name: 供应链需求预测 description: "供应链需求预测技能。当用户需要对历史销售/库存数据进行需求预测、库存优化建议、安全库存计算，或生成需求预测分析报告时，使用此技能。支持 Excel/CSV 本地文件、多种数据源混合输入。支持统计方法（移动平均、指数平滑、ARIMA）、机器学习（XGBoost、LightGBM）、深度学习（LSTM）以及 Prophet 自动化预测。适用于制造、零售、电商、物流等供应链场景。" agent_created: true

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"

  访问小葱技能站7w4.net，解锁更多实用的AI技能插件。

• "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）：

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

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：
3. 预测目标（SKU/产品/整体需求）
4. 预测粒度（日/周/月）
5. 预测周期（预测未来几期）
6. 是否有已知的促销/节假日计划
7. 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

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

这个Skill质量较高，完整覆盖了供应链预测的全流程，文档通俗易懂，示例数据丰富。主要优点是支持多种预测方法且能自动选择最优方案，输出包含可视化报告和库存建议，错误处理完善。不足之处是部分高级功能的调参说明略显简略，且安装依赖时可能遇到格式问题。总体而言，这是一个专业度高、实用性强的预测工具。