趋势分析

适用场景

1 月度销售趋势预测：根据历史订单数据预测下季度销售额与增长率

2 用户增长与流失分析：追踪日活/月活变化，预测未来30天用户留存与流失风险

3 供应链库存趋势预警：分析库存周转率与需求波动，预测缺货或积压风险

4 财务营收与成本趋势：监控收入、成本、利润率变化，预测下季度现金流与盈利走向

核心Prompt（安装配置用）

你是一个企业级趋势分析Agent，专精于从业务数据中识别趋势、检测异常并预测未来走向。你的任务是基于用户提供的结构化数据（CSV/JSON/数据库查询结果）或数据源连接，完成以下工作：
1. 数据理解：识别时间字段、指标字段、维度字段，确认数据粒度和时间范围。
2. 趋势计算：使用移动平均、线性回归、同比/环比等方法，提取核心指标的趋势方向（上升/下降/平稳）和变化速率。
3. 异常检测：标记显著偏离历史规律的异常点，并说明可能原因（如促销、季节、政策等）。
4. 未来预测：基于历史趋势，给出未来1-3个周期的预测值及置信区间，明确预测假设和局限性。
5. 业务解读：用非技术语言向业务方解释趋势含义，给出可操作建议（如备货、调价、投放）。
输出格式：
- 趋势概览：指标名称、时间范围、趋势方向、变化幅度
- 关键发现：3-5条最重要的趋势或异常
- 预测结果：未来周期预测值、置信区间、主要假设
- 行动建议：2-4条可落地的业务建议
约束条件：
- 不编造数据，所有结论必须基于输入数据或明确标注假设。
- 预测需说明方法和置信水平，避免绝对化表述。
- 若数据不足或质量差，先指出问题并建议补充数据。
- 涉及财务、人事等敏感数据时，只输出聚合结果，不暴露个体信息。

所需工具 / API对接

需对接：企业数据库（MySQL/PostgreSQL/ClickHouse）、BI工具API（Tableau/Power BI/Quick BI）、Excel/CSV文件上传接口、Python数据分析环境（pandas/scikit-learn/statsmodels）、企业微信/钉钉/飞书消息推送API用于定时报告。

安装部署步骤

11. 环境准备：确认服务器Python 3.9+、内存8GB+，安装Docker（可选）。执行 python --version 验证。

22. 安装依赖：pip install pandas numpy scikit-learn statsmodels sqlalchemy openpyxl requests。

33. 配置参数：创建 config.yaml，填入数据库连接串、BI API Token、预测周期等参数。

44. 导入Prompt：将核心Prompt写入 prompt.txt，或通过Agent平台API导入：curl -X POST /api/agent/prompt -d @prompt.txt。

55. 连接工具API：在 config.yaml 中配置数据源连接，运行 python test_connection.py 验证数据库和BI接口连通。

66. 测试验证：执行 python run_trend.py --input sample.csv --period 3，检查输出是否包含趋势、预测和建议。

77. 上线部署：使用 systemd 或 Docker 部署为定时任务：0 8 * * * python run_trend.py --source db --push feishu。

88. 监控与迭代：记录每次运行日志，每月复盘预测准确率，调整模型参数和Prompt。

配置参数

参数名	说明	默认值
`data_source`	数据源类型：db/csv/api	db
`time_field`	时间字段名	date
`metric_fields`	需要分析的指标字段，逗号分隔	sales,revenue,users
`forecast_periods`	预测未来周期数	3
`confidence_level`	预测置信水平	0.95
`push_channel`	报告推送渠道：feishu/dingtalk/wecom/email	feishu
`schedule_cron`	定时任务Cron表达式	0 8 * * *

效果示例

输入：上传2023年1-12月销售数据CSV，字段为date,sales,orders。调用趋势分析Agent。
输出：
趋势概览：销售额整体呈上升趋势，月度平均增长8.2%，Q4增速放缓至3.1%。
关键发现：1）6月大促带来峰值，7月回落符合季节性；2）11月订单量下降但客单价上升，可能因高价品类占比提升；3）12月增速低于预期，需关注竞品促销影响。
预测结果：预计2024年1-3月销售额分别为520万、498万、545万，置信区间±7%，假设无重大促销和疫情冲击。
行动建议：1）Q1备货偏向高客单价品类；2）1月可策划返场促销对冲淡季；3）监控竞品定价，2月中旬前调整策略。

常见问题

问：数据量多大才能用？
答：建议至少12个时间点（如12个月或52周），数据点越多预测越稳。
问：支持实时数据吗？
答：当前版本支持定时批量分析，实时流式分析需对接Flink/Kafka，可另行配置。
问：预测准确率如何？
答：在规律性强的业务数据上，MAPE通常可控制在10%以内，但受突发事件影响会下降。
问：能否对接我们自己的BI？
答：可以，通过BI工具的API或数据库直连，需提供只读账号和API Token。
问：部署需要多少成本？
答：单机Docker部署，云服务器4核8G约每月200-400元，加上LLM API调用费用，视数据量而定。

企业落地建议

建议优先在销售或运营部门试点，用历史数据验证预测效果后再推广。部署方式推荐Docker容器化，便于迁移和扩缩容。成本主要包括云服务器（约300元/月）、LLM API（约100-500元/月）和人力投入（1-2人天部署）。注意事项：确保数据质量，缺失值和异常值需预处理；预测结果需人工复核，不可直接用于自动决策；涉及敏感数据时做好权限隔离和脱敏。需要我们帮你落地吗？可以试试免费AI诊断→