---

第一章·业务思路

小伙伴们想象一下这个场景：

假如你是某家连锁超市的运营总负责人。马上到双十一了，你们正在开会，对三个部门负责人问题发愁——

供应链负责人： “领导，牛肉罐头和西瓜的安全库存还够撑几天？供应商那边说临时加单要加价20%，我们订不订？”

市场部负责人： “促销传单明天就要定稿印刷了，这期主打商品我们推什么？推多了怕库存不够，推少了又浪费广告费。”

门店店长： “周末收银员排班表要提交了。上周客流突然暴增，三个收银台只开了两个，顾客排队排到生鲜区了，投诉量翻了倍。”

这三个人提的问题都指i向一个核心问题：你不知道接下来会发生什么。 你不知道顾客会买多少，所以不知道备多少货；不知道备多少货，所以不知道促销推什么；不知道促销会带来多少人流，所以不知道安排几个人。

这就是“没有预测”的日常——永远在被动救火。

---

一个准确的预测，能让三个部门从容应对活动

如果有一份预测报告：

“双十一当周，某A类门店的食品部门销售额预计在5.2万到5.8万元之间，较上周增长约40%。增长主要由罐装食品和烘焙原料拉动，饮料类变化不大。”

这份预测给到各部门负责人：

1、供应链负责人活动对策：
供应链负责人不再追着供应商打电话临时加单。他提前知道罐装食品要涨20%，于是把订单拆成三批：第一批提前两周到仓，作为基础储备；第二批在节前三天到，应对高峰；第三批作为弹性补货，视实际销售情况触发。物流车辆也提前预定了，不再临时加价找车。结果就是：不缺货，不压货，物流成本还下降了。

2、市场部负责人活动对策：
市场部拿到预测后，传单不再“零食”。预测指出烘焙原料会涨但饮料不涨，于是促销策略瞬间清晰：传单首页打烘焙原料的组合优惠，饮料区不做折扣、反而摆到收银台旁边做冲动消费。促销预算花在了刀刃上，广告转化率翻了一倍。

3、门店店长活动对策：
门店店长提前调整了排班表：周四下午开始加派人手，周五全天满编收银台，周六下午恢复常态。员工不再被临时叫回来加班，顾客排队时间控制在3分钟以内，投诉量归零。

---

预测的本质，是把“不确定性”变成“可预期的缓冲”

零售行业的利润本来就薄。一次缺货，丢的是一单生意；一次积压，吞掉的是半年利润；一次糟糕的排队体验，可能永远失去一个顾客。

销售预测不是在玩数字游戏。它是在帮企业回答最难的问题：

“明天，到底会发生什么？”

在实际业务中你不可能100%答对这个问题。但哪怕你把准确率从“瞎猜”提升到“有理有据的推断”，你就能让供应链提前一周行动，让促销提前三天定稿，让人力提前一天排班。这多出来的几天缓冲，就是生意场上从“被动挨打”到“主动出击”的差距。

---

这个项目要做什么？

在这篇文章里，我拿到的是沃尔玛45家门店从2010到2012年的真实销售数据，覆盖了多个商品部门、节假日周期、甚至外部经济环境。

任务很明确：

1、看清过去： 过去两年里，销售额是怎么波动的？节假日到底能拉多高的峰？不同门店、不同部门差异有多大？

2、建模预测： 用Excel内置的预测工具，对未来3个月的销售额做出预估，并给出一个“置信区间”——我不只告诉你预测值，还告诉你这个预测有多可靠。

3、把数字变成决策： 基于预测，给门店经理、供应链和市场部各写一段“你应该怎么做”的建议。

这是一个用数据辅助业务决策的实战模拟测试。全部操作在Excel里完成，不写一行代码。

---

下一章， 先从数据说起——沃尔玛给了我们什么信息？这些信息长什么样？以及，在开始分析之前，需要做哪些“清扫工作”？

---

第二章：数据画像与清洗——我们拿到的是什么？

在开始任何分析之前，第一件事不是画图，而是搞清楚：手里的数据从哪来、长什么样、哪里脏了需要清洗干净。

2.1 数据来源与整体结构

本次分析使用的数据，来自Kaggle平台上的“Walmart Recruiting - Store Sales Forecasting”竞赛数据集。它记录了沃尔玛45家门店从2010年2月5日到2012年11月1日期间的周度销售明细，以及对应的外部经济环境指标。

