供应链需求预测技能

技能概述

本技能提供端到端的供应链需求预测分析能力：从数据读取与清洗、特征工程、多模型预测，到库存优化建议与可视化报告输出。

触发条件

以下类型的用户请求应激活本技能：

• "帮我预测下个季度的需求/销量"
• "根据历史数据分析未来库存需求"
• "我有销售数据，帮我做需求预测"
• "计算安全库存和补货点"
• "生成需求预测报告"
• "供应链库存优化建议"
• "这个 SKU 的销量趋势和预测"

数据输入规范

支持的数据格式

标准 CSV/Excel 格式（最常见）：

| 字段名 | 说明 | 必选 |

|--------|------|------|

| date / 日期 | 日期（支持 YYYY-MM-DD, YYYY/MM/DD, YYYYMM） | 是 |

| sku / 品号 / product_id | 产品编号 | 推荐 |

| sales / 销量 / demand / 需求量 | 历史销售量 | 是 |

| price / 价格 | 单价 | 否 |

| promotion / 促销 | 促销标记（0/1 或 Y/N） | 否 |

| stock / 库存 | 当前库存量 | 否 |

| lead_time / 提前期 | 补货提前期（天） | 否 |

数据要求

• 历史数据建议至少 12 个时间点（月/周/日均可）
• 时间序列需连续，允许缺失值（脚本会自动填补）
• 多 SKU 数据需包含产品标识列

预测方法选择指南

| 数据量 | 季节性 | 推荐方法 |

|--------|--------|----------|

| < 24 个时间点 | 无 | 移动平均 / 指数平滑 |

| < 24 个时间点 | 有 | Prophet（自动处理季节性） |

| 24–100 个时间点 | 可选 | ARIMA / Prophet |

| > 100 个时间点 | 有 | Prophet / XGBoost / LightGBM |

| > 200 个时间点 + 多特征 | 有 | XGBoost / LSTM |

默认策略： 当数据量不明确时，优先使用 Prophet（鲁棒性最强，对季节性和节假日处理友好）。

工作流程

Step 1：理解需求与数据

1. 读取用户提供的数据文件（使用 Read 工具或 Python 脚本）
2. 询问或识别以下关键信息：
• 预测目标（SKU/产品/整体需求）
• 预测粒度（日/周/月）
• 预测周期（预测未来几期）
• 是否有已知的促销/节假日计划
• 业务关注重点（最小化缺货？最小化库存？）

Step 2：数据探索与清洗

执行 scripts/eda_and_clean.py 进行数据质量检查：

python scripts/eda_and_clean.py --input <数据文件路径> --output cleaned_data.csv

脚本会输出：

• 数据基本统计（均值、标准差、缺失率）
• 时间序列完整性检查
• 异常值检测（IQR 方法）
• 季节性分解图
• 清洗后的数据文件

Step 3：运行预测

执行 scripts/forecast.py 进行多模型预测：

# 自动选择最优方法（推荐）
python scripts/forecast.py --input cleaned_data.csv --periods 12 --auto

# 指定方法
python scripts/forecast.py --input cleaned_data.csv --periods 12 --method prophet

# 可选方法: moving_average, exponential_smoothing, arima, prophet, xgboost, lightgbm, lstm

输出：

• forecast_results.csv：预测值及置信区间
• forecast_plot.html：交互式预测可视化

Step 4：库存优化计算（可选）

执行 scripts/inventory_optimizer.py 计算安全库存与补货建议：

python scripts/inventory_optimizer.py \
  --forecast forecast_results.csv \
  --lead-time 7 \
  --service-level 0.95

输出：

• 安全库存量（各 SKU）
• 再订货点（ROP）
• 经济订货量（EOQ，需提供成本参数）
• 补货建议表

Step 5：生成分析报告

执行 scripts/generate_report.py 生成完整 HTML 报告：

python scripts/generate_report.py \
  --cleaned cleaned_data.csv \
  --forecast forecast_results.csv \
  --output demand_forecast_report.html

报告包含：

• 历史销售趋势分析
• 季节性和周期性分解
• 多模型预测结果对比
• 预测准确率评估（MAPE、MAE、RMSE）
• 库存优化建议（如提供相关参数）
• 关键 SKU 预警（需关注的高风险品项）

依赖安装

首次使用前，运行以下命令安装依赖：

pip install pandas numpy matplotlib plotly scikit-learn xgboost lightgbm prophet statsmodels torch openpyxl

若安装 Prophet 遇到问题：

pip install prophet --no-build-isolation
# macOS: conda install -c conda-forge prophet

若不需要深度学习（LSTM），可跳过 torch：

pip install pandas numpy matplotlib plotly scikit-learn xgboost lightgbm prophet statsmodels openpyxl

输出文件说明

| 文件 | 说明 |

|------|------|

| cleaned_data.csv | 清洗后的标准化数据 |

| forecast_results.csv | 预测结果（含置信区间） |

| forecast_plot.html | 交互式预测图表 |

| demand_forecast_report.html | 完整分析报告 |

| inventory_recommendations.csv | 库存优化建议表 |

参考资料

• references/methods_guide.md：各预测方法的原理、适用场景和参数调优指南
• references/metrics_guide.md：预测准确率指标解释（MAPE、MAE、RMSE、Bias）
• references/inventory_formulas.md：安全库存、EOQ、ROP 等公式说明
• assets/sample_data.csv：标准输入格式示例数据

常见问题处理

数据量不足（< 12 个时间点）：

→ 使用简单移动平均，明确告知用户预测置信度有限，建议收集更多数据

数据存在大量缺失值（> 30%）：

→ 向用户确认缺失原因（停产？门店关闭？），根据业务逻辑决定是填补还是截断

存在明显异常值：

→ 展示给用户确认是真实业务事件（大促、疫情）还是数据错误，再决定是否保留

预测误差偏大（MAPE > 30%）：

→ 检查是否有未纳入的外部影响因素，建议加入促销、节假日等特征变量