我做数据分析师的前五年，每次做时间序列预测，心里都特别没底。不是因为模型学得少，而是因为在真实的业务场景里，我踩过太多坑了。有一回，老板让我预测下个季度的销售额，我用 ARIMA 模型跑出来一个漂亮的结果，老板拿到数据后看了一眼，说：“你知道下个月我们要上一个大促活动吗？你这预测里完全没体现。”我当时愣在原地，一句话都说不出来。那一刻我才意识到，算法模型本身不会骗人，但脱离业务场景去选模型，才是真正的灾难。
后来我花了大量时间，在电商、零售、金融风控和工业运维这几个领域反复打磨时间序列预测的方法。我慢慢发现，真正决定预测效果的关键，不是你会多少种模型，而是你有没有能力为你的业务场景找到最合适的那个模型。这篇文章，我想把我这几年的实战经验、踩过的坑、以及验证过的选型逻辑，完整地分享给你。读完这篇文章，你至少能知道：面对不同的业务问题，到底该选哪个模型；选完之后，怎么评估它是不是真的靠谱；
以及，当数据量很少、或者突发情况很多的时候，你该怎么补救。
我先说一个结论：预测不准，90% 的原因不是模型不行，而是问题定义错了。很多人在开始做预测之前，根本没有想清楚自己要预测什么。
每次开始一个预测项目，我都会先问自己三个问题。第一个问题：我要预测的是什么？是未来的一个具体数值，比如下个月的销售额，还是未来可能的波动范围，比如库存的补货区间？第二个问题：我要预测多久？是短期预测，比如未来几小时或者几天，还是长期预测，比如未来一个季度或者一年？第三个问题：我的数据长什么样？是规律性很强的，还是充满了突发事件的？
把这三个问题想清楚，你至少能避免 50% 的模型选择错误。举个例子，如果老板让你预测双十一当天某个 SKU 的销量，你用 ARIMA 模型去跑，那几乎注定会失败。因为 ARIMA 处理不了节假日效应和突发流量。这时候，你需要的可能是 Prophet 模型，它专门为这种场景设计过。
我见过太多同行踩过这些坑，我自己也踩过。第一个误区：认为模型越复杂，预测越准。现实是，在数据量很小的时候，简单模型往往比复杂模型更稳定。第二个误区：不看数据，直接套模型。很多人拿到数据，训练集、测试集一分，直接调包开始跑。结果跑出来的模型，在训练集上效果很好，一到测试集就崩了。这就是典型的过拟合，根源在于他没有先做数据探索。第三个误区：把预测结果当成绝对真理。
预测本质上是概率性的，任何模型都有误差。但很多业务方非要一个“确定的数字”，这时候你需要解释清楚预测区间和置信度。第四个误区：忽略了业务背景。就像我开头说的，模型不知道你要做促销，不知道你的供应商要停产，不知道你的竞争对手在降价。这些信息，必须由你注入到模型里。
2021 年，我帮一家零售企业做库存周转预测。他们的数据很干净，历史记录也很完整。我用了当时比较流行的 LSTM 模型，花了两周时间调参，最后模型在测试集上的 RMSE 达到了一个非常低的水平。我信心满满地交给了业务方。结果上线第一周，预测值就比实际值高出了 30%。我排查了很久才发现，问题出在特征工程上。我构建的滞后特征只考虑了历史销量，但完全没有考虑最近一周的天气变化。
那段时间刚好是雨季，线下门店客流大幅减少，销量自然就低了。这个教训让我养成了一个习惯：在做任何时间序列预测之前，先花 30% 的时间去了解业务和外部环境。
既然预测不准的核心原因是问题定义不清，那接下来我们就来解决这个问题。我总结了一套非常实用的模型选择决策树，它的核心逻辑是：不同的业务场景，对应不同的模型。不存在一个“万能模型”。
这种场景最常见，比如月度销售预测、季度财务预算。数据量通常只有几千条，但呈现出非常明显的趋势和季节周期。这时候，我第一推荐的是指数平滑法，第二推荐的是ARIMA 模型。
指数平滑法非常轻量，逻辑也很直观：给近期数据更高的权重，给远期数据更低的权重，然后加权平均。它不需要复杂的参数调优，几分钟就能跑出一个结果。对于大多数小企业，尤其是处于起步阶段、数据积累不到两年的企业，指数平滑法往往比 ARIMA 更稳定。
