ROSSMANN项目面经

请你完整讲一下这个项目，控制在 1–2 分钟：

这个项目是一个基于真实零售业务场景的销售预测模拟项目， 背景是学校课程和企业案例相结合。 项目目标是预测连锁门店未来一段时间的销售额， 用来辅助预算制定和库存安排。

我在小组里主要参与的是数据清洗、EDA、特征工程和模型评估。

数据处理阶段， 我们处理的是十万级历史销售记录， 主要做了缺失值处理、异常销售记录检查、 门店关闭日期处理，以及日期字段转换。 之后我分析了销售额在不同时间、促销状态、节假日和门店类型下的变化。

特征工程方面， 我们构建了时间、节假日、促销、天气和竞争门店相关特征。

建模阶段， 我们选择了 XGBoost 回归模型， 因为它比较适合结构化表格数据， 也能捕捉促销、节假日和门店特征之间的非线性关系。 后续通过交叉验证和网格搜索调参， 最终测试集 RMSPE 大约降到了 12.5%。

最后，我们把预测结果汇总到门店和季度维度， 用来模拟支持多家门店的销售预算制定， 并通过特征重要性分析解释影响销售波动的主要因素。

你刚才说你主要参与了数据清洗和特征工程。你具体清洗了哪些问题？不要泛泛地说，举几个例子。

数据清洗方面， 我主要处理了缺失值、异常销售记录、门店关闭日期和字段格式转换。

比如销售数据中有些记录是 Open = 0、Sales = 0， 这说明门店当天没有营业。 这类样本不代表正常营业状态下的销售规律， 所以在训练销售额预测模型时， 我们主要使用 Open = 1 的营业日数据。

对于 Open = 1 但 Sales = 0 的情况，我 会进一步检查它是否是异常记录、特殊日期或者录入问题， 而不是直接删除。

另外，门店信息表中也有一些缺失值， 比如 CompetitionDistance 和竞争门店开业时间。 对于这类字段，我们没有简单删除整条记录， 而是结合业务含义进行处理， 比如使用特殊值或增加缺失标记变量，让模型能够区分“信息缺失”和“真实距离较远”的情况。

除此之外，我还进行了日期字段转换， 把 Date 拆分成年、月、星期几、是否周末等变量， 并检查重复值和明显极端的销售记录。 整体目标是保证模型训练数据能够反映正常营业情况下的销售规律。

你刚才提到了特征工程。这个项目里你们具体构建了哪些特征？你觉得哪些特征对模型效果最重要？为什么？

在这个项目中， 我们主要构建了五类特征： 时间特征、节假日特征、促销特征、门店属性特征和竞争门店相关特征。

时间特征包括月份、星期几、是否周末等， 用来捕捉销售额的周期性变化；

节假日特征包括公共假期和学校假期， 因为节假日会影响门店营业状态和消费者购物行为；

促销特征主要包括当天是否促销以及长期促销信息；

门店属性特征包括门店类型和商品组合类型， 用来反映不同门店本身的销售差异； 竞争门店特征主要包括竞争门店距离和竞争门店开业时间， 用来反映外部竞争压力。

从特征重要性来看， 促销、星期几、节假日、门店类型和竞争门店距离的贡献比较明显。 其中促销和节假日的影响最直观， 因为它们会直接改变客流量和消费行为， 这也符合零售业务逻辑。

