2、促销预测的挑战：突发性、季节性、价格弹性对预测误差的影响

促销预测之所以成为数据科学领域的“硬骨头”，核心在于促销活动天然具备三大扰动因子：突发性、季节性与价格弹性。这三个因素会以不同方式扭曲历史数据模式，导致传统时间序列模型（如 ARIMA、指数平滑）产生系统性偏差。理解它们对预测误差的影响机制，是选择 MAPE 还是 sMAPE 的前提。

2.1 三大挑战因子及其误差传导路径

下表总结了每个因子的定义、典型场景以及它们如何影响 MAPE 与 sMAPE 的计算结果：

2.2 突发性：当历史数据“失忆”

突发性促销事件的最大特点是缺乏训练样本。模型只能依赖基线趋势和相似品类的迁移学习，但实际需求可能瞬间翻倍甚至翻三倍。这种“黑天鹅”式冲击对误差指标的影响如下：

• MAPE 的“分母陷阱”：假设实际销量为 1000，预测为 500，MAPE = |1000-500|/1000 = 50%。但如果实际销量因突发促销飙升至 5000，预测仍为 500，MAPE = |5000-500|/5000 = 90%。虽然误差率上升，但分母变大使得 MAPE 对“偏差”的反映不够直观。
• sMAPE 的“对称惩罚”：同样场景下，sMAPE = 2*|5000-500|/(5000+500) = 2*4500/5500 ≈ 163.6%。sMAPE 同时惩罚了预测过低和实际过高，误差率远超 MAPE，更能警示突发性带来的预测失效。

2.3 季节性：周期性峰值下的误差失真

季节性促销（如双十一、黑五）具有可预测的周期性，但峰值处的实际值通常是平日的 5-10 倍。这导致误差指标出现“峰值失真”现象：

• MAPE 在峰值处被稀释：由于 MAPE 的分母是实际值，峰值期间实际值极大，即使误差很大，误差率也可能看起来“合理”。例如，实际 10000，预测 8000，MAPE = 20%；而平日实际 100，预测 80，MAPE 也是 20%。但前者的损失是后者的 100 倍。
• sMAPE 在峰值处更敏感：sMAPE 的分母是实际值与预测值的平均值，在峰值处分母同样很大，但分子是误差的两倍。sMAPE 会放大峰值处的误差权重，更适合评估促销高峰期的预测质量。

2.4 价格弹性：非线性需求曲线的误差陷阱

价格弹性是促销预测中最复杂的挑战。需求对价格变化的响应通常是非线性的、滞后的，并且受竞品价格、消费者心理阈值（如“满 200 减 30”）影响。价格弹性对误差指标的影响体现在：

• 弹性系数估计偏差：模型通常假设线性弹性，但实际促销中可能存在“阈值效应”（如折扣达到 30% 时需求激增）。当模型低估弹性时，预测值偏低，MAPE 分母变小，误差率被放大；当模型高估弹性时，预测值偏高，MAPE 分母变大，误差率被稀释。
• sMAPE 的对称性优势：由于价格弹性导致的误差分布往往不对称（低估比高估更常见），sMAPE 通过对称分母平衡了两种方向的误差，避免了 MAPE 在低估场景下的“虚假放大”和高估场景下的“虚假缩小”。

2.5 三因子叠加时的指标选型策略

当突发性、季节性、价格弹性同时存在时（如双十一大促叠加满减活动），预测误差分布会呈现“厚尾、偏态、异方差”特征。此时 MAPE 和 sMAPE 的选型应遵循以下原则：

1. 优先使用 sMAPE 作为主指标：sMAPE 的对称性使其在误差分布不对称时更稳健，且对峰值敏感，能暴露促销期间的预测失效。
2. 辅以 MAE 或 RMSE 监控误差：sMAPE 和 MAPE 都是相对指标，无法反映损失。建议同时监控 MAE（平均误差）或 RMSE（均方根误差），尤其是在促销峰值期间。
3. 分层评估：按促销类型（突发型、季节型、价格弹性型）分别计算 MAPE 和 sMAPE，避免单一指标掩盖局部问题。