2026帆软智数先锋AI创新大赛
天气变脸货盘先变阵
浙江某服装有限公司基于二十四节气与AI数字穿搭官的智能经营决策平台
参赛单位： 中电万维信息技术有限责任公司 / 浙江某服装有限公司（脱敏需要）
参赛队伍： 数据机械师
项目名称： 天气变脸货盘先变阵
参赛方向： 数智精益+综合业务
提交时间： 2026 年 08 月02日
BI作品链接地址：https://next.finebi.com/decision/application/17760fafff864f76b512d0951e0fa1
|
不是专业预测天气，是预测天气变化之后消费者会如何选择衣服。
|
服装经营的核心矛盾，不是企业缺少天气预报，而是天气信号、消费者需求、商品库存和经营动作之间没有形成统一链路。温度升高、紫外线增强或昼夜温差扩大之后，消费者会先改变搜索和穿搭选择，销量再逐步显现；如果企业仍以历史销量和固定月份作为换季依据，就会在需求启动阶段缺货，在需求回落阶段积压。
天气变脸货盘先变阵，以二十四节气作为时间骨架，以温度、湿度、降雨、紫外线和昼夜温差作为需求驱动变量，以人群、场景、区域、品类和库存作为经营解释维度，建设四页FineBI分析看板，并设计可换装的AI数字穿搭官。四页看板分别回答-发生了什么？为什么发生？谁在什么场景需要什么？企业接下来怎么做？，由此形成发现—归因—细分—行动—验证的闭环。
本项目的竞争力不在于堆叠节气图标，而在于：每个指标均有数据来源和口径，每个模型均有适用边界和验证方案，每个建议均绑定触发条件、责任团队和验收指标。现有销售、库存、预测和ROI数据为比赛原型模拟数据，本文全部明确标注，正式提交时应使用企业脱敏真实数据、回测记录和任务闭环材料替换。
一、企业与业务问题
1.1从公开企业信息和服装经营机制出发，明确项目为什么值得做。
企业基本情况与项目适配性
XX服装有限公司成立于2010年1月，注册资本3000万元，注册地址位于浙江省杭州市，经营范围包括服饰研发、服饰制造、服装及相关产品销售和互联网销售等；
1.2服装需求的天气传导机制
天气并不会直接产生销售，它首先改变消费者的体感与活动计划，随后改变搜索、内容浏览、到店询问、加购和成交。不同品类的传导路径不同：防晒衣对紫外线和温度更敏感，针织开衫对昼夜温差更敏感，家居服可能在连续降雨和居家场景中受益。若分析仅停留在“气温升高销量增加”的相关性，无法指导选品、区域配货和营销节奏。
1.3现状断点与根因
1.4核心命题与目标
项目不是为了把24节气全部摆到页面上，而是将节气转换为经营时间坐标：在每个节气窗口内，识别主导天气因子、机会品类、重点区域、核心人群和经营动作，并通过下一节气的销售和库存结果验证判断。
1.5项目边界
项目聚焦服装经营分析和决策辅助，不替代天气预报机构、服装设计师、采购审批或仓储执行系统。数字穿搭官给出的是基于规则、数据和库存约束的建议，关键经营动作仍需人工审批。消费者分析采用人群标签，不在比赛原型中使用个人敏感信息。
二、总体方案与业务闭环
四页BI、五类模型共同服务一条经营链路。
2.1业务闭环设计
图2-1 从天气信号到经营复盘的价值链
闭环的起点是天气与节气信号，而不是已经发生的销量；闭环的终点不是展示结论，而是比较建议与实际结果。每一次节气窗口都形成一个可复用的经营实验：系统预测什么、业务采取什么动作、最终结果如何、模型下一次如何调整。
- 天气预警：识别温度、降雨、湿度、紫外线和温差的异常或阈值突破。
- 需求预测：计算品类、区域和人群场景的未来需求变化。
- 选品备货：结合库存、毛利、交期和商品生命周期筛选可执行商品。
- 调拨上新：生成区域补货、跨区调拨和上新节奏建议。
- 营销触达：输出目标人群、场景主题和内容建议。
- 效果复盘：比较预测与实际，评估售罄、周转、缺货、转化和ROI。
