3、趋势预测基础概念：时间序列、趋势、季节性、周期性、随机波动等核心术语
在美妆行业进行趋势预测，无论是预测某款精华液的季度销量、判断“早C晚A”概念的热度走向，还是预估明年春夏的流行色号，我们处理的底层数据几乎都是时间序列。时间序列分析是趋势预测的基石，它并非简单地“看曲线猜未来”，而是将历史数据拆解为趋势、季节性、周期性和随机波动四个核心组件，再分别建模、组合预测。理解这些术语的数学含义与业务指向，是构建任何预测模型的第一步，也是避免“拿着鸡毛当令箭”式误判的关键。
3.1 时间序列：美妆数据的“时间轴切片”
核心原理
时间序列是指将同一统计指标（如某品牌口红日销量、小红书“防晒”关键词搜索量）按照时间先后顺序排列而成的数值序列。在美妆行业，时间序列的粒度至关重要：日粒度适合监控大促期间的实时销量波动；周粒度能平滑掉“周末效应”并捕捉新品上市后的首周反馈；月粒度则常用于季度复盘与年度预算制定。时间序列分析的核心假设是：历史模式会在未来以某种形式延续，因此我们才能用过去的数据推断未来的走势。
判断方法与操作流程
- 确定粒度：根据预测目标选择日/周/月粒度。例如预测双11当天销量需用小时级数据，而制定明年年度计划则用月度数据。
- 数据清洗：处理缺失值（如断货导致的零销量）、异常值（如李佳琦直播带来的瞬时暴增）。
- 平稳性检验：通过ADF检验判断序列是否平稳。若p值大于0.05，则需进行差分或对数变换，使序列均值与方差稳定。
- 可视化初判：绘制时间序列折线图，肉眼观察是否存在明显的上升/下降趋势、周期性波动或突变点。
案例拆解：某新锐国货精华液的月度销量序列
某品牌2023年1月至2024年12月的月度销量（万瓶）呈现明显特征：从2023年1月的8万瓶逐步爬升至2024年12月的22万瓶，但每年6月和11月出现两个高峰（分别对应618和双11）。若直接对原始序列做线性回归，R²仅为0.65，残差图呈现明显的“波浪形”。这说明序列中混入了季节性成分，需要进一步拆解。
常见误区
- 误区一：粒度越细越好。日数据噪声极大，容易掩盖真实趋势；月数据虽平滑，但会丢失大促期间的短期波动信息。应结合预测目标选择粒度。
- 误区二：忽略数据生成背景。2020年疫情期间口罩妆盛行，口红销量骤降，若直接用该段数据训练模型，会严重低估未来需求。
3.2 趋势（Trend）：美妆市场的“长期航道”
核心原理
趋势是时间序列在较长时期内呈现的持续向上或向下的变动方向，它反映了市场结构性的变化。在美妆行业，趋势的驱动力包括：消费升级（从平价彩妆转向功效型护肤）、人口结构变化（Z世代成为消费主力）、技术迭代（重组胶原蛋白等新成分的崛起）。趋势通常用线性函数、多项式函数或指数函数拟合，但需注意：趋势并非永远单调，它可能在某个拐点后增速放缓甚至逆转。
判断方法
| 趋势类型 | 数学形式 | 美妆业务示例 | 识别方法 |
|---|---|---|---|
| 线性趋势 | Y = a + bt | 某品牌面膜年销量稳定增长5% | 散点图近似直线，一阶差分均值恒定 |
| 指数趋势 | Y = a·e^(bt) | 早C晚A概念搜索量初期爆发式增长 | 取对数后呈线性，环比增长率近似恒定 |
| S型趋势（逻辑斯蒂） | Y = L / (1+e^(-k(t-t0))) | 某新品类渗透率从0%到饱和的路径 | 增速先增后减，存在饱和上限 |
实战场景：判断“纯净美妆”是短期风口还是长期趋势
2021-2023年，“纯净美妆”相关备案数量从200个增至1500个。若仅看数量，似乎是指数增长。但计算环比增速后发现：2022年增速为120%，2023年降至45%，2024年上半年进一步降至20%。增速的持续下滑表明该品类正从“爆发期”进入“成熟期”，趋势曲线更接近S型而非指数型。因此，品牌在制定2025年计划时，不应按指数增长预期配置产能，而应关注存量市场的份额争夺。
3.3 季节性（Seasonality）：固定节律的“销售脉搏”
核心原理
季节性是指时间序列在固定时间间隔（如年、月、周）上重复出现的波动模式。美妆行业的季节性非常显著：防晒品类在每年4-7月进入旺季；礼盒装在情人节、七夕、圣诞前两周销量激增；保湿产品在秋冬换季时需求上升。季节性的本质是消费者行为、气候、节日等外部因素共同作用的结果，其周期长度是已知且固定的。
判断与提取方法
- 观察法：绘制至少2-3年的月度数据图，若每年同一时期出现波峰/波谷，则存在季节性。
- 季节指数法：计算各月份平均值与总平均值的比值。例如，若6月季节指数为1.8，表示6月销量是全年月均的1.8倍。
- STL分解：使用Python的statsmodels库或R的stl函数，将序列分解为趋势、季节、残差三部分。
