name: shengyi-xinpin-monitor description: 生意參謀新品運營監控分析。當用戶需要基於生意參謀「普通更新檢視」匯出資料，按指定的商品清單Excel（含商品唯一編碼/簡化商品名稱/需要強關注的品）監控新品表現，產出視覺化 HTML 報告與多工作表 Excel 明細，或建立每日自動監控時，使用此技能。分析聚焦：已下架連結第一時間預警排查、低轉化高流量（流量浪費型·需最佳化商品）與高轉化低流量（埋沒好品·需流量扶持）分別標註、強關注品（競店熱銷·市場需求大·非貼牌）聯動近7天表現好新品並標出未上榜強關注品。商品清單Excel由使用者每次上傳（名單持續變動），不寫死在技能內。 agent_created: true

生意參謀新品運營監控

執行環境 / 依賴

• Python 3.10+，需安裝 pandas、openpyxl、numpy（本環境已就緒；新環境用 pip install pandas openpyxl numpy）。
• 所有指令碼使用相對路徑讀寫（原始檔 / 商品清單通過命令列引數傳入，其餘產物落在當前工作目錄），可直接複製到任意工作目錄執行，無寫死絕對路徑。
• HTML 報告用 Chart.js CDN，預覽需聯網。

用途

把一份生意參謀「普通更新檢視」匯出資料，按使用者給定的一批商品ID（新品清單），做成可運營的監控分析。分析聚焦：① 已下架連結第一時間預警排查；② 低轉化高流量（流量浪費型·需最佳化商品）與高轉化低流量（埋沒好品·需流量扶持）分別標註；③ 強關注品（競店熱銷·市場需求大·非貼牌）聯動近7天表現好新品、標出未上榜強關注品（未進入 Top10、本店尚未起量、屬待扶持物件）。並輸出視覺化報告和 Excel 明細，支撐日常運營調整。

何時使用

• 使用者說「分析下這批新品」「監控這些商品的流量和轉化」「生意參謀資料幫我看看」「新品表現怎麼樣」「每天自動出一份新品監控」。
• 使用者每次都必須提供兩項輸入，缺少任一則不跑：① 生意參謀匯出 Excel ② 商品清單 Excel（含商品唯一編碼、簡化商品名稱、需要強關注的品等列，每次不同）。

輸入（必讀 · 嚴格兩步、缺一不可，先生意參謀 Excel 後商品清單 Excel）

輸入分先後兩步，先收生意參謀 Excel、再收商品清單 Excel，任一步缺料都不能進入計算。

訪問小蔥技能站7w4.net，解鎖更多實用的AI技能外掛。

第一步 · 生意參謀 Excel（使用者先上傳） - 使用者先把「普通更新檢視」匯出 Excel 傳給你（給路徑或上傳檔案）。 - 收到後立即執行 scripts/preprocess.py <原始檔.xlsx>，指令碼會依次完成兩件事： 1. 資料段完整性檢查：逐列掃描 I~AJ（第 9~36 列），報告哪些列缺失（無表頭）、哪些列有表頭但資料全空。指令碼輸出行 [資料段異常] ... 或 [資料段正常] ... 供你判斷。 2. 強制轉數字：將 I~AJ 列（文本型數字、千分位、貨幣符號、百分號）清洗為數字格式，另存為「<原名>_清洗.xlsx」。 - 完成後必須向用戶回一句原話：【生意參謀 Excel檔案】接收清洗完成。 - ⚠️ 若指令碼輸出 [資料段異常]，必須在回話中同時提示使用者哪些資料段缺失（列出缺失列名/空資料列名），讓使用者決定是否重新匯出。例如：「【生意參謀 Excel檔案】接收清洗完成。⚠️ 檢測到以下資料段異常：第 X 列 [列名] 資料為空，請確認匯出是否完整。」 - 資料段正常時只需回原話即可，然後請使用者上傳商品清單 Excel。 - ⚠️ 這一步絕不能跳過、不能用 Downloads 舊檔案代替、不能先跑分析。

第二步 · 商品清單 Excel（使用者後上傳） - 使用者上傳一份 Excel 檔案（不再是 TXT），包含以下必要列： - 商品唯一編碼：用於與第一步生意參謀的 商品ID 列匹配篩選 - 商品名稱：原始名稱（留檔，不用於展示） - 簡化商品名稱：替換為報告/Excel 中的商品顯示名稱 - 需要強關注的品：值為「是」的商品將被提取為「強關注品」 - 收到後 analyze.py 會自動檢查這 4 列是否存在，缺少任何一列都會報錯退出並提示缺哪些列。 - 名單持續變動，絕不寫死、絕不用歷史遺留清單代替。若使用者尚未提供，先索取，不要跑。