2.2总体技术架构
图2-2 数据、模型、BI、AI与业务应用架构
2.3四页BI叙事分工
2.4角色与权限
三、数据资产、模型与治理
所有页面共用同一套日期、商品、区域、人群和指标口径。
3.1数据来源与刷新机制
3.2星型模型与关联关系
图3-1 星型模型：经营事实连接日期、商品、区域、人群和场景维度
建议以销售事实、库存事实、预测事实、营销事实和动作事实为中心，所有事实表均通过日期键、商品键、区域键和渠道键关联；人群与场景可以采用标签桥接表，避免一个订单包含多个标签时产生重复汇总。
3.3近两年日期—节气维表
项目已生成2025年1月1日至2026年12月31日共730天的日期—节气对应表。每个日期记录节气名称、序号、季节、节气类型、起止日期、节气第几天、距下个节气天数和是否节气首日。该设计解决两类常见错误：按固定月日硬编码节气、节气排序依赖文本。
3.4指标分层与口径
3.5数据质量与安全
权限上，管理者可查看全局汇总，区域人员仅查看授权区域；消费者标签采用聚合人群，不展示可识别个人信息。模型输出需保留时间戳、模型版本、输入参数和推荐理由，支持审计。
四、BI第一页：二十四节气服装经营总览
第一页负责发现机会，不承担复杂归因。
图4-1 二十四节气·服装应时经营总览
制作步骤：
先获取数据库中的业务数据，进行脱敏处理，导入FineNext，根据脱敏需要未用数据库链接，使用excel。
准备并导入用到的图片及链接。
新增FineNext天气预报数据源，并添加到当前项目。
血缘视图展示：
进入我的分析，上传需要用的图片素材。
制作组件，导入excel后新增分析表（避免excel操作以免大家看不到），进行数据清洗准备，操作计算字段，左右合并等操作。
制作矩形块组件，拖入对应字段，设置颜色、标签、提示等。
制作场景需求饼图，拖入对应角度字段和标签字段，设置颜色、饼图样式和图例。
制作交叉表，目的给图例做说明文字，使得观看更直观。
制作节气图片中对应日期，每年日期不同，展示时间范围，使用复杂表格，利用数据准备左右合并和计算字段准备好序号、起始日期，按公式
CONCATENATE(mid(A2,6,2),"/",mid(A2,9,2),"-",mid(B2,6,2),"/",mid(B2,9,2))进行组合展示，设置好扩展方向和列宽。
新增准备用到的几个参数
按照准备好的参数进行过滤，得到当前选择日期对应的节气。
利用智能分析，制作环期增长值，先进行问答操作，经过3句话准确得到需要的产出。
回到组件，看到环期值数据清洗过程。
制作本期值KPI组件，设置颜色和大小。
使用智能分析清洗过的结果，制作环期值，设置展示方式及颜色和符号。
制作折线面积图，按节气纬度，需求指数指标展示，设置网格线和颜色，折线曲线。
制作经营建议随天气节气变化的复杂表格，设置扩展方向和字体格式。
同样的方式制作天气因子复杂表格，设置文字格式及颜色、扩展方向。
通过列转行数据准备，制作综合指数条形图，设置柱宽、颜色和标签。
通过左右合并和筛选数据清洗操作，制作商品策略的动态展示，设置展示条件格式。
先做数据清洗，对不同人群分组，使用复杂表格制作人群画像用到的对应年龄段、热度指数、偏好展示，设置条件格式和字体颜色等。
和上一步组合使用，制作人群的图片画风展示和风格关键词展示，使用复杂表格使用链接图片展示功能，设置条件格式和字体格式。
对应节气商品动态展示，使用复杂表格设置Top品类，设置展示条件格式和字体样式。
展示当前节气示意图，更直观感受节气，使用复杂表格链接图片显示功能，绑定参数选择日期后，自动展示选择日期对应的节气图片。
完成天气变化与人群穿衣机会看板制作，回到仪表板，拖出所有组件，制作3个过滤组件，并绑定字段。
4.1页面我们要考虑的三个问题？
①当前处于什么节气，天气和穿衣需求处于什么阶段？