你刚才说促销特征重要，那你们是怎么验证促销确实提升了销售额的？

我们主要通过两种方式判断。

第一是在 EDA 阶段， 对比促销日和非促销日的平均销售额， 发现促销日整体销售额更高。

第二是在模型训练后查看特征重要性， Promo 相关变量在 XGBoost 中排名比较靠前， 说明它对模型预测有较大贡献。

不过我也会注意，这里说明的是相关性和预测贡献，不一定能完全证明因果关系。

你们为什么选择 XGBoost？为什么不用线性回归、随机森林或者传统时间序列模型？

我们选择 XGBoost 主要有三个原因。

第一，这个项目是结构化表格数据， 包含时间、促销、节假日、门店属性和竞争门店等特征， XGBoost 对这类数据表现比较稳定。

第二，销售额和这些因素之间不是简单线性关系。 比如促销的效果可能会受到节假日、星期几和门店类型影响， XGBoost 能比较好地捕捉这种非线性关系和特征交互。

第三，相比传统时间序列模型， XGBoost 更方便融合外部特征， 因为我们预测的是多个门店， 而不是单一时间序列。 之后我们也通过交叉验证和网格搜索调参， 控制模型复杂度，降低过拟合风险。

为什么不用线性回归？

线性回归可以作为 baseline， 因为它简单、可解释。

但这个项目中， 销售额受到促销、节假日、门店类型和竞争因素共同影响， 这些变量之间可能存在非线性关系和交互关系。 线性回归对这些复杂关系的表达能力有限， 所以最终我们选择 XGBoost 作为主要模型。

为什么不用 ARIMA？

ARIMA 更适合单一时间序列预测， 比如预测某一家门店自身的销售变化。

但这个项目涉及多个门店， 而且有很多外部变量， 例如促销、节假日、门店类型、竞争门店信息等。 XGBoost 更适合把这些结构化特征一起放进模型中， 所以更适合这个多门店、多因素的预测场景。

为什么不用随机森林？

随机森林也可以用于这个任务， 但它是 bagging 思路， 主要通过多棵树平均来降低方差；

XGBoost 是 boosting 思路， 会逐步学习前面模型的残差， 通常在表格数据预测任务中精度更高。 另外 XGBoost 有比较完善的正则化和参数控制机制， 所以我们最终选择了它。

你刚才提到通过交叉验证和网格搜索调参。你们具体调了哪些参数？这些参数分别有什么作用？

我们调参主要是围绕三个方向：模型复杂度、学习速度和采样比例。

比如 max_depth 是控制树的深度， 树越深模型表达能力越强，但也更容易过拟合； learning_rate 是每一轮更新的步长， 一般会和 n_estimators 一起调，学习率低一些会更稳定， 但通常需要更多树。

另外我们也调了 subsample 和 colsample_bytree， 分别控制样本采样和特征采样， 这两个参数可以增加模型的随机性， 帮助降低过拟合。

最后我们主要看验证集上的 RMSPE， 不是只看训练集效果。 如果训练集误差很低、验证集误差明显高， 就说明模型可能过拟合， 需要降低模型复杂度或者增强正则化。

交叉验证怎么做？

因为这是销售预测问题，数据有时间顺序， 所以不能完全随机打乱数据。 我们更倾向于按照时间划分训练集和验证集， 用较早时间段训练，用后面时间段验证， 这样更接近真实业务里用历史数据预测未来的场景。

在调参时，我们主要比较不同参数组合在验证集上的 RMSPE， 避免因为随机划分导致时间泄漏。

怎么判断过拟合？

我主要看训练集和验证集的误差差距。 如果训练集 RMSPE 很低，但验证集 RMSPE 明显高， 说明模型可能过拟合了。

这种情况下可以降低 max_depth，减少树的复杂度； 调整 subsample 和 colsample_bytree，增加随机性； 也可以调高正则化参数，或者减少树的数量。

你们为什么用 RMSPE？这个指标是什么意思？为什么不用 RMSE 或 MAE？

RMSPE 是均方根百分比误差， 衡量的是预测误差占真实销售额的比例。 我们使用这个指标，主要是因为项目里有多个门店， 不同门店的销售规模差异比较大。

如果用 RMSE 或 MAE， 它们衡量的是绝对误差， 大销售额门店会对整体指标影响更大； 而 RMSPE 衡量的是相对误差， 所以更适合比较不同规模门店的预测效果。