原始数据被拆成了三张表，而不是一张现成的大表。这正是真实工作场景的常态——没有人会把干净的数据放到你面前，需要学会自己去合并。

表名	角色	信息	核心字段
train.csv	销售记录（主线）	某门店、某部门、某一周的销售	Store, Dept, Date, Weekly_Sales, IsHoliday
features.csv	外部环境	某门店、某一周的宏观指标	Store, Date, Temperature, Fuel_Price, CPI, Unemployment
stores.csv	门店档案	某门店的静态属性	Store, Type, Size

关联逻辑：

• 三张表通过 Store（门店编号）和/或 Date（日期）连接。
• train.csv 和 features.csv 用 Store + Date 组合键关联。
• stores.csv 用 Store 单键接入，补充门店类型和面积。

---

2.2 数据预览：具体有什么数据

（1）销售记录表 (train.csv)

是我们的主表。打开CSV文件，你会看到这样的结构：

关键字段解读：

• Store (门店)： 1到45的编号。每个编号代表一家独立的沃尔玛门店。
• Dept (部门)： 1到99的编号。一家门店内部有多个商品部门（如食品、服装、电子），每个部门单独记录销售额。这意味着，同一天同一门店会有多行记录——每行代表一个部门的销售。
• Date (日期)： 销售周的周五日期。数据以“周”为颗粒度，每周一个数据点。
• Weekly_Sales (周销售额)： 这就是我们要预测的目标变量。 单位是美元。
• IsHoliday (是否节假日)： 布尔值（FALSE/TRUE）。标记该周是否包含一个影响销售的节假日（感恩节、圣诞节、劳动节等）。

注意点： 不要直接拿整张表的销售额画图。因为销售额是“门店&部门”粒度的，整表汇总会把不同部门加总，掩盖部门间的差异。后续分析会灵活调整聚合粒度。

---

（2）外部环境表 (features.csv)

这是帮助我们理解销售波动原因的“外援”数据：

关键字段解读：

• Temperature (温度)： 华氏度。极端高温或低温可能影响客流。
• Fuel_Price (燃料价格)： 美元/加仑。油价上涨会增加物流成本和消费者出行成本，可能影响消费意愿。
• CPI (消费者价格指数)： 衡量通胀水平。注意，不同门店的CPI值不同——因为数据是按区域划分的，沃尔玛门店分布在美国不同经济地区。
• Unemployment (失业率)： 百分比。就业形势直接影响居民收入和消费能力。

---

（3）门店信息表 (stores.csv)

这是数据最少的表，只有45行（每家门店一行）：

关键字段解读：

• Type (门店类型)： A、B、C三种。A类通常是大型超级中心（Supercenter），C类可能是社区店或小型格式店。
• Size (门店面积)： 平方英尺。面积越大，通常品类越多、客流量越大。

---

2.3 数据清洗

步骤1： 批量导入三张CSV表

• 点击“数据” → “获取数据” → “从文件” → “从文件夹”，选择存放三张CSV的文件夹。
• Power Query会列出所有文件。我们不要直接点击“合并”，而是点击“转换数据”，分别处理每张表。
• 在左侧“查询”窗格中，依次点击每张表，检查预览数据。

