forecast-analysis-claw

# forecast-analysis-claw 根据历史销售数据预测未来销量，自动计算补货建议，防止断货和积压。 ## 工作流程 ### 1. 数据准备 **必需字段**： - `date` / 日期 / 销售日期 - `sku` / SKU编码 / 商品编码 - `quantity` / 销量 / 数量 **可选字段**： - `current_stock` / 当前库存 - `in_transit` / 在途库存 - `lead_time_days` / 供应商交货周期 - `safety_days` / 安全库存天数 **数据清洗**（如需要）： ```bash python3 scripts/data-cleaner.py clean --input raw_sales.csv --output clean_sales.csv python3 scripts/data-cleaner.py detect-outliers --input sales.csv ``` ### 2. 执行预测 **单个 SKU 预测**： ```bash python3 scripts/forecast-runner.py single \ --sku SKU-001 \ --input sales.csv \ --days 30 \ --stock 500 \ --lead-time 14 \ --safety-days 7 ``` **批量预测**： ```bash python3 scripts/forecast-runner.py batch \ --input sales.csv \ --output forecast_result.csv \ --days 30 ``` ### 3. 生成报告 ```bash python3 scripts/forecast-runner.py report --forecast forecast_result.csv ``` ### 4. 评估准确率（可选） ```bash python3 scripts/forecast-runner.py evaluate \ --forecast last_month_forecast.csv \ --actual last_month_actual.csv ``` ## 预测模型 脚本会根据数据特征自动选择模型： - **移动平均法**：平稳型商品，无明显趋势 - **指数平滑法**：有趋势的商品 - **Holt-Winters**：有季节性的商品 - **Prophet**（可选）：复杂季节性 + 节假日效应 详见 `references/forecast-models.md`。 ## 补货参数 默认参数参考 `references/replenishment-params.md`： | 品类 | 安全库存 | 补货周期 | |-----|---------|---------| | 快消品 | 7天销量 | 14天 | | 服装鞋帽 | 14天销量 | 30天 | | 电子产品 | 21天销量 | 45天 | 可通过命令行参数覆盖：`--lead-time 20 --safety-days 10` ## 促销活动预测 叠加促销效应系数（参考 `references/promo-coefficients.md`）： ``` 活动预测销量 = 基准日均销量 × 拉升系数 × 活动天数 ``` 常见系数： - 双11：5x ~ 8x - 618：3x ~ 5x - 日常满减：1.3x ~ 1.8x 手动计算或在脚本中添加 `--promo-factor 6.0` 参数（需自行扩展脚本）。 ## 输出说明 **预测结果**： - `daily_avg_forecast`：日均预测销量 - `total_forecast`：预测周期总销量 - `lower_bound` / `upper_bound`：置信区间 - `model_used`：使用的预测模型 **补货建议**（如提供库存参数）： - `reorder_point`：补货触发点 - `available_stock`：当前可用库存（含在途） - `days_of_stock`：可用天数 - `replenishment_qty`：建议补货量 - `priority`：🔴 紧急 / 🟡 正常 / 🟢 可延后 ## 依赖安装 ```bash pip install pandas numpy scikit-learn pip install prophet # 可选，用于复杂预测 ``` ## 注意事项 - **最少数据量**：建议至少 30 天历史数据，90 天以上更佳 - **数据质量**：促销期间需标注，否则影响基准预测 - **预测误差**：预测结果是概率性的，需结合业务判断 - **新品预测**：无历史数据时，参考同类品系数 × 0.7 ## 与其他 Skills 协作 - **process-data-monitor-claw**：监控库存水位，触发重新预测 - **historical-data-compare-claw**：提供同比环比数据，辅助识别季节性 - **cross-platform-messenger-claw**：推送断货预警到飞书/邮件