Time Series Anomaly Detection for E-Commerce Monitoring

1. 解决的问题

母婴出海电商的关键指标（GMV、订单量、转化率、退货率）时刻波动。

2. 核心算法逻辑

核心问题：母婴出海电商的关键指标（GMV、订单量、转化率、退货率）时刻波动。如何区分"正常波动"和"真实异常"？异常检测的本质是：建立正常行为的概率模型，将低概率事件标记为异常。

3. 业务应用场景

业务问题：Momcozy 的日订单量通常在500-800单之间波动。某天订单量突然降到200单——是系统Bug、支付通道故障、还是正常的市场波动？

检测流程： 1. 数据预处理：取过去90天日订单量 2. STL分解：分离趋势、季节性（周内模式）、残差 3. 残差异常检测：残差超过3倍标准差标记为异常 4. 上下文校验：检查当天是否为节假日、是否有已知促销活动 5. 多指标交叉验证：同时检查转化率、客单价是否同步异常

预期产出： - 异常检测：订单量残差 = -4.2σ → 标记为异常 - 根因定位：转化率正常，但支付成功率从98%降到72% → 支付通道故障 - 告警延迟：<30分钟（实时检测）

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• 数据要求：只需要单变量时序数据
• 技术门槛：低，STL和Isolation Forest都有现成实现
• 主要挑战：调参（阈值设定）和减少误报
• 刚需监控能力：任何数据驱动业务都需要异常检测
• 实施成本低：现成算法，1周内可上线
• 高杠杆：30分钟发现故障 vs 4小时发现，差异巨大

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
Time Series Anomaly Detection — 时序异常检测
用于电商关键指标的监控与告警

支持：STL分解、Isolation Forest、Prophet区间检测
"""

import numpy as np
import pandas as pd
from sklearn.ensemble import IsolationForest
from statsmodels.tsa.seasonal import STL
import warnings
warnings.filterwarnings('ignore')


# ==================== 统计方法：STL + Z-Score ====================

class STLAnomalyDetector:
    """基于STL分解的异常检测器"""

    def __init__(self, period=7, threshold=3.0):
        """
        Args:
            period: 季节性周期（7=周，30=月）
            threshold: Z-Score阈值
        """
        self.period = period
        self.threshold = threshold
        self.stl = None

    def fit(self, series):
        """拟合STL模型"""
        self.series = series
        self.stl = STL(series, period=self.period, robust=True).fit()
        self.residual_mean = self.stl.resid.mean()
        self.residual_std = self.stl.resid.std()
        return self

    def predict(self, series=None):
        """预测异常"""
        if series is None:
            resid = self.stl.resid
        else:
            # 对新数据，用趋势+季节性作为基线，计算残差
            # 简化：假设新数据的趋势/季节性与训练期最后一段相同
            last_trend = self.stl.trend.iloc[-self.period:].mean()
            last_seasonal = self.stl.seasonal.iloc[-self.period:].values[:len(series)]
            resid = series - last_trend - last_seasonal[:len(series)]

        z_scores = (resid - self.residual_mean) / (self.residual_std + 1e-8)
        anomalies = np.abs(z_scores) > self.threshold

        return {
            'is_anomaly': anomalies,
            'z_scores': z_scores,
            'residuals': resid,
            'trend': self.stl.trend if series is None else None,
            'seasonal': self.stl.seasonal if series is None else None
        }

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。