极端值的定义与成因
极端值，又称异常值或离群值，指显著偏离正常区间的数值。如图1所示，在无季节性或趋势的产品需求中，若第6周需求超出“平均值加减两倍标准差”的界限，即被视为极端值。
图1：极端值示例
极端值的来源主要包括：
- 输入错误：如录入时多打零、漏掉小数点等；
- 偶发需求：如疫情初期囤积卷筒纸、核废水事件后抢购食盐等恐慌性购买；
- 人为干预：如“618”、“双十一”等大型促销活动显著改变需求轨迹。
无论根源是否明确，极端值均会降低预测模型准确度并引发系统性偏差，需采取科学方法处理。
处理方法一：纠正极端值
当极端值根源未知且判定为一次性事件时，可采用“纠正”策略，即用推算的“正常值”替代极端值。以图1第6周为例，常用替代方法包括：
- 使用时间序列平均值（如155）；
- 使用前后各4周的平均值（如152）；
- 取前后两个数值的中间值（如135）；
- 截断超出上下限的部分（如214）。
具体方法的选择需结合业务场景判断。例如，因临近货期打折清仓导致的异常，可参考打折前几期的平均值，以避免受促销后低谷期数据的影响。
警惕自动清洗风险：部分软件基于统计规则自动剔除异常值，可能导致误判。典型案例如南极臭氧洞数据曾被误认为仪器故障或操作失误而被“清洗”，掩盖了真实的环境危机。因此，建议优先人工评估，若必须自动化，应提高识别门槛并通过样本对比验证效果。
处理方法二：分开预测
若能清晰识别极端值的根源，可将极端值与正常需求分离，采用不同模型分别预测。
例如，电商拓展线下渠道时的铺货行为属于一次性极端需求。确认为3个月用量后，可单独估算线下月度需求，而线上部分仍按原有电商模型预测。同理，对于“双11”、“黑五”及固定节假日的需求，可将其从常规时间序列中剥离，参考历史同期销量或销售判断进行独立预测。
此方法的前提是能够准确分割需求来源，否则仍建议使用统一的时间序列模型。
处理方法三：纳入模型共同预测
在已知极端值驱动因素（如特定天气、活动）的情况下，可将其作为变量纳入同一预测模型。
例如，某新零售企业发现雨天App订单量激增。可在预测模型中引入“天气”虚拟变量（下雨为1，不下雨为0），结合天气预报提前规划库存与运力。这种方法要求对业务驱动因素有深刻理解，通过增加解释变量来提升模型对极端情况的捕捉能力。
结语：理解而非简单剔除
处理极端值的核心在于贴近业务。许多极端值并非噪音，而是反映了需求的剧烈变动（如季末压货促销）。若简单地“削峰填谷”，虽使模型看似完美，实则掩盖了需求波动性，可能导致服务水平不达标。
正确的做法是通过管理手段平滑需求，或建立适配的预测模型。理解极端值的过程，本质上就是深入理解并管理需求的过程。