ARIMA 模型比指数平滑法更复杂一些，它通过自回归、差分和移动平均三个部分，来捕捉数据中的模式和趋势。它的优势在于，当数据的内在规律比较复杂时，ARIMA 的建模能力更强。但它的缺点也很明显：对数据平稳性要求高，参数调优成本高。你需要先对数据进行差分，让它变得“平稳”，然后通过 ACF 和 PACF 图来选择合适的 p、d、q 参数。这个过程，新手很容易调崩。
我建议：如果你的数据跨度不超过两年，或者业务本身变化很快，先尝试指数平滑法。如果效果不好，再考虑 ARIMA。
这种场景多见于金融高频交易、大型电商平台的实时流量预测、工业设备的传感器故障预测。数据量动辄上百万条，特征维度很高，而且数据之间的关系往往不是线性的。这时候，LSTM 和 Transformer 这类深度学习模型开始展现优势。
LSTM 的核心优势在于它的“门控机制”。它可以记住过去很久的信息，也能忘记不重要的信息，这使它特别适合处理长序列数据。比如，你要预测下一分钟服务器的请求量，LSTM 能参考过去几小时甚至几天的流量模式，自动判断出当前是否是高峰期。
但 LSTM 有两大痛点。第一，训练成本高。你需要 GPU，需要大量的超参数调优，一个模型跑几天是常有的事。第二，可解释性差。业务方问你“为什么下周流量会下降 20%？”，你很难用 LSTM 的内部机制给出一个直观的解释。
Transformer 模型是近几年的新秀，它的核心机制是“注意力机制”，可以同时关注序列中所有位置的信息，而不像 LSTM 那样只能一步步地往后传。在很多大型数据集上，Transformer 的效果已经超过了 LSTM。但它的门槛更高，对数据量和计算资源的要求也更高。
我建议：只有当你的数据量超过 10 万条，并且你有明确的 GPU 资源时，才考虑 LSTM 或 Transformer。如果你只是一家小公司，数据量只有几千条，用深度学习模型反而可能因为过拟合而效果变差。
电商的日活流量预测、App 的推送效果预测，都符合这个场景。数据本身有趋势和季节性，但经常被不规则的节假日（比如双十一、春节）或突发事件（比如一场营销活动）打断。这时候，我强烈推荐Facebook Prophet。
Prophet 模型的设计初衷就是解决这个问题。它把时间序列分解成三个部分：趋势、季节性和节假日效应。你只需要在模型里指定哪些日期是节假日，Prophet 会自动去学习这些节假日对预测值的影响。它不需要数据平稳化，也能很好地处理缺失值。
我用 Prophet 做过一个非常成功的案例。一家电商公司，每年双十一的流量是平时的 20 倍。他们需要提前一周预测双十一当天的服务器压力。我用 Prophet 把过去三年的双十一日期作为节假日参数输入模型，模型自动学习了双十一当天的流量爆发模式，预测准确率达到了 92%。这个效果，LSTM 和 ARIMA 都很难做到，因为节假日效应在时间序列里属于“突变”，而 Prophet 通过显式建模的方式，完美地解决了这个问题。
我建议：当你预测的业务场景有明显的节假日、促销或特殊事件时，Prophet 是你的首选。它的另一个优点是，模型训练速度极快，解释性也不错，你可以直接告诉业务方：“这个预测值有 20% 的贡献来自即将到来的促销活动。”
为了方便你应用，我画了一张决策树。你可以拿着它，根据你的业务情况，一步步找到最适合你的模型。
第一步：评估你的数据量。如果数据量 < 5000 条，请直接跳到第二步。如果数据量 > 5000 条，请跳到第三步。
第二步：数据量小，看规律性。如果数据规律性强，周期明确，推荐指数平滑法或 ARIMA。如果数据被节假日和异常事件频繁打断，推荐 Prophet。
第三步：数据量大，看特征种类。如果特征维度高，且存在非线性关系，推荐 LSTM 或 Transformer。如果特征维度单一，只是时间序列本身，推荐 Prophet 或 ARIMA。
第四步：明确你的业务需求。如果你需要高可解释性，能够向业务方解释预测结果的原因，优先选择 Prophet 或指数平滑法。如果你追求极致精度，并且有足够资源，再考虑深度学习模型。
