inventory-anomaly

核心用法

本技能提供完整的库存异常检测和需求预测系统生成能力，采用模块化架构设计，包含数据管理、库存查询、需求计算、异常检测、需求预测、数据生成及主程序七大核心模块。用户可通过标准化流程快速搭建系统：创建项目结构→生成核心模块→配置业务参数→生成测试数据→运行系统生成报告。

系统支持Excel数据导入，自动检测库存不足、严重缺货及需求异常（3倍标准差阈值），使用ARIMA模型进行每周滚动预测，生成包含库存概览、异常检测、需求预测、紧急补货建议的综合TXT报告。

显著优点

1. 即插即用架构：模块化设计便于按需扩展或替换组件（如将ARIMA替换为Prophet/LSTM/XGBoost）
2. 多场景覆盖：适配制造业、零售业、备件管理等 diverse 业务场景
3. 智能预警机制：基于统计阈值自动识别异常，降低人工巡检成本
4. 完整模拟能力：内置测试数据生成器，支持缺货、超量、需求激增等异常场景模拟
5. 轻量部署：纯Python实现，依赖仅pandas/numpy/statsmodels/openpyxl

潜在缺点与局限性

1. 预测模型单一：默认仅ARIMA，对非线性、季节性复杂场景适应性有限
2. 数据规模约束：Excel-based架构难以支撑千万级SKU或高频实时流数据
3. 阈值刚性：固定3倍标准差可能产生过多误报或漏报，缺乏自适应调优机制
4. 无内置集成：缺少API封装、数据库直连、消息通知等生产级组件，需二次开发
5. 安全机制薄弱：无身份认证、审计日志、数据加密等企业安全特性

适合人群

• 中小制造企业IT/运维人员：需快速搭建库存监控系统的非专业算法团队
• 零售供应链分析师：具备Excel操作能力，希望引入预测性分析的业务人员
• ERP系统实施顾问：需要为客户的备件管理模块生成基础预测功能原型
• 高校教学/实训场景：供应链管理、数据分析相关课程的实践案例

常规风险

1. 预测准确性风险：ARIMA假设数据平稳性，对促销、季节性波动、突发事件（如疫情）预测偏差较大，过度依赖可能导致库存积压或断货
2. 数据质量依赖：系统未内置数据清洗模块，缺失值、异常值、日期格式错误将直接传导至预测结果
3. 阈值配置风险：默认3σ阈值可能不适用于需求波动大的品类，需结合业务经验调整
4. 单点故障风险：Excel文件损坏、权限问题、路径错误将导致系统中断，缺乏高可用设计
5. 扩展瓶颈：SKU数量超过千级时，ARIMA逐配件串行预测性能显著下降，需引入并行计算或模型轻量化改造

核心用法

inventory-anomaly-prediction 是一个完整的库存智能管理系统生成工具，面向制造业、零售业及备件管理场景。系统采用模块化架构，用户通过交互式配置即可生成包含7大核心模块的完整项目代码：数据管理模块负责Excel数据的读取与持久化；库存查询模块实时判断库存状态（正常/不足/严重缺货）；需求计算模块基于90天订单历史计算日均/周均/月均需求；异常检测模块采用3倍标准差原则识别库存与需求异常；预测模块基于ARIMA模型滚动预测未来4周需求；测试数据生成模块可模拟20种配件、680条订单的复杂场景；主程序模块整合全流程并输出TXT格式综合报告。

使用流程遵循"创建项目结构→生成核心模块→配置业务参数→生成测试数据→运行系统"五步闭环。关键配置项包括配件信息（ID/名称/规格/单价）、库存参数（当前库存/安全库存/最大库存）、时间窗口（默认90天历史）、预测周期（默认4周）及异常阈值（默认3倍标准差）。系统支持每日自动更新机制，通过检查数据时间戳决定是否需要重新生成测试数据，确保预测时效性。

显著优点

低门槛快速部署：无需从零编写代码，通过自然语言描述业务需求即可生成可直接运行的完整项目，大幅降低库存管理系统的开发门槛。专业算法内置：集成ARIMA时间序列预测模型与统计异常检测，替代经验驱动的粗放式管理，实现数据驱动的精准决策。纯本地化安全架构：所有数据处理在本地完成，零外部网络请求，敏感库存数据不出域，天然满足制造业保密合规要求。模块化可扩展设计：7个独立模块解耦清晰，支持按需替换预测算法（Prophet/LSTM/XGBoost）、自定义异常类型、对接企业数据库或封装REST API。仿真测试能力：内置数据生成器可模拟库存不足、严重缺货、需求异常激增等6种典型业务场景，便于上线前充分验证。

潜在缺点与局限性

预测模型局限：ARIMA模型假设数据平稳性，对具有强季节性、促销冲击或新品上市的非平稳需求序列预测精度可能下降；默认单变量预测未考虑价格、天气、竞品等外生因素。数据格式刚性：强制要求Excel三表结构（配件信息/库存/订单历史），企业现有异构数据源需预处理转换；大数据量场景（百万级SKU）下Excel读写性能瓶颈明显。异常阈值固定：3倍标准差为统计通用规则，未必适配具体业务损失函数（缺货成本vs积压成本），且对样本量小的长尾配件检测灵敏度不足。缺乏实时能力：批处理架构设计，最小更新粒度为"每天一次"，无法满足JIT制造或电商大促场景的分钟级库存监控需求。可视化缺失：仅输出TXT文本报告，无交互式仪表盘、趋势图表或预警推送，需二次开发对接BI工具。

适合的目标群体

中小制造企业：具备基础Excel数据但缺乏专职数据团队，希望快速搭建备件/原材料预警系统的生产计划部门。连锁零售门店：多SKU管理压力大，需要自动化补货建议减少缺货损失的便利店、药店、汽配店经营者。物流仓储运营：需对慢动品、呆滞库存进行识别与清理的仓库管理人员。智能制造转型试点：作为MRP/ERP系统的预测模块补充，验证数据驱动决策价值的数字化转型探索者。教学科研场景：供应链管理、运筹学课程中用于演示需求预测与库存优化算法的教学工具。

使用风险

依赖版本风险：requirements.txt使用>=宽松约束，未来自动升级可能导致statsmodels等库API变更引发运行失败，建议锁定精确版本。数据覆盖风险：数据写入采用临时文件+move模式，异常中断时可能残留临时文件；同名Excel将被覆盖，生产环境务必启用备份机制。预测失效风险：历史订单不足90天或数据质量差（日期格式混乱、负库存）将导致ARIMA拟合失败，系统返回预测失败状态需人工介入。算法误报风险：统计异常≠业务异常，3倍标准差可能过滤掉真实的促销备货需求，建议将系统输出作为决策参考而非自动执行依据。维护可持续性：T3来源等级表明为个人开发者维护项目，长期功能迭代与安全更新存在不确定性，企业级应用建议fork后自主维护。