# 按交车日期聚合日销量 daily df_sale.groupby(deliver_date).size().reset_index(namesales_qty) daily daily.rename(columns{deliver_date: date}) # 基础日期特征 daily[dow] daily[date].dt.dayofweek # 周一0 daily[is_weekend] daily[dow] 5 daily[is_month_end] daily[date].dt.day 25 # 月末冲量窗口 # 节假日标记这里仅示例实际建议引入完整业务日历 holiday_list pd.to_datetime([2024-02-10, 2024-02-11, 2024-10-01, 2024-10-02]) daily[is_holiday] daily[date].isin(holiday_list) # 滞后与滑窗特征 daily[sales_lag7] daily[sales_qty].shift(7) # 上周同期 daily[sales_ma14] daily[sales_qty].rolling(14, min_periods1).mean() # 删除因滞后产生的空行保留可用于建模的样本 daily_model daily.dropna().sort_values(date).reset_index(dropTrue) print(daily_model.head())逻辑说明周几特征在汽车零售里非常重要周末客流和成交普遍高于工作日但如果你们门店主打商超店或上门服务规律可能相反要先观察一周内的销量分布再决定要不要保留月末冲量窗口是汽车行业普遍存在的25 号往后销量会明显抬头这个特征能帮模型抓住月底规律。is_holiday只有当天标记实际业务中节假日的影响会覆盖前后几天所以更好的做法是生成“距下一个假期第几天”这类连续特征而不是 0/1 布尔值。参数说明shift(7)是为了对齐上周同一天但遇到春节这类调休上周同期可能并不具可比性所以调休表要单独处理rolling(14, min_periods1)在前 14 天数据不足时也能输出均值但窗口越窄早期值偏差越大我一般会把min_periods设成 7然后配合dropna一起用避免模型学到不稳定的早期均值。sales_lag7和sales_ma14都是“用过去预测今天”不会泄漏未来信息这在后续模型里是关键。最终输出的daily_model可以直接存成 CSV供可视化和建模脚本共用保证两端拿到的数据一致。3. 可视化落地用纯Python搭建可交互销售看板3.1 选型对比Matplotlib、Seaborn、Plotly、Pyecharts怎么选可视化选型不需要赶时髦要看交付场景。如果你只是给分析报告配图Matplotlib 和 Seaborn 足够了Matplotlib 对坐标轴细节控制力强Seaborn 在统计图表上省代码但如果要给业务方在浏览器里点击、缩放、看 tooltipMatplotlib 就非常吃力。Plotly 生成的是交互式 HTML能够在图里实现钻取适合做成网页看板。Pyecharts 则是把 Python 数据渲染成 ECharts 配置的封装库做 LED 大屏或炫酷驾驶舱时很顺手。我一般按这个规则选单次分析用 Matplotlib/Seaborn交付给业务方用 Streamlit Plotly做展厅大屏用 Pyecharts。还要考虑数据量和部署环境。几万条以下任意选几十万条以上 Plotly 的 Python 端渲染会卡最好先用 SQL 按天聚合或者改用 ECharts 的数据集方式内网离线环境对 Web 字体和 CDN 有要求用 Plotly 时需要把plotly.min.js下载到本地引用Pyecharts 也支持离线加载。这里的热词“可视化大屏”并非魔法无非是深色背景、大字号、轮播刷新三板斧后文我会给出核心配置。3.2 用StreamlitPlotly搭交互看板三块核心图表代码Streamlit 是快速把 Python 脚本变成 Web App 的工具不需要额外写前端。下面这段代码是我做销售看板的最小骨架包含 KPI 指标、销量趋势、车型占比、城市排名import streamlit as st import pandas as pd import plotly.express as px st.set_page_config(layoutwide) st.title(汽车销售数据可视化看板) st.cache_data def load_data(): df pd.read_csv(daily_sales_clean.csv, parse_dates[date]) return df df load_data() # 侧边栏筛选城市可多选 st.sidebar.header(筛选条件) city_filter st.sidebar.multiselect(城市, df[city].unique(), defaultdf[city].unique()[:3]) # 筛选后的数据 filtered df[df[city].isin(city_filter)] if city_filter