②哪些服装品类、人群和场景正在进入机会窗口？
③管理者需要优先关注什么风险和经营动作？
页面顶部采用24节气时间轴，使全年分析始终处在统一时间坐标中。中部以需求指数、机会品类、核心人群和场景分布建立“现在发生什么”的全景；底部将结论压缩为主推方向、重点人群、重点场景、商品策略、营销主题和风险提示。
4.2数据来源与字段映射
4.3核心指标与计算逻辑
4.4品类机会示例
该表为比赛原型模拟数据。正式展示时不建议直接以大额销售预测吸引注意，而应突出品类排序为什么变化、库存能否承接以及建议动作是否被执行。
4.5交互与下钻设计
4.6页面验证与闭环
总览页的有效性应通过三个层次验证：第一，节气切换后机会品类排序是否符合实际搜索和销售变化；第二，重点区域和人群是否产生更高转化；第三，从页面发起的动作是否有任务记录和结果反馈。只有同时满足认知正确、经营可用和流程闭环，页面才不是“好看的总览”。
五、BI第二页：天气驱动服装需求机理
第二页负责解释原因、阈值和响应时滞。
图5-1 天气驱动服装需求机理
制作步骤：
先新增分析表（避免excel操作以免大家看不到），制作平均气温KPI组件。
继续制作多个天气kpi组件，同样的设置样式和不同颜色。
制作不同天气下，搜索、加购、成交的时间，计算总时长，使用kpi组件展示。
制作需求变化折线图，设置节气纬度，提升率指标，设置对应样式和颜色。
制作多个不同天气指标的面积图，设置样式和颜色、标签和网格线不显示。
制作kpi组件，多个天气拐点展示，设置颜色和展示方式。
动态展示多种天气下的品类情况，使用复杂表格，设置条件格式和字体大小。
搭配上一步使用，使用复杂表格展示对应天气下的建议展示。
通过左右合并，计算字段，列转行等操作进行数据清洗，制作矩形块组件，展示人群和场景的对应关系，设置颜色和标签。
回到仪表板，上传图片素材，排版组件。
5.1页面分析路径
分析从当前天气状态开始，先比较气温、降雨、湿度、风速、紫外线和昼夜温差；再用弹性矩阵说明哪些品类受哪些因素影响；随后用阈值图识别需求拐点，用响应链路说明天气变化到搜索、加购和成交的时间差；最后将连续高温、午后雷雨和夜间闷热等场景转换为经营建议。
5.2天气弹性矩阵
弹性系数为原型演示值，正值表示同向影响，负值表示反向影响，绝对值表示敏感程度。它不等于因果贡献率；正式模型需要控制促销、节假日、趋势、价格和区域固定效应，并报告置信区间。
5.3建模方法
温度加入平方项用于识别非线性；节气、区域、品类和渠道可使用固定效应；天气变量可以加入0—7天滞后项，识别消费者从天气变化到成交的延迟。若数据量足够，可使用GAM或树模型捕捉更复杂关系，再用SHAP解释，但业务输出仍应回到明确阈值和动作。
5.4阈值与响应时滞
原型数据设定搜索平均滞后约0.5—0.8天、成交约2.4—2.7天。正式验证应基于站内搜索、点击、加购和订单时间戳计算交叉相关，并按品类和区域分别估计。
5.5极端天气推演
5.6模型验证与业务解释
六、BI第三页：人群×场景×区域穿衣差异
第三页将天气机会细分到具体人群与生活场景。
图6-1 人群、场景与穿衣差异
制作步骤：
先简单制作面料占比饼图，单独做数据准备列转行、分类汇总，设置颜色、不显示标签。
搭配上一步使用，给饼图展示对应颜色的面料和占比，更直观展示。
动态展示不同人群的画像，含人物形象图片，风格、年龄、人群，使用复杂表格设置扩展方向、字体颜色大小等。
使用复杂表格，展示不同人群、区域、场景下的Top品类情况，设置扩展方向、字体样式等。
展示需求热度，使用矩形块展示不同年龄的不同场景的需求，设置颜色、标签等。
使用柱形图组件，展示不同地区的体感温度差异，设置颜色和标签。
使用条形图组件，展示不同人群年龄段的客单价对比，设置颜色和标签。
使用交叉表组件，制作明细表格。
回到仪表板，利用组件的组合功能，方便排版。
