结论：异常是相对可比基线的偏离

周末门店客流、节前礼品销量和月末回款有规律波动。固定阈值或简单日环比会产生大量误报。

基线要使用相同业务条件的历史样本，并明确样本不足时的降级策略。

日历只是第一层

先区分星期、法定节假日、调休、月份和财务期间，再加入促销、天气或发薪日等可确认业务事件。

外部因素缺失时不要自动编造原因，只标记尚未解释。

持续增长的新品不能一直以早期低水平为基线，退市商品也不能用历史旺季判断。滚动窗口、分段趋势或同生命周期 Cohort 可减少误报。

模型更新频率要低于业务噪声，且保留版本。

已知业务红线用规则；稳定季节性可用分组统计区间；复杂多变量场景可评估模型，但必须能解释输入与失败模式。

告警同时显示实际值、预期值、偏离程度和数据完整度。

回放节假日、促销、新品、缺数和真实事故，计算命中、误报、漏报和业务响应量，并让负责人评审。

BI0 可作为经营异常分析候选；日历、外部事件、统计模型和告警编排能力需逐项确认。

观测值可以理解为基础水平、长期趋势、重复季节模式、已知事件影响和随机残差的组合。异常检测的目标不是找所有大幅变化，而是找在可比条件下无法由这些成分解释的残差。加法结构适合波动幅度相对稳定的序列，乘法或对数结构更适合销量越高波动越大的序列，选择应由历史数据验证。

至少先画趋势图、星期子序列图和节假日对照，检查周期是否稳定。门店客流可能有周周期，食品有节庆周期，B2B 回款有月末周期。若历史不足两个完整周期，就没有足够证据学习稳定季节性，应退回业务规则或同类门店基线。

某个周六的预期值应来自相似星期、节假日状态、营业时长、促销强度和生命周期阶段，而不是过去所有日期。调休工作日尤其容易被普通星期模型误判。样本池需要记录日历版本、门店开闭、商品上下架、促销标签和数据完整度，并明确哪些条件必须相同、哪些可作为模型特征。

样本太少时可逐级降级：同门店同星期同活动、同门店同星期、同区域同类型门店，最后才到全局规则。每次降级都应降低置信度并在告警中显示。不能在没有天气数据时写“因降雨下降”，外部因素只能作为待验证线索。

统计区间可以来自稳健中位数与 MAD、分位数、季节分解残差或预测区间。无论方法如何，都应显示实际值、基线、上下界、偏离幅度和样本数量。单靠 z-score 在偏态、长尾或大量零值数据上容易失效，促销峰值也会污染均值和方差。

告警优先级还要结合金额、毛利、客户影响和持续时间。销量偏离 50% 的小商品未必比收入偏离 5% 的核心品类更重要。可以用“偏离程度 × 业务权重 × 持续性”形成路由分数，但红线事件如库存为负应由确定规则直接触发。

若模型每晚用最新数据重训，持续发生的损失可能很快被当成新常态。应保留基线版本，控制更新频率，并让已确认异常在训练时隔离或降权。新品、退市和门店改造采用单独生命周期状态，不能把它们直接混入稳定样本。

反例还包括用当天部分数据和完整历史日比较、数据源缺失导致销量骤降却触发经营告警、把一次大促永久抬高未来基线。数据完整度检查应先于异常判断；输入不完整时发送“数据管道异常”，而不是“业务销量异常”。

用至少覆盖旺季、淡季、节假日和促销的历史逐日回放，严格只使用当时可见数据。记录真实事件命中、误报、漏报、平均提前量和每周告警量，再让业务负责人判断哪些告警可行动。模型指标很好但每天产生数百条无人处理的告警，仍不具备运营价值。

BI0 可参与经营异常分析，但日历维护、事件标签、统计模型、数据完整度、告警路由和反馈学习是否可用，需要逐项核验。本文不承诺自动解释异常原因；系统最多提供相关证据和候选维度，最终业务原因仍可能需要门店、供应链或市场团队确认。

每条告警保存 baseline_version、样本池、实际值、上下界、偏离、数据完整度和影响金额，并自动路由给门店、商品或供应链责任人。负责人可标记真实异常、预期事件、数据问题或无需行动，并补充证据；这些反馈进入后续回放，但必须经审核后才能调整基线，防止为了减少告警而吞掉问题。

每月复盘不同类型的误报和漏报：节假日标签缺失、门店营业时长变化、促销未登记、输入中断或模型漂移。优先修复可治理的数据和日历缺口，再考虑更复杂算法。若简单分组区间已能在可接受工作量下命中关键事件，增加黑箱模型未必提高经营价值，反而可能降低解释和维护能力。

预约一次业务场景交流，看看组织化的 AI BI 如何进入你的团队。