步骤2： 检查与修正数据类型

这是最常见的问题。在Power Query编辑器中，选中每一列，检查“主页”下的数据类型：

表名	维度（列）	应设类型	常见问题
train	Store	整数	不应有小数
train	Dept	整数	不应有小数
train	Date	日期	务必设为“日期”，否则时间序列分析会失败
train	Weekly_Sales	小数/货币	确保能求和
train	IsHoliday	文本或True/False	检查是否统一为TRUE/FALSE格式
features	Store	整数	与train表保持一致
features	Date	日期	与train表保持一致
features	Temperature	小数	用于相关性分析
features	Fuel_Price	小数	用于相关性分析
features	CPI	小数	不同区域CPI基准不同，不能直接跨门店比较绝对值，但可用于同门店趋势
features	Unemployment	小数	百分比形式，是8.106（%）
stores	Store	整数	关联键
stores	Type	文本	A/B/C
stores	Size	整数	用于门店对比

train表：

features表：

stores表：

步骤3：检查缺失值与异常值

对关键列做快速筛选：

• Weekly_Sales： 点击列标题的筛选箭，查看是否有 null 或 0。0值可能是缺货或关店的信号，需要根据业务背景判断是否剔除（查找没发现）。
• Date： 检查是否有空值或异常日期（如1900-01-01）。确保日期范围在2010-02-05到2012-11-01之间（查找没发现）。
• IsHoliday： 确认只有TRUE和FALSE两种值，没有空白（查找没发现）。

步骤4：处理门店信息表的设计选择

这里有一个表架构问题。stores.csv 只有45行，如果直接合并进主表，每家门店的类型和面积会在几万行数据里重复出现。这没有错，但在数据建模上有更好的处理方式。

这里有两种表架构选择：

方案	做法	优点	缺点
A：物理合并	把stores.csv也合并进宽表	简单直接，一张表打天下	数据冗余，45行变几万行
B：关系建模	在Power Pivot中建立Store关联	更专业，体现数据建模思维	需要额外建立关系

这里我用的方案B，把 stores.csv 作为单独的“门店维度表”加载到Power Pivot数据模型，在模型视图中通过 Store 字段与主表建立一对多关系（星型模型）。

步骤5：加载数据到Excel与Power Pivot

• 点击“主页” → “关闭并上载至…” → 选择“仅创建连接”，并勾选“将此数据添加到数据模型”。这张表将成为后续透视表和分析的数据源。
• 对于 stores.csv，同样操作加载到数据模型，但不合并。

---

第三章：探索性分析——从数据中挖出关键线索

核心：从五个方向对 “什么在影响沃尔玛的周销售额？” 展开分析。

探索分析1：全局趋势——过去两年，销售额是涨是跌？

要解决的问题： 整体销售额有没有趋势？是平稳的，还是大起大落？

操作步骤：

1、创建透视表

• 插入数据透视表，数据源选分析宽表。
• 行： Date（日期）。
• 值： Weekly_Sales（求和）。

2、按月份聚合

• 右键点击透视表日期列的任意单元格 → 选择“组合”。
• 在弹出的对话框中，同时选中“月”和“年”。点击确定。
• 现在行变成了“年-月”格式，每个点代表一个月的总销售额。

3、插入折线图

• 选中透视表，插入“带数据标记的折线图”。
• X轴为年月，Y轴为月销售总额。

4、添加趋势线

• 右键点击图表上的折线 → “添加趋势线”。
• 选择“线性”，并勾选“显示公式”和“显示R平方值”。
• R平方值越接近1，说明线性趋势越明显；越接近0，说明趋势越不明显、波动越大。

结论分析：

从2010年2月到2012年10月的月度销售趋势来看，销售额呈现“高位震荡、增长停滞”的趋势。趋势线的R平方值为 0.0022，说明线性趋势几乎完全不存在。值得注意的是，每年 [11-12月] 会出现明显的销售高峰，这与感恩节-圣诞节的购物季高度吻合。初步判断，节假日是驱动销售波动的核心因素之一。

