Pipeline Questions Catalog Ma trận truy xuất: mỗi câu hỏi kinh doanh → bước pipeline trả lợi → báo cáo tương ứng

Đọc đường dẫn dữ liệu nguồn từ config/sources.yaml, sao chép/chuẩn hóa từng nguồn (khách hàng, sản phẩm, tồn kho, bán hàng) thành CSV tạm thời chuẩn hóa với ánh xạ cột và ép kiểu.

Truy vấn API Frappe CRM để lấy khách hàng tiềm năng, thỏa thuận và sản phẩm thỏa thuận. Chuẩn hóa thành CSV tương tác phẳng với customer_id, tham chiếu sản phẩm và dấu thời gian.

Đọc toàn bộ cấu hình siêu dữ liệu, đối chiếu trạng thái file thực tế (tồn tại, số dòng, độ mới, lệch schema), quét tham chiếu bước pipeline và lệnh load_master trong code để dựng báo cáo HTML — luồng dữ liệu, từ điển dữ liệu, hướng dẫn thêm dữ liệu, hướng dẫn tích hợp theo loại nguồn, checklist onboard công ty mới.

Chế độ check (thụ động): đối chiếu trạng thái file nguồn/master/validation với chính sách trong data_management.yaml (required/optional, min_rows, SLA độ mới) để ra verdict READY/DEGRADED/BLOCKED và xuất data_readiness.json + báo cáo HTML. Chế độ prepare (chủ động, chạy qua run_pipeline.py --prepare-data hoặc trực tiếp): probe nguồn với retry + vòng chờ, chạy m0, kiểm định, rồi mới cho pipeline chạy.

Huấn luyện AutoARIMA (tự động chọn p,d,q,P,D,Q qua AICc) và AutoETS trên từng chuỗi Phân loại×Kênh. Dự báo 3 tháng tới. Tổ hợp = trung bình đơn giản của cả hai mô hình. Báo cáo khoảng dự đoán 80%/95%.

daily_avg_sale = TỔNG(30 ngày số lượng) / 30; days_of_inventory = tồn kho / daily_avg_sale. Gắn cờ THIẾU nếu days_of_inv < số ngày còn lại trong tháng, TỒN ĐỘNG nếu days_of_inv > thời gian giao hàng + tồn kho an toàn, NGUY KỊCH nếu days_of_inv < thời gian giao hàng.

Chia tỷ lệ mục tiêu tháng theo ngày — expected_MTD = (mục tiêu tháng / số ngày trong tháng) × số ngày đã trôi qua. Tính % chênh lệch = (thực tế - dự kiến) / dự kiến. Cảnh báo nếu |chênh lệch| > 30%. Xuất cả cảnh báo hàng ngày theo phân loại và chế độ xem MTD tổng hợp.

Hợp nhất đầu ra DP1 và Q2 thành một bảng điều khiển HTML thống nhất với các bảng cảnh báo được mã màu sắp xếp theo mức độ nghiêm trọng.

reorder_point = nhu_cầu_ngày × thời_gian_giao_hàng + tồn_kho_an_toàn. safety_stock = z(1.65) × độ_lệch_chuẩn_nhu_cầu × sqrt(thời_gian_giao_hàng). order_qty = max(MOQ, reorder_point + nhu_cầu_xem_xét - tồn_kho). Gắn cờ SKU có tồn kho < reorder_point.

Hợp nhất cảnh báo thiếu hụt với gợi ý đặt hàng lại, nhóm theo nhà cung cấp, áp dụng làm tròn MOQ, tạo dòng PO với ETA. Xuất CSV đơn đặt hàng hợp nhất sẵn sàng cho ERP nhập.

Huấn luyện LightGBM với đặc trưng độ trễ, thống kê cuộn và bộ hồi quy lịch. Dự báo 7 ngày tới. Tính toán giá trị SHAP để phân tích từng dự đoán thành đóng góp của đặc trưng.

Gọi API TimeGPT (Nixtla) với các đặc trưng siêu dữ liệu để dự báo khởi đầu nguội. Fallback về đường cơ sở ngây thơ theo mùa trung bình danh mục nếu khóa API không khả dụng.

Sử dụng bộ phát hiện bất thường IsolationForest của Darts trên chuỗi doanh thu hàng ngày. Điểm từng ngày theo khả năng bất thường (độ dài đường dẫn isolation forest). Gắn cờ 5% nhiễu hàng đầu là bất thường cần điều tra.

Xây dựng chuỗi thời gian phân cấp với ma trận tổng S. Áp dụng đối chiếu MinTrace: ŷ_reconciled = S(S'Σ⁻¹S)⁻¹S'Σ⁻¹ŷ, với Σ = hiệp phương sai lỗi từ dự báo cơ sở. Đảm bảo dự báo từ dưới lên và từ trên xuống đồng nhất.

Nhóm bán hàng theo phân loại, tính trung bình cuộn (cửa sổ 12 tuần) làm dự báo cho kỳ tiếp theo. Đường cơ sở đơn giản, dễ hiểu cho lập kế hoạch cấp danh mục.