else df # 三列KPI指标 col1, col2, col3 st.columns(3) col1.metric(累计销量, f{filtered[sales_qty].sum():,}) avg_price filtered[sale_amount].mean() col2.metric(平均成交价, f{avg_price:,.0f}) # 最近一个月与上一个月对比 max_month filtered[date].dt.month.max() last_month filtered[filtered[date].dt.month max_month] prev_month filtered[filtered[date].dt.month max_month - 1] if len(prev_month) 0: delta (last_month[sales_qty].sum() - prev_month[sales_qty].sum()) \ / prev_month[sales_qty].sum() col3.metric(月度环比, f{delta:.1%}) # 日销量趋势线 fig_line px.line( filtered.groupby(date)[sales_qty].sum().reset_index(), xdate, ysales_qty, title日销量趋势 ) st.plotly_chart(fig_line, use_container_widthTrue) # 车型销量占比饼图 fig_pie px.pie( filtered.groupby(model)[sales_qty].sum().reset_index(), namesmodel, valuessales_qty, title车型销量占比 ) st.plotly_chart(fig_pie, use_container_widthTrue) # 城市销量Top10条形图 fig_bar px.bar( filtered.groupby(city)[sales_qty].sum().reset_index() .nlargest(10, sales_qty), xsales_qty, ycity, orientationh, title城市销量Top10 ) st.plotly_chart(fig_bar, use_container_widthTrue)逻辑说明st.cache_data会把读 CSV 的结果缓存起来避免业务方每点一次筛选就重新读一遍文件但如果数据每天更新需要给cache_data加ttl3600参数的注意点。st.multiselect的default要给实际存在的值否则筛选项会为空如果你希望选择“全部”最好再加一个“全选”按钮而不是让用户去逐个勾选。KPI 里col3.metric的delta支持正负百分号超过 3 列时建议用st.columns(4)并适当缩小字号否则大屏上会挤压。参数说明use_container_widthTrue让图表跟随容器宽度自适应在大屏部署时这是标配Plotly 的 tooltip 是自动的不需要额外配置但如果图例重叠可以用fig.update_layout(legenddict(orientationh))把图例改到水平方向。运行方式是streamlit run app.py默认端口 8501局域网内其他电脑用http://你的IP:8501访问。需要提醒的是Streamlit 的默认主题偏亮做展厅大屏时建议改成暗色可用st.set_page_config的theme参数或者在启动命令里指定--theme.basedark。3.3 大屏展示的Pyecharts配置深色主题、隐藏工具栏、自动刷新如果最终要投到展厅或会议室的大屏上Pyecharts 比 Streamlit 更合适因为它生成的 HTML 可以直接播放而且 ECharts 的视觉效果更接近专业大屏。核心不是画图而是“离远能看清、长时间运行不黑屏、数据更新不刷新整页”。from pyecharts import options as opts from pyecharts.charts import Bar # 取最近30天车型销量Top10 top_models daily_sum.groupby(model)[sales_qty].sum().nlargest(10) bar ( Bar(init_optsopts.InitOpts( bg_color#0f1a2b, # 深色背景适应LED屏 width100%, height100% )) .add_xaxis(top_models.index.tolist()) .add_yaxis(销量, top_models.values.tolist(), category_gap40%) .set_global_opts( title_optsopts.TitleOpts(title车型销量TOP10, subtitle最近30天, title_textstyle_optsopts.TextStyleOpts(color#fff)), xaxis_optsopts.AxisOpts(axislabel_optsopts.LabelOpts(rotate30, color#eee)), yaxis_optsopts.AxisOpts(splitline_optsopts.SplitLineOpts(is_showTrue), axislabel_optsopts.LabelOpts(color#ccc)), toolbox_optsopts.ToolboxOpts(is_showFalse) # 大屏上隐藏缩放工具 ) ) bar.render(bar_top10.html)逻辑说明bg_color设置深色背景避免大屏白色反光category_gap40%让柱子之间留出间隙信息密度更低远处看更清爽toolbox_opts必须隐藏否则鼠标一碰就弹出乱七八糟的按钮。