| name | lark-fashion-cockpit-launch-decision |
| description | "新品下单/翻单智能判断 — 给新款一句"该下多少件"，AI 综合 4 维信号给建议：历史爆款元素相似度 + 滞销避雷 + 退货风险 + 人为操作历史教训。当用户说「这款下多少件」「下单建议」「翻单几件」「该不该备料」「新品备货量」「DRS-XXXX 该下多少」「新品备货决策」时使用。属于 lark-fashion-cockpit 商品中心板块（第 21 个能力）。" |
新品下单/翻单智能判断 — 让 AI 替你拍板
🎯 老板娘的痛点： 新款上线前下多少件、尺码占比、颜色占比、备不备面料 —— 全凭直觉。错一次就是几万块库存压死。
板块： 🅱 商品中心（第 21 个能力）
数据源： 01_产品库（元素标签）+ 02_4平台销售（历史爆款）+ 11_退货反馈（风险）+ 14_审批记录（人为决策历史）
下游联动： task-collaboration 自动建生产单 / production-supplier 推送给工厂
一、为什么需要这个 skill
| 老板娘原始决策 | AI 决策升级 |
|---|
| "感觉这款会火，下 1000 件" | 4 维信号综合：相似爆款历史 / 滞销避雷 / 退货风险 / 人为操作教训 |
| "S 占 30 我估的" | 历史同元素爆款实际尺码占比 |
| "莓果红应该好卖" | 历史颜色销量复算 |
| "面料先少订点" | 同元素爆款翻单率推算备料倍数 |
| "上次翻单晚了，记不清咋回事" | 14_审批 / 11_退货 自动挖出避坑提醒 |
二、4 维信号架构
新品（元素标签 = 5 维）
│
├─ 信号 1：相似爆款对照 ─────────
│ 从 01_产品库 拉元素相似（相同 ≥3 个标签）+ 在售/历史款
│ 按 02_4平台销售 历史数据排序
│ Top 3 爆款 → 平均日销 + 总销量 + 售罄天数
│
├─ 信号 2：滞销避雷 ────────────
│ 元素相似的"卖不动"款（库存 > 30 天）
│ 作为反例：哪些元素组合不要重复
│
├─ 信号 3：退货风险 ────────────
│ 从 11_退货反馈 找元素相似款的退货原因
│ 常见尺码/版型问题预警
│
└─ 信号 4：人为操作历史教训 ─────
从 14_审批记录 + 05_任务清单 挖
"翻单备料失误" / "尺码占比错估" / "押注颜色失误"
避坑提醒
三、AI 决策输出（用户能看懂的数字 + 理由）
📊 建议下单：480 件
区间：380-600 件
理由：参考爆款 KNT-0402-CD（同元素 4/5）90 天卖 300 件 + 1.6 倍翻单率
📊 尺码占比：S 25% / M 40% / L 25% / XL 10%
理由：历史 KNT-0402-CD 实际占比 + 同品类大盘趋势
📊 颜色占比：莓果红 50% / 米白 30% / 焦糖 20%
理由：莓果红当前热度 +30%；焦糖去年同期销量较弱建议小批
⚠️ 备面料：建议提前 1.5 倍布料锁定
理由：同元素爆款翻单率 60%，面料不备会错失补单窗口
类比：DRS-0429-FL 上次翻单想加单时面料没了 → 错失爆品
⚠️ 避坑：
1. 设计稿 push 大 1cm（DRS-2024 系列腰围偏小退货 3 次）
2. 蕾丝面料退货率高 → 详情页加"建议大一码"
3. 莓果红色卡 → 工厂确认下批染色一致性
💡 类比爆款：DRS-0429-FL（同元素 4/5 标签重合，90 天 300 件）
💡 反面案例：DRS-2024-LC（同元素 3/5，但开发中状态过长，建议优先级低）
四、工作流（5 步）
Step 1: 输入新品元素
NEW_SKU="DRS-2026-RM"
NEW_TAGS=("色-同色系-莓果红" "风-法式" "品-连衣裙" "料-雪纺" "景-约会" "景-派对")
Step 2: 拉历史对照
lark-cli base +record-list \
--base-token <APP> --table-id tblrKzymnPPQ98ZX \
--jq '[.data | ...]'