趋势线解读：
前面为月度销售额添加了一条线性趋势线，计算出的R平方值为0.0022。这个数字几乎为零，说明时间并不是驱动销售额变化的原因。
它是一个成熟且稳定的门店销售，连续两年维持在高位平台震荡，既没有快速增长，也没有明显下滑。 这意味着预测的重心不在于寻找增长曲线，而是要捕捉那些有巨大影响力的季节性高峰和低谷。

---

探索分析2：节假日效应——节假日的销售拉升到底有多大？

要解决的问题： 节假日周的销售额，真的比平时高吗？高多少？

操作步骤：

1、创建节假日对比透视表

• 新建数据透视表。
• 行： IsHoliday（是否节假日）。
• 值： Weekly_Sales（求和），并拖入两次。
• 对第二个Weekly_Sales列：右键 → “值字段设置” → “值显示方式” → “总计的百分比”。
• 对两个值字段分别重命名为“总销售额”和“销售额占比”。
  
  2、节假日的周均销售额
  
  初步汇总显示，节假日周的周均销售额仅为7%。这个数字很明显稀释了节假日那一周的数据贡献，导致看不出效果，它是由所有门店、所有部门混合平均造成的稀释结果。所以需要深挖到具体每一周的销售总额时。

这里需要小伙伴们了解一个节日的相关知识点：感恩节为每年11月的第四个星期四 和 圣诞节为每年12月25日。

销售额最高的前N周，几乎全部集中在感恩节、圣诞节所在的时段。节假日不是“让每一周都好卖一点”，而是“让某几周的销售瞬间爆表”。这2年中，全年销量最高的那一周，往往是圣诞节前的那一周。如果不能提前备足货、安排好人力，节假日高峰也可能变成销售恶梦。

---

探索分析3：门店差异——45家门店，谁是大腿，谁在拖后腿？

要解决的问题： 不同门店的销售贡献差异有多大？大店一定卖得多吗？

操作步骤：
1、按门店汇总透视表

• 新建数据透视表。
• 行： Type（门店类型）。
• 值： Weekly_Sales（求和），重命名为“总销售额”。
  

从45家门店的销售贡献来看，[A类/B类] 门店是销售主力，贡献了 94% 的总销售额。

2、计算平均门店面积销售额

计算这个指标有个意义：门店租金成本与投入产出比。

公式：总销售额/门店面积

3、结论分析：
3.1、A类店是绝对主力，但内部极度分化
从门店类型看，A类店贡献了大部分销售额，是生意的基本盘。但同样是A类店，差距惊人。比如20号店坪效高达1479，而11号店只有935。面积几乎相同，但单位面积产出差了50%以上。说明A类店的运营水平参差不齐，存在改善空间。

3.2、C类店是隐藏的效率黑马
43号店（C类）面积仅41062平，在45家店里倒数，总销售额排在中下游。但它的坪效高达2206，是全门店第一。42号店（C类）坪效2005，排第二。这两家小店用不到大店四分之一的面积，创造了比任何A类店都高的单位产出。

3.3、规模陷阱——大，不等于强
5号店（B类）面积11.8万，坪效仅951。44号店（C类）面积相近（3.99万），坪效1085。门店不是越大越好。 C类店已证明，精准选品和高周转可以在较小面积里做出极高效率。部分大面积门店可能存在空间利用率低、品类臃肿的问题。

---

探索分析4：部门差异——哪些部门是赚钱的？哪些是拖后腿？

要解决的问题： 99个部门里，谁的销售贡献最大？集中度如何？
操作步骤：
1、按部门汇总透视表

• 新建数据透视表。
• 行： Dept（部门编号）。
• 值： Weekly_Sales（求和），降序排列。

2、计算占比
占比 = 该部门销售额 / 总销售额

3、结论分析：

3.1、头部集中度较低
92号部门以7.18%的占比拿下第一，95号（6.67%）、38号（5.84%）紧随其后。前三名合计占比不到20%，没有一个部门占比超过10%。