案例拆解：某国际大牌粉底液的季节性库存规划
该品牌华东区2022-2024年月度销量数据显示：每年3月和9月出现两个小高峰（对应春秋换季），11月出现全年最高峰（双11）。通过季节指数计算，11月指数为2.3，3月为1.4，7月为0.6。据此，供应链团队将全年采购计划调整为：Q1备货量占全年25%，Q3占35%，Q4占30%，Q2仅占10%。执行后，库存周转率从4.2次/年提升至5.1次/年，缺货率从12%降至5%。
3.4 周期性（Cyclicity）：经济与潮流的“长波”
核心原理
周期性不同于季节性，其波动周期不固定，通常持续2-10年，且与宏观经济或社会文化大环境相关。在美妆行业，周期性体现为：妆容风格的轮回（如2000年Y2K风格在2023年复兴）、消费升级与降级的交替（经济繁荣期高端品牌增长快，衰退期平价替代品走俏）、成分概念的炒作周期（烟酰胺→视黄醇→玻色因→重组胶原蛋白，每2-3年切换一次）。
识别难点与工具
由于周期长度不固定且往往与趋势混杂，识别难度较大。常用方法包括：
- HP滤波：将序列分解为趋势成分和周期成分，观察周期成分的波长。
- 谱分析：通过傅里叶变换找出序列中的主要频率成分。
- 业务洞察：结合行业报告、时尚周发布、成分备案数据等定性信息辅助判断。
实战场景：判断“口红效应”是否正在发生
2024年某电商平台数据显示：口红品类销量同比增长8%，而同期奢侈品美妆销量下降3%。结合宏观经济GDP增速放缓的背景，可以初步判断“口红效应”（经济下行时，消费者倾向于购买低价奢侈品）正在显现。这种周期性变化无法通过季节性模型捕捉，需要建立宏观指标（如消费者信心指数）与美妆品类销量之间的回归模型。
3.5 随机波动（Irregular/Random）：不可预测的“黑天鹅”
核心原理
随机波动是时间序列中除去趋势、季节性和周期性后剩余的无法解释的部分，它由突发事件（如明星丑闻导致代言产品销量暴跌）、天气异常（如暖冬导致保湿产品滞销）、供应链中断等偶然因素引起。在数学上，随机波动通常被假设为均值为零的白噪声序列。虽然无法预测，但我们可以通过残差分析评估模型的拟合优度，并计算预测区间来量化不确定性。
处理策略
| 策略 | 适用场景 | 操作方式 |
|---|---|---|
| 忽略 | 随机波动幅度小，不影响整体预测 | 直接使用点预测值 |
| 设置缓冲库存 | 波动可能导致缺货或积压 | 在预测值基础上增加5%-10%的安全库存 |
| 事件虚拟变量 | 已知的促销、新品上市等可预期事件 | 在模型中添加0/1变量，将“可解释的脉冲”从随机波动中剥离 |
| 滚动重估 | 波动频繁且影响大 | 缩短预测周期（如从月度改为周度），及时吸收最新信息 |
案例拆解：突发舆情对预测模型的冲击
2024年3月，某头部主播在直播中吐槽某品牌粉底液“遮瑕力差”，该品牌天猫旗舰店次日销量较预测值暴跌40%。由于该事件属于典型的随机波动，原模型无法预知。复盘时发现：若在模型中引入“舆情情感指数”（基于微博评论的NLP打分），则可将该突发事件转化为可量化的输入变量，将预测误差从40%缩小至15%。这提示我们：随机波动并非完全不可控，通过引入外部数据源，可以将其部分转化为可解释变量。
3.6 组件合成：加法模型与乘法模型的选择
核心原理
将四个组件组合成完整序列时，有两种基本形式：加法模型（Y = T + S + C + ε）适用于季节性波动幅度不随趋势变化的情况；乘法模型（Y = T × S × C × ε）适用于季节性波动幅度与趋势水平成正比的情况。美妆行业数据通常更符合乘法模型——当品牌销量从10万件增长到100万件时，双11的销量峰值也会从15万件放大到150万件，而非固定增加5万件。
判断方法
- 绘制序列图，若波峰/波谷的高度差随时间增大，则选择乘法模型。
- 比较残差平方和：分别用两种模型拟合，选择AIC或BIC值较小的。
- 业务逻辑：若大促折扣力度逐年加大，则乘法模型更合理。
总结复盘
- 时间序列是预测的原材料，粒度选择决定信息量。
- 趋势回答“市场往哪里走”，需警惕S型曲线饱和点。
- 季节性是“日历效应”，必须结合促销日历动态调整。
- 周期性是“时代节拍”，需结合宏观指标与行业洞察。
- 随机波动是“噪声”，通过残差分析评估模型稳健性。
- 模型选择：先分解，再合成；先判断乘法/加法，再选择具体算法。
掌握这五个核心术语，意味着你已经具备了拆解美妆数据的能力。下一层次，我们将探讨如何利用这些组件构建具体的预测模型（如ARIMA、Prophet、LSTM），但无论算法多复杂，其本质都是对这四类模式的拟合与外推。建议读者在动手建模前，先花一周时间对自己手头的数据进行可视化拆解，形成“先分解、后预测”的思维惯性。