# V0 方案概要 · FBA 智能补货系统

**版本**: V0
**日期**: 2026-05-23
**待审**: 四方评审

---

## 0. PRD 类型 + 品类

- **类型**: 🏗 功能型（新系统从 0 到 1）
- **品类**: B 端自用工具（接近 SaaS，但 v1 单用户）

---

## 1. 解决思路（3 句话）

每天用算法跑一份"发什么 + 多少 + 海运还是空运"的建议清单。算法考虑销量预测（含广告影响）、库存阈值、海空运时效价格、缺货损失。MVP 用虚拟数据集跑通算法和决策引擎，验证有效后再接真实数据。

---

## 2. 交付物清单

| 交付物 | 说明 | 完成标准 |
|--------|------|---------|
| **虚拟数据生成器** | 可配置生成 SKU 库存、销量、广告、报价等仿真数据 | 能稳定产出 200 SKU × 90 天数据集 |
| **销量预测引擎** | 含历史 + 广告 + BSR 特征 | 虚拟数据回测误差 < 25% |
| **补货决策引擎** | ROP + Safety Stock + EOQ 模式 | 在虚拟数据上输出可行建议清单 |
| **海空运决策引擎** | 基于 landed cost 对比 | 给出选择 + 推理过程 |
| **日报 Dashboard** | 每日补货建议 + 库存全景 + 预警 | Web 页面可访问 |
| **预警系统** | 库存阈值 / 销量异常推送 | 触发到推送 < 15 分钟 |
| **回测对比模块** | 系统建议 vs 保守 vs 激进 三策略对比 | 给出 4 维度对比报告（缺货次数/库存成本/物流成本/资金占用） |

---

## 3. 功能清单

### 3.1 必做（v1）

| ID | 功能 | 优先级 | 说明 |
|----|------|--------|------|
| FR-1 | 虚拟数据生成器 | 必做 | 可配置销量分布/广告投放/物流波动 |
| FR-2 | 销量预测模型 | 必做 | 输入：历史销量+广告+BSR；输出：未来 90 天日销量预测 |
| FR-3 | 库存阈值与安全库存计算 | 必做 | ROP + Safety Stock，按 SKU 单独参数 |
| FR-4 | 补货量计算 | 必做 | 基于 EOQ + 当前库存 + 在途库存 |
| FR-5 | 海空运 landed cost 比较器 | 必做 | 含运费 + 持有成本 + 缺货损失 |
| FR-6 | 每日决策引擎 | 必做 | 输出"今日建议清单" |
| FR-7 | 缺货预警 | 必做 | 库存/销量异常 → 推送 |
| FR-8 | 日报 Dashboard | 必做 | Web UI |
| FR-9 | 决策可解释面板 | 必做 | 每条建议的推理 + 关键假设 + 替代方案 |
| FR-10 | 回测对比 | 必做 | 90 天历史模拟，三策略对比 |

### 3.2 应做（v1）

| ID | 功能 | 说明 |
|----|------|------|
| FR-11 | SKU 自动分类 | 稳定/波动/季节性 → 不同模型 |
| FR-12 | 上游下单预警 | 60/90 天后断货风险提醒 |
| FR-13 | 助理操作视图 | 仅看清单 + 执行状态 |

### 3.3 可做（v1.5+，不在 v1 范围）

| ID | 功能 | 说明 |
|----|------|------|
| FR-101 | 真实数据接入层 | FBA + 销量 + 报价 API |
| FR-102 | (s,S) 策略升级 | 比 ROP 更优的动态策略 |
| FR-103 | 滞销 SKU 清仓建议 | 长期仓储费规避 |
| FR-104 | 季节性活动专用模型 | 黑五/Prime Day |
| FR-105 | SaaS 化（多租户） | 服务其他 FBA 卖家 |

---

## 4. 核心用户旅程

```
（每日早上）
你打开 Dashboard
  ↓
看「今日建议清单」(可能为空，可能 3-5 条)
  ↓
对每条建议看「推理面板」（关键数据 + 假设 + 替代方案）
  ↓
拍板：接受 / 调整数量 / 改物流方式 / 跳过
  ↓
通知助理执行（或自己下单）

（任何时候）
系统监控库存和销量
  ↓
触发阈值 → 推送预警（微信/邮件/Dashboard）
  ↓
你打开看详情，决定是否插队处理
```

---

## 5. 关键决策点（待企业家拍板）

### 决策 1: 预警推送渠道

- **A: 微信 + Dashboard 红点**（推荐）—— 你日常用微信多
- **B: 邮件 + Dashboard**—— 更正式但响应慢
- **C: 短信**—— 最快但太打扰

### 决策 2: 助理是否有独立账号

- **A: 只你一个账号，助理用你账号登**（推荐 v1）—— 简单
- **B: 助理有独立账号，权限受限**（仅看清单+执行）—— v1.5 SaaS 化前置准备

### 决策 3: 虚拟数据集的"真实度"基线

- **A: 凭直觉调参数**（最快上线）
- **B: 拿你过去 N 个月历史数据导一份，用作种子数据**（最像真）—— 推荐
- **C: 完全用经典分布（泊松/正态）模拟**（最干净，但脱离实际）

---

## 6. 核心假设（从 assumptions.md 挑 5 个最关键）

1. **A-001 销量预测准确度可接受**（接入广告+BSR 后误差 < 25%）—— 🔴
2. **A-003 缺货损失 ≈ 3-5 倍直接销售额**（决策引擎目标函数关键参数）—— 🟠
3. **A-004 建议接受率 > 70%**（否则模型不懂行）—— 🟠
4. **A-006 每日决策频率合理**（vs 每周/每小时）—— 🟡
5. **A-007 缺货成本 >> 库存成本**（决定决策偏激进 or 保守）—— 🟡

---

## 7. 技术架构粗略（仅为评审参考，详细在 PRD 终稿）

- **数据层**: SQLite (v1) / Postgres (v1.5)
- **算法层**: Python (pandas + scikit-learn + Prophet)
- **决策引擎**: 规则引擎 + 优化算法
- **API 层**: FastAPI
- **前端 Dashboard**: React + shadcn/ui
- **调度**: 每日 cron job 凌晨跑

注：v1 用虚拟数据，所以无外部 API 接入；v1.5 增加 Adapter 层接 Seller Central API 等。

---

## 8. 我的核心信心和担忧

### 信心
- 算法是成熟的（EOQ / ROP / Safety Stock）
- 海空运决策可量化（基于 landed cost）
- 现有工具的盲区清晰（海空运决策 + 可解释性）

### 担忧
- 销量预测受广告/排名影响大，预测难做准（A-001 风险高）
- 虚拟数据再真实也是"自己造的"，可能误导（A-001 + 决策回测）
- v1.5 真实数据接入是大工程，能不能成 still TBD