3.2、沃尔玛的销售分布非常均匀
大约87个部门的累计销售额才达到70%，说明每个部门都是小而稳的销售额基点，没有绝对的命门部门，也没有可以随意砍掉的长尾。

3.3、数据中有四个“幽灵部门”
部门编号：47，销售额-4962.93、部门编号：43，销售额14.32、部门编号：39，销售额177.98、部门编号：78，销售额1714.71。在后续的分析，可以直接剔除掉。

---

探索分析5：外部因素——温度、油价、失业率，真的在影响销售吗？

要解决的问题： 那些宏观经济指标，和我们门店的销售额有没有相关性？是正相关还是负相关？

操作步骤：
1、创建“每周总销售额”透视表

• 新建数据透视表。
• 行：Date。
• 值：Weekly_Sales（求和），重命名为“周总销售额”。
• 复制这个透视表，粘贴为数值到新单元格。
• 会得到两列：Date 和 周总销售额，共约143行（143周）。

2、聚合外部特征表——按周取平均值

• 对 features.csv 表，插入另一个数据透视表。
• 行：Date.
• 值：依次拖入 Temperature、Fuel_Price、CPI、Unemployment，全部设为“平均值”。
• 复制这个透视表，粘贴为数值。
  

3、把外部变量匹配到分析底表
使用vlookup函数匹配对应的信息到最开始的步骤1里的字段后面。

4、计算相关系数
使用 CORREL 函数

外部变量	相关系数	解读
温度	-0.159	极弱负相关。温度升高，销售额微微下降，但几乎可以忽略
油价	-0.057	几乎为零。油价涨跌，销售额岿然不动
CPI	0.023	几乎为零。通胀水平和销售额无关
失业率	0.004	零相关。就业形势完全不解释销售额变化

说明：外部环境指标，几乎不影响销售额。

5、结论分析：
5.1、沃尔玛卖的是刚需，不是可选消费
油价涨了，消费者可能少开车，但不能少买卫生纸。失业率高了，家庭预算紧了，但米面粮油还是得买。CPI在涨，通胀在走，但沃尔玛的收银机照样响。这恰好证明了：这45家门店卖的不是可买可不买的东西，而是老百姓过日子的必需品。这是沃尔玛商业模式的核心壁垒。

5.2、更好进行预测建模
外部变量解释力几乎为零，在后续预测建模时，我们没必要把它们塞进模型里。强行加入只会增加复杂度、引入噪音，反而降低预测精度。最好的预测，只需要：历史销售数据 + 节假日标记。

---

第四章：预测建模——用历史数据，推测未来12周

目标： 基于2010年2月至2012年10月的每周销售数据，预测2012年11月至2013年1月（约12周）的销售额，并给出置信区间。

工具： Excel

核心原理： 预测工作表背后使用的是指数平滑算法（ETS）。它会自动分解你的时间序列，识别出趋势、季节性、周期性，然后外推。我们不需要手动调参，Excel会自动完成拟合。

---

第一步：数据准备——构建“单列时间序列”底表

预测工作表只能处理“单列时间序列”——即一列日期、一列数值。不能直接用它来预测“45家门店×99个部门”的明细。需要先按周汇总全部销售额。

操作：

• 新建数据透视表，数据源选你的分析宽表（train.csv清洗后的那张）。
• 行：Date
• 值：Weekly_Sales（求和），重命名为“周总销售额”。
• 将透视表复制为值（这里将这个数据命名为预测数据表，方便记忆）。
  

---

第二步：运行预测工作表

操作：
1、选中数据区域
在“预测输入”工作表中，选中两列的全部数据（包括标题行）。
2、调出预测工作表
点击Excel顶部“数据”选项卡 → 在“预测”组中，点击 “预测工作表” 按钮。
3、配置预测参数
A、弹出的对话框会显示一张预览图，里面有历史数据的折线和预测的延伸线。
B、在对话框底部，点击 “选项” 展开详细设置：

