基于零售扫描数据，使用Python检测高/低销量商品缺货问题

看起来你已经拿到了门店扫描机的销售数据，想要针对高销量和低销量商品做差异化的缺货检测——这个需求很贴合实际业务场景，毕竟高销量商品断货影响更大，得提前预警，而低销量商品可能不用太敏感。

先把你提供的示例数据整理成清晰的表格：

下面我给你一套可落地的Python实现方案，用pandas来处理数据会很高效：

核心思路 #

要做好差异化检测，得先解决两个关键问题：

1. 怎么区分高/低销量商品：用历史销量的平均值（或中位数）设定阈值，比如平均日销量>50就算高销量
2. 不同商品的缺货规则：
   • 高销量商品：不能只等库存为0才标记缺货，销量大幅下滑（比如低于平均的20%）就要预警
   • 低销量商品：可以宽松一些，比如连续2天销量为0再标记缺货（或者直接0库存就标记，看你业务需求）

代码实现 #

import pandas as pd

# 1. 加载数据（实际场景可以替换成从CSV/数据库/消息队列读取扫描机数据）
sample_data = {
    'Product': ['A']*7,
    'Date': ['01/01/2018', '02/01/2018', '03/01/2018', '04/01/2018', '05/01/2018', '06/01/2018', '07/01/2018'],
    'Quantity': [57,79,95,81,10,5,0],
    'Status': ['ok']*6 + ['oos']
}
df = pd.DataFrame(sample_data)

# 转换日期格式，方便后续排序和时间维度的计算
df['Date'] = pd.to_datetime(df['Date'], format='%d/%m/%Y')

# 2. 计算商品销量统计，区分高/低销量类型
product_sales_stats = df.groupby('Product')['Quantity'].agg(['mean']).reset_index()
# 这里的阈值50可以根据你的实际业务调整，也可以用中位数代替平均值
product_sales_stats['Sales_Type'] = product_sales_stats['mean'].apply(lambda x: 'High' if x > 50 else 'Low')

# 将销量类型合并回原始数据
df = df.merge(product_sales_stats[['Product', 'Sales_Type']], on='Product')

# 3. 自定义缺货检测逻辑
def detect_stockout(row, product_avg_sales):
    if row['Sales_Type'] == 'High':
        # 高销量商品规则：0库存直接标记缺货，销量低于平均20%标记预警
        if row['Quantity'] == 0:
            return 'oos'
        elif row['Quantity'] < product_avg_sales * 0.2:
            return 'warning'
        else:
            return 'ok'
    else:
        # 低销量商品规则：这里简单处理为0库存标记缺货，你可以改成连续N天0销量的逻辑
        return 'oos' if row['Quantity'] == 0 else 'ok'

# 按商品和日期排序，确保时间顺序正确
df = df.sort_values(['Product', 'Date'])

# 应用检测函数，生成检测后的状态
df['Detected_Status'] = df.apply(
    lambda row: detect_stockout(row, product_sales_stats[product_sales_stats['Product'] == row['Product']]['mean'].values[0]),
    axis=1
)

# 输出结果查看
print(df[['Product', 'Date', 'Quantity', 'Sales_Type', 'Detected_Status']])

结果说明 #

运行代码后，你会看到商品A被标记为高销量（平均日销量约58.4），其中：

• 05/01的销量10低于平均的20%（≈11.7），会被标记为warning
• 07/01销量0，标记为oos
• 其他日期正常，标记为ok

优化建议 #

1. 销量分类更合理：如果数据中有极端值（比如某天突然卖了几百件），用中位数代替平均值会更准确
2. 高销量商品的连续下滑检测：可以增加逻辑，比如连续3天销量低于平均的30%才预警，减少误报
3. 实时集成：如果是实时接收扫描机数据，可以把检测逻辑封装成函数，每次收到新数据就调用一次，直接输出缺货状态
4. 低销量规则调整：比如低销量商品连续2天销量为0才标记缺货，避免偶尔一天没卖就误判

内容的提问来源于stack exchange，提问作者MisterT