课程导入：学习目标、适用人群与课程整体框架
餐饮行业的竞争早已从“口味之争”升级为“数据之争”。一家日均客流 500 人的连锁餐厅，如果需求预测偏差 15%，意味着每天至少 75 份食材的浪费或短缺——前者直接侵蚀利润，后者则导致顾客流失。本课程的目标，是帮助你建立一套可落地、可验证、可迭代的餐饮需求预测模型，从“拍脑袋备货”走向“用数据决策”。
1.1 学习目标：从“能说”到“能做”
本课程不追求理论上的面面俱到，而是聚焦于可落地的预测模型搭建能力。完成全部 30 章学习后，你将具备以下四项核心能力：
| 能力维度 | 具体表现 | 可量化指标 |
|---|---|---|
| 数据理解 | 能识别影响餐饮需求的关键数据源，包括 POS 销售数据、天气数据、节假日日历、本地活动信息、促销排期等 | 能独立完成 80% 以上数据源的接入与清洗 |
| 特征构建 | 能设计有效的时间特征（星期、时段、月份）、外部特征（温度、降雨、节假日）、业务特征（促销、新品、库存） | 特征工程后模型精度提升 ≥ 20% |
| 模型搭建 | 能根据业务场景选择合适算法（移动平均、指数平滑、ARIMA、Prophet、XGBoost、LSTM），并完成训练与调参 | 至少掌握 3 种模型的搭建与对比 |
| 业务落地 | 能将预测结果嵌入采购、排班、备货流程，建立误差监控与模型迭代机制 | 预测误差（MAPE）控制在 10% 以内 |
1.2 适用人群：谁需要这门课？
餐饮需求预测是一个跨学科领域，既涉及数据科学方法，又需要理解餐饮业务逻辑。本课程适合以下三类人群：
- 餐饮运营管理者（店长/区域经理/供应链负责人）： 你们最清楚“备多了浪费、备少了得罪顾客”的痛苦。课程将帮助你建立数据化思维，学会用预测结果指导采购和排班决策，而不是依赖个人经验。
- 餐饮数据分析师/BI 工程师： 你们可能已经掌握 SQL、Excel 或 Python 基础，但缺乏系统的预测建模方法论。课程将提供从数据清洗到模型评估的完整流程，并给出可直接复用的代码模板。
- 餐饮 SaaS 产品经理/算法工程师： 你们需要设计或优化需求预测功能模块。课程将帮助你理解餐饮业务的特殊约束（如食材保质期、时段波动、节假日效应），从而设计出更贴合场景的算法方案。
1.3 课程整体框架：五阶段递进式学习
本课程共 30 章，按照“认知 → 数据 → 方法 → 实战 → 进阶”的逻辑分为五个阶段。每个阶段解决一类核心问题，前一阶段是后一阶段的基础。
| 阶段 | 章节范围 | 核心主题 | 关键产出 |
|---|---|---|---|
| 第一阶段：认知与准备 | 第 1-4 章 | 需求预测的价值、餐饮业务特性、数据源梳理、评估指标体系 | 明确预测目标，建立评估标准 |
| 第二阶段：数据工程 | 第 5-9 章 | 数据采集、清洗、特征工程、时间序列处理、异常值检测 | 构建干净、可用的建模数据集 |
| 第三阶段：模型核心 | 第 10-18 章 | 统计模型（移动平均/指数平滑/ARIMA）、机器学习模型（XGBoost/随机森林）、深度学习模型（LSTM） | 掌握 5+ 种预测模型的原理与实现 |
| 第四阶段：实战落地 | 第 19-25 章 | 模型选择策略、参数调优、集成方法、误差分析与业务应用 | 完成一个端到端的预测项目 |
| 第五阶段：进阶优化 | 第 26-30 章 | 多门店协同预测、动态定价联动、供应链优化、AI 前沿应用 | 构建企业级预测平台 |
1.4 学习路径：如何高效使用本课程？
考虑到不同学员的时间安排和基础差异，我们设计了三条学习路径，你可以根据自身情况选择：
- 完整路径（推荐）： 按章节顺序学习，每章完成课后练习和实战项目。预计耗时 6-8 周（每天 1-2 小时）。适合希望系统掌握预测建模能力的学员。