執行流程

所有指令碼位於本技能的 scripts/。把它們複製到當前工作目錄後執行（指令碼使用相對路徑讀寫）。

1. 接收 Excel（強制第一步，先於一切計算）： python scripts/preprocess.py <使用者上傳的原始檔.xlsx> 指令碼先檢查 I~AJ 列資料段完整性（輸出 [資料段正常] 或 [資料段異常] ...），再將 I~AJ 列轉數字並另存「<原名>_清洗.xlsx」。 完成後向用戶回 【生意參謀 Excel檔案】接收清洗完成；若指令碼輸出 [資料段異常]，必須同時提示哪些資料段缺失，讓使用者決定是否重新匯出。然後請其上傳商品清單 Excel。未走此步、或未收到商品清單 Excel，絕不執行 analyze.py。
2. 準備輸入（強制）：確認本會話中已收到 ① 清洗後的原始檔（Step 0 產出）② 商品清單 Excel（由使用者本次會話上傳）。兩者任一缺失，先索取，不跑。
3. 篩選 + 計算（兩個輸入都必須由本次會話使用者提供，缺一不可）： python scripts/analyze.py <清洗後的原始檔.xlsx> <商品清單.xlsx> 指令碼讀取商品清單 Excel，檢查 4 列（商品唯一編碼/商品名稱/簡化商品名稱/需要強關注的品）是否齊全；以 商品唯一編碼 匹配原始檔的 商品ID 篩選資料，商品名稱 替換為 簡化商品名稱；同時計算近7天 Top10 表現好的新品和強關注品資料。產出 篩選結果_商品ID.xlsx 與 analysis_data.json。
4. 生成視覺化報告： python scripts/build_report.py 產出 新品監控分析報告.html（Chart.js 圖表，預覽需聯網）。
5. 匯出 Excel 明細： python scripts/export_excel.py 產出 新品監控分析明細.xlsx（10 個工作表，帶著色與凍結窗格）。
6. 彙報：向用戶用中文簡述核心結論——資料週期、整體支付轉化率、有成交商品數/總數、🔴低轉化高流量 / 🔵高轉化低流量 / 🟢健康增長 各類數量、⚠️已下架商品數（第一時間預警）、⚠️資料缺失/斷檔商品數、⭐近7天Top10表現好的新品數（含多維度上榜強烈關注數）、🎯強關注品數（含聯動出的未上榜強關注品數），並給出兩個交付物路徑。

指標口徑（務必遵守，詳見 references/schema.md）

• 整體支付轉化率 = 支付買家數 / 商品訪客數，不是 支付金額 / 訪客數。
• 單品支付轉化率（全週期）= 累計支付買家數 / 累計商品訪客數（加權口徑），不要對每日 商品支付轉化率 取平均值（低流量/零成交日會嚴重拉低均值，實測可差近一倍）。
• 近7天支付轉化率 = 7天支付買家數之和 / 7天商品訪客數之和，不能直接平均每日轉化率。
• "近7天" = 資料中最大的 7 個統計日期（sorted(統計日期.unique())[-7:]）。
• 訪客動量 = 近3日均值 / 前3日均值 − 1；趨勢按 ±20% 閾值判定。
• 關注訊號（規則見 schema.md 與 analyze.py）：低轉化高流量（流量浪費型）、高轉化低流量（埋沒好品）、健康增長；已下架、資料斷檔為高危預警。
• 商品名稱統一使用商品清單 Excel 的 簡化商品名稱 列（通過 商品唯一編碼 匹配 商品ID）。