最终 RMSPE 大约是 12.5%， 可以理解为模型在测试集上的平均相对预测误差大约在 12.5%。 另外，计算 RMSPE 时要注意 Sales = 0 的样本，因为分母不能为 0， 所以闭店日期通常需要排除或单独处理。

你刚才说 RMSPE 降到了 12.5%，那你们的 baseline 是什么？相比 baseline 提升了多少？这个 12.5% 是怎么验证出来的？

我们的 baseline 是简单的历史均值模型， 也就是用同一门店过去一段时间的平均销售额， 或者相同星期几的历史平均销售额， 作为未来销售预测。

设置 baseline 的目的， 是判断复杂模型是否真的比简单经验预测更好。 之后我们用同一份测试集， 把 baseline 和 XGBoost 的预测结果分别与真实销售额比较， 并计算 RMSPE。

最终 XGBoost 在测试集上的 RMSPE 大约是 12.5%， 相比历史均值 baseline 有明显下降。 具体 baseline 的 RMSPE 数值我需要回看当时的 notebook 才能准确确认， 但整体结论是， 加入促销、节假日、门店属性和竞争门店等特征后， 模型效果更稳定，也更能捕捉销售波动。

你简历里写这个模型支持 30 多家门店的季度销售预算制定。这个“支持”具体是怎么支持的？模型输出怎么转化成业务决策？

这里的“支持”主要指业务决策模拟支持， 不是说模型已经正式上线到企业生产系统。

模型输出的是不同门店未来每天的销售额预测。 我们把这些日度预测结果按照门店和季度维度进行汇总， 就可以得到每家门店季度层面的销售预测。 这个结果可以作为销售预算制定的参考，比如判断哪些门店未来销售预期较高， 哪些门店需要提前备货，哪些门店需要更谨慎地控制库存。

项目最终结果经过课程导师评审， 并以报告形式呈现为面向合作企业的决策建议。 所以这个项目的落地价值主要体现在， 把模型预测结果转化成门店预算、库存安排和排班计划的参考指标。 它是一个基于真实零售场景的模拟决策支持项目， 而不是已经部署到生产系统的项目。

没有正式部署到企业系统中。这个项目更准确地说是学校课程和企业案例结合的模拟项目，我们基于真实零售业务背景完成建模分析，并把结果转化成预算和库存决策建议。企业是否后续采用，不是我能确认的部分，所以我不会把它说成真实上线项目。

你刚才说做了特征重要性分析。你们具体是怎么解释模型结果的？特征重要性说明了什么？它能不能代表因果关系？

我们主要用 XGBoost 的特征重要性来解释模型结果。 它反映的是哪些变量对模型预测销售额贡献比较大。

从结果来看，促销、星期几、节假日这些特征的重要性比较高。 这个结果和零售业务逻辑比较一致。 促销会影响客流和购买意愿，星期几和节假日反映消费者的周期性购物行为，

不过我不会把特征重要性直接解释成因果关系。 它更多说明某个变量对模型预测有帮助，代表相关性和预测贡献， 但不能单独证明这个变量一定导致了销售额变化。 所以在业务解释时，我们会结合 EDA 结果和业务逻辑一起判断。

你们怎么看促销的重要性？

我们主要从两个角度看。

第一是在 EDA 阶段， 对比促销日和非促销日的销售表现， 发现促销日整体销售额更高。

第二是在模型训练后看特征重要性， Promo 相关变量在模型中贡献比较靠前， 说明它对销售预测有帮助。

但这里我会谨慎解释， 它说明促销和销量之间存在明显关联， 也说明促销变量对预测有贡献， 但不直接等同于严格因果关系。

特征重要性有什么局限？

特征重要性的局限主要有两个。

第一，它反映的是模型内部的预测贡献， 不是严格的因果解释。 特征重要不代表这个变量一定单独导致了销售变化。

第二，如果两个特征高度相关， 重要性可能会被分散或者偏向其中一个特征。 比如促销和节假日可能在某些时间段同时出现， 模型的重要性排序不一定能完全拆分它们各自的真实影响。