6.1分析目标
同样的32℃高温，年轻学生可能关注运动和性价比，都市白领关注通勤、质感和易打理，品质妈妈关注防晒、舒适和亲子场景，银发人群关注轻便、易穿脱和健康防护。因此第三页不再重复天气指标，而是把第二页的天气结论转换为人群需求和商品表达。
6.2人群×场景热度矩阵
热度指数是相对偏好，不是人群规模。业务判断时需要同时查看该人群样本量、消费占比和可触达规模，避免把“小而高热”的人群误判为最大市场。
6.3人群画像维度
6.4推荐评分框架
6.5区域体感差异
区域分析不能只使用行政区平均温度。同一温度在高湿地区和干燥地区的体感不同，海拔、风速、昼夜温差和生活习惯也会影响穿衣。建议以体感温度或天气特征向量替代单一气温，并保留区域固定效应。
6.6从分析到数字人换装（正在研究进行）
用户选择节气、区域、人群和场景后，页面将推荐品类和材质传给数字穿搭官。数字人切换对应服装资产，并以自然语言说明天气依据、人群依据和库存依据。用户继续点击某一品类时，可下钻到SKU、库存和区域供给，而不是停留在抽象穿搭图。
七、BI第四页：经营落地与预测闭环
第四页将洞察变成任务，将任务变成可验证结果。
图7-1 经营落地与预测闭环
制作步骤：
先进行数据清洗后，制作各大区kpi组件，动态展示对应当前节气下的营销重点和增长预期。
使用复杂表格，制作货品调拨建议及建议数量，设置扩展方向，使用插入图片和符号，设置字体样式。
使用复杂表格，制作调拨品类，搭配上一步展示，设置扩展方向、左父格、字体样式和背景。
制作四象限组件，设置大小和颜色、标签和参考线，展示过滤日期当前节气下的机会品类。
使用复杂表格，制作品类预计销量与同比表格，设置字体样式与背景，设置扩展方向。
使用复杂表格，展示风险等级和品类、经营建议，设置字体样式和背景，设置扩展方向。
通过左右合并，删除重复行数据清洗后，制作极端天气下的经营建议，使用交叉表组件。
数据准备活动建议，制作活动周期设置，公式展示。
使用复杂表格，展示活动时间安排，动态展示当前时间下的活动，设置字体样式、符号、背景等。
综合得分的仪表盘展示，满分为100分，回顾了活动及天气影响和营销执行的综合得分。
搭配上一步的仪表盘使用，展示综合得分的环期情况。
制作折线图+柱形图，纬度用节气，并排序，指标为增长值和增长率，设置颜色和标签。
准备制作未来7天天气组件，数据准备天气符号。
数据准备，拆分风向。
制作今日天气，设置合适的字体大小，并按省份和城市可以用过滤组件过滤。
使用复杂表格，设置未来7天天气情况预警，设置左父格、扩展方向和条件格式。
回到仪表板，使用组合方便排版，并美化组件，完成制作。
7.1页面业务逻辑
页面以机会品类矩阵确定优先级，以区域备货建议和销量预测识别供需缺口，以库存调拨和营销排期形成动作，再用预测达成、售罄、周转、转化和闭环得分评价效果。它不是“第四张总结图”，而是前面三页的执行出口。
7.2区域库存风险示例
以上为模拟数据，用于展示公式和页面逻辑。实际缺货分析应细化到SKU、颜色、尺码和仓库，并扣除锁定库存、残次和不可售库存。
7.3补货与调拨计算
7.4营销节气排期
7.5任务单与责任闭环
7.6RACI与闭环评价
闭环得分应避免变成一个不可解释的总分。页面需要同时展示分项：预警是否命中、预测是否偏高或偏低、任务是否按时完成、库存是否改善、营销是否有效、模型是否完成复盘。
八、算法体系、回测与模型治理
模型名称不是亮点，能够复算、解释和验证才是亮点。
8.1模型组合策略
图9-1 天气感知、需求预测、推荐、库存与闭环模型流水线
8.2需求预测特征体系
预测应采用按时间滚动的训练—验证切分，并与移动平均、去年同期等简单基线比较。若复杂模型未稳定优于基线，不应仅因为“AI”标签而上线。
8.3分层预测与一致性