Nhóm bán hàng theo SKU, tính trung bình cuộn (cửa sổ 12 tuần) làm dự báo cho kỳ tiếp theo. Góc nhìn chi tiết cho quyết định mua hàng cấp SKU.

yếu_tố_mùa_vụ_hàng_tháng = trung_bình_tháng / trung_bình_tổng_thể. tăng_trưởng_YoY = (năm_nay - năm_trước) / năm_trước × 100%. Xác định tháng cao điểm và tháng thấp điểm theo từng danh mục.

pct_kênh = doanh_thu_kênh / tổng_doanh_thu × 100%. thông_qua_kho = TỔNG(số lượng) theo kho. Xếp hạng kênh và kho theo đóng góp doanh thu và thông lượng.

Phân khúc dựa trên quy tắc với 10 tiêu chí (nhạy cảm giá, tập trung chất lượng, tập trung thương hiệu, cảm xúc, giai đoạn vòng đời, lý do mua hàng) từ hồ sơ CP360. Ánh xạ thành 9 nhóm (Người ủng hộ, Trung thành, Có rủi ro, v.v.). health_score = trung_bình_có_trọng_số(cảm xúc, chuyển đổi, hoạt động).

So sánh bán hàng trong ngày khuyến mãi so với đường cơ sở không khuyến mãi theo từng phân loại. uplift_ratio = trung_bình_khuyến_mãi / trung_bình_không_khuyến_mãi. Tính hệ số tồn kho là yếu tố bao phủ cần thiết cho sự kiện bán flash.

days_of_inventory = tồn_kho / trung_bình_bán_ngày. overstock_threshold = thời_gian_giao_hàng + tồn_kho_an_toàn + kỳ_xem_xét. TỒN ĐỘNG nếu days > ngưỡng. THIẾU HỤT nếu days < ngưỡng an toàn. excess_qty = tồn_kho - (trung_bình_ngày × ngưỡng).

Hồi quy log-log: ln(số_lượng) = α + β × ln(giá) + biến kiểm soát. |β| > 1 = cầu co giãn (nhạy cảm giá), |β| < 1 = không co giãn. Được sử dụng để xác định giá tối ưu và độ sâu khuyến mãi mà không ăn mòn biên lợi nhuận.

Tổng hợp KPI từ nhiều đầu ra pipeline thành một bảng điều khiển HTML duy nhất với thẻ tóm tắt, lưới KPI và biểu đồ xu hướng. Trình bày các con số quan trọng nhất trong nháy mắt.

Chuyển đổi dự báo đơn vị thành tiền mặt — dòng_vào = số_lượng_dự_báo × giá × tỷ_lệ_thu, dòng_ra = COGS × tỷ_lệ_thanh_toán + mua_hàng_thiếu_hụt. Dự báo 8 tuần tới với số dư tiền mặt ban đầu. Tính vị thế tiền mặt ròng và số ngày hoạt động.

tỷ_lệ_đúng_hạn = đúng_hạn / tổng × 100%. tỷ_lệ_từ_chối_chất_lượng = từ_chối / nhận_được × 100%. phương_sai_thời_gian_giao = độ_lệch_chuẩn(thực_tế - đã_hứa). Điểm tổng hợp = 0.4×đúng_hạn + 0.3×chất_lượng + 0.3×ổn_định. Xếp hạng nhà cung cấp để quyết định giữ/đàm phán/thay thế.

vòng_quay = COGS_năm / giá_trị_tồn_kho_trung_bình. DIO (Số ngày tồn kho) = 365 / vòng_quay. hàng_chết = không bán trong 90 ngày + tồn_kho > 0. Phân loại SKU thành xuất sắc (>4 vòng), tốt (2-4), chậm (<2) hoặc chết.

Tổng hợp bán hàng theo kỳ (MTD/QTD/YTD), so sánh với mục tiêu và dự báo đã chia tỷ lệ. Tính % chênh lệch và khoảng cách tuyệt đối. Hiển thị xu hướng so với hiệu suất năm trước.

Kết hợp 4 nhóm tín hiệu — (1) Liên kết: điểm nâng cặp sản phẩm, (2) Phù hợp phân khúc: sự liên kết phân khúc-sản phẩm, (3) Nhu cầu: nhu cầu dự báo, (4) Tồn kho: khả năng sẵn có trong kho. Điểm có trọng số = 0.40×liên_kết + 0.25×phân_khúc + 0.20×nhu_cầu + 0.15×tồn_kho. Trả về N đề xuất hàng đầu cho mỗi khách hàng.

Phân khúc khách hàng theo ngũ phân vị Gần đây, Tần suất, Giá trị. Điểm RFM = R×100 + F×10 + M. Tổng hợp theo phân khúc: quy_mô, cảm_xúc_trung_bình, khả_năng_chuyển_đổi_trung_bình, điểm_sức_khỏe (trung bình có trọng số của cảm xúc, chuyển đổi, hoạt động), doanh_thu_ước_tính.