所以我们在解释结果时， 会把特征重要性和 EDA 结果、业务逻辑结合起来看， 而不是只看排名。

你怎么向业务方解释？

我会尽量用业务语言解释，而不是直接讲模型参数。

比如模型显示促销、节假日和星期几比较重要， 我会解释为：门店销售额并不是稳定增长的， 而是受到促销活动、节假日安排和消费者周期性购物习惯影响比较大。 因此，在制定销售预算和库存计划时， 不能只看历史平均值，还需要把未来促销计划和节假日排期纳入考虑。

对于竞争门店距离，我会解释为： 不同门店受到周边竞争环境影响不同， 因此门店之间不能用完全相同的销售预期， 需要做门店级别的差异化预测。

你这个项目是销售预测，但你用了 XGBoost。它本质上不是时间序列模型，那你们怎么处理时间顺序？有没有数据泄漏问题？

我们在这个项目中会注意时间顺序问题。 虽然模型是 XGBoost，不是传统时间序列模型， 但数据划分时不会随机打乱， 而是用较早时间段作为训练集， 用后面的时间段作为验证或测试集， 这样符合用历史数据预测未来的业务逻辑。

同时，在特征工程阶段也会避免使用未来信息， 比如不会用未来几天的真实销售额或未来统计均值作为当前预测特征。 如果构造历史均值或滞后特征，也只会使用预测日期之前已经发生的数据。

所以我们主要通过时间顺序划分和特征检查来降低数据泄漏风险。

如果未来出现突发事件，比如疫情、极端天气、临时闭店，模型还能预测准吗？你会怎么改进？

我认为在突发事件下，模型准确率大概率会下降。因为模型主要是从历史数据中学习规律，如果训练数据中没有类似疫情、极端天气或临时闭店这样的情况，它很难自动外推，这是销售预测模型本身的局限性。

如果要改进，我会从三个方面入手。第一，谨慎加入外部事件和天气等特征，让模型能够识别一些特殊情境；第二，定期做滚动训练，用最新数据更新模型；第三，设置异常监控机制，如果实际销售额和预测值连续几天偏差较大，就提示业务方进行人工复核和调整。

所以这个模型不是用来替代业务判断，而是为常规销售预测提供参考。遇到突发情况时，还是需要结合外部信息和人工判断进行修正。

如果现在有一家新门店，没有历史销售数据，你会怎么预测它的销售额？

如果是新门店没有历史销售数据，这其实是一个冷启动问题。我的思路是，不能依赖这家店自己的历史销售，而是先用门店的静态属性和外部环境做预测，比如门店类型、商品组合、地理位置、竞争门店距离、节假日和促销计划。

同时，我会从已有门店中找相似门店，比如门店类型相近、区域环境相似、竞争压力相近的门店，参考它们在类似时间段的销售表现，作为新门店的初始预测依据。

等新门店运营一段时间后，再把它自己的销售数据加入模型，进行滚动更新。这样前期靠相似门店和全局模型，后期逐步转向这家门店自身的数据。

你觉得这个项目里最大的难点是什么？你是怎么解决的？

我觉得这个项目最大的难点是销售额波动比较大，而且影响因素比较多。销售额不仅和历史趋势有关，还会受到促销、节假日、星期几、门店类型和竞争门店等因素共同影响，不同门店之间的基础销售水平也不一样。

我的解决方式主要是三步。第一，在数据清洗阶段区分正常营业日和闭店日，避免把闭店导致的 0 销售当成正常销售规律。第二，在特征工程阶段构建时间、促销、节假日、门店属性和竞争门店相关特征，把业务因素转化成模型可以学习的变量。第三，在建模阶段使用 XGBoost，并通过交叉验证和网格搜索控制模型复杂度，降低过拟合风险。

所以我觉得这个项目的难点不只是模型选择，而是如何把真实业务中的销售波动合理地转化为特征，并保证模型在测试集上有稳定表现。