Step 3: 评分规则（PowerShell 硬规则，省 TOKEN）
建议下单数 =
(Top 3 爆款 90 天平均销量) × (元素重合度因子 0.6-1.0)
× (季节性因子 0.8-1.2)
× (品牌信心因子 0.9-1.1)
尺码占比 = 同品类历史销量加权平均
颜色占比 = 同色系当前热度榜（02_4平台销售 30 天）
备料倍数 = 1 + 翻单率（同元素爆款）
风险项 = 11_退货反馈 + 14_审批记录 提取
Step 4: DeepSeek 兜底（综合软建议）
PowerShell 算硬规则 → JSON →
DeepSeek V4 Pro 接管：
prompt: "基于下面数据，给老板娘一段 200 字的备货决策建议..."
输入：相似爆款、滞销、退货、人为操作历史
输出：自然语言整合 + 避坑提醒
Step 5: 输出（飞书文档 + IM 卡片）
lark-cli docs +create --api-version v2 --content @launch-decision.xml
{
"header": {"title": "📊 DRS-2026-RM 备货决策建议", "template": "purple"},
"elements": [
{"div": "建议下单 480 件 / S25 M40 L25 XL10..."},
{"img": "<参考爆款搭配图>"},
{"action": [
{"button": "📋 建生产单 → 申丽媛"},
{"button": "📊 查相似爆款 (3)"},
{"button": "⚠️ 看 11_退货反馈"}
]}
]
}
五、典型对话示例
👩 老板：「DRS-2026-RM 新款，下多少件合适？」
🤖 agent：12 秒后
✓ 元素：莓果红 / 法式 / 连衣裙 / 雪纺 / 约会 + 派对
✓ 找到相似爆款 3 个（DRS-0429-FL / DRS-2024-LC / KNT-0402-CD）
✓ 找到滞销 1 个（PNT-2023-VC，元素 3/5 但销量 50 / 90 天）
✓ 找到退货高频款 1 个（DRS-2024 系列腰围问题）
✓ 找到人为决策记录 2 条（去年同款翻单备料失误）
📊 建议下单：480 件（区间 380-600）
📊 尺码 S25 / M40 / L25 / XL10
📊 颜色 莓果红 50% / 米白 30% / 焦糖 20%
⚠️ 备面料 1.6 倍（避免翻单时面料缺）
⚠️ 设计稿提前 push 大 1cm（防 DRS 系列腰围问题）
👉 飞书文档：https://my.feishu.cn/docx/<id>
👉 群里弹紫色决策卡片
👉 一键派生产单给申丽媛？回复"派"
六、被其他 skill 调用（内化模式）
new-launch-planning 调用
for sku in 上新波段.关联款:
result = invoke launch-decision --sku $sku
写入 04_上新波段.建议下单数 / 尺码占比 / 颜色占比
stock-replenishment 调用（翻单决策）
if 当前库存 < 安全线 and 元素 ∈ 历史爆款:
invoke launch-decision --sku $sku --mode rerun
七、核心增量价值
| 普通 ERP 备货 | lark-fashion-cockpit launch-decision |
|---|
| 凭经验/拍脑袋 | 4 维历史数据综合 |
| 不区分爆款/滞销 | 自动找元素相似爆款 + 反例 |
| 不挖人为操作教训 | 14_审批 + 11_退货反馈自动挖避坑 |
| 给个数字就完事 | 数字 + 理由 + 避坑 + 一键派生产单 |
| 只算下单数 | 尺码 + 颜色 + 面料备货 + 风险项 全套 |
省钱点： 一次错误备货损失 ¥3-10 万。本 skill 把"凭直觉"升级为"4 维数据 + AI 综合"，避免一次错误就回本。
八、参考