模型选好了，也训练完了，接下来最关键的一步就是评估。很多人觉得评估很简单，就是看一个 RMSE 值。但我想告诉你，不同的业务场景，适用的评估指标完全不同。用错指标，你可能会得到一个“看起来很漂亮但实际上很糟糕”的模型。
我先说四个最常用的指标，以及它们各自适合的业务场景。
MAE（平均绝对误差）：它计算的是预测值和真实值之间差值的绝对值的平均值。它的优点是直观，单位与原数据一致。比如，你预测的销售额平均误差是 1000 元。它适合绝大多数业务场景，尤其是当你对误差的方向不敏感时。
RMSE（均方根误差）：它先计算误差的平方，再求平均，最后开根号。它的特点是，对非常大的误差非常敏感。如果你的预测偶尔会出现一个巨大的偏差，RMSE 就会变得很大。它适合那些对误差容忍度极低的场景。比如，预测库存时，一次巨大的预测失误可能导致整个仓库爆仓，这时候用 RMSE 来评估，就能更好地惩罚这种高风险错误。
MAPE（平均绝对百分比误差）：它把误差转化成了百分比。比如，预测的销售额平均误差是 5%。它的优势是，可以跨不同量级的数据进行比较。但在实际应用中，我提醒你注意一个陷阱：如果真实值非常小，比如接近 0，MAPE 就会变得无穷大。因此，它不适合用于预测那些偶尔会出现零值或极小值的业务，比如某些冷门 SKU 的销量预测。
sMAPE（对称平均绝对百分比误差）：它在 MAPE 的基础上做了改进，分母变成了真实值和预测值的平均值，解决了 MAPE 中对真实值过小敏感的问题。它更稳定，但也更难解释。
我自己的经验是：在大多数情况下，同时看 MAE 和 MAPE 就够了。MAE 告诉你误差的绝对值有多大，MAPE 告诉你误差的百分比有多高。如果业务方是财务人员，他们更习惯看百分比，你就报 MAPE。如果业务方是运营人员，他们更关心具体的数字，你就报 MAE。
业务方经常问我：“你预测下个月销售额是 100 万，但老板问的是，如果做不到怎么办？” 这个问题背后，其实是对预测确定性的质疑。你需要做的，不是给一个确定的数字，而是给一个区间。
这就是预测区间和置信区间的概念。简单来说，你可以告诉业务方：“我们有 80% 的把握，下个月的销售额在 95 万到 105 万之间。” 这个区间，比一个孤立的数字更有说服力，因为它诚实地表达了预测的不确定性。
大多数时间序列模型都能输出预测区间。比如 Prophet 模型，它默认就会给出 80% 的预测区间。你可以把这个区间直接用到你的业务决策中。比如，在库存管理里，你可以用区间的上限来决定备货量，用区间的下限来决定最低安全库存。这样，你的决策就不再是“赌博”，而是基于概率的风险管理。
我建议：所有预测报告，都必须包含预测区间。这是你区别于普通分析师的关键。一个优秀的分析师，不仅要给出预测结果，还要清楚地告诉客户，这个结果有多大的不确定性，以及这种不确定性对业务意味着什么。
2022 年，我在一个金融风控项目里，负责预测某个信用卡产品的月度坏账率。我们团队试验了 ARIMA、Prophet 和 LSTM 三个模型。在测试集上，ARIMA 的 MAE 是 0.3%，Prophet 的 MAE 是 0.25%，LSTM 的 MAE 是 0.2%。看起来，LSTM 效果最好。但当我仔细分析误差分布时，发现了一个问题：LSTM 预测的坏账率，在某个特定月份比真实值低了 0.8%。
这个巨大的误差，来自于一个突发的政策调整。而 Prophet 模型，虽然总体误差略高，但它的误差分布非常均匀，没有出现这种极端偏差。最终，我们选择了 Prophet 作为上线模型。因为，对于金融风控业务来说，稳定的、可解释的预测，比偶尔的高精度预测更重要。这个案例让我明白，评估模型，不能只看一个平均值，还要看它的误差分布和极端值表现。
前面讲的都是理想情况。但在现实世界里，我们会遇到各种各样的问题。最常见的就是两个：冷启动和突发情况。
