异常驱动自动补货

异常类型多凭经验难全覆盖,补货决策一次要 1 小时,缺货与积压并存

!
演示模式 · 可视化预演

本页展示的是「应该怎么跑、每一步看什么、交付什么」,用的是真实业务格式的脱敏构造数据, 不宣称已接入客户生产系统,也不承诺任何效率提升百分比。 案例设定:某连锁茶饮门店(SKU 以现制饮品为主),周四打烊前。店长把近 14 日销售历史、门店信息扔进来 —— 未来 3 日降雨概率 80%,本周六店庆日预计客流 +50%,SKU-101 珍珠奶茶近 3 日销量超出均值 +2.8σ,明天的备货单今晚必须定。

销售数据
近 14 日 · SKU 级
识别异常
3 类信号同时触发
补货建议
3+ 项 · 1 项紧急
需人工复核
影响系数 >30% 共 5 项
输入

店长手上能拿到的东西

销售表与门店信息原样拖进来 · 数据本地处理不出域
01_拟真输入_异常驱动自动补货.md
近 14 日销售历史 + 门店信息 + 天气/店庆异常背景 —— 一次补货决策的全部材料
销售历史.csv + 门店信息.csv · 周四 21:30

注意这份材料的构成 —— 14 天的 SKU 级销量是判断「异常」的唯一依据,平时店长要把天气、店庆、销量蹿升三件事在脑子里叠着算,这次全部摆到同一张桌子上。这个场景的价值,很大一部分就来自把五类异常信号一次识别全。

提示词

就说这么几句

没有模板、没有表单 · 专业规则由 Skill 兜底
这是近 14 天的销售数据和门店信息,帮我生成明天的补货建议。 天气、节日、销售突变这些异常都要识别出来,每条建议附上计算依据; 补货量按紧急程度排好,影响系数超过 30% 的标出来我要复核; 紧急的 SKU 给出最晚到货时间。

短是因为「五类异常识别规则、影响量化公式、紧急程度口径、复核阈值」都在 Skill 规格里。店长只要把销售表扔进来。

触发

降雨、店庆、销量蹿升撞在同一周

补货的第一价值不是算得快,是五类异常一次看全、每条建议有依据

店长把近 14 日销售历史、门店信息全部扔进来 —— 补货建议的价值在「异常信号、影响量化、清单排序写在同一页上」,不在任何单一模块。

1

异常信号识别 · 五类异常一次过

天气、节日、销售突变同时触发,一条不漏
异常类型信号预计影响
天气异常未来 3 日降雨概率 80%冷饮销量下降 25%,热饮销量上升 15%
节日大促本周六为店庆日预计客流增加 50%,备货量需上调
销售异常SKU-101 近 3 日销量超出均值 +2.8σ建议加急补货

五类异常(天气/节日/商圈事件/销售异常/历史归因)按同一套规则扫一遍 —— 经验盘算的损耗不在「慢」,在「漏」:上周漏掉的恰恰是销量蹿升这一类。

2

影响量化 · 每条建议都有计算依据

建议补货量 = 基础销量 ×(1 + 影响系数)× 安全系数
SKU当前库存日均销量影响系数建议补货量
SKU-101 珍珠奶茶1245+0.35180
SKU-205 冰美式832+0.50120
SKU-308 热可可4512+0.1560

每条建议附计算依据,出处可溯 —— 「补 180」和「大概多备点」之间,隔着补货决策的全部专业性。

3

补货清单 · 按紧急程度排序

紧急/关注/正常三级,紧急 SKU 给出最晚到货时间
SKU商品名紧急程度建议到货时间
SKU-101珍珠奶茶紧急2026-06-25
SKU-205冰美式关注2026-06-26
SKU-308热可可正常2026-06-27

清单字段与采购系统对齐(SKU/商品名/当前库存/日均销量/异常类型/影响系数/建议补货量/紧急程度/建议到货时间)—— CSV 可直接导入采购系统,三方口径第一次收进同一个文件。

4

风险提示 · 高系数建议先拦住

影响系数 >30% 的 SKU 共 5 项,请店长复核后执行
风险项说明
高系数复核影响系数 >30% 的 SKU 共 5 项,全部标注「需人工复核」
紧急确认紧急程度为「紧急」的 SKU 须店长确认后执行
数据充分性历史数据不足(n<14 天)时影响系数不可靠,标注「仅供参考,建议人工判断」

报告末尾自带「⚠️ 补货建议仅供参考,请门店店长复核确认后执行采购」—— 系数越大,越需要先过人这一关。

补货单还不能直接下 —— 两处必须先经店长复核
Skill 的铁律写得很清楚:所有补货建议标注「建议店长复核后执行」,每条附计算依据。两处尤其不能省:

复核点 1 · 影响系数 >30% 的建议:共 5 项 —— 系数越大越接近「拍脑袋的边界」,且天气/事件数据获取可能受限,店长须结合本地经验复核异常信号。
复核点 2 · 紧急 SKU 与采购现实:紧急程度为「紧急」的 SKU 须店长确认 —— 实际采购还须综合考虑供应商交期、仓储容量、现金流;历史数据不足 14 天时系数仅供参考。

给出的不是「改完再算一遍」,而是:异常识别、影响量化、清单排序直接用,高系数与紧急项两处处方级复核 —— 复核 10 分钟,比 1 小时经验盘算仍快一个量级,且一类异常不漏。
之后

这一次跑完,店里多了什么

不讲省了多久 · 讲少了几个隐患、沉淀了什么
✓
五类异常第一次一次识别全 —— 降雨、店庆、销量蹿升写在同一页上
✓
每条补货建议附计算依据 —— 复核有抓手,不再凭感觉
✓
紧急 SKU 有了最晚到货时间 —— 店庆日不会再下午三点售罄
✓
清单可直接导入采购系统 —— 三方口径收进同一个文件

追问现场可能被问到的

答不上来的问题,比答得漂亮的问题更能决定这场演示的结果

能直接对接 ERP/WMS 自动下单吗?
不能 —— 不直接对接 ERP/WMS(标注「需用户自配」),也不替代店长最终采购决策;补货清单可导出 CSV 导入采购系统。
历史数据不够 14 天怎么办?
照样跑,但影响系数不可靠 —— 报告会标注「仅供参考,建议人工判断」,数据越足系数越可信。
补货量是怎么算出来的?
建议补货量 = 基础销量 ×(1 + 影响系数)× 安全系数 —— 每条建议附计算依据,出处可溯是铁律。

想了解来龙去脉?

回到场景引入,看这个场景的痛点、做法与边界