预测推演 Skill#

执行模式#

• 强模型（Claude Opus/Sonnet, GPT-4o/5）：遵循"原则"段落，自行决定实现细节
• 标准模型（Qwen, DeepSeek, Llama）：严格按"模板"段落执行，使用提供的代码块，不要自行改写

如果你不确定自己属于哪个类别，请按"标准模型"模式执行。

定位#

本 Skill 回答的核心问题是： "接下来会怎样？"

它是分析链条中面向未来的一环：

text

metric-query（过去发生了什么）
anomaly-detection（现在正不正常）
metric-attribution（为什么会这样）
forecast-simulation（接下来会怎样）← 本 Skill

---

四种推演能力#

类型核心问题典型场景趋势外推按目前趋势，未来值是多少？"月底销售额能到多少"目标缺口能不能完成目标？差多少？"离 KPI 还差多远""日均需要多少"What-if 模拟如果改变某个条件，结果会怎样？"客单价提升 10% GMV 会变多少"耗尽/饱和预测按当前消耗/增长速度，还能撑/到多久？"库存还能卖几天""多久能回本"

---

数据获取方式#

本 Skill 的所有数据查询均 委派 metric-query Skill 执行，不直接调用 Gateway API。

需要数据时，向 metric-query Skill 提供查询意图即可，例如：

• "搜索与销售额相关的指标"
• "查询 retail_amt 近30天按天展开的数据"
• "查询本月至今的累计销售额"
• "查询当前库存量"

metric-query Skill 负责 API 认证、请求构建等所有细节。本 Skill 聚焦于拿到数据后的 预测推演逻辑。

---

推演类型一：趋势外推#

适用场景#

用户关心"按目前趋势往后走会怎样"：

• "这个月底销售额能到多少"
• "按这个速度年底库存周转率能改善到多少"
• "照这个趋势下个月会怎样"

执行步骤#

Step 1：拉历史数据

根据预测时间跨度选择合适的历史窗口和粒度：

预测目标历史窗口时间粒度月底（剩余数天）近 30 天按天下个月近 3-6 个月按月季度/年度近 6-12 个月按月

委派 metric-query 查询：查询 retail_amt 近30天按天展开的数据。

参考查询参数：

json

{
    "metrics": ["retail_amt"],
    "dimensions": ["metric_time__day"],
    "timeConstraint": "DateTrunc(['metric_time'], \"DAY\") >= DATEADD(DateTrunc(NOW(), \"DAY\"), -30, \"DAY\") AND ['metric_time__day'] < DateTrunc(NOW(), \"DAY\")",
    "orders": [{"metric_time__day": "asc"}]
}

Step 2：拟合趋势

在本地用 Python 进行趋势拟合：

选择拟合方法：

• 线性回归：适用于稳定增长/下降趋势，最常用
• 移动平均：适用于波动较大的数据，用近 N 天均值作为未来预估
• 加权移动平均：近期数据权重更高，适合趋势有变化的场景

完整 Python 代码（标准模型直接复制执行）：

python

import numpy as np

def forecast_trend(values, remaining_days, method="linear"):
    """
    输入：
      values: list, 历史每日指标值（按时间升序）
      remaining_days: int, 需要预测的天数
      method: str, "linear"（线性回归）/ "moving_avg"（移动平均）/ "weighted_avg"（加权移动平均）
    输出：
      forecast: dict, 包含预测值和置信区间
    """
    n = len(values)
    days = np.arange(1, n + 1)

    if method == "linear":
        # 线性回归
        slope, intercept = np.polyfit(days, values, 1)
        future_days = np.arange(n + 1, n + remaining_days + 1)
        predicted = slope * future_days + intercept
        daily_forecast = float(np.mean(predicted))

    elif method == "moving_avg":
        # 简单移动平均（取最近 7 天均值）
        window = min(7, n)
        daily_forecast = float(np.mean(values[-window:]))
        predicted = [daily_forecast] * remaining_days

    elif method == "weighted_avg":
        # 加权移动平均（近期权重更高）
        window = min(14, n)
        recent = values[-window:]
        weights = np.arange(1, len(recent) + 1, dtype=float)  # 线性递增权重
        weights /= weights.sum()
        daily_forecast = float(np.average(recent, weights=weights))
        predicted = [daily_forecast] * remaining_days