一个新业务刚上线，或者一个新产品刚推出，历史数据可能只有几十条。这时候，任何时间序列模型都很难跑出效果。我遇到过一个小团队，他们想预测一个新 App 的日活用户，但数据只有一个月。我给他们提了三个建议，效果都不错。
第一个建议：寻找相似业务的数据。如果你预测的是新款手机壳的销量，可以看看旧款手机壳在刚发布时的销量模式。这种做法叫做“迁移学习”，把旧业务的知识迁移到新业务上。第二个建议：使用行业基准数据。很多行业都有公开的基准数据，比如电商行业的平均转化率、平均客单价。你可以用这些基准数据来初始化你的模型，然后再用你自己的少量数据去微调。第三个建议：回归到简单模型。当数据量极少时，任何复杂的模型都会失效。
这时候，最靠谱的预测方法反而是最简单的：比如，直接用过去 N 天的平均值作为预测，或者用“移动平均法”。
我建议：不要试图用深度学习模型去解决冷启动问题。面对冷启动，你要做的不是预测，而是“估计”。先用行业经验和简单模型给出一个初始值，等数据积累到一定程度后，再切换到更复杂的模型。
2020 年的疫情，让很多公司的预测模型彻底失效。因为模型从未见过这种级别的突发事件。面对黑天鹅事件，我的经验是：承认模型失效，并启用应急方案。
第一，人工干预。在模型预测的基础上，加入业务专家的判断。比如，疫情爆发初期，你预测下季度销售额下降 50%，这个数字可能来自业务专家对历史类似危机的经验，而不是来自模型。第二，缩短预测周期。当外部环境极度不稳定时，长期预测的意义不大。你应该把重点放在短期预测上，比如预测未来一周、甚至未来一天的走势。第三，构建情景分析。不要只给出一个预测值，而是给出三个：乐观情景、悲观情景和最可能情景。
每个情景，都对应不同的外部假设。比如，乐观情景假设疫情在 3 个月内结束，悲观情景假设持续 6 个月。这个方法，能让业务方更好地应对不确定性。
我建议：永远不要完全依赖于模型。一个好的预测系统，应该是“人机协作”的：模型处理常规情况，业务专家处理突发情况。定期复盘，把突发情况的数据反馈给模型，让模型在下一次遇到类似情况时，能处理得更好。
时间序列预测这个领域，最近两年发生了很大的变化。大模型和自动化的出现，正在改变我们做预测的方式。
传统的预测方法，需要大量历史数据来训练一个专用模型。但大模型的出现，带来了一种全新的可能：零样本预测。你不需要再训练模型，只需要把数据输入到一个预训练好的大模型里，它就能直接给出预测结果。
比如，TimeGPT 和 Lag-Llama 这类模型，已经在一些公开数据集上展现出了令人惊讶的预测能力。它们不需要你花时间去调参、做特征工程，你只需要把数据整理好，喂给模型，它就能跑出一个结果。这对于那些没有专业数据团队的中小企业来说，是一个巨大的福音。
但我必须提醒你，大模型预测目前还处于早期阶段。它的优势在于通用性和易用性，但在特定业务场景下，其效果往往不如专门训练的模型。而且，大模型的可解释性更差，你很难知道它为什么给出这个预测。所以，我的建议是：保持关注，可以尝试，但不要完全依赖。对于核心业务，还是用传统方法更可靠。
随着 AutoML 技术的成熟，很多平台已经开始提供自动化的时间序列预测服务。你只需要上传数据，平台会自动帮你选择模型、调优参数、评估效果。这大大降低了预测的门槛。
但自动化带来的一个问题是：模型变成了一个“黑盒”。你不知道它为什么选择这个模型，也不知道它为什么给出这个预测。对于业务方来说，他们很难信任一个无法解释的预测结果。因此，未来的趋势，一定是“自动化的可解释性”。也就是说，在自动生成预测结果的同时，模型还能告诉你：“为什么是它？为什么是现在？最重要的影响因素是什么？”
比如，SHAP 值可以告诉你，过去一周的销量数据对当前预测的贡献度是 60%，而即将到来的节假日贡献了 20%。这种可解释性，能极大地增强业务方对预测结果的信心。我建议你，在搭建预测系统时，把可解释性作为一个核心功能来设计。这不仅是为了让业务方满意，更是为了让你自己能够持续优化模型。
文章写到这里，我想把核心观点再梳理一遍。时间序列预测，不是一个纯技术问题，而是一个“业务理解 + 技术选型 + 持续迭代”的综合问题。技术只是工具，真正决定成败的，是你对业务的理解深度，以及你为模型选择所做的权衡。
