1、课程导论：为什么促销预测需要专门的误差指标？MAPE与sMAPE的核心区别概述
1.1 促销预测的“特殊性”
在常规时间序列预测（如销量、流量）中，我们通常使用均方根误差（RMSE）或平均误差（MAE）来评估模型表现。然而，促销预测场景具有三个显著特征，使得通用误差指标失效：
- 量级剧烈波动：促销期间销量可能是平日的 5~20 倍，RMSE 会被大值主导，掩盖平日的微小偏差。
- 零值或极低基线：新品促销或清仓场景下，基线销量接近零，MAE 无法反映相对偏差的严重性。
- 业务决策依赖百分比：库存备货、折扣力度、广告预算分配均以“相对误差”为决策依据，而非误差。
核心结论：促销预测需要相对误差指标，而非误差指标。MAPE 和 sMAPE 正是为此而生。
1.2 MAPE 与 sMAPE 的核心区别概述
MAPE（Mean Absolute Percentage Error）和 sMAPE（Symmetric Mean Absolute Percentage Error）是促销预测中最常用的两个百分比误差指标。下表从定义、对称性、零值处理、业务解释四个维度进行对比：
| 对比维度 | MAPE | sMAPE |
|---|---|---|
| 计算公式 | MAPE = (1/n) * Σ(|At - Ft| / At) * 100% |
sMAPE = (1/n) * Σ(2 * |At - Ft| / (|At| + |Ft|)) * 100% |
| 对称性 | 非对称：惩罚高估（预测 > 实际）与低估（预测 < 实际）的程度不同 | 对称：对高估和低估施加相同惩罚 |
| 零值处理 | 当实际值 At = 0 时，分母为零，指标无定义或无穷大 | 当 At = 0 且 Ft = 0 时，分母为零；但若仅 At = 0 而 Ft ≠ 0，仍可计算 |
| 业务解释 | “预测偏差占实际值的百分比”，直观但易被大值主导 | “预测与实际之间的相对差异”，更均衡，适合促销波动场景 |
选型提示：如果促销数据中零值或极低值较多（如新品首发、清仓甩卖），优先考虑 sMAPE；如果业务方习惯“误差占实际销量的百分比”且数据中无零值，MAPE 更易沟通。
1.3 误差指标对促销决策的影响：一个直观示例
假设某商品在促销日的实际销量为 100 件，两个模型的预测结果如下：
- 模型 A：预测 120 件（高估 20 件）
- 模型 B：预测 80 件（低估 20 件）
计算两种指标：
| 指标 | 模型 A（高估） | 模型 B（低估） | 差异说明 |
|---|---|---|---|
| MAPE | |100-120|/100 = 20% | |100-80|/100 = 20% | 相同，无法区分方向 |
| sMAPE | 2*20/(100+120) ≈ 18.18% | 2*20/(100+80) ≈ 22.22% | 低估惩罚更重（分母更小） |
业务含义：在促销场景中，低估（缺货）通常比高估（库存积压）代价更大。sMAPE 通过对称化处理，自动对低估施加更高惩罚，更贴合促销决策的“非对称损失”特性。
1.4 指标选型的核心逻辑：从业务目标出发
选择 MAPE 还是 sMAPE，不应仅看数学公式，而应回归业务目标：
- 库存成本敏感型：如果缺货成本远高于积压成本，选择 sMAPE（对低估惩罚更重）。
- 预算分配型：如果促销预算按销量百分比分配，MAPE 更直观（直接反映百分比偏差）。
- 多SKU聚合：当同时评估数百个 SKU 时，sMAPE 的对称性可避免高销量 SKU 主导整体指标。
- 零值频繁：必须使用 sMAPE 或修正版 MAPE（如加入平滑项）。
1.5 课程路线图：从指标到模型选型
本课程将按照以下逻辑展开：
- 第 2~5 章：深入 MAPE 的数学性质、零值陷阱、高估/低估不对称性。
- 第 6~9 章：深入 sMAPE 的对称性证明、零值边界行为、与 MAPE 的转换关系。
- 第 10~15 章：促销预测模型（ARIMA、Prophet、LightGBM、深度学习）在两种指标下的表现对比。
- 第 16~20 章：实战案例：电商大促、快消品档期、新品首发场景的指标选型。
- 第 21~25 章：指标优化技巧：如何针对 MAPE/sMAPE 调整模型超参数。
- 第 26~30 章：综合选型框架与自动化指标监控系统设计。
本章小结：促销预测的“量级波动大、零值频繁、决策非对称”三大特性，决定了必须使用相对误差指标。MAPE 直观但非对称、怕零值；sMAPE 对称、零值友好但解释成本略高。选型的核心是匹配业务损失函数——缺货成本高选 sMAPE，库存成本对称选 MAPE。