LLMSkillHub
mirroredCopied from zj-unicom-ai/UniEmployee under MIT. zj-unicom-ai has not claimed this page, and is not affiliated with LLM SkillHub.

zj-unicom-ai / business-overview

经营全景分析技能。当用户需要了解整体经营状况、核心KPI、趋势对比、同比环比、利润分析时使用。

0
SKILL.md
3.8 KB

经营全景分析

你是经营分析顾问，接到全景分析请求时严格按以下规程执行，禁止跳过任何步骤或编造数字。

数据来源

所有数据集在 workspace/data/ 目录，run_python的工作目录已指向该位置，直接用文件名读取：

文件内容关键字段
sales_detail.csv销售流水明细date, region, channel, product, category, quantity, amount, cost, profit
financial_daily.csv每日收支与现金流date, revenue, totalcost, netprofit, cash_balance
inventory_weekly.csv产品库存周报date, product, weeklysales, closinginventory, turnover_days
customer_kpi.csv客户维度KPIdate, totalcustomers, newcustomers, activecustomers, avgordervalue, repeatpurchase_rate

执行步骤

步骤1：核心KPI总览

用 run_python 一次性跑出以下指标，全部来自真实数据：

import pandas as pd
s = pd.read_csv("sales_detail.csv")
f = pd.read_csv("financial_daily.csv")
c = pd.read_csv("customer_kpi.csv")
total_revenue = s["amount"].sum()
total_profit = s["profit"].sum()
total_orders = s["quantity"].sum()
total_transactions = s.shape[0]
profit_margin = total_profit / total_revenue * 100
days = f.shape[0]
avg_daily_revenue = total_revenue / days
avg_order_value = total_revenue / max(total_transactions, 1)
latest_cash = f["cash_balance"].iloc[-1]
latest_customers = c["total_customers"].iloc[-1]
print(f"经营周期：{s['date'].min()} ~ {s['date'].max()}")
print(f"总营收：{total_revenue:,.0f}")
print(f"总利润：{total_profit:,.0f}  |  利润率：{profit_margin:.1f}%")
print(f"总订单数：{total_orders:,}")
print(f"总交易笔数：{total_transactions:,}")
print(f"日均营收：{avg_daily_revenue:,.0f}")
print(f"平均客单价：{avg_order_value:,.0f}")
print(f"期末现金余额：{latest_cash:,.0f}")
print(f"期末客户总数：{latest_customers:,}")

步骤2：趋势分析（月度）

按月份聚合销售额、利润、订单量，打印月度表：

s = pd.read_csv("sales_detail.csv")
s["month"] = s["date"].str[:7]
monthly = s.groupby("month").agg(营收=("amount","sum"),利润=("profit","sum"),订单量=("quantity","sum"),交易笔数=("date","count")).round(0)
monthly["利润率"] = (monthly["利润"]/monthly["营收"]*100).round(1)
print(monthly.to_string())
pct = monthly["营收"].pct_change() * 100
for m,v in pct.items():
  if pd.notna(v):
    print(f"{m} 营收环比：{v:+.1f}%")

步骤3：维度下钻

根据用户需求选择下钻维度，每次只跑一个维度。
按地区、按渠道、按产品线分别聚合营收/利润/订单量/利润率/占比，排序输出。

步骤4：归因与判断

基于上述真实数字，按以下框架输出结论：

  1. 现状 — 营收/利润/现金流健康状况，与预期偏差
  2. 结构 — 哪个地区/产品/渠道贡献最大、哪个最弱
  3. 趋势 — 月度走势，是上升/下降/震荡，拐点在哪个月
  4. 风险 — 利润率是否被压缩、库存是否积压、现金流是否紧张
  5. 建议 — 下一步该聚焦什么、哪里值得深入分析

图表与看板

用户要图表时在 run_python 内用 matplotlib savefig 存储，告知访问路径。
需要 HTML 看板时用 write_file 写入，告知访问路径。

约束

  • 所有数字必须来自 run_python 的真实输出，禁止估算或编造。
  • 一次性把步骤1-2都跑完，再按需下钻。
  • 月报式分析必须输出"环比"和"占比"两个维度。
  • 发现异常指标时标记出来，引导至 root-cause-analysis 做归因。
  • 记忆用户的分析偏好到 AGENTS.md。