多个图表拼装时可以用Page(layoutPage.SimplePageLayout)直接纵排也可以使用Grid组件做绝对定位但 Grid 的百分比坐标需要反复调不如直接用 HTML div 的绝对定位灵活。大屏数据更新不要用整页刷新前端用 JavaScript 的setInterval定时拉取新 JSON 数据再通过 ECharts 的setOption更新图表这个逻辑在 Pyecharts 里可以用Page.javascript注入但更稳妥的做法是生成 HTML 后在模板里写一小段定时器脚本代码量不大适合有前端经验的人。这里要强调大屏的关键不是“炫”而是“一屏能看全”。我通常只放 3 个图表在首屏全国/区域销量趋势、车型销量构成、门店完成率排行。超过 5 个图就会显得拥挤而且运营人员离屏 3 米外根本看不清楚小标签。4. 销量预测建模从线性回归到时序模型的关键选择4.1 先定预测粒度日销量噪声大周销量更适合库存储备预测不是拿到历史销量就直接跑模型第一步要回答“预测多长时间、给谁用”。日销量在汽车行业里噪声很大单日可能因为一个大客户批量采购冲到 20 台第二天又回落到 2 台这种波动来自事件而非趋势。周销量会平滑掉日内的渠道差异又能保留月末、节假日等短期脉冲是库存补货最常用的粒度。月度销量适合制定回款目标和营销预算但三年历史只有 36 个点喂给复杂模型容易过拟合。我建议如果目标是库存储备和物流安排预测未来 4 周周销量如果目标是促销活动效果评估可以预测日销量但要额外引入活动期标记如果你只有一年半载的历史数据别折腾深度模型直接用最近 4 周移动平均加同比修正就够了。这里面有一个“用户消费预测”的常见误区就是非要把时间步长拆到小时级销售数据不像进店客流小时粒度基本没有稳定模式。4.2 用XGBoost做特征驱动预测时间序列交叉验证与参数选择预测销量可以用线性回归但销量数据里促销脉冲、车型退市、节假日效应与历史销量的关系并不是线性的所以梯度提升树XGBoost在实践里表现更稳。它不需要对特征做标准化也能处理缺失值但有个前提不能把未来的信息混进训练集。import xgboost as xgb from sklearn.model_selection import TimeSeriesSplit from sklearn.metrics import mean_absolute_error # 假设daily_model包含date, sales_qty, year, month, week, dow, is_holiday, is_month_end, sales_lag7, sales_ma14 df_model daily_model.dropna().copy() feature_cols [year, month, week, dow, is_holiday, is_month_end, sales_lag7, sales_ma14] X df_model[feature_cols] y df_model[sales_qty] # 时间序列交叉验证训练集永远在测试集之前 tscv TimeSeriesSplit(n_splits3) for fold, (train_idx, test_idx) in enumerate(tscv.split(X)): X_train, X_test X.iloc[train_idx], X.iloc[test_idx] y_train, y_test y.iloc[train_idx], y.iloc[test_idx] model xgb.XGBRegressor( n_estimators200, max_depth4, learning_rate0.05, subsample0.8, colsample_bytree0.8, random_state42 ) model.fit(X_train, y_train) pred model.predict(X_test) mae mean_absolute_error(y_test, pred) print(fFold {fold}: MAE{mae:.1f}) # 特征重要性查看 importance pd.Series(model.feature_importances_, indexfeature_cols).sort_values(ascendingFalse) print(importance)逻辑说明TimeSeriesSplit不像普通 K 折那样随机切分它严格按照时间顺序把数据切成训练集和测试集保证模型不会看到未来的样本。