Phân khúc RFM (Gần đây/Tần suất/Giá trị) → 7 phân khúc mua hàng. Liên kết sản phẩm qua lift(A→B) = P(A∩B) / (P(A)×P(B)). Quy tắc chiến dịch ánh xạ phân_khúc → chiến_lược → tên_chiến_dịch → ưu_đãi → thời_gian → KPI. Đầu ra: CSV phân khúc, CSV chiến dịch, CSV cặp liên kết.

Đọc từng CSV đầu ra, chuyển đổi sang định dạng Frappe DocType, POST đến endpoint API science_bridge ingest. Chế độ=periodic cho chạy cron, ondemand cho thủ công. Tùy chọn dry-run để kiểm tra mà không thay đổi dữ liệu.

doanh_thu = số_lượng_dự_báo × đơn_giá × hệ_số_nhân_kịch_bản. COGS = doanh_thu × tỷ_lệ_COGS. biên = doanh_thu - COGS. 4 kịch bản — cơ_sở (1.0x), lạc_quan (1.2x doanh thu, 0.9x COGS), bi_quan (0.8x doanh thu, 1.1x COGS), tùy_chỉnh (hệ số nhân do người dùng định nghĩa). Chân trời: W/M/Q/HY/Y.

Đọc tất cả đầu ra pipeline và tổ chức thành 3 báo cáo HTML hợp nhất — chuỗi cung ứng (thiếu hụt, tồn động, đặt hàng lại, PO), dự báo nhu cầu (mục tiêu so với thực tế, statsforecast, ML, bất thường, mùa vụ, địa điểm), khách hàng & thị trường (phân khúc, chiến dịch, liên kết, đề xuất, cảnh báo). Mỗi báo cáo với thẻ KPI, bảng dữ liệu và biểu đồ.

Đọc cấu hình pipeline (bước, ánh xạ câu trả lời, báo cáo) và cấu hình câu hỏi, đối chiếu chúng và kết xuất danh mục HTML tĩnh.

Đọc mọi CSV đầu ra pipeline và xây dựng báo cáo HTML toàn diện với 9 phần (Bán hàng & Dự báo, Tồn kho, Lập kế hoạch Nhu cầu, Khách hàng, Thông tin Khách hàng, Chuỗi cung ứng, Thông tin Dự báo Nhu cầu, Điều hành, Phương pháp luận). Mỗi hàng câu hỏi bao gồm thẻ nhân vật, tần suất, nội dung câu hỏi, câu trả lời với bảng nội dòng và biểu đồ matplotlib (PNG base64). Thẻ KPI tóm tắt ở đầu.

Quét pipeline.yaml, thu thập mọi step có report, xếp nhóm nổi bật (qa, q21, df, dm, pq, ur) rồi danh mục đầy đủ theo bước; kết xuất HTML tĩnh với liên kết tương đối trong cùng thư mục outputs.

Kéo tin nhắn thô từ nguồn chat đã cấu hình. Phân phiên bằng cách nhóm tin nhắn trong thời gian chờ không hoạt động (mặc định 30 phút). Xuất CSV phiên có cấu trúc với customer_id, dấu thời gian và nội dung tin nhắn.

Lọc phiên theo số từ tối thiểu (mặc định 2). Loại bỏ phiên độc thoại (chỉ tin nhắn của nhân viên). Giữ lại phiên có từ khóa tín hiệu (khiếu nại, giá cả, chất lượng). Xuất CSV giữ/loại để kiểm toán.

Gộp văn bản hội thoại và gọi API LLM (qua config/prompts.yaml) để trích xuất cảm xúc, độ nhạy giá, tập trung chất lượng, liên kết thương hiệu, ý định mua hàng và giai đoạn vòng đời. Chế độ dry-run sử dụng phản hồi giả để kiểm tra.

Ghép đề cập sản phẩm trong dữ liệu thông tin chi tiết đến phân loại SKU chuẩn sử dụng ghép chuỗi mờ và quy tắc nhận biết ngữ cảnh. Hỗ trợ chế độ insights (ghép từ trường trích xuất) hoặc chế độ text (ghép từ văn bản hội thoại thô).

Nhóm thông tin chi tiết theo customer_id, tổng hợp điểm cảm xúc, tín hiệu ý định mua hàng và liên kết sản phẩm. Cập nhật trường hồ sơ tích lũy: xu hướng cảm xúc, mức độ nhạy cảm giá, tập trung chất lượng, lòng trung thành thương hiệu, giai đoạn vòng đời, khả năng chuyển đổi.

Tạo cảnh báo dựa trên quy tắc — RỦI_RO_RỜI_BỎ (R_score < 2, gần đây > 90 ngày), CƠ_HỘI_BÁN_THÊM (cảm xúc cao + chuyển đổi cao), KHÁCH_HÀNG_NHẠY_CẢM_GIÁ (nhạy cảm giá cao + đang hoạt động), KHÁCH_HÀNG_GIÁ_TRỊ_CAO (giá trị tiền tệ cao + tần suất cao). Mỗi cảnh báo bao gồm điểm ưu tiên và hành động đề xuất.