我给你一份行动清单，你可以照着做。
第一步：定义问题。花 30% 的时间，弄清楚你要预测什么，预测多久，以及你的数据有什么特点。
第二步：选择模型。根据决策树，找到最适合你业务场景的模型。不要贪图复杂，合适的才是最好的。
第三步：评估与优化。选择合适的评估指标，不要只看一个平均值。同时，一定要输出预测区间，让你的预测更有说服力。
第四步：处理特殊情况。面对冷启动，用行业经验和简单模型给出初始估计。面对突发情况，启动人工干预和情景分析。
第五步：持续迭代。定期复盘预测结果，把新的数据反馈给模型，让模型不断进化。
记住，预测不是终点，而是决策的起点。一个优秀的预测，不是因为它能 100% 准确，而是因为它能帮你做出更明智的决策。希望这篇文章，能成为一个实用的工具，帮你少走一些弯路，更快地抓住未来的趋势。
我最近在做一个电商日销售额预测项目，数据有趋势、有季节性，还有春节、双11这些特殊事件。网上说ARIMA适合平稳序列，Prophet擅长处理节假日效应，但我两个都试了，ARIMA用了差分后预测总是滞后，Prophet对春节的拟合也不准。到底该选哪个？有没有一个明确的决策规则？
这个问题我踩过很深的坑。三年前我帮一家零售企业做库存预测，他们的数据就是典型的趋势+季节性+特殊事件。我一开始迷信ARIMA，花了大量时间做差分、定阶，结果预测峰值总是偏移一天，因为ARIMA本质是线性模型，对突发事件的响应天生迟钝。
后来换了Prophet，它内置了节日效应，但它的节日列表是美国人用的，对中国春节不起作用，需要手动添加自定义节日。最终我用了两套方案： 1. 对于常规周度预测（无突发事件）：用ARIMA。它的优势是可解释性强，参数稳定，适合规律性强的数据。
对于包含大促、节假日的月度/季度预测：用Prophet。但必须手动构建自定义节日表，并设置好前后影响窗口（比如春节前3天到后7天）。我做过对比实验：同一批数据，ARIMA的MAPE是12.3%，Prophet（未优化节日）是15.8%，Prophet（优化节日后）降到8.9%。
所以没有绝对的好坏，关键看数据特征和业务场景。我的建议：先用简单移动平均或者指数平滑做基线，再根据残差中的模式决定是否引入ARIMA或Prophet。如果数据有明显周期性且无异常事件，ARIMA优先；如果事件驱动明显，Prophet优先。
我经常看到论文里用MAPE来评估预测效果，但我在实际业务中发现，MAPE很小的模型，预测出来的数字却偏差很大，尤其是当实际值很小的时候。比如我预测某个冷门商品销量，实际卖10件，预测8件，MAPE只有20%，但老板觉得这完全不可接受。到底该用哪个指标？有没有一个万能指标？
没有万能指标，每个指标都有盲区，我吃过MAPE的亏。去年我帮一个连锁超市做日销售额预测，MAPE优化到5%以下，但老板一看报告就骂我，因为实际销售额里有几个零值（清洁日停业），MAPE公式里分母为零直接报错，我只好用均值替换，导致这几个点被严重低估。
我的经验是： 1. 如果数据包含零值或极小值，绝对不要用MAPE。用RMSE或MAE，它们对量级敏感，但更稳定。2. 如果想体现误差百分比，且数据为正且无零值，用MAPE，但必须结合MAE一起看。比如某个月MAPE=5%，但MAE=500万元，说明基数大，误差绝对值依然很高。
如果业务关注极端误差（比如库存缺货风险），用RMSE。因为RMSE对大误差平方放大，更能反映灾难性预测。4. 我自己的决策流程：同时计算MAE、RMSE、MAPE，并画残差图。如果残差有偏（比如正偏差多于负偏差），说明模型存在系统偏差，需要调整。
举个例子：我测试过用LSTM预测某流量数据，RMSE=120，MAE=95，MAPE=17%。但换成简单指数平滑后，RMSE=150，MAE=98，MAPE=18%。虽然RMSE变大，但MAE几乎一样，且残差更均匀，最终我选了指数平滑，因为业务方更在意平均偏差。
