# 🛒 Walmart 每周销售额预测
### 一个专业的端到端零售分析与机器学习案例研究
## 📌 项目摘要
本项目分析了 **45 家 Walmart 门店的 6,435 条每周销售记录（2010 年 2 月 – 2012 年 10 月）**，旨在找出零售收入的真正驱动因素，并构建能够以生产级精度预测每周销售额的机器学习模型。
最终的 XGBoost 模型实现了 **R² = 0.988 和 MAPE = 3.99%** —— 实际销售额每 1 美元的误差不到 4 美分 —— 同时 SHAP 可解释性分析将模型行为转化为可操作的商业决策，据估算，在该 45 家门店的数据集中，这每年能带来约 **1.07 亿美元的库存效率提升**。
## 🎯 商业目标
| 问题 | 发现的答案 |
|---|---|
| 哪些因素对每周销售额的影响最大？ | 滞后销售额和滚动平均值占主导地位；经济变量几乎无影响 |
| 节假日如何影响购买行为？ | 感恩节 +41.3%；圣诞/新年（12月31日，已标记）实际上 **-7.7%** |
| 经济指标（CPI、燃料价格、失业率）会驱动销售吗？ | 线性信号几乎为零；失业率显示出非线性的消费降级效应 |
| 特征工程能改善预测吗？ | 是的 —— Linear Regression 的 MAE 降低了 **87.9%**；XGBoost 降低了 50.6% |
| 机器学习能提供可操作的商业洞察吗？ | 能 —— 仅从 MAPE 的提升中就量化出了每年 1.07 亿美元的预测价值 |
## 📊 数据集
| 属性 | 值 |
|---|---|
| 来源 | Walmart Store Sales Forecasting |
| 记录 | 6,435 条每周观测数据 |
| 门店 | 45 |
| 日期范围 | 2010 年 2 月 – 2012 年 10 月 |
| 缺失值 | **零** —— 生产级纯净数据集 |
### 特征
| 特征 | 类型 | 描述 |
|---|---|---|
| `Store` | Integer | 唯一的门店标识符 (1–45) |
| `Date` | DateTime | 每周的开始日期 |
| `Weekly_Sales` | Float | 每周总收入 (目标变量) |
| `Holiday_Flag` | Binary | 1 = 该周包含 Super Bowl、Labor Day、Thanksgiving 或 Christmas |
| `Temperature` | Float | 地区平均气温 (°F) |
| `Fuel_Price` | Float | 地区燃油价格 ($/加仑) |
| `CPI` | Float | 消费者物价指数 |
| `Unemployment` | Float | 地区失业率 (%) |
## 🔍 关键发现
### 发现 1 — 节假日列存在严重的误导性
`Holiday_Flag` 列将 **12月31日** 标记为圣诞节当周。但实际上：
- **平安夜（12月23–24日）平均周销售额为 179 万美元 —— 比所有官方标记的节假日高出 60%**
- 12月31日（被标记为“圣诞节”的那一周）低于正常水平，为 **-7.7%**
- **数据集中收入排名前 10 的最高周，其 Holiday_Flag 全部标记为 0**
任何使用 `Holiday_Flag` 作为圣诞节信号的模型都在从错误的周中学习。这是本项目最具影响力的数据工程发现。
### 发现 2 — 一个二元标志掩盖了四种不同的情况
| 节假日 | 平均每周销售额 | 对比正常水平 |
|---|---|---|
| Thanksgiving | $1.41M | **+41.3%** ✅ |
| Super Bowl | $1.07M | +3.6% |
| Labor Day | $1.03M | +0.1% |
| Christmas/新年 (12月31日) | $0.95M | **-7.7%** ❌ |
单一的 `Holiday_Flag` 将这四者平均在一起，得出了具有误导性的 +7.8% 信号。将其拆解为单独的虚拟变量是为了保证正确性，而非仅仅是偏好。
### 发现 3 — 经济变量的线性信号几乎为零
| 变量 | Pearson r | 是否显著？ |
|---|---|---|
| Fuel_Price | 0.009 | ❌ 否 |
| CPI | -0.073 | ✅ 是，但影响微乎其微 |
| Unemployment | -0.106 | ✅ 是，呈非线性 |
| Temperature | -0.064 | ✅ 是，但影响微乎其微 |
失业率呈现 **U型非线性效应** —— 当失业率 >10.4% 时，由于消费者从高端零售商处消费降级，Walmart 的销售额会部分恢复。