业务同时需要全国、区域、渠道和品类预测。若各层独立建模，可能出现区域之和不等于全国的矛盾。建议采用层级预测或预测后协调，使全国—区域—渠道—品类在汇总关系上保持一致；对样本少的长尾SKU，可先预测品类或款式，再按历史结构分配。
8.4回测指标与诊断
8.5模型版本和监控
九、组织流程、任务闭环与运营机制
把一次参赛原型沉淀为可持续使用的经营制度。
9.1业务会议嵌入
9.2预警分级
9.3任务闭环状态机
任务状态不能只在Excel中手工维护，应与企业现有OA、简道云或任务系统连接。FineBI负责展示和跳转，任务系统负责审批、催办和结果录入。
9.4经营复盘模板
十、价值证明与真实性佐证
把“看起来有用”转化为可验收、可审计的业务价值。
10.1价值指标体系
10.2原型模拟指标
十一、附录：指标、数据、样例与参考资料
附录用于复算、开发和答辩，不以空泛文字增加页数。
附录A 重点指标字典
附录B 模型字段与接口
附录C 原型数据成熟度
附录D 参考资料
- R1 帆软软件官网：2026智数先锋AI创新大赛活动介绍，强调真实业务场景、AI与数据能力融合。
- R2 帆软学院：《2026智数先锋AI创新大赛 FineBI Next：让企业数据分析进入AI原生时代》，强调创新性、实用性和落地价值。
- R3 帆软社区赛事公开说明：比赛不仅关注好看的报表，也关注真实问题、清晰框架、可落地、可衡量和可复用成果。
- R4 爱企查、企查查公开工商信息：浙江某服装有限公司基本工商信息。企业正式提交前应以国家企业信用信息公示系统或企业盖章材料复核。
- R5 用户提供《天气变化与人群穿衣（2）》PDF：四页BI页面及视觉内容。
- R6 项目Excel：《天气变脸货盘先变阵_单页获奖BI数据表_含近2年日期节气表.xlsx》。
结语
二十四节气不是装饰，天气数据不是背景，也不是形象包装。项目最终需要建立一条可追溯、可解释、可执行、可验证的经营链路：自然变化被转换为需求信号，需求信号被转换为商品与库存动作，动作结果被转换为新的模型经验。只有这条链路真实运行，作品才从比赛原型成长为企业能力。
十二、24节气经营作战手册
本章把全年24节气逐一转化为可执行的服装经营假设。它不是把节气名称换成营销文案，而是为每个节气定义天气关注点、机会品类、重点人群、库存动作和风险检查。正式运行时，每个策略均应由实时天气和企业实际库存校正。
12.1春季策略总览
春季的核心不是一次性换季，而是“升温—反复—降雨—稳定”的渐进过程。策略上应采用小批量试水、快速补单和叠穿组合，避免按固定月份一次性压货。
12.2夏季策略总览
夏季需要同时处理高温、高湿、强紫外线和强对流。防晒和清凉品类可能同时增长，但台风、降雨和天气反转会使需求快速切换，补货应缩短周期并使用预测区间。
12.3秋季策略总览
秋季最关键的信号是昼夜温差和区域降温速度。叠穿是连接夏秋的核心商品逻辑，区域配货不能以全国平均温度替代。
12.4冬季策略总览
冬季重点关注寒潮强度、持续时间、物流交期和保暖品类尺码结构。暖冬会带来高库存风险，因此应使用分批补货和跨区调拨。
十三、重点品类经营手册
品类手册将天气机理、目标人群、库存逻辑和营销表达统一起来。每个品类的阈值与弹性来自原型数据，仅作为建模和页面说明样例。
13.1防晒衣
防晒衣的需求主要受紫外线、气温影响，原型经营触发条件为UV≥8，温度持续升高。重点人群包括年轻通勤、都市白领、品质妈妈，主要应用于通勤、户外、旅行场景。商品表达应突出“轻薄、防晒、透气、易收纳”，而不是只使用节气名称做包装。
库存策略：华东华南优先，避免UV回落后过量补货。页面应同时展示需求趋势、可用库存、可售天数、预测区间和生命周期，避免单凭需求热度自动增加库存。
13.2短袖T恤
短袖T恤的需求主要受气温影响，原型经营触发条件为温度≥28℃。重点人群包括学生、年轻通勤、全人群，主要应用于通勤、户外、居家场景。商品表达应突出“清凉、基础、百搭”，而不是只使用节气名称做包装。