    # 累计预测
    existing_total = sum(values)
    forecast_total = existing_total + sum(predicted)

    # 置信区间（基于近期波动的标准差）
    recent_std = float(np.std(values[-min(7, n):], ddof=1)) if n >= 3 else 0
    margin = recent_std * np.sqrt(remaining_days) * 1.5  # 简化的置信区间

    result = {
        "method": method,
        "daily_forecast": daily_forecast,
        "forecast_total": forecast_total,
        "lower_bound": forecast_total - margin,
        "upper_bound": forecast_total + margin,
        "existing_total": existing_total,
        "remaining_days": remaining_days,
    }

    print(f"预测方法：{method}")
    print(f"  已有累计：{existing_total:,.0f}")
    print(f"  预测日均：{daily_forecast:,.0f}")
    print(f"  月底预估：{forecast_total:,.0f}")
    print(f"  预估区间：{result['lower_bound']:,.0f} ~ {result['upper_bound']:,.0f}")

    return result

# 使用示例：
# result = forecast_trend(daily_values, remaining_days=13, method="linear")

Step 3：输出预测结论

text

📊 趋势预测：{指标名}

- 本月截至今天累计：{已有值}
- 近 7 天日均：{日均值}
- 按当前趋势，月底预估：{预估值}
- 预估区间（基于近期波动）：{下限} ~ {上限}

⚠️ 前提假设：假设未来 {N} 天延续近期趋势，不考虑大促、节假日等特殊事件。

重要：不确定性说明#

趋势外推必须附带前提假设和不确定性说明，因为：

• 线性外推无法预测突变（大促、政策变化）
• 时间越远，不确定性越大
• 近期趋势可能不代表未来

---

推演类型二：目标缺口分析#

适用场景#

用户关心"能不能达标"：

• "这个月能完成 1800 万的目标吗"
• "距离季度 KPI 还差多少"
• "要达标每天需要卖多少"

执行步骤#

Step 1：获取当前进度

委派 metric-query 查询：查询本月至今的累计销售额。

参考查询参数：

json

{
    "metrics": ["mtd_val"],
    "metricDefinitions": {
        "mtd_val": {
            "refMetric": "retail_amt",
            "period": "grain_to_date 0 month of 0 day"
        }
    },
    "timeConstraint": "['metric_time__day']= DATEADD(DateTrunc(NOW(), \"DAY\"), -1, \"DAY\")"
}

Step 2：计算缺口

完整 Python 代码（标准模型直接复制执行）：

python

def assess_target_gap(current_total, target, remaining_days, recent_daily_avg):
    """
    输入：
      current_total: float, 当前累计值
      target: float, 目标值
      remaining_days: int, 剩余天数
      recent_daily_avg: float, 近期日均值（如近7天日均）
    输出：
      assessment: dict, 包含缺口和可行性评估
    """
    gap = target - current_total
    completion_rate = current_total / target * 100 if target > 0 else 0
    required_daily = gap / remaining_days if remaining_days > 0 else float('inf')
    feasibility_ratio = required_daily / recent_daily_avg if recent_daily_avg > 0 else float('inf')

    if feasibility_ratio < 1.0:
        assessment = "✅ 按当前节奏可轻松达标"
    elif feasibility_ratio < 1.3:
        assessment = "⚠️ 需保持当前势头，有一定压力"
    else:
        assessment = "🔴 达标难度较大，需要额外措施"

    result = {
        "target": target,
        "current_total": current_total,
        "gap": gap,
        "completion_rate": completion_rate,
        "remaining_days": remaining_days,
        "required_daily": required_daily,
        "recent_daily_avg": recent_daily_avg,
        "feasibility_ratio": feasibility_ratio,
        "assessment": assessment,
    }