参数	设置值	说明
预测结束	手动输入日期 2013-01-31	你最终想要预测到哪一周。数据集截止2012年10月底，往后推12周大约是2013年1月底。
季节性	设为 52	一年有52周。销售数据有明显年度周期（每年12月高峰），设为52让模型自动检测以年为周期的波动模式。Excel会自动检测周期性，也可以手动指定。如果数据有明显年度周期（每年12月高峰），指定52周效果更好。
置信区间	保持默认 95%	真实值落在“上限”和“下限”之间的概率是95%。
缺失点	保持默认 内插	如果历史数据中有缺失周，Excel自动填补。
重复	保持默认 自动检测	Excel自动识别是否有重复时间点并聚合。

勾选 “包括预测统计信息”，Excel会在预测图表下方生成一张评估表，包含模型拟合的误差指标（MAE、RMSE等）

4、创建图表

• 点击“创建”。
• Excel会自动生成一个新工作表，包含：
• 一张完整的折线图（历史数据 + 预测值 + 置信区间上下限）
• 一个表格，包含三列：日期、预测值、置信下限、置信上限
  

---

第三步：解读预测结果

预测结果解读：
1.12月峰值精准命中，但天花板依然在8000万
圣诞前周(12月第3周)的预测峰值为7981万，恰好落在2010年（8093万）和2011年（7700万）之间。说明模型没有被2012年的异常高值带偏，而是基于三年规律给出了一个“中间但是可靠”的判断。验证了在探索分析1的判断：旺季天花板已到，不会突然爆发。

2. 1月低谷准时到来，降幅达44%
预测显示，从12月21日的7981万峰值，到1月4日的4484万，销售额在两周内下降近3500万，降幅达44%。这每年都会上演的“节后悬崖”。 这个规律性暴跌对库存和人力影响很大，但也因为规律性比较强，提前准备的空间很多。

3. 置信区间在高峰周显著变宽
12月21日这周（圣诞节前一周）的置信区间宽度约688万（7637万-8325万），而平时只有约600万。说明模型对“峰值有多高”没那么确定——因为高峰期的销售受天气、促销力度等随机因素影响更大。供应链在备货时，应按上限（8325万）预留弹性，而不是按点预测（7981万）。

模型局限性：
1. 基于历史规律，不等于未来必然发生： 模型假设未来的销售模式与过去三年一致。若出现极端天气、供应链中断、突发经济冲击等情况，实际值可能大幅偏离预测。

2. 未引入外部变量： 在探索分析5中已证明温度、油价、CPI、失业率对销售额的解释力极弱，因此预测完全基于历史销售数据自身的时间序列规律。

3. 实际业务用法： 将本预测作为“基线预案”，实际运营中每周对比实际值是否超出置信区间。若连续两周超过上限或下限，说明环境发生了结构性变化，需重新调整预测模型。

注意：预测不是一次性的工作，而是需要持续校准的过程，需要根据实际情况反馈调整（计划也是一样的思路）。重要、很重要、非常重要。

---

第五章：结论与行动——从预测到决策

解决问题：“所以呢？现在该干什么？”

5.1 全局回顾：我们知道了什么？

在2010到2012的两年多里，这45家沃尔玛门店，呈现出三个的特征：

特征	发现	来源
无增长	月度销售额高位震荡，趋势线R²=0.0022，几乎没有趋势	探索分析1
周期性强	每年12月雷打不动冲上8000万美元，1月跌回4500万	探索分析1和4
稳定性高	外部经济环境（油价、失业率、CPI）几乎不影响销售额	探索分析5

核心：精准匹配供需、避免资源浪费

---

5.2 部门行动指南：基于预测，各司其职

1、供应链部门：分批式备货

第一批（11月上旬-感恩节前）：

• 预测显示，感恩节周销售额将达6710万美元（95%置信上限7021万）。
• 行动：按7021万的对应库存量备货，而不是6710万。因为感恩节高峰的置信区间较宽，高估比低估的代价小得多（缺货丢的是销售和口碑，积压还有节后时间消化）。

