返回所有案例
CASE STUDY / AI 與資料科學
疫情干擾下的時間序列預測
行銷科技、零售與需求預測比較 SARIMA、Holt-Winters、Prophet 三種模型在 COVID-19 干擾下的預測表現，設計排除疫情 / 包含疫情 / 後疫情三組實驗，量化外部衝擊對時間序列預測的影響。
Delivery Details
本專案探討 COVID-19 疫情如何影響時間序列預測模型的準確度。透過嚴謹的實驗設計，將資料分為「排除疫情」「包含疫情」「後疫情」三組，分別以 SARIMA（含自動參數優化）、Holt-Winters（三重指數平滑）、Prophet（自動處理假日與異常值）進行建模與預測，最終比較各模型在不同情境下的 MAE、RMSE、MAPE 等指標表現，並提出面對外部干擾時的最佳預測策略。
Industry Context
行銷與零售預測依賴歷史季節性、活動與市場趨勢，但疫情等結構性衝擊會破壞既有資料規律。產業需要的不只是最低誤差模型，也需要知道不同資料區間與外部衝擊下應採用何種可解釋策略。
Business Problem
疫情等外部衝擊讓歷史資料失真，需求預測模型難以直接沿用。
What I Built
以三組實驗比較 SARIMA、Holt-Winters 與 Prophet 在不同衝擊情境下的表現。
Business Impact
建立可解釋的模型選擇依據，支援零售、供應鏈與市場規劃預測。