### 发现 4 — 门店的异质性导致全局模型在结构上存在弱点
- **8.1倍的收入差距**：Store 20（210万美元/周）对比 Store 33（26万美元/周）
- 门店间存在 **5.5倍的波动性差距**
- 高收入 ≠ 高波动性 —— Store 31 每周收入 140 万美元，且变异系数 (CV) = 0.09（非常稳定）
缺乏门店级特征的全局模型会将 45 条根本不同的需求曲线平均化。
## ⚙️ 特征工程
原始特征被转化为一系列高信号工程特征：
| 特征类别 | 创建的特征 | 目的 |
|---|---|---|
| **滞后特征** | `Lag_1`, `Lag_2`, `Lag_4` | 捕捉近期的销售动能 |
| **滚动平均值** | `Rolling_Mean_3`, `Rolling_Mean_5` | 平滑短期趋势 |
| **日历特征** | `Week_Num`, `Month`, `Quarter` | 编码季节性 |
| **节假日虚拟变量** | `Is_Thanksgiving`, `Is_SuperBowl`, `Pre_Christmas` | 替换具有误导性的二元标志 |
| **门店特征** | `Store_Mean`, `Store_Tier` | 捕捉门店级别的表现水平 |
| **季节性标志** | `Is_December`, `Is_Jan_Dip` | 标记结构性的高/低谷期 |
## 🤖 模型结果
所有模型均在基于时间的训练/测试集划分上进行训练（没有随机打乱 —— 这是进行有效时间序列评估所必需的）。
### 原始特征对比工程特征
| 模型 | 特征 | MAE | RMSE | R² | MAPE |
|---|---|---|---|---|---|
| Linear Regression | 原始 | $417,105 | $495,738 | 0.1419 | 58.95% |
| XGBoost | 原始 | $80,943 | $123,365 | 0.9469 | 8.06% |
| Linear Regression | **工程** | $50,420 | $70,221 | 0.9828 | 5.22% |
| Random Forest | **工程** | $45,325 | $65,299 | 0.9851 | 4.36% |
| **XGBoost** | **工程** | **$40,026** | **$58,649** | **0.9880** | **3.99%** |
## 🔬 SHAP 可解释性
SHAP (SHapley Additive Explanations) 被用于解释个体预测，并量化每个特征在美元级别的影响。
### 按平均 |SHAP| 值排列的顶级特征
| 排名 | 特征 | 平均美元影响 | 方向 |
|---|---|---|---|
| 1 | `Rolling_Mean_5` | ~$208,000 | 高滚动平均值 → 预测值大幅跳跃 |
| 2 | `Lag_1` | ~$165,000 | 上周的销售额 = 最强的单一驱动因素 |
| 3 | `Store_Mean` | ~$95,000 | 门店基线主导了结构性预测 |
| 4 | `Store_Tier` | ~$36,000 | 高级别门店系统性地推高预测值 |
| 5 | `Pre_Christmas` | 方向性极强 | 12月14–25日标志大幅推高预测值 |
| 6–10 | 经济变量 | 各自 <$5,000 | 模型正确地学会了几乎忽略它们 |
SHAP 证实了 **模型学习到了领域分析所预测的内容**：动能、门店标识和圣诞节前的时机是真正的驱动因素。经济变量只是噪声。
## 🚨 误差分析
| 指标 | 值 |
|---|---|
| 平均残差 | 接近于零 —— **模型是无偏的** |
| 绝对误差中位数 | ~$29,000 |
| 90 分位绝对误差 | ~$95,000 |
| 95 分位绝对误差 | ~$121,000 |
**模型在哪些地方表现不佳**：高收入、高波动性的门店（Store 20、Store 14）导致了最大的误差。它们突发的需求激增在结构上很难仅从近期历史记录中进行预测。对于这些门店，建议使用针对特定门店的模型或更宽裕的安全库存缓冲。
存在轻微的 **异方差性** —— 预测误差随着实际销售额的增加而扩大 —— 但在所有收入范围内，MAPE 始终保持在受控状态。
## 💡 商业建议
**1. 根据模型预测重建库存日历，而不是依赖 Holiday_Flag 列。**
该标志表示在 12月31日备货。而模型表示应在 12月14–25日备货。这是截然相反的建议。模型是正确的。
**2. 将基于活动的计划完全集中在 Thanksgiving 上。**
它是唯一能产生可衡量消费者行为变化的已标记节假日 (+41.3%)。Super Bowl (+3.6%) 和 Labor Day (+0.1%) 在总体水平上对运营没有实质性影响。