库存策略：基础款保证深度，时尚款控制生命周期。页面应同时展示需求趋势、可用库存、可售天数、预测区间和生命周期，避免单凭需求热度自动增加库存。
13.3连衣裙
连衣裙的需求主要受气温、紫外线、降雨反向影响，原型经营触发条件为温度升高且降雨较低。重点人群包括都市女性、品质妈妈，主要应用于通勤、旅行、约会场景。商品表达应突出“轻盈、优雅、凉感”，而不是只使用节气名称做包装。
库存策略：关注天气反转与款式生命周期。页面应同时展示需求趋势、可用库存、可售天数、预测区间和生命周期，避免单凭需求热度自动增加库存。
13.4凉感裤
凉感裤的需求主要受气温、湿度影响，原型经营触发条件为高温高湿。重点人群包括白领、年轻通勤、中年，主要应用于通勤、旅行场景。商品表达应突出“凉感、速干、弹力”，而不是只使用节气名称做包装。
库存策略：面料卖点要可验证，尺码结构完整。页面应同时展示需求趋势、可用库存、可售天数、预测区间和生命周期，避免单凭需求热度自动增加库存。
13.5衬衫
衬衫的需求主要受温度、场景影响，原型经营触发条件为18—28℃通勤窗口。重点人群包括都市白领、中年，主要应用于商务、通勤场景。商品表达应突出“透气、易打理、质感”，而不是只使用节气名称做包装。
库存策略：四季基础品，按材质和厚薄切换。页面应同时展示需求趋势、可用库存、可售天数、预测区间和生命周期，避免单凭需求热度自动增加库存。
13.6薄外套
薄外套的需求主要受昼夜温差、降雨影响，原型经营触发条件为温差≥8℃或降雨增强。重点人群包括通勤、银发、旅行，主要应用于通勤、户外场景。商品表达应突出“叠穿、防风、防泼水”，而不是只使用节气名称做包装。
库存策略：区域差异大，适合跨区调拨。页面应同时展示需求趋势、可用库存、可售天数、预测区间和生命周期，避免单凭需求热度自动增加库存。
13.7针织开衫
针织开衫的需求主要受昼夜温差、降温影响，原型经营触发条件为温差扩大或温度回落。重点人群包括都市女性、银发、品质妈妈，主要应用于通勤、居家场景。商品表达应突出“柔软、保暖、叠穿”，而不是只使用节气名称做包装。
库存策略：南北节奏不同，控制颜色与尺码。页面应同时展示需求趋势、可用库存、可售天数、预测区间和生命周期，避免单凭需求热度自动增加库存。
13.8家居服
家居服的需求主要受湿度、降雨、居家场景影响，原型经营触发条件为连续降雨或夜间闷热。重点人群包括品质妈妈、家庭、银发，主要应用于居家场景。商品表达应突出“亲肤、透气、舒适”，而不是只使用节气名称做包装。
库存策略：重视材质和复购，不只看天气。页面应同时展示需求趋势、可用库存、可售天数、预测区间和生命周期，避免单凭需求热度自动增加库存。
十四、人群与场景运营手册
人群手册用于把第三页热力矩阵转化为内容、商品表现。标签必须来自授权数据或调研，不应把年龄与风格简单绑定。
14.1年轻学生
偏好关键词：潮流、运动、性价比。重点场景：户外、旅行、居家。机会品类：短袖T恤、短裤、卫衣。内容策略：用运动和校园场景表达，控制价格门槛。
表现建议：保持统一品牌角色，但通过服装组合、动作和场景背景表达差异，不必为每类人群创建完全不同的人体模型；同时提供“为什么推荐”和“库存是否可售”的解释。
14.2年轻通勤
偏好关键词：简约、休闲、清爽。重点场景：通勤、户外、旅行。机会品类：防晒衣、T恤、凉感裤。内容策略：强调一衣多场景和易打理。
表现建议：保持统一品牌角色，但通过服装组合、动作和场景背景表达差异，不必为每类人群创建完全不同的人体模型；同时提供“为什么推荐”和“库存是否可售”的解释。
14.3都市白领
偏好关键词：通勤、质感、易打理。重点场景：商务、通勤、旅行。机会品类：衬衫、休闲裤、防晒外套。内容策略：用材质、版型和通勤效率表达。