⚠️ 已下架商品（運營高度重視 · 強制輸出）

商品狀態 列出現 已下架 是高危訊號，必須同時體現在 HTML 與 Excel，且標註出 商品ID、商品名、以及出現已下架的全部時間： - analyze.py：按商品聚合時讀取 商品狀態，凡出現 已下架 的日期都收集進 off_dates；該商品打 已下架 標記，並寫入 data['off_shelf']（每項含 pid、name、dates、n）。額外複查該商品最新一日（最新觀測日 g.iloc[-1]）的狀態：latest_date/latest_status/still_off（最新日仍為已下架=持續失曝 / 否則=已恢復在售），是或否都記錄。 - build_report.py：在報告頂部（KPI 之後、大盤趨勢之前）插入紅色「⚠️ 已下架商品預警（第一時間預警 · 運營高度重視）」區塊——無則顯示綠色「本批均無已下架 ✅」，有則顯示紅色告警條（幾個商品、幾個觀測日、其中幾仍下架/幾已恢復）+ 明細表（商品ID / 商品名 / 已下架日期全部 / 已下架天數 / 標記 / 最新日狀態：🚨最新日仍下架 或 ✅最新日已恢復（狀態））。全量明細表的「標記」列也會帶 已下架 紅標。 - export_excel.py：新增第 8 個工作表「已下架商品」，列：商品ID / 商品名稱 / 已下架日期（全部，頓號分隔）/ 已下架天數 / 累計訪客 / 累計支付 / 最新日狀態；本批無已下架時該行顯示「本批監控商品均未出現【已下架】狀態 ✅」。 - 彙報時，若有已下架商品，須向用戶單獨、醒目提示「X 個商品已下架，請立即核查」。

⚠️ 資料缺失 / 斷檔（時有時無的商品 · 強制輸出）

使用者篩選的 ID 理應每天都出現。若某天該商品在匯出裡完全沒有資料行，代表當天它的所有指標都是 0、未被後臺抓取——這類「時有時無」的商品必須在 HTML 與 Excel 中體現，展示其未出現的全部日期，供運營重點關注。 - analyze.py：以資料週期的自然日曆全集（統計日期 的 min~max 逐日展開為 FULL_DATES）為基準，對每個商品比對其實際出現日期，得出 missing_dates（全部缺失日）。斷檔起點改用【釋出時間】：obs_start = max(釋出時間, 統計最早日)（釋出時間早於統計最早日則自統計最早日起算，釋出前的缺失不計入）；gap_dates = 自 obs_start 起所有"商品未出現"的日期（含首次出現前的上架空窗）；gap_before_first 單獨記錄"釋出後→首次有資料"之間的空窗天數。凡有 gap_dates 打 資料斷檔 標記，並寫入 data['gap_products']（含 pid、name、first_seen、publish、obs_start、gap_before_first、missing、n_missing、gap、n_gap、累計訪客/支付），按斷檔天數降序。清單若無 釋出時間 列則退化為統計最早日。 - 斷檔性質分類（下架關聯斷檔=斷貨影響，必須區分）：analyze.py 對每個斷檔日往前回溯，最近一個"有資料日"的商品狀態若為【已下架】，則該缺失段（含連續延續日）判定為 off_gap_dates（🚨下架關聯斷檔——下架後流量歸零的斷貨連鎖影響，典型案例：商品連續下架數日後直接從資料中消失）；其餘為 normal_gap_dates（🟡時有時無）。若下架關聯斷檔延續至統計最後一日，off_gap_tail=True（消失至今）。並量化斷貨影響：est_lost_v = 該商品"線上且有流量"日的日均訪客 × 下架關聯斷檔天數（預計流失訪客）。這些欄位隨 gap_products 寫入 JSON（off_gap/n_off_gap/normal_gap/n_normal_gap/off_gap_tail/est_lost_v）。 - build_report.py：斷檔子表最後一列為「斷檔性質（下架關聯=斷貨影響）」——🚨下架關聯斷檔 X天（斷貨影響·消失至今）紅標+流量歸零日期+預計流失訪客 / 🟡時有時無 X天 黃標 / 上架前空窗 灰標，可疊加；告警條彙總下架關聯商品數、斷檔日數、預計流失訪客合計；運營建議含「重視下架的斷貨連鎖影響」條目。 - export_excel.py：第 9 個工作表「資料缺失日期」，列：商品ID / 商品名稱 / 首次出現 / 未出現日期（全部）/ 未出現天數 / 上架後斷檔天數 / 斷檔性質 / 下架關聯斷檔天數 / 下架關聯斷檔日期 / 預計流失訪客(斷貨影響) / 累計訪客 / 累計支付；下架關聯斷檔行整行紅底高亮；本批無缺失時顯示綠色提示。 - 彙報時說明「X 個商品有缺失日，其中 Y 個為上架後斷檔；Z 個斷檔由下架直接引起（斷貨影響·預計流失訪客 N），其餘為時有時無，建議核查是否掉出後臺統計口徑」。