这里n_splits3适合数据量不大的场景如果你有 200 周以上的数据可以设到 5。XGBoost 的超参数里max_depth4足够捕捉节假日和月末的非线性再深就容易把个别促销周背下来learning_rate0.05搭配n_estimators200接近“小步慢跑”不容易过拟合subsample和colsample_bytree都设 0.8让每棵树只用部分样本和部分特征相当于内置了随机森林的机制。特征重要性这一步非常值得看。如果sales_lag7在重要性里占比超过一半说明模型像是在“抄上周销量”业务脉冲特征没有发挥作用。这时要增加滞后特征的惩罚比如给树模型设置max_depth3或者减少sales_lag7的权重。也可以直接换用 Prophet让它自带趋势和季节项。4.3 用Prophet做时序预测节假日与置信区间怎么取当你的特征变量不够多、只有历史销量数据时Prophet 是一个省心的选择。它把时间序列拆成趋势、季节、节假日成分还自带置信区间。汽车销量受节假日影响大Prophet 可以添加中国节假日作为回归项这一点很实用。from prophet import Prophet # Prophet要求列名固定为ds和y df_prophet daily[[date, sales_qty]].rename(columns{date: ds, sales_qty: y}) model Prophet( yearly_seasonalityTrue, weekly_seasonalityTrue, daily_seasonalityFalse, seasonality_modemultiplicative, changepoint_prior_scale0.5 ) model.add_country_holidays(country_nameCN) model.fit(df_prophet) # 预测未来28天 future model.make_future_dataframe(periods28) forecast model.predict(future) # 只取预测部分包含上下区间 forecast_tail forecast[[ds, yhat, yhat_lower, yhat_upper]].tail(28) print(forecast_tail)逻辑说明yearly_seasonalityTrue让模型自动学习年度周期数据越多越精确weekly_seasonalityTrue对应一周内的销售规律seasonality_modemultiplicative适合销量随季节成倍放大缩小的情况。汽车销量在春节期间往往腰斩、国庆前冲高乘法模式比加法更贴合。changepoint_prior_scale0.5比默认的 0.05 更高允许趋势突变点更频繁地出现适合捕捉新车型上市或突发政策的影响代价是置信区间变大。参数说明make_future_dataframe(periods28)的 periods 代表“预测多少个数据点”如果你的ds是日粒度28 就是 28 天如果ds是周粒度就需要把日数据重采样到周并把 periods 改为 4。yhat_lower和yhat_upper是 80% 置信区间库存决策可以直接用yhat_upper作为安全备货上限。Prophet 的坑在于数据少于 6 个月时趋势项会非常强势甚至输出负销量这时要关掉changepoint_prior_scale或者改用纯季节模型。4.4 分组评估别只盯R2把误差拆到月末、节假日再看销售预测的评估指标常用 MAE、RMSE、MAPE但只看整体指标会掩盖问题。比如整体 MAE 是 8 台如果平时误差 4 台、月末误差 20 台那模型就是没学会冲量规律。我习惯把测试集的预测值和真实值按“是否月末”“是否节假日”分组分别算误差。下面这段代码演示了分组对比import pandas as pd from sklearn.metrics import mean_absolute_error # 构建评估表真实值、预测值和对应日期 df_eval pd.DataFrame({ true: y_test, pred: pred, date: X_test[date] }) df_eval[is_month_end] df_eval[date].dt.day 25 # 按是否月末分组算MAE grouped_mae df_eval.groupby(is_month_end).apply( lambda g: mean_absolute_error(g[true], g[pred]) ) print(grouped_mae) # 按星期几分组算MAE发现周内哪些天更难预测 df_eval[dow] df_eval[date].dt.dayofweek dow_mae df_eval.groupby(dow).apply( lambda g: mean_absolute_error(g[true], g[pred]) ) print(dow_mae)逻辑说明分组计算后如果月末误差明显高于非月末说明特征里is_month_end的作用不够或者月末冲量本身波动就大。