【2026智数先锋AI创新大赛】智策增长：电商销量预测、异常归因与经营决策系统

兔子酱 · 社区管理员

团队介绍

本作品为个人参赛项目，由本人独立完成，围绕电商订单数据分析、短期销量预测和经营决策支持展开。本人负责原始数据整理、指标口径确认、Python计算、FineBI next看板搭建、交互设计、AI经营顾问接入和作品说明撰写。制作过程中对关键指标进行交叉复核，每个关键数字均回到原始订单或程序输出结果进行检查，保证看板、报告和数据集之间能够相互对应。

一、作品背景与业务目标

1.1 从“卖了多少”继续追问

本作品使用 2024 年电商订单明细数据，共 15,000 笔订单、7,277 名消费用户、44,975 件商品销量，全年销售额为 65,501,177.34 元。数据字段覆盖购买日期、商品类别、商品名称、用户城市、年龄、单价、销量和销售额，能够反映电商经营中最基本、也最容易被忽略的一组关系：销售额、销量、订单和商品结构并不总是同步变化。

如果只做一张常规报表，结论通常停在“哪个月卖得多、哪个品类排第一、哪个城市销售额最高”。这些信息可以回顾过去，却不能直接回答经营者更关心的问题：电子产品已经贡献了接近一半的销售额，下周还会继续增长吗？未来七日应该按什么销量准备？某一天销售额突然上升，究竟是订单变多了，还是高价格商品改变了结构？发现异常之后，应该先处理哪一个品类、哪一个城市、哪一个商品？

这些问题分散在不同的数据粒度里。销售额在汇总结果中，变化发生在日期层，原因隐藏在商品类别、用户城市和商品名称中，经营动作又需要重新整理前面的分析。于是，本作品没有把目标设定为“把订单数据做成几张图”，而是围绕一条实际的经营路径组织内容：先看清当前经营水位，再判断未来趋势；出现异常后继续向下追查；最后把结论整理成可执行的经营事项。

1.2 作品要解决的四类断点

在实际使用中，经营分析容易卡在四个地方。第一，总量与结构分开，管理者知道全年卖了多少，却不容易在同一视角下判断销售额由哪些品类和城市贡献。第二，历史与未来分开，月度报表能够复盘，却不能直接支持下一周的备货和推广安排。第三，异常与原因分开，看到某天波动后还要返回 Excel，分别筛选品类、城市和商品。第四，分析与行动分开，图表给出了很多信号，却没有说明哪些事项更紧急、依据是什么、下一步做什么。

经营问题	传统报表中的表现	作品中的处理	可核验结果
总量与结构分开	只看到销售额和排名，难以判断贡献来源	统一指标卡、趋势、品类排名、城市排名和明细表	电子产品占49.96%，电子产品与家居合计占75.30%
历史与未来分开	只能复盘过去，短期安排依靠经验	比较5种方法并进行60日回测	28日移动平均WAPE为12.83%，未来7日基准预测907件
异常与原因分开	找到异常日期后仍要翻查多张表	28日动态基线、量额矩阵和原生钻取	形成“商品类别→用户城市→商品名称”路径
分析与行动分开	图表结论没有轻重缓急	经营决策清单记录证据、优先级、动作和状态	形成5项决策，其中3项高优先级

二、核心方案与实现过程

本作品采用“Python计算 + FineBI next分析 + 生成式AI辅助问答”的组合方式。Python负责按日汇总销量、比较候选预测方法并生成未来七日结果；FineBI next负责经营总览、筛选联动、趋势分析、动态基线异常识别、原生钻取和经营决策清单，是作品的核心分析平台；AI经营顾问作为第四页面的外置辅助工具，根据看板已有的预测、异常和决策结果提供自然语言解释，不替代FineBI next中的指标计算与分析功能。

Image preview

图1 智策增长整体分析流程

整套看板按照“经营战情总览—智能销量预测—异常监测与归因—智能经营决策”的顺序组织，对应“看现状、判趋势、查异常、辅助决策”的分析路径。各页面沿用统一的日期、商品类别和城市筛选逻辑，趋势图、指标卡、排名图和明细表保持一致口径；异常页面设置“商品类别→用户城市→商品名称”的原生钻取层级，使用户能够从总体波动逐步追查到具体商品。