**3. 采用基于门店级别的预测策略。**
高级别门店（Store 20、Store 4、Store 14）在进入 11–12 月时需要成比例增加的安全库存。单一的全局预测会将 Store 20 和 Store 33 同等对待 —— 但实际上并非如此。
**4. 监控失业率的消费降级信号。**
当失业率 >10.4% 时，由于消费者从更昂贵的零售商处转移过来，Walmart 的销售额会部分恢复。这是一个值得每季度跟踪的宏观经济投资组合级别的信号。
**5. 优先考虑特征工程，而不是模型调优。**
经过特征工程的 Linear Regression 模型 (MAPE 5.22%) 已经优于原始的 XGBoost (MAPE 8.06%)。额外的超参数调优带来的价值会递减；而额外的特征工程则不然。
## 💰 特征工程的财务影响
在 45 家门店中，从原始特征的 XGBoost (MAPE 8.06%) 切换为工程特征的 XGBoost (MAPE 3.99%)：
| 提升 | 每店 / 每周 | 45店 / 每周 | 年度 |
|---|---|---|---|
| 减少 4.07 个百分点的 MAPE | ~$46,000 | ~$2.1M | **~$107M/年** |
此估算仅反映 **预测精度本身的价值** —— 尚未包含任何供应链、人员配置或促销效率提升带来的收益。
## 📚 Notebook 结构
| # | 章节 | 关键产出 |
|---|---|---|
| 1 | 设置与数据理解 | 零缺失值 · 确认 8.1 倍门店差距 · 识别出 12月24日的峰值 |
| 2 | 惊人发现 | 4 个重塑整个建模策略的反直觉发现 |
| 3 | 探索性数据分析 | 季节性模式 · 相关性热力图 · 统计检验 |
| 4 | 特征工程 | 15+ 个替代原始变量的工程特征 |
| 5 | 模型训练 | LR → Random Forest → XGBoost (基于时间的划分) |
| 6 | 原始特征对比工程特征 | LR 的 MAE 降低了 87.9% · XGBoost 降低了 50.6% |
| 7 | 模型评估与比较 | 所有模型的完整 MAE / RMSE / R² / MAPE 对照表 |
| 8 | 误差分析 | 残差分布 · 门店级误差排名 · 异方差性检验 |
| 9 | SHAP 可解释性 | 以美元表示的特征重要性 · 蜂群方向性图 |
| 10 | 异常检测 | 前 15 大销售激增 · 75% 未被标记 · 前 10 均处于 12 月 |
| 11 | 商业解读 | 库存日历 · 财务影响表 · 运营建议 |
| 12 | 经验教训 | 6 个技术要点 + 5 个商业 |
## 🧰 技术栈
| 类别 | 工具 |
|---|---|
| 数据操作 | Python · Pandas · NumPy |
| 可视化 | Matplotlib · Seaborn |
| 机器学习 | Scikit-Learn · XGBoost |
| 可解释性 | SHAP |
| 统计 | SciPy |
## 📁 仓库结构
```
walmart-sales-forecasting/
│
├── What_Really_Drives_Walmart_Sales.ipynb # Main notebook (all 12 sections)
├── Walmart_Sales.csv # Raw dataset
└── README.md # This file
```
## 🚀 快速开始
```
# 1. Clone repository
git clone https://github.com/your-username/walmart-sales-forecasting.git
cd walmart-sales-forecasting
# 2. Install dependencies
pip install pandas numpy matplotlib seaborn scikit-learn xgboost shap scipy
# 3. Launch notebook
jupyter notebook What_Really_Drives_Walmart_Sales.ipynb
```
## 👤 作者
**Zohair Baloch**
有志成为数据分析师，致力于通过分析、可视化和机器学习将原始数据转化为可操作的商业洞察。
## ⭐ 如果您觉得这个项目有用
如果这个项目对您有帮助，请考虑在 GitHub 上给它点个 ⭐ —— 这有助于其他人发现这项工作。
*数据集：Walmart Store Sales Forecasting · 6,435 条记录 · 45 家门店 · 2010 年 2 月 – 2012 年 10 月*