forecast-analysis-claw

根据历史销售数据预测未来销量并生成补货建议。核心能力：(1) 销量预测 - 基于移动平均、指数平滑、Holt-Winters、Prophet 等模型自动预测未来销量；(2) 补货计算 - 结合库存参数自动计算补货触发点和建议补货量；(3) 活动预测 - 叠加促销效应系数预测大促期间销量峰值；(4) 断货预警 - 识别高风险 SKU 并推送预警。 触发场景：用户提供历史销售数据（Excel/CSV），要求预测销量、计算补货量、备战大促、分析库存风险、生成补货计划等。也适用于用户提到"预测"、"补货"、"销量预测"、"需求预测"、"库存预测"、"大促备货"、"季节性"、"历史数据"、"销售曲线"、"备货计划"等关键词。

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）：

text

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