2.1 数据整理与指标口径

数据导入后，先检查购买日期、单价、销量和销售额的字段类型，再在 FineBI next 中补充年龄段、价格带和城市区域等业务字段。价格带按 0—199 元、200—499 元、500—999 元、1000—4999 元和 5000 元及以上划分，主要用于筛选和商品结构观察，并不改变订单事实。

为了保证四个页面的数字能够互相对应，核心指标在制作图表前统一定义。销售额和销量采用求和，交易笔数按订单记录计数，消费用户数按用户标识去重计数，笔均销售额用销售额除以交易笔数。预测页面和异常页面保留日粒度，不将日期提前汇总成周或月，以免掩盖短期波动。

指标	计算口径	用于回答的问题
销售额	订单销售额求和	当前经营规模和品类、城市贡献如何
销量	商品数量求和	实际商品需求是否变化
交易笔数	订单记录计数	订单规模是否变化
消费用户数	用户标识去重计数	实际覆盖了多少用户
笔均销售额	销售额÷交易笔数	销售额变化是否受到客单结构影响
WAPE	绝对误差之和÷实际值之和	哪种预测方法在回测中更稳定

2.2 预测模型：用可以解释的方法给出短期参考

预测结果由 Python 计算后导入 FineBI next。项目比较了 7 日移动平均、14 日移动平均、28 日移动平均、上周同日销量和前一日销量五种方法，并在最近 60 日使用相同口径回测。28 日移动平均的 WAPE 为 12.83%，低于 7 日移动平均的 13.07%、14 日移动平均的 13.25%、上周同日销量的 16.28% 和前一日销量的 18.41%，因此被选为当前数据条件下的基准模型。本次优先采用业务人员易于理解、计算过程便于复核的移动平均方法；由于原始数据缺少节假日、促销、库存和流量等外部特征，暂未引入更复杂的时间序列模型，后续补充相关字段后再进一步比较。

候选方法	最近60日WAPE	采用情况	适用理解
28日移动平均	12.83%	选用	对日波动进行平滑，结果稳定且容易复核
7日移动平均	13.07%	对比	对近期变化更敏感
14日移动平均	13.25%	对比	介于短期和月度趋势之间
上周同日销量	16.28%	对比	容易受到单周偶然波动影响
前一日销量	18.41%	对比	短期波动传递明显

图2 候选模型WAPE对比

以 28 日移动平均滚动生成未来七日预测，得到基准销量 907 件，日均约 130 件。为避免使用者把单一预测值当成确定目标，页面同时提供保守 816 件和进取 998 件两种情景。这里的预测适合做短期经营参考，不代表实际订单承诺，也没有使用库存、促销或节假日等原始数据中不存在的因素。

2.3 异常识别与钻取：把“波动”追到“对象”

异常分析使用每个日期之前 28 天的平均销售额和平均销量作为动态基线。将当天销售额、销量分别与基线比较后，系统区分量额同步增长、量额同步下降、销售额结构性上升和销售额结构性下降。这样可以避免用同一个固定阈值衡量全年不同阶段的销售水平。

FineBI next 中设置了“商品类别→用户城市→商品名称”的原生钻取路径。用户先在近 90 日趋势图和量额异常矩阵中发现偏离，再选择异常日期查看明细，最后从品类下钻到城市和具体商品。分析过程仍然基于同一分析主题，筛选条件和字段口径不会因为切换页面而改变。

制作流程

作品制作按照“数据准备—方法比较—看板搭建—结果复核—辅助问答”的顺序推进。首先整理原始订单字段，统一销售额、销量、交易笔数和消费用户数的计算口径，并补充年龄段、价格带和城市区域等分析字段；随后使用Python按日汇总销量，比较7日、14日、28日移动平均、上周同日和前一日五种方法，用最近60日WAPE进行回测，选择28日移动平均生成未来7日参考值。

在预测结果确定后，继续用前28日动态基线识别量额异常，并保留商品类别、用户城市和商品名称三个层级，在 FineBI next 中配置趋势、矩阵和原生钻取。最后将预测变化、异常路径和品类结构整理为经营决策清单，再通过筛选、联动、钻取和数据核对检查页面之间的数字是否一致。AI经营顾问作为外置辅助工具，只对已经生成的预测、异常和决策结果进行自然语言解释。