- 快速路径： 跳过第 2-4 章的基础概念（如果已有数据分析经验），直接从第 5 章开始。重点学习第 10-18 章的模型部分和第 19-25 章的实战部分。预计耗时 3-4 周。
- 实战路径： 先看第 19-25 章的实战案例，遇到不懂的概念再回看前面的理论章节。适合时间紧张、需要立即解决业务问题的学员。
1.5 案例拆解：一家火锅连锁店的预测困境
为了让你更直观地理解需求预测的价值，我们来看一个真实场景：
背景： 某川味火锅连锁品牌在成都拥有 12 家门店，日均营业额约 80 万元。过去一直由店长根据经验手工填写次日食材采购单，经常出现以下问题：
- 周末和节假日备货不足，招牌毛肚下午 6 点即售罄，顾客投诉率上升 15%；
- 工作日午市备货过多，叶菜类食材损耗率高达 22%；
- 雨天销量下降 30%，但采购量未调整，导致大量浪费。
初始目标： 建立一套基于历史数据和天气信息的日销量预测模型，将次日食材采购准确率提升至 90% 以上，同时将食材损耗率从 18% 降至 8% 以下。
关键数据：
| 数据源 | 字段示例 | 更新频率 |
|---|---|---|
| POS 销售数据 | 订单时间、菜品 ID、数量、金额、门店 ID | 实时 |
| 天气数据 | 日期、最高/最低温度、降雨量、风力 | 每日 |
| 节假日日历 | 日期、节假日名称、调休安排 | 年度 |
| 门店运营数据 | 桌台数、翻台率、促销活动、新品上市日期 | 每周 |
分析过程： 项目团队首先对 12 家门店过去 18 个月的 POS 数据进行了清洗和聚合，按“门店 × 日期 × 时段（午市/晚市）”维度统计销量。然后引入天气和节假日特征，发现：
- 温度超过 30℃ 时，火锅销量下降 12%-18%；
- 降雨天销量下降 8%-15%，但外卖订单增加 20%；
- 节假日（尤其国庆、春节）销量是平日的 2.3 倍，且节前 3 天开始出现囤货性采购。
模型方案： 团队最终采用“XGBoost + 天气特征 + 节假日特征”的组合模型，对每家门店分别建模。模型输入包括：历史 7 天销量、星期几、是否为节假日、温度、降雨量、促销活动标记。输出为次日午市和晚市的预测销量。
结果对比：
| 指标 | 建模前（经验法） | 建模后（预测模型） | 提升幅度 |
|---|---|---|---|
| 采购准确率 | 72% | 91% | +19% |
| 食材损耗率 | 18% | 7.5% | -10.5% |
| 缺货率 | 15% | 4% | -11% |
| 月度利润提升 | — | 约 12 万元 | — |
复盘经验： 项目成功的关键在于：① 将“门店 × 时段”作为最小预测单元，而不是只预测门店总销量；② 引入天气和节假日特征后，模型精度提升了 23%；③ 建立了每周一次的模型重训练机制，确保模型能捕捉季节性变化。
1.6 常见误区与学习心态
在开始正式学习之前，先帮你避开几个常见的“坑”：
- 误区一：追求“完美模型”。 餐饮需求受太多不可控因素影响（突发疫情、网红探店、竞争对手促销），预测误差在 8%-12% 都是正常范围。目标是“足够好”，而不是“完美”。
- 误区二：忽视数据质量。 很多学员一上来就调模型参数，结果发现数据里有大量缺失值和异常值。记住：垃圾进，垃圾出。数据清洗至少占整个项目 60% 的时间。
- 误区三：只做预测，不落地。 模型预测得再准，如果不能接入采购系统、不能指导门店操作，就是一堆无用的代码。每章学习时都要思考：这个知识点如何应用到实际业务中？
- 误区四：忽略业务理解。 不懂餐饮业务的数据分析师，很难做出有效的特征工程。比如，你知道“周五晚市”和“周日晚市”的销量差异有多大吗？你知道“下雨天”对火锅和奶茶的影响完全不同吗？