所以指标选择要回归业务场景，别迷信单一数值。
我刚开始做时间序列预测时，以为直接把数据丢进模型就行，结果预测结果一塌糊涂。后来我花了大量时间处理缺失值、异常值，但效果提升有限，感觉做了无用功。是不是我处理的方法不对？数据预处理到底应该做到什么程度？
数据预处理是时间序列预测的基石，但很多人要么忽视，要么过度。我自己的惨痛经历：有一次用Prophet预测某物流仓库的日吞吐量，原始数据里有几个异常大的值（双11当天暴增10倍），我没处理，模型直接学出了一个奇怪的峰值，导致后续两周预测全部偏高。
后来我用了3σ法则检测异常值，并用中位数替换，模型MAPE从22%降到9%。预处理的核心步骤和我的经验判断： 1. 缺失值处理：不推荐用均值填充，因为会破坏时间连续性。我一般用前向填充（ffill）或线性插值。如果缺失连续超过3个点，我会用该时间段的季节性平均来填充。
异常值检测：除了3σ，还有一个有效方法是用移动中位数窗口。比如窗口大小为7，计算每个点与窗口内中位数的绝对偏差，超过3倍中位数绝对偏差（MAD）的标记为异常。我处理过一个用户行为数据，用这个方法揪出了被爬虫刷出来的虚假流量。3. 平稳化：很多人上来就做差分，但差分会丢失季节性信息。
我的方法是先观察趋势，如果趋势明显，先做一阶差分；如果还有季节性，做季节性差分（比如周期为7的差分）。但注意：差分次数过多会导致过拟合，一般不超过2次。4. 归一化：如果使用深度学习模型，必须归一化。但传统模型如ARIMA、Prophet对尺度不敏感，归一化反而可能影响系数解释。
我建议的预处理流程：先画时间序列图，直观判断缺失、异常、趋势、季节性；然后依次处理缺失、异常；最后根据模型选择是否平稳化。不要盲目套用模板，每次预处理都要基于数据可视化结果。
我最近在研究用LSTM预测股票价格，但试了好几个参数组合，效果还不如简单的移动平均线。网上都说深度学习能捕捉复杂模式，但为什么我实际用起来这么差？是不是我数据量不够，还是模型结构设计有问题？
这个问题我很有发言权，因为我曾经被LSTM坑过整整两个月。当时我接手一个金融时间序列项目，自信满满地搭建了双层LSTM，调参调了上百次，结果验证集上的MAPE比ARIMA高了8个百分点。后来我复盘发现，核心原因有三个： 1. 数据量不足：LSTM一般需要至少几千个时间步才能发挥优势。
我那个序列只有500个点，模型很容易过拟合。而ARIMA作为参数化模型，小样本下反而更稳定。2. 序列长度选择：LSTM的“记忆”长度取决于输入窗口大小。我习惯用固定窗口，但实际股价序列的长短期依赖关系不同，导致模型学不到关键模式。后来我改用TCN（时序卷积网络），效果反而更好。
特征工程缺失：深度学习擅长自动特征提取，但时间序列中很多特征（如星期几、节假日、滞后期等）需要人工构造。我仅输入了历史价格和成交量，忽略了节假日效应，导致预测不准。
我的判断： – 如果你有超过10000个时间步，且数据中隐藏着复杂非线性关系（比如高频交易、传感器数据），LSTM或Transformer是值得尝试的。- 如果数据量在500-5000之间，且规律性较强（比如销售额、日活），传统方法（ARIMA、Prophet、XGBoost）往往更快更好。
我做过一个库存预测对比：LSTM耗时6小时调参，RMSE=23；XGBoost（特征工程+滞后特征）耗时30分钟，RMSE=21。- 如果数据量小于500，直接上指数平滑或移动平均，别折腾深度学习。最后给个实用建议：先用传统方法做基线，如果基线能达到业务要求，就别用深度学习。
如果基线不够好，再考虑深度学习，但一定要先做特征工程和数据增强。
读者评论
文章里提到的‘问题定义错了’特别戳中我，以前做预测总是直接套模型，结果上线就翻车，现在明白了要先花时间理解业务。
作为零售业的数据分析师，Prophet 处理节假日效应那段简直就是我的救星，双十一预测准确率从60%提升到90%+。
作者用真实案例说明了特征工程的重要性，雨季天气对销量的影响，这个细节提醒我以后做预测不能只看历史数据。