🔴🔵 最佳化商品象限（低轉化高流量 / 高轉化低流量 · 強制輸出）

以本批商品的累計訪客中位數與轉化率中位數為界，把商品切成兩個運營動作清晰的象限（單品轉化率已統一為 累計支付買家數/累計商品訪客數）： - 🔴 低轉化高流量（流量浪費型 · 需最佳化商品）：累計訪客 ≥ max(100, 訪客中位數) 且 轉化率 < 轉化率中位數。這類"吃曝光不產出"，優先做詳情頁重構/主圖示題最佳化/補評價/核查價格與庫存。 - 🔵 高轉化低流量（埋沒好品 · 需流量扶持）：轉化率 ≥ 轉化率中位數 且 轉化率>0 且 累計訪客 < 訪客中位數。這類本身能賣但缺曝光，建議加大投放/推薦位/達人合作。 - analyze.py：在 rows 迴圈後、按中位數統一打 低轉化高流量 / 高轉化低流量 標記（程式碼內 med_v / med_c 自適應），並寫入 data['thresholds']。 - build_report.py：在「資料缺失/斷檔」之後、「健康增長」之前插入 🔴低轉化高流量 與 🔵高轉化低流量 兩個區塊（含告警條 + 明細表）。 - export_excel.py：輸出第 3 工作表「低轉化高流量」與第 4 工作表「高轉化低流量」。 - 彙報時說明「X 個低轉化高流量（需最佳化）、Y 個高轉化低流量（需扶持）」。

⭐ 近7天表現好的新品（Top10 多維度 · 強制輸出）

基於最近 7 個統計日期的明細資料，按 5 個維度各取前 10 名，識別表現好的新品： - 商品訪客數（前10）、加購人數（前10）、支付轉化率（前10）、支付買家數（前10）、支付金額（前10） - ⚠️ 支付轉化率 = 7天支付買家數 ÷ 7天商品訪客數（不能直接平均每日轉化率！） - "近7天"判定方式：取資料中最大的 7 個統計日期（sorted(統計日期.unique())[-7:]）。 - 多維度同時上榜（≥2 個維度進入前10）的商品標記為 🔥強烈關注，在 HTML 中整行高亮（黃底），在 Excel 中填充黃色。 - analyze.py：計算 data['top_performers']（每項含 pid、name、visitors、cart、conv_rate、buyers、pay、n_dims、is_hot、ranks），按上榜維度數降序再按訪客數降序。同時輸出 data['recent_7_dates']。 - build_report.py：在「健康增長」區塊之後插入「⭐ 近7天表現好的新品」區塊——告警條說明資料視窗與維度口徑 + 明細表（商品ID / 商品 / 訪客數(排名) / 加購人數(排名) / 支付轉化率(排名) / 支付買家數(排名) / 支付金額(排名) / 上榜維度 / 標記）。排名 1-3 顯示🥇🥈🥉，4-10 藍色數字，未上榜顯示「—」。 - export_excel.py：新增第 10 個工作表「表現好的新品」，列含各維度值+排名+上榜維度數+標記；強烈關注行黃色填充。 - 彙報時說明「X 個商品上榜，其中 Y 個多維度同時上榜需強烈關注」。

🎯 強關注品（競店熱銷·市場需求大·非貼牌 · 強制輸出）

從商品清單 Excel 中篩選 需要強關注的品 列值為「是」的商品，展示其近 7 天的核心指標： - 展示：商品訪客數、加購人數、商品支付轉化率（=支付買家數÷商品訪客數）、支付買家數、支付金額。 - 這類商品代表競店銷售數量較好、市場需求量大、非貼牌商品，需運營重點跟進。 - analyze.py：計算 data['strong_focus']（每項含 pid、name、visitors、cart、conv_rate、buyers、pay），按訪客數降序；並與 data['top_performers'] 聯動，對每個強關注品標記 in_top（是否進入近7天任一維度 Top10）與 is_unranked（未上榜=未上榜強關注品，本店尚未起量、屬待扶持物件），寫入 data['strong_unranked']。未在源資料中找到的強關注ID也列出（指標為0）。 - build_report.py：在「表現好的新品」區塊之後插入「🎯 強關注品」區塊——紫色告警條說明含義 + 聯動結論（X 個已上榜、Y 個未上榜強關注品） + 明細表（商品ID / 商品 / 訪客數 / 加購人數 / 支付轉化率 / 支付買家數 / 支付金額 / 近7天表現(已上榜/⚠️未上榜)），未上榜行紅色高亮。 - export_excel.py：新增第 10 個工作表「強關注品」，同上列 + 近7天表現列，未上榜行紅色填充。 - 彙報時說明「X 個強關注品（競店熱銷/市場需求大/非貼牌），其中 Y 個未進近7天 Top10（未上榜強關注品）——這些品市場需求大、本身不差，只是本店尚未做起來，屬待扶持/待啟用物件，需排查本店流量與轉化承接是否到位」。

