Skill-Product-Lifecycle-Stage

1. 解决的问题

核心思想：把一个 SKU 或品类的销量时间序列，分解为趋势+季节+残差三层信号，通过微分分析（斜率变化率）自动定位「成长→成熟→衰退」的阶段边界，并用年龄-销量矩（AVM）作为阶段状态的低成本代理特征，最终输出四阶段标签（引入/成长/成熟/衰退）+ 进入时机决策建议。

2. 核心算法逻辑

核心思想：把一个 SKU 或品类的销量时间序列，分解为趋势+季节+残差三层信号，通过微分分析（斜率变化率）自动定位「成长→成熟→衰退」的阶段边界，并用年龄销量矩（AVM）作为阶段状态的低成本代理特征，最终输出四阶段标签（引入/成长/成熟/衰退）+ 进入时机决策建议。

3. 业务应用场景

- 业务问题：考虑进入 baby UV-C sterilizer 品类，不知道该品类处于哪个 PLC 阶段，是该现在进还是已经过了最佳时机。 - 数据要求： - 品类月度搜索量（Google Trends 指数，近 24 个月） - Top 10 竞品的月度 BSR 排名或 Review 增速（近 24 个月） - 竞品数量（同类 ASIN 数，近 24 个月） - 预期产出： - 当前阶段标签（引入/成长/成熟/衰退） - 阶段置信度（基于斜率比和 AVM 特征） - 进入时机建议（GO/WAIT/NO-GO + 理由） - 业务价值：避免在衰退期进入，节省产品开发 + 认证 + 首批备货成

场景 B：在售 SKU 生命周期监控（换代预警）

- 业务问题：主力 SKU baby sterilizer Pro 已上市 18 个月，近 3 个月 BSR 在下滑，不确定是暂时性的还是进入衰退期，是否该启动换代新品研发。 - 数据要求：该 SKU 每周 BSR 排名（或 Review 增速）近 24 个月 - 预期产出： - 当前阶段 + 进入该阶段的月份数 - 衰退斜率/成熟斜率比值（>3× 触发换代预警） - 预测剩余「有效生命期」（基于历史同类 SKU 衰退速度） - 业务价值：新品研发周期约 8-12 个月，提前 6 个月发出换代预警可确保无断档期

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• ROI 预估：
• 避免衰退期进入：baby UV wand 品类已进入衰退（FDA 召回 + 竞品清仓），若误判为成长期进入，首批备货+认证成本损失约 $20,000-$50,000
• 准确判断成长期进入时机：UV-C 密闭消毒器品类当前成长期，提前 6-12 个月进入比成熟期进入预期 LTV 高 2-3×
• 换代预警价值：提前 6 个月发出衰退预警，节省新品研发断档期销售损失约 $5,000-$15,000/月
• 实施难度：⭐⭐☆☆☆（2/5）— STL+微分分析，纯数值计算，无需 GPU/大数据
• 优先级评分：⭐⭐⭐⭐⭐（5/5）— WF-D 选品扫描的核心前置决策，缺失此 Skill 等于盲目进入品类

7. 代码模板

代码块数量：6 · 路径：paper2skills-code/growth_model/product_lifecycle_stage

"""
Skill-Product-Lifecycle-Stage
基于 arXiv:2511.16248 (PhaseFormer, AAAI 2025) + arXiv:2511.17275 (AVM, 2025)
母婴跨境电商品类/SKU 生命周期阶段检测
"""

import numpy as np
import pandas as pd
from dataclasses import dataclass
from typing import Optional
from enum import Enum

try:
    from statsmodels.tsa.seasonal import STL
    HAS_STATSMODELS = True
except ImportError:
    HAS_STATSMODELS = False
    print("提示: pip install statsmodels 启用 STL 分解，当前使用简化版")


class PLCStage(Enum):
    INTRODUCTION = "引入期"
    GROWTH       = "成长期"
    MATURITY     = "成熟期"
    DECLINE      = "衰退期"
    UNKNOWN      = "数据不足"


@dataclass
class PLCResult:
    sku_id: str
    current_stage: PLCStage
    confidence: float          # 0-1
    months_in_stage: int
    growth_rate_mom: float     # 最近3个月平均月增速
    slope_ratio: Optional[float]  # 衰退斜率/成熟斜率，>3× 为强衰退信号
    avm_score: float           # 年龄-销量矩归一化值
    decision: str              # GO / WAIT / NO-GO
    rationale: str
    warning: Optional[str] = None


# ── STL 分解（剥离大促季节性）─────────────────────────────
def decompose_trend(sales: np.ndarray, period: int = 12) -> np.ndarray:
    """
    STL 分解提取趋势项，剥离促销季节性噪声。
    Y_t = T_t + S_t + R_t，返回 T_t。
    """
    if len(sales) < period * 2:
        # 数据不足时用移动平均代替
        window = min(3, len(sales))
        return pd.Series(sales).rolling(window, center=True, min_periods=1).mean().values

    if HAS_STATSMODELS:
        stl = STL(sales, period=period, robust=True)
        result = stl.fit()
        return result.trend
    else:
        # 简化版：中心移动平均
        return pd.Series(sales).rolling(period, center=True, min_periods=1).mean().values

8. 论文来源

• 2511.16248
• 2511.17275