表现建议：保持统一品牌角色，但通过服装组合、动作和场景背景表达差异，不必为每类人群创建完全不同的人体模型；同时提供“为什么推荐”和“库存是否可售”的解释。
14.4品质妈妈
偏好关键词：舒适、安全、实用。重点场景：居家、户外、亲子旅行。机会品类：防晒衣、连衣裙、家居服。内容策略：强调亲肤、防晒和亲子适配。
表现建议：保持统一品牌角色，但通过服装组合、动作和场景背景表达差异，不必为每类人群创建完全不同的人体模型；同时提供“为什么推荐”和“库存是否可售”的解释。
14.5银发人群
偏好关键词：轻便、易穿脱、健康防护。重点场景：居家、通勤、旅行。机会品类：针织开衫、薄外套、休闲裤。内容策略：强调舒适、功能与安全，不使用刻板化话术。
表现建议：保持统一品牌角色，但通过服装组合、动作和场景背景表达差异，不必为每类人群创建完全不同的人体模型；同时提供“为什么推荐”和“库存是否可售”的解释。
十五、区域经营与调拨手册
区域手册将天气体感、需求热度和库存风险放在同一张表中。原型数据以七大区域示范，正式应用应下钻到省、市、仓和门店，并考虑运输时效和调拨成本。
15.1华东
高温高湿和渠道规模并存，夏季重点关注防晒、清凉与通勤品类。
执行规则：先校验预测区间和SKU结构，再计算区域缺口；调拨应比较来源区域未来需求、运输时间、成本和门店容量，避免只根据总库存进行“拆东墙补西墙”。
15.2华南
热季长、湿度高，清凉和速干品类周期更长，但台风降雨扰动明显。
执行规则：先校验预测区间和SKU结构，再计算区域缺口；调拨应比较来源区域未来需求、运输时间、成本和门店容量，避免只根据总库存进行“拆东墙补西墙”。
15.3华中
四季分明且高温显著，需关注夏季峰值与换季温差。
执行规则：先校验预测区间和SKU结构，再计算区域缺口；调拨应比较来源区域未来需求、运输时间、成本和门店容量，避免只根据总库存进行“拆东墙补西墙”。
15.4华北
昼夜温差和季节转换更明显，叠穿与保暖品类启动更早。
执行规则：先校验预测区间和SKU结构，再计算区域缺口；调拨应比较来源区域未来需求、运输时间、成本和门店容量，避免只根据总库存进行“拆东墙补西墙”。
15.5西南
海拔和湿度差异大，应按城市气候分群，不使用区域平均。
执行规则：先校验预测区间和SKU结构，再计算区域缺口；调拨应比较来源区域未来需求、运输时间、成本和门店容量，避免只根据总库存进行“拆东墙补西墙”。
15.6西北
干燥、温差大，防晒与叠穿同时存在，物流半径需关注。
执行规则：先校验预测区间和SKU结构，再计算区域缺口；调拨应比较来源区域未来需求、运输时间、成本和门店容量，避免只根据总库存进行“拆东墙补西墙”。
15.7东北
冬季长、保暖需求高，夏季短，库存季节切换要求高。
执行规则：先校验预测区间和SKU结构，再计算区域缺口；调拨应比较来源区域未来需求、运输时间、成本和门店容量，避免只根据总库存进行“拆东墙补西墙”。
十六、数据质量、计算样例与技术实现
16.1数据质量检查清单
16.2关键计算样例
16.3数据集加工伪代码
- 销售事实 LEFT JOIN 日期节气维表 ON sales_date = date_key
- LEFT JOIN 区域天气日表 ON date_key + region_key
- LEFT JOIN 商品维表 ON product_key
- 计算可用库存 = current_stock + in_transit - locked - damaged
- 生成天气滞后特征：temp_lag1、rain_lag1、uv_lag3 等
- 计算节气内天数和距下个节气天数
- 按日期、区域、品类输出训练集；按模型版本保存预测结果
- 将推荐与动作结果写入 fact_action_result 供闭环复盘
十七、模型验证实验设计