第二段（感恩节后-圣诞节前）：

• 预测峰值7981万美元（12月21日），与往年持平。
• 策略： 感恩节后不要降低补货频率。从11月底到12月中旬，保持每周两次补货节奏。圣诞节前一周达到库存顶峰，圣诞后立即将订货量削减40%，为1月淡季预留库存弹性。

---

2、市场部门：多层次促销

2.1 感恩节采取攻势，圣诞节采取防守策略

• 感恩节是唯一一个预测略微高于往年的窗口（6710万 vs 6659万/6582万）。可能意味着消费者信心微幅回升。市场部应把最大的折扣力度放在感恩节周，抢占市场，回流第一波资金。
• 圣诞节销售是“惯性高峰”——不需要额外促销刺激，顾客自己会来。此时打折等于白送利润。圣诞节周的促销策略应为“满额赠”而非“直接折扣”，保护利润率。

2.2 焦A类核心部门

• 在探索分析4中发现，前87个部门才累计贡献70%的销售额，没有绝对头部。但前20个部门仍然贡献了约35%的销售额。
• 策略： 促销传单的首页，必须放这些A类核心部门的商品。不要为了“品类丰富”而把C类长尾部门放上首页——它们带不来流量和销售额。

2.3 1月不打折，采取“清仓模式”

• 1月销售额预测仅4484万，且置信区间下限低至4124万。消费会进入一个“疲软期”。
• 策略： 用圣诞节后的第一周做“静默清仓”，不投广告费，不印新传单。把营销预算留到2月超级碗或情人节。

---

3、人力部门：排班的时间表

3.1 12月前三周（备战高峰）：

• 12月21日当周预测7981万，意味着单周客流量将是一年最高。
• 策略： 12月第一周起，收银台全部放开，取消所有员工休假（调休或不补加班工资）。按7981万对应的客流量反推所需收银员数，并加10%弹性应对置信上限（8325万）。

3.2 12月最后一周（过渡期）：

• 12月28日预测骤降至4444万，比前一周低44%。
• 策略： 12月26日起，逐步恢复正常排班。收银台开放数量可减少至高峰期的60%。

3.3 1月全月（淡季期）：

• 1月销售额稳定在4000-4600万，为全年最低水平。
• 策略：安排员工轮休年假，利用淡季完成内部培训和设备检修。确保核心员工在2月前回归——因为2月起销售开始回升。

---

5.3 分析总结

1、不要想爆发式增长，做好日常成本控制和店铺运营。

2、不要浪费淡季：每一年的1月低谷都会准时到来，它不是意外，是你可以提前规划的确定性。利用它来做培训、做检修、做结构优化。

3、不要高估外部环境，因为油价、失业率、CPI，这些宏观新闻标题里的变量，对这45家门店的销售几乎没有影响。能驱动销售额增长的，只有两件事：节假日，和自身的运营效率。

---

个人心得：
这篇文章的核心，是如何利用历史数据构建一个可以解释、可以执行的预测模型，并最终转化为各部门的行动指南。

总结而言，预测的本质，是将未来的“不确定性”转化为可量化的“风险区间”，并为这个区间准备好多种应对方案。 它不能保证100%准确，但能将决策从“凭感觉”提升到“有依据”。这正是数据分析和业务赋能的核心价值所在。

分析主线：
第一个项目，Olist电商，做的是 “诊断”——从10万条订单里，找到物流延迟正在影响复购的证据。
第二个项目，绿色物流，做的是 “优化”——模拟三种减碳方案，算出了那条既能降排放又能省钱的路。
第三个项目，沃尔玛销售预测，做的是 “预判”——用两年多的历史数据，给未来12周的销售额绘制地图。

完整的业务分析链路：Olist（诊断问题）→ 绿色物流（优化方案）→ 沃尔玛（预测未来）

Olist电商
绿色物流项目