三、成果展示：从看板中得到的关键发现

3.1 经营总览：大盘不小，但销售额集中在两个品类

经营战情总览首先呈现全年经营规模：销售额 6,550.12 万元、销量 44,975 件、交易笔数 15,000 笔、消费用户数 7,277 人，笔均销售额约 4,366.75 元/笔。用户可以按购买时间、商品类别和用户城市筛选，趋势、排名和明细会同步变化。

图3 核心经营指标

品类排名给出了比总销售额更值得关注的结果。电子产品销售额约 3,272.75 万元，占全年销售额 49.96%；家居销售额约 1,659.80 万元。两类商品合计贡献 75.30%，其余五类商品的销售额均在约 312 万元至 329 万元之间。

图4 商品类别销售额排名

这意味着当前经营结构并不是七个品类均衡贡献。电子产品和家居是拉动大盘的主要来源，后续预测要优先观察这两类商品；同时，核心品类占比过高也带来集中风险，一旦其中一个品类波动，总销售额会受到较大影响。城市排名中，杭州、深圳和武汉分别约为 569.79 万元、562.87 万元和 559.30 万元，前三名差距较小，城市名次本身不能替代对城市内部商品结构的分析。

3.2 销量预测：907件是总量，真正的差异在品类

智能销量预测中心将预测周期、模型和误差直接写在页面顶部。未来七日基准预测为 907 件，日均约 130 件；回测 WAPE 为 12.83%。

图5 未来七日预测核心指标

将 907 件拆到品类后，变化方向并不一致。电子产品近七日实际销量为 101 件，未来七日预测为 117 件，增长 15.84%；书籍由 146 件预测到 149 件，服装由 132 件预测到 134 件，家居基本保持 130 件左右。运动由 117 件下降到 115 件，玩具由 152 件下降到 140 件，美妆由 142 件下降到 116 件，降幅为 18.13%。

图6 各品类实际销量与预测销量

从经营角度看，电子产品更像一个需要提前核查供给和曝光的增长机会；美妆和玩具更像需要关注价格、内容触达和库存的下降信号。由于原始数据没有库存数量和采购周期，作品没有把预测结果直接换算成具体补货量，而是把它作为后续经营检查的依据。

3.3 异常归因：6月29日销售额大涨，为什么销量没有同步上涨

异常监测与归因中心先观察近 90 日销售额与 28 日动态基线，再通过量额异常矩阵判断变化类型。2024 年 6 月 29 日是一个典型日期：销售额相对动态基线上升 84.67%，销量上升 15.82%。两个指标都在增长，但幅度差异很大，说明当天销售额的变化不能只用“订单变多”来解释。

图7 动态基线与量额异常矩阵

沿“商品类别→用户城市→商品名称”继续钻取后，主要归因路径落在“电子产品→深圳→显示器”。这并不意味着一次异常就足以证明该组合能够长期复制，但它把检查范围从全部订单缩小到了一个具体对象：经营者可以进一步核对显示器的价格、订单构成和后续日期表现，判断这次增长是偶然订单，还是具有持续性。

追查层级	看板结果	对经营判断的帮助
日期	2024-06-29销售额较基线上升84.67%	确认当天确实明显偏离正常水位
量额关系	销量上升15.82%	说明销售额增幅不能完全由销量解释
商品类别	电子产品	将异常范围缩小到核心品类
用户城市	深圳	进一步明确异常发生区域
商品名称	显示器	得到可以继续核查的具体商品

如需核验该异常案例，可通过文末在线作品链接进入 FineBI next 的“异常监测与归因中心”，选择日期“2024-06-29”，并沿“电子产品→深圳→显示器”逐级钻取，查看异常定位过程。

3.4 经营决策：让前面的分析有一个落点

智能经营决策中心把预测和异常结果整理为五项决策，其中三项为高优先级。每项记录包含主题、类型、优先级、数据证据、建议动作和执行状态，便于在经营复盘中直接讨论，而不是重新翻查图表。

决策主题	数据证据	建议动作	优先级
放大电子产品增长机会	预测117件，较近7日增长15.84%	核查重点商品供给和曝光，观察增长是否兑现	高
预警美妆短期下降	预测116件，较近7日下降18.13%	检查商品、价格带和内容触达	高
预警玩具短期下降	预测140件，较近7日下降7.73%	观察日度需求，优先消化现有库存	中
验证结构性销售额增长	销售额增84.67%，销量增15.82%	复核“电子产品→深圳→显示器”组合	高
关注品类集中风险	电子产品与家居贡献75.30%	保持核心优势，同时观察其他品类	中

