异常值处理：大促、断货、清仓数据要不要纳入预测模型

异常值不应靠删除处理，而要先还原它发生时的经营条件；同一笔销量能否用于预测，取决于它是否仍代表当前要判断的需求场景。

事件数据三层账：原始交易账用于对账，经营事件账用于解释，预测样本账用于建模。三层不能互相替代。

先还原经营条件

预测模型需要识别的是需求变化，不是把每一次销量变化都当成需求变化。大促、直播、会员活动可能改变价格和流量；断货、断码、到货延迟会限制可实现销售；清仓则主动改变价格、陈列与销售窗口。三类情况都可能改变销量，但处理方式不同。

因此，历史销量至少要带上渠道、价格、促销、库存可售状态、关键尺码完整度、上市天数和退货状态。没有这些条件，所谓异常值处理很容易把经营失误洗成“数据噪声”。

事件标签怎样进入预测样本

第一层保留支付销售、退货、取消和净销售的原始记录，便于对账。第二层给商品和门店加事件标签，例如大促、资源位、断货、核心尺码缺失、清仓、到货延迟。第三层为模型准备不同用途的数据集：常态需求基准、活动需求基准和清货复盘样本。

标签的粒度要和决策一致。若补货按款色码和门店判断，只有“该款参加大促”的粗标签不够；还应知道哪个渠道、哪几天、哪些尺码、优惠是否覆盖该商品。

活动拉动的销售可以作为活动场景的参照，但不宜直接外推为平销需求；长期断货或关键尺码缺失期间的低销量，应标记为受约束销售，并参考断货前速度、相似门店或到货提醒等证据修正判断；清仓销量适合复盘库存退出效率和折扣贡献，不适合直接作为新品常态价格需求；一次性录入错误、重复订单和异常退货需要回到交易流水修正。

这里没有适用于所有品牌的统一“剔除比例”。判断依据是该记录是否仍代表同样的价格、库存、渠道和销售机会。

预测与复盘要分别回答什么

需求预测回答市场可能需要多少；销售预测加入渠道、价格和活动条件；可实现销售还受库存、交期、产能与销售窗口约束。大促期的实际销量既可能包含额外流量，也可能被缺货压低。复盘时要同时看活动前基线、活动期净销售、退货回流和断货损失，才能判断活动带来的真实增量。

当某款在活动中高售罄时，也要核对首配深度、有效销售门店、关键尺码满足率和可调库存。高售罄可能来自需求强，也可能只是首配过浅。

活动前确认活动商品、价格机制、锁货规则与预计退货观察期；活动中监控净销售、库存位置、断码和履约时效；活动后分离确认退货与尚未回流的预计退货，再更新下一轮销售判断。对于被断货干扰的商品，先判断是否还有销售窗口，再决定补货、调拨、停止追加或进入下一波段复盘。

活动、断货与清仓的处理规则

活动记录至少要同时保留活动前基线、活动期价格与资源条件、活动后退货回流三段信息。只有把活动机制拆开，团队才知道该把它作为下一次活动的情景样本，还是只作为一次性曝光结果。

断货和断码记录不能被简单补成一个假设销量。若使用断货前速度、同店群表现或到货提醒来修正需求，应把修正依据、适用时间段和不确定性写入版本说明，便于后续回测。

清仓记录则应服务于库存退出复盘：何时启动、何种折扣、在哪个渠道发生、是否带来渠道转移，以及窗口末留下了多少库存。它回答的是退出效率，而不是新品正价需求。

事件标签如何进入商品经营视图

第七在线可在项目接入的销售、价格、促销、库存、尺码与退货数据上保留事件标签，并把被断货、断码或活动干扰的记录呈现为待核查对象，支持商品团队审核预测修正，而不是把所有异常直接交给模型处理。

实际可用能力取决于销售、库存、在途、门店、尺码、价格和促销数据的接入范围，以及项目配置和人工审核流程。

最后的经营判断

用于预测的历史，不是销量最多的历史，而是最能还原当前经营条件的历史。

预测数据的边界

1. 大促销售要不要全部从预测历史中删除？

不要。应保留原始记录并标记活动条件。活动销售可用于同类活动预测，但不能直接代替平销需求。

2. 断货期销量很低，能否直接认为需求低？

不能。断货和断码会造成受约束销售。应先检查可售天数、关键尺码和铺货范围。

3. 清仓销量能否用于下一季选款？

可以作为款式退出和价格敏感度的辅助证据，但不应把低价清仓销量直接当成正价需求。

4. 异常订单发现后谁来修正？

交易流水错误应由数据或业务系统责任方核正；促销、断货、清仓等经营事件则由商品、零售或电商共同确认标签口径。模型团队不应单独猜测业务事实。