lark-fashion-cockpit-launch-decision

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

# 用户提交新品 SKU 或元素列表
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

# 从 01_产品库 拉所有元素相似款（标签重合 ≥ 3）
lark-cli base +record-list \
  --base-token <APP> --table-id tblrKzymnPPQ98ZX \
  --jq '[.data | ...]'
# 在脚本里算重合度，挑 Top 5 爆款 + Top 3 滞销

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）

# 生成飞书文档（详细建议）
lark-cli docs +create --api-version v2 --content @launch-decision.xml

# 群里弹紫色决策卡片
{
  "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

# 上新一波启动时，每个新款自动跑 launch-decision
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）

# 库存预警时，如果是爆款翻单 → 跑 launch-decision 算翻单数
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

• ../product-library/SKILL.md — 产品库元素标签
• ../new-launch-planning/SKILL.md — 调用方
• ../stock-replenishment/SKILL.md — 调用方（翻单）
• ../feedback-returns/SKILL.md — 退货风险数据来源
• ../approval-flow/SKILL.md — 人为操作历史数据来源