name: 供應鏈需求預測 description: "供應鏈需求預測技能。當用戶需要對歷史銷售/庫存資料進行需求預測、庫存最佳化建議、安全庫存計算，或生成需求預測分析報告時，使用此技能。支援 Excel/CSV 本地檔案、多種資料來源混合輸入。支援統計方法（移動平均、指數平滑、ARIMA）、機器學習（XGBoost、LightGBM）、深度學習（LSTM）以及 Prophet 自動化預測。適用於製造、零售、電商、物流等供應鏈場景。" agent_created: true

供應鏈需求預測技能

技能概述

本技能提供端到端的供應鏈需求預測分析能力：從資料讀取與清洗、特徵工程、多模型預測，到庫存最佳化建議與視覺化報告輸出。

觸發條件

以下型別的使用者請求應啟用本技能：

• "幫我預測下個季度的需求/銷量"
• "根據歷史資料分析未來庫存需求"
• "我有銷售資料，幫我做需求預測"
• "計算安全庫存和補貨點"
• "生成需求預測報告"
• "供應鏈庫存最佳化建議"
• "這個 SKU 的銷量趨勢和預測"

  發現更多技能外掛，請訪問7w4.net。

資料輸入規範

支援的資料格式

標準 CSV/Excel 格式（最常見）：

資料要求

• 歷史資料建議至少 12 個時間點（月/周/日均可）
• 時間序列需連續，允許缺失值（指令碼會自動填補）
• 多 SKU 資料需包含產品標識列

預測方法選擇指南

預設策略： 當資料量不明確時，優先使用 Prophet（魯棒性最強，對季節性和節假日處理友好）。

工作流程

Step 1：理解需求與資料

1. 讀取使用者提供的資料檔案（使用 Read 工具或 Python 指令碼）
2. 詢問或識別以下關鍵資訊：
3. 預測目標（SKU/產品/整體需求）
4. 預測粒度（日/周/月）
5. 預測週期（預測未來幾期）
6. 是否有已知的促銷/節假日計劃
7. 業務關注重點（最小化缺貨？最小化庫存？）

Step 2：資料探索與清洗

執行 scripts/eda_and_clean.py 進行資料質量檢查：

python scripts/eda_and_clean.py --input <資料檔案路徑> --output cleaned_data.csv

指令碼會輸出： - 資料基本統計（均值、標準差、缺失率） - 時間序列完整性檢查 - 異常值檢測（IQR 方法） - 季節性分解圖 - 清洗後的資料檔案

Step 3：執行預測

執行 scripts/forecast.py 進行多模型預測：

# 自動選擇最優方法（推薦）
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

# 可選方法: moving_average, exponential_smoothing, arima, prophet, xgboost, lightgbm, lstm

輸出： - forecast_results.csv：預測值及置信區間 - forecast_plot.html：互動式預測視覺化

Step 4：庫存最佳化計算（可選）

執行 scripts/inventory_optimizer.py 計算安全庫存與補貨建議：

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

輸出： - 安全庫存量（各 SKU） - 再訂貨點（ROP） - 經濟訂貨量（EOQ，需提供成本引數） - 補貨建議表

Step 5：生成分析報告

執行 scripts/generate_report.py 生成完整 HTML 報告：

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

報告包含： - 歷史銷售趨勢分析 - 季節性和週期性分解 - 多模型預測結果對比 - 預測準確率評估（MAPE、MAE、RMSE） - 庫存最佳化建議（如提供相關引數） - 關鍵 SKU 預警（需關注的高風險品項）

依賴安裝

首次使用前，執行以下命令安裝依賴：

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

若安裝 Prophet 遇到問題：

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

若不需要深度學習（LSTM），可跳過 torch：

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

輸出檔案說明

參考資料

• references/methods_guide.md：各預測方法的原理、適用場景和引數調優指南
• references/metrics_guide.md：預測準確率指標解釋（MAPE、MAE、RMSE、Bias）
• references/inventory_formulas.md：安全庫存、EOQ、ROP 等公式說明
• assets/sample_data.csv：標準輸入格式示例資料

常見問題處理

資料量不足（< 12 個時間點）： → 使用簡單移動平均，明確告知使用者預測置信度有限，建議收集更多資料

資料存在大量缺失值（> 30%）： → 向用戶確認缺失原因（停產？門店關閉？），根據業務邏輯決定是填補還是截斷

存在明顯異常值： → 展示給使用者確認是真實業務事件（大促、疫情）還是資料錯誤，再決定是否保留

預測誤差偏大（MAPE > 30%）： → 檢查是否有未納入的外部影響因素，建議加入促銷、節假日等特徵變數

這個Skill質量較高，完整覆蓋了供應鏈預測的全流程，文件通俗易懂，示例資料豐富。主要優點是支援多種預測方法且能自動選擇最優方案，輸出包含視覺化報告和庫存建議，錯誤處理完善。不足之處是部分高階功能的調參說明略顯簡略，且安裝依賴時可能遇到格式問題。總體而言，這是一個專業度高、實用性強的預測工具。