本章给出可直接执行的验证方案，避免只列MAPE、准确率等指标却没有实验过程。
17.1天气特征增益实验
使用滚动窗口回测，对每个节气分别报告WAPE、Bias和预测区间覆盖率。如果B3或B4没有稳定优于B1，应重新检查数据质量、特征或分层，而不是只挑选表现最好的窗口汇报。
17.2阈值有效性实验
- 将天气因子按业务候选阈值分组，例如UV<6、6—8、≥8。
- 控制节气、区域、品类、促销和趋势，比较阈值前后需求差异。
- 通过Bootstrap或事件研究估计置信区间。
- 在下一年度或留出区域复验，避免只拟合当前样本。
- 若阈值不稳定，则改用连续曲线和预测区间，不对业务输出硬阈值。
17.3推荐A/B测试
测试应以用户或门店为随机化单位，避免同一用户在不同组间污染。
17.4库存闭环试点
十八、FineBI Next组件说明
从业务设计转向FineBI Next方框图清单的展示。
18.1公共数据准备流程
18.2公共筛选器与参数
18.3第一页组件规格
18.4第二页组件规格
18.5第三页组件规格
18.6第四页组件规格
18.7页面性能与可用性
十九、详细指标字典与计算口径
综合指数的拆解方法如下，下表列出基础、分析、决策和成效指标，并列出公式或计算逻辑。正式落地在FineBI的指标中实现。
二十、测试用例与验收标准
测试不仅检查图表是否能打开，还要覆盖数据、交互、模型、任务和权限。以下用例可作为UAT脚本基础。
20. 1用户验收标准
二十一、十个端到端业务用例
业务用例用于证明四页BI、模型不是并列功能，而是能够在具体经营事件中协同工作。每个用例均包含触发、分析、动作、责任与验证。
UC01 大暑高温防晒爆发
实施要点：系统必须保存触发时点的数据快照、模型版本和建议内容；动作发生后再录入实际数量、完成时间和结果，确保复盘不是事后重新解释。
UC02 午后雷雨需求切换
实施要点：系统必须保存触发时点的数据快照、模型版本和建议内容；动作发生后再录入实际数量、完成时间和结果，确保复盘不是事后重新解释。
UC03 白露昼夜温差扩大
实施要点：系统必须保存触发时点的数据快照、模型版本和建议内容；动作发生后再录入实际数量、完成时间和结果，确保复盘不是事后重新解释。
UC04 寒潮提前到达
实施要点：系统必须保存触发时点的数据快照、模型版本和建议内容；动作发生后再录入实际数量、完成时间和结果，确保复盘不是事后重新解释。
UC05 夏装天气反转
实施要点：系统必须保存触发时点的数据快照、模型版本和建议内容；动作发生后再录入实际数量、完成时间和结果，确保复盘不是事后重新解释。
UC06 都市白领通勤活动
实施要点：系统必须保存触发时点的数据快照、模型版本和建议内容；动作发生后再录入实际数量、完成时间和结果，确保复盘不是事后重新解释。
UC07 品质妈妈亲子出游
实施要点：系统必须保存触发时点的数据快照、模型版本和建议内容；动作发生后再录入实际数量、完成时间和结果，确保复盘不是事后重新解释。
UC08 银发人群换季防护
实施要点：系统必须保存触发时点的数据快照、模型版本和建议内容；动作发生后再录入实际数量、完成时间和结果，确保复盘不是事后重新解释。
UC09 新品冷启动
实施要点：系统必须保存触发时点的数据快照、模型版本和建议内容；动作发生后再录入实际数量、完成时间和结果，确保复盘不是事后重新解释。
UC10 节气复盘与模型校准
实施要点：系统必须保存触发时点的数据快照、模型版本和建议内容；动作发生后再录入实际数量、完成时间和结果，确保复盘不是事后重新解释。
二十三、需求—数据—页面—动作追溯矩阵
追溯矩阵确保每个业务问题都有数据支撑，每个页面结论都能进入动作，每个动作都有结果指标。它也是答辩时应对“这个数字从哪里来、看完以后做什么”的核心工具。
每次结束都是新的开始，欢迎大家交流，共同提高~
