陈列货盘分析 Skill

从货盘视角分析引起客户意向的商品和试用行为变化。

使用方式

import sys
sys.path.insert(0, '~/.openclaw/skills/store-assortment-analysis')
from analyze import analyze as assortment_analyze

result = assortment_analyze.analyze(
    store_id="416759_1714379448487",
    from_date="2026-03-01",
    to_date="2026-03-26",
    store_name="正义路60号店"
)

分析框架

核心逻辑

分析引起客户意向的商品与客户对意向商品的试用行为的交叉变化：

陈列SKU (385个)
    ↓ 被关注（试用）
引起意向的SKU (240个) = 深度触达SKU + 成交SKU
    ↓ 深度体验
深度试用次数 (581次)
    ↓ 成交
成交件数 (217件)

三漏斗交叉

核心指标

1. 引起意向的商品变化

• 引起意向的SKU数 = 深度触达SKU + 成交SKU
• 引起意向SKU占比 = 引起意向SKU / 陈列SKU总数
• 环比变化：反映货盘吸引力变化

2. 客户对意向商品的试用深度

• 平均试用深度 = 深度试用次数 / 引起意向的SKU
• 环比变化：反映客户体验深度变化

3. 客户意向分散度

• 客户意向分散度 = 深度试用次数 / 有深度交互的客户数
• 含义：平均每个意向客户深度试用的SKU数
• 变化：下降说明客户选择更集中（正面）

4. 货盘成交效率

• 货盘成交率 = 成交SKU / 陈列SKU总数
• 客户成交率 = 成交客户 / 有深度交互的客户数

诊断规则

输出示例

======================================================================
陈列货盘分析报告 - 正义路60号店
分析周期: 2026-03-01 至 2026-03-26
======================================================================

【第一步：获取数据】
...

【第二步：提取核心指标】
核心指标提取:
  【货盘】陈列SKU: 389→385, 未触达: 18→24
  【意向商品】引起意向的SKU: 287→240 (深度触达+成交)
  【意向客户】有深度交互的客户: 374→277 (意向+成交)
  【意向行为】深度试用次数: 959→581

【第三步：交叉分析】
1. 引起客户意向的商品变化:
   引起意向的SKU数: 287个 → 240个 (-16.4%)
   ⚠️  能引起客户深度兴趣的商品在变少

2. 客户对意向商品的试用深度:
   平均每个引起意向的SKU被深度试用: 3.34次 → 2.42次 (-27.6%)
   ⚠️  客户对每个感兴趣商品的体验深度下降

3. 客户意向分散度:
   平均每个意向客户深度试用SKU数: 2.56个 → 2.10个
   ✅ 客户选择更集中，意向更明确

4. 货盘成交效率:
   货盘成交率: 47.8% → 29.6%
   ⚠️  大量陈列商品无法转化为成交

【第四步：综合诊断】
核心发现:
  ⚠️  引起客户意向的商品大幅减少（-16.4%）
  ⚠️  客户对意向商品的试用深度下降（-27.6%）
  ⚠️  货盘成交率大幅下滑

【第五步：行动建议】
🔴 优化货盘结构
🟡 提升试用体验
🔴 提高货盘效率

API 端点

• GET /api/v1/store/dashboard/bi - 门店BI数据（displayFunnel + behaviorFunnel + customerFunnel）

完整文档

详见 ~/.openclaw/skills/store-assortment-analysis/analyze.py