    print(f"🎯 目标达成分析：")
    print(f"  目标：{target:,.0f}")
    print(f"  当前进度：{current_total:,.0f}（完成 {completion_rate:.1f}%）")
    print(f"  剩余缺口：{gap:,.0f}")
    print(f"  剩余天数：{remaining_days} 天")
    print(f"  达标需日均：{required_daily:,.0f}")
    print(f"  当前日均：{recent_daily_avg:,.0f}")
    print(f"  需要当前日均的 {feasibility_ratio:.1f} 倍")
    print(f"  评估：{assessment}")

    return result

# 使用示例：
# result = assess_target_gap(8500000, 18000000, 13, 650000)

Step 3：输出分析

text

🎯 目标达成分析：{指标名}

目标：{目标值}
当前进度：{已有值}（完成 {完成率}%）
剩余缺口：{缺口值}
剩余天数：{N} 天

达标条件：日均需达到 {所需日均}
当前日均：{近期日均}
比值：需要当前日均的 {倍数} 倍

评估：
- {倍数 < 1.0}  → ✅ 按当前节奏可轻松达标
- {1.0 ≤ 倍数 < 1.3} → ⚠️ 需要保持当前势头，有一定压力
- {倍数 ≥ 1.3} → 🔴 达标难度较大，需要额外措施

目标值的来源#

• 用户直接给出（"目标是 1800 万"）→ 直接使用
• 对话中提到过 → 从对话上下文中提取
• 用户没给 → 询问用户，或用去年同期作为参考基线

---

推演类型三：What-if 模拟#

适用场景#

用户想模拟"改变某个条件会怎样"：

• "如果客单价提升 10%，GMV 会变多少"
• "如果 UV 翻倍但转化率降一半呢"
• "降价 15% 对销售额的影响"

执行步骤#

Step 1：确定因子公式

What-if 模拟依赖业务因子公式。与 metric-attribution 的因子拆解共享相同的公式知识，但方向相反：

metric-attributionforecast-simulation方向已知结果 → 找原因假设原因 → 算结果问法"GMV 为什么跌了""如果客单价涨 10% GMV 变多少"输入结果指标的变化因子的假设变化输出各因子的贡献度结果指标的预估值

常用公式（与 metric-attribution 一致）：

复合指标公式GMV / 销售额UV × 转化率 × 客单价销售额购买人数 × 客单价利润收入 - 成本利润率利润 / 收入

Step 2：获取当前各因子值

委派 metric-query 搜索指标：关键词=UV,转化率,客单价

委派 metric-query 查询：查询 visitor_cnt、buyer_cnt、AOV 等因子在上月的值。

参考查询参数：

json

{
    "metrics": ["visitor_cnt", "buyer_cnt", "AOV"],
    "timeConstraint": "DateTrunc(['metric_time'], \"MONTH\") = DATEADD(DateTrunc(NOW(), \"MONTH\"), -1, \"MONTH\")"
}

如果转化率等没有直接指标，metric-query Skill 可用 metricDefinitions + expr 计算。

Step 3：模拟计算

python

# 当前值
uv = 100000
cvr = 0.032
aov = 680
gmv = uv * cvr * aov  # = 2,176,000

# 用户假设：客单价提升 10%
new_aov = aov * 1.10   # = 748
new_gmv = uv * cvr * new_aov  # = 2,393,600

delta = new_gmv - gmv          # = 217,600
delta_pct = delta / gmv        # = 10%

Step 4：输出模拟结果

text

🔮 What-if 模拟：客单价提升 10%

基础公式：GMV = UV × 转化率 × 客单价

            当前值        模拟值       变化
UV          100,000      100,000      不变
转化率       3.2%         3.2%        不变
客单价       ¥680         ¥748        +10%
─────────────────────────────────────────
GMV         ¥217.6万     ¥239.4万     +10%（+¥21.8万）

⚠️ 前提假设：假设提升客单价不会影响 UV 和转化率。
实际中，提价可能导致转化率下降，净效果可能小于模拟值。

多因子联动模拟#

用户可能想同时改变多个因子（"UV 翻倍但转化率降一半"）：

python

new_uv = uv * 2.0      # UV 翻倍
new_cvr = cvr * 0.5     # 转化率降一半
new_aov = aov           # 客单价不变
new_gmv = new_uv * new_cvr * new_aov  # 结果不变