此时可以增加“距月末还有几天”的连续特征而不是只给一个布尔值。如果周六日误差大说明节假日前后调休没有处理好需要引入调休日标记。还有一点更实用的习惯每周一用截至昨天的全量数据重新训练一次而不是训一次用一年。汽车市场受促销政策影响变化快模型每周滚动重训可以显著降低预测漂移。5. 汽车销售建模的5个典型踩坑从数据污染到假季节性的排查路径5.1 现象销量断崖式下跌预测跟着乱套——原因开票与交车日期混用有次拿到某经销商数据某周销量环比下降 50%预测模型直接全部低估。排查发现销售流水里 60% 的订单“开票日期”是当周但“交车日期”是上一周财务导出时按开票日期统计把本该计入上周的一部分销量挪到了本周造成上周高、本周低的假象。原因是不同部门提供的数据口径不一致DMS 管交车财务管开票。解决办法是统一以交车日期为聚合主键并把开票日期作为辅助列保留如果无法关联至少按月核对交车总数与开票总数的差异偏差超过 2% 就要找 IT 部门核对主数据。5.2 现象节假日模型没反应或者“假效应”——原因节假日特征太粗糙模型跑出来国庆 7 天预测只比平时涨 5%实际涨了 30%。检查发现is_holiday是一个 0/1 布尔量模型无法把“假期连续天数”“节前抢购”“节后补单”这些信息编码进一个布尔值里。而且不同年份国庆和中秋错开年份特征不能代表这种变动。解决方法是把节假日特征扩展为“距下一个假期第几天”“假期第几天”“假期后第几天”并给假期前后各 4 天窗口内的样本单独打标记节假日表不要手写要维护一份包含调休安排的表每年 1 月更新一次。5.3 现象模型越训越差但特征没变——原因滞后特征泄漏或数据漂移一位同事的模型上周 MAE 是 6这周变成 14特征和代码都没改。核对后发现他在计算rolling均值时用了centerTrue等于让每行都看到了未来几天的销量训练时测试集也被“剧透”这样的模型放到线上遇到真正未来数据立刻失效。解决方法是回查所有滑窗特征必须只用当前行及之前的数据rolling默认centerFalse是对的对于缺失值填充也只能用该日期之前的均值不能用整段数据的全局均值否则会把后视镜信息带进训练集。最稳妥的检查方式是把训练集和测试集都重新生成一遍对比生成逻辑是否完全相同。5.4 现象预测结果像上周销量的复制节假日完全不涨——原因滞后特征权重过大查看特征重要性图sales_lag7占了 70% 以上模型几乎在“抄上周”。原因是滞后特征与目标相关系数天然较高当数据量小时树模型会依赖这条捷径。解决方法是限制这类特征的使用深度比如把max_depth调到 3让模型无法只靠一个特征做复杂切分或者把目标从“销量”换成“销量环比变化率”削弱滞后特征直接复制的能力。更推荐的做法是增加业务外生特征广告投放金额、促销折扣力度、新车型上市周数、渠道活动数量让模型的注意力从历史销量挪到驱动因素上。5.5 现象数据只有两年模型对夏冬差异“过度自信”——原因季节性样本不足用两年月度数据训练模型预测第三年夏季销量时给的置信区间很窄结果实际误差翻了倍。原因是样本太少模型把偶然波动当成了季节性规律尤其是汽车行业受到购置税政策、排放标准切换、新能源补贴的影响所谓“季节性”背后可能是一次政策脉冲。解决方法是不要只给点预测要用yhat_lower/upper这样的区间结果给库存储备时用预测上界乘以安全系数而不是用点预测直接下采购单。如果历史数据不足 18 个月建议放弃完整时序模型改用去年同期的销售数据乘以最近三个月的环比趋势这个朴素方法在数据量小时往往比复杂模型更稳。6. 把预测结果变成库存动作阈值报警、滚动重训与一个偏差检查脚本预测交付不是画一条曲线就结束而是要落到库存和促销动作上。我常用的做法是备货量参考预测区间的上界促销触发参考下界。具体来说如果未来 4 周某车型的yhat_upper是 120 台当前库存在途只有 80 台那就应该提前下采购单如果过去一周实际销量连续 3 天低于yhat_lower说明这个车型动销不如预期需要启动清库促销。为了让这个逻辑可执行我会在每周一重训模型后跑一个偏差检查脚本import pandas as pd # 合并实际销量与预测结果 df_check actual_daily.merge(forecast[[ds, yhat, yhat_lower, yhat_upper]], left_ondate, right_onds, howleft) df_check[bias] (df_check[sales_qty] - df_check[yhat]) / df_check[yhat] # 找出偏差超过20%的日期 alert df_check[df_check[bias].abs() 0.2] if not alert.empty: print(需关注的偏差日期) print(alert[[date, sales_qty, yhat, bias]])这个bias阈值要按数据粒度调整日销量波动大20% 合理周销量波动小10% 就要提醒。脚本可以直接挂在 Streamlit 看板的顶部让每天早上打开看板的人第一眼看到风险日期而不是自己肉眼找。我现在的习惯是每周一早上重训一次模型并把过去一周的偏差报表打印出来看一眼而不是等到月底复盘。这个习惯坚持下来模型带来的库存失误少了一大半。希望帮到你。本文还有配套的精品资源点击获取
