一个需要特征工程，一个宣称“自动化”，到底该选哪个？我用同一份零售数据做了3个月的对比测试，结论可能和你想的不一样。

一、两个模型的出身

· Prophet：Facebook开源的时间序列预测工具，专为商业预测设计，能自动处理节假日、季节性和缺失值，对非专业人士友好。
· LightGBM：微软开源的梯度提升框架，在表格数据上表现优异，需要手动构造特征，但灵活度高。

很多初学者纠结选哪个。我的答案是：取决于你的数据规模、业务复杂度和团队能力。

二、同一份数据下的对比实验

2.1 测试设置

· 数据：某便利店12个月，200个SKU，日粒度。
· 预测目标：未来7天销量。
· Prophet：使用默认参数 + 自动节假日检测。
· LightGBM：使用我们前几篇文章的23维特征 + 调优参数。
· 评估指标：WMAPE（加权平均绝对百分比误差）。

2.2 结果

SKU类型 Prophet WMAPE LightGBM WMAPE 胜者
稳定型（CV<0.3） 14% 12% LightGBM（微弱）
波动型（促销多） 28% 18% LightGBM（显著）
强季节性（冰淇淋） 11% 13% Prophet
新品冷启动 35% 22% LightGBM

结论：

· Prophet 在强季节性、无促销干扰的场景下表现好。
· LightGBM 在促销、新品、高波动的零售场景中全面胜出，尤其是能利用价格、促销标记等外部特征。

三、为什么LightGBM更适合大多数零售场景？

零售数据本质是表格数据：不仅有时间序列，还有大量 静态属性（品类、价格带）和 动态事件（促销、天气）。Prophet 虽然可以加额外回归变量，但实现复杂且不够灵活。

LightGBM 的优势：

· 特征工程自由：你可以任意构造滞后、滚动统计、价格弹性、交互特征。
· 缺失值天然容忍：树模型对缺失不敏感，无需繁琐插值。
· 训练速度快：尤其是处理百万级样本时，LightGBM 远快于 Prophet。
· 可解释性：配合 SHAP，能精确告诉业务方“为什么涨跌”。

Prophet 的优势：

· 零特征工程：只需时间列和数值列，自动分解趋势、季节、假日。
· 不确定性区间：天然输出预测区间，便于设定安全库存。
· 对长期预测友好：30天以上的预测，Prophet 的稳定性更好。

四、实战建议：如何选型？

场景1：你就是个零售商，想把预测快速用起来

· 先试 Prophet，5分钟就能跑出基线。
· 如果效果不满意（尤其是促销日不准），再切换到 LightGBM。

场景2：你已有比较干净的销售数据，且需要融入促销、价格等特征

· 直接上 LightGBM，特征工程可以参考我们之前的文章。
· 如果团队缺乏ML工程师，可以使用 AutoML 工具（如 H2O、AutoGluon）自动调优。

场景3：预测周期超过30天（如季度采购计划）

· 用 Prophet 或 时序分解 + 简单模型，树模型对远期预测不稳定。

场景4：你想上线一个API，服务多家客户

· 必须用 LightGBM（或XGBoost），因为需要按客户ID分组训练个性化模型，Prophet 无法高效支持成千上万个独立时间序列。

五、我的API选择了什么？

经过半年的迭代，我的销量预测API 底层是LightGBM + XGBoost融合模型，并内置了自动特征工程、异常检测、新品冷启动等功能。对于不愿意自己折腾的商家，直接调用API即可获得比 Prophet 更好的效果。

一个真实用户反馈：

我之前用 Prophet 做了3个月，MAPE 一直在25%左右。换用这个API后，直接降到13%，而且不用自己写代码处理促销和节假日。——某零食批发商

六、你也可以免费对比

你可以用自己的数据，分别跑 Prophet 和我的 API（500次免费调用），对比结果。官网提供 Prophet 基线脚本，一键运行，方便对照。

官网：http://retail-forecast.oss-cn-beijing.aliyuncs.com/
文档：包含 Prophet 对比教程。

七、下篇预告

《销量预测中的多步预测策略：直接预测7天 vs 递归预测 vs Seq2Seq》——深入对比三种常见多步预测方案，分析各自的适用场景和 trade-off。

---

互动问题：你用 Prophet 踩过什么坑？或者觉得 LightGBM 哪里难上手？评论区聊聊。