图8 经营决策清单

右侧的 AI 经营顾问为看板增加了自然语言入口。用户可以直接询问“哪个品类需要优先关注”“未来七日销量是多少”“6月29日为什么异常”，顾问会根据项目已有的预测、异常和决策数据组织回答。AI网页通过 GitHub Pages 展示，阿里云函数计算提供接口，属于外置辅助演示工具；它不替代 FineBI next 中可以核验的指标和分析功能，当前也未与 FineBI next 筛选条件实现实时双向联动，仅对项目已经导出的静态结果进行解释，不对数据中没有的库存、成本、利润和广告投放信息作确定判断。

图9 智策增长AI经营顾问

四、作品价值、适用范围与后续完善

4.1 当前可以被核验的成果

本作品使用的是比赛数据，尚未连接真实企业的生产系统，因此不把“上线后节省多少成本”或“销售提升多少”作为既成事实。当前成果主要体现在分析链路已经打通：15,000 笔订单可以在统一主题中按规模、结构、日期和商品查看；未来七日预测给出了 907 件基准值和 12.83% 的回测 WAPE；异常日期能够继续钻取到具体商品；预测和异常结论最终形成了 5 项经营决策，其中 3 项为高优先级。

价值方向	作品实现	结果
经营信息整合	指标、趋势、品类、城市和商品明细统一展示	15,000笔订单、7,277名用户同口径查看
短期趋势判断	五种方法回测并生成七日预测	WAPE 12.83%；基准预测907件
机会与风险识别	将总体预测拆分到七个品类	电子产品+15.84%，美妆-18.13%
异常定位	动态基线、量额矩阵和三级钻取	定位到“电子产品→深圳→显示器”
决策承接	证据、优先级、建议动作和状态统一记录	5项决策，3项高优先级

4.2 作品的适用边界

当前预测主要使用历史销量，没有纳入节假日、促销、价格变化、流量和库存信息，因此适合用于短期经营参考，不能代替采购系统或财务测算。异常归因能够说明销售额和销量偏离了过去 28 日的正常水平，也能够定位到具体品类、城市和商品，但单日异常仍需要结合更长时间的后续数据进行验证。项目的核心分析能力在 FineBI next 中完成；AI经营顾问仅基于项目已导出的静态结果进行辅助问答，无法读取用户当前的实时筛选状态，也不应被描述为 FineBI next 的原生智能分析功能。

4.3 后续完善方向

如果继续建设，第一步是补充促销、节假日、价格、库存和成本等字段，比较带外部特征的模型与当前基准模型，观察 WAPE 是否稳定下降。第二步是在决策清单中加入负责人、截止时间、执行结果和复盘日期，使“建议动作”能够在下一周期被验证。第三步是根据比赛平台和实际权限进一步完善 AI 与看板的数据联动，让 AI 回答能够读取用户当前筛选条件。这样，作品就可以从一个可演示的分析系统，继续发展为更接近实际经营使用的决策工具。

链接：https://next.finebi.com/decision/application/6d4abd70fd2c40909bcd61751e39cb

总结与分享

本作品希望解决的不是“把订单做成几张图”，而是让经营分析形成一条可以复核的路径：先在 FineBI next 中看清经营规模和结构，再用可解释的模型判断短期趋势，发现波动后沿品类、城市和商品逐级追查，最后把分析结果整理成带有证据、优先级和建议动作的经营事项。当前作品基于比赛数据完成验证，后续如果补充促销、节假日、库存和成本等字段，还可以继续完善预测模型与经营闭环。

附录：FineBI next 看板完整页面

为便于评委查看作品的整体布局、页面结构和视觉呈现，本附录依次展示四个 FineBI next 主题页面的完整截图。正文中的分析结论均来源于以下看板及其关联数据，页面的筛选、联动和钻取效果可通过在线作品链接进一步核验。

附图1 经营战情总览

展示全年销售规模、核心指标、销售趋势、品类结构、城市排名及商品经营明细，用于快速了解当前经营状态。

附图1 经营战情总览