注意：多因子联动时必须在输出中明确所有假设条件，避免用户只记住结论忘了前提。

---

推演类型四：耗尽/饱和预测#

适用场景#

用户关心"按当前速度，资源还能支撑多久"：

• "库存还能撑几天"
• "按这个消耗速度预算什么时候花完"
• "按目前增速多久能达到 XX 用户量"

执行步骤#

Step 1：获取当前存量和消耗速率

委派 metric-query 查询：查询当前库存量。

参考查询参数：

json

{
    "metrics": ["inventory_qty"],
    "timeConstraint": "['metric_time__day']= DATEADD(DateTrunc(NOW(), \"DAY\"), -1, \"DAY\")"
}

委派 metric-query 查询：查询近 14 天日均消耗量。

参考查询参数：

json

{
    "metrics": ["daily_consumption"],
    "metricDefinitions": {
        "daily_consumption": {
            "refMetric": "sales_qty",
            "period": "to_date -13 day of 0 day",
            "preAggs": [{"granularity": "DAY", "calculateType": "AVG"}]
        }
    },
    "timeConstraint": "['metric_time__day']= DATEADD(DateTrunc(NOW(), \"DAY\"), -1, \"DAY\")"
}

Step 2：计算

python

current_stock = 12400    # 当前库存
daily_consumption = 580  # 日均消耗

days_remaining = current_stock / daily_consumption  # ≈ 21.4 天
depletion_date = today + timedelta(days=int(days_remaining))

Step 3：输出

text

📦 库存耗尽预测

当前库存：12,400 件
近 14 天日均消耗：580 件/天
预计可用天数：约 21 天
预计耗尽日期：4 月 8 日前后

⚠️ 如果消耗速度加快（如大促），耗尽会提前。
按近 7 天日均（620 件/天）计算，可用天数缩短至约 20 天。

---

通用原则#

前提假设必须透明#

每一个推演结果都必须附带前提假设。用户需要知道"这个预测是在什么条件下成立的"，才能判断是否可信。

常见需要声明的前提：

• "假设未来延续近期趋势"
• "假设没有大促、节假日等特殊事件"
• "假设改变 X 不会影响 Y"（What-if 模拟中因子独立性假设）
• "基于近 N 天数据推算"

不要给出虚假的精确度#

推演结果本身带有不确定性，不要输出过于精确的数字给用户错误的信心。

• ❌ "月底预估销售额为 15,263,847.32 元"
• ✅ "月底预估销售额约 1,520-1,530 万"

适时给出区间而非点估计#

在趋势外推中，如果近期数据波动较大，给出预估区间比单个点估计更有价值：

python

# 用近期波动的标准差构建区间
forecast_low = forecast - 1.5 * std
forecast_high = forecast + 1.5 * std

知道自己的边界#

本 Skill 做的是简单的数学推算，不是统计预测模型。对于以下场景应诚实说明局限性：

• 存在明显季节性 → "建议参考去年同期数据辅助判断"
• 即将有大促/节假日 → "近期有特殊事件，纯趋势外推可能失准"
• 预测周期过长（>3个月）→ "长期预测不确定性大，建议定期更新"

---

常见错误模式#

❌ 不说前提假设：给了一个预测数字但没解释"基于什么条件推出来的"。用户无法判断可信度。

❌ 虚假精度：推算结果精确到个位数。简单外推不具备这种精度，应当用"约"或给出区间。

❌ 因子独立性假设不告知：What-if 模拟中说"客单价提升 10% GMV 增 10%"，但没提"假设转化率不受影响"。实际中提价几乎一定会影响转化率。

❌ 用过短的历史做长期预测：拿 7 天数据预测全年走势。历史窗口应与预测跨度匹配。

❌ 忽略季节性：用淡季数据外推旺季，或反过来。如果用户的业务有季节性，应提醒用户。

❌ 拿到的因子公式不对：What-if 模拟中用了错误的业务公式。因子公式必须与用户确认，或从 metric-attribution 的已有知识中复用。

❌ 在本 Skill 中做归因：用户问"如果 XX 会怎样"时顺便分析了"为什么现在 XX 不好"。归因是 metric-attribution 的事，本 Skill 只做"假设→推算"。