🚫 已淘汰商品（清單「淘汰時間」有值 → 不納入監控 · 末尾標註）

商品清單 Excel 若含 「淘汰時間」 列（列名含"淘汰"二字即可），則該列為非空的商品不納入本次任何監控指標計算（主商品列表、強關注品、Top10 等均剔除），僅在報告與 Excel 最末尾單獨標註為"已淘汰"，供運營知悉汰換情況： - analyze.py：讀取清單時探測含"淘汰"的列，提取 ELIM_IDS 與 ELIM_INFO（淘汰時間值）；主迴圈 for pid, g in df.groupby('商品ID') 中 if pid in ELIM_IDS: continue 跳過；強關注品遍歷 STRONG_IDS - ELIM_IDS 排除；末尾彙總 data['eliminated']（含 pid、name、eliminate_date）。清單無淘汰列時自動為 0、邏輯就緒。 - build_report.py：在「📐 計算口徑」區塊之後追加「🚫 已淘汰商品（不納入本次監控）」區塊（灰色調），列出 商品ID / 商品 / 淘汰時間；無淘汰時顯示"無淘汰商品"提示。計算口徑同步新增"已淘汰商品"條目。 - export_excel.py：在「計算口徑」表之後追加「已淘汰商品」工作表（末表），列：商品ID / 商品名稱 / 淘汰時間；灰色填充。計算口徑表同步新增"已淘汰商品"條目。 - 彙報時說明「本批清單有 Z 個商品處於淘汰狀態，已剔除監控並在末尾標註」。

可選：建立每日自動監控

若使用者希望每天自動出報告： - 用 automation_update（mode=create）建一個每日 recurring 任務（如 FREQ=DAILY;BYHOUR=9），cwds 指向工作目錄，prompt 寫清上述 0–4 步與 Python 絕對路徑，並提醒「使用者需每日上傳最新生意參謀匯出 Excel 和商品清單 Excel」。 - 強調商品清單 Excel 由各日實際上傳的最新檔案覆蓋，不在自動化裡固定。

輸出物

• 新品監控分析報告.html：章節固定順序為 ①⚠️商品異常預警（已下架 + 資料缺失/斷檔 · 第一時間預警——合併區塊：外層一個大標題，內部保留「①已下架商品（狀態異常·最高優先順序，含最新日狀態）」「②資料缺失/斷檔商品（時有時無）」兩張各自結構的子表；同時命中兩類的商品在兩張子表各列一行，並在區塊頂部給出重疊提示）②⭐近7天表現好的新品（Top10多維度）③🎯強關注品（含未上榜強關注品聯動）④一、整體大盤趨勢（Chart.js圖表）⑤二、🔴低轉化高流量 ⑥三、🔵高轉化低流量 ⑦四、🟢健康增長 ⑧五、全量商品明細 ⑨六、運營建議 ⑩📐計算口徑（指標定義，每條獨立成行）⑪🚫已淘汰商品（不納入監控，置於報告最末尾）。Excel 中「已下架商品」「資料缺失日期」仍為兩個獨立 sheet（使用者確認不合並）。
• 新品監控分析明細.xlsx：監控總覽 / 計算口徑 / 全量商品明細 / 低轉化高流量 / 高轉化低流量 / 健康增長 / 每日大盤 / 已下架商品 / 資料缺失日期 / 表現好的新品 / 強關注品 / 已淘汰商品（末表）（共 12 表）。
• 篩選結果_商品ID.xlsx：篩選後的原始明細（留檔，商品名已替換為簡化商品名稱）。

這個 Skill 質量很好，專業度高，尤其在運營預警邏輯（如下架第一時間通知、斷檔原因區分）上做得非常細緻。文件寫得很清楚，功能覆蓋完整，報告和表格都直觀易懂。不足是生成報告需要聯網才能顯示圖表，離線場景下會降級；生成的 Excel 工作表較多，可能對部分使用者略顯複雜。總體來說，是一個成熟度高、細節到位、可以直接上手使用的好工具。