老板问一句话，答案穿过五层：场景 → 三句话 → 报告页 → 规则引擎 → Excel 单元格。

这一页是总览。后面三页把每句话单独拆到底——每个数字都能回溯到某一个 Excel 列、某一行代码、某一条公式。经得起财务总监追问。

场景 ① · 季度末盘点前，老板突然问："为什么账上躺着这么多钱？"

你拿出一份脱敏样例，三句话说清楚：钱压在哪、浪费在哪、先动哪。不许翻表，不许说"我回去查查"。

1

钱压在哪 → 压在死货和头部

总库存 ¥2,966,900，其中 28%（¥831,000）是死货；头部 5% 的 SKU 占了 51.2% 的销售额——钱两头压。

2

浪费在哪 → 浪费在一刀切的 45 天备货

公式说中位 17.8 天就够（范围 9.5~27），你一刀切备 45 天——¥943,686 资金压在仓库睡大觉。

3

先动哪 → 先补 1248、先清 366、先裁决 34

1,248 个缺货风险先补货、366 个死货先清仓、34 个"死货∩主力"打架的先裁决——其他的排队。

L0 · 场景

老板的一句话："为什么账上躺着这么多钱？"

触发时点：季度末盘点前。回答约束：三句话、带数字、不当场翻表。

L1 · 三句话

钱压在哪 / 浪费在哪 / 先动哪

对应 diagnostics.html P2 执行摘要——Governing Message 独立成页。

L2 · 报告页

P3 总账四数 · P4 四类清单 · P5 三个动作 · P6 假设边界

每句话由哪一页支撑，见 P2/P3/P4 的下钻链。

L3 · 规则引擎

run_rules.py · 两个模块

模块1 四规则（缺货/死货/主力/长尾+打架）；模块2 EOQ（EOQ、安全库存、ROP、备货天数、节省）。

L4 · Excel 数据

sku_table.csv 9 列 → sku_table_with_eoq.csv 25 列

每个数字最终落在某一列的某一个单元格。字段级映射见最后一页。

"钱压在哪"这五个字，从报告 P3 总账一路追到 Excel 的「销售额」和「未动销天数」两列。

报告页

diagnostics.html · P3 总账（Top Line）

四个数：库存 ¥2,966,900、死货 ¥831,000（28%）、浪费（句②）、集中度 TOP5 = 51.2%。老板 10 秒看完。

规则

模块1 · 规则2（死货）＋销售额汇总

死货 = 连续 21 天没动销；死货金额 = 死货 SKU 的销售额加总。集中度 = 销售额前 5% SKU 的占比（帕累托）。

代码

run_rules.py · 规则 2 与汇总

dead = df["未动销天数"] >= 21          # 366 个 SKU
dead_amt = df.loc[dead, "销售额"].sum()  # ¥831,000
total    = df["销售额"].sum()             # ¥2,966,900
top5_pct = df["销售额"].nlargest(int(N*0.05)).sum() / total  # 51.2%

EXCEL 列

sku_table.csv · 3 列喂出这句话

销售额 → 总账 ¥2,966,900 与 TOP5 集中度；未动销天数 → 判定死货；SKU编码 → 定位到具体 366 个货。

说出口

"账上 296 万里，83 万是 21 天没动过的死货；一半销售额靠 5% 的款撑着。"

两个数字一个对比，老板立刻知道钱压在两头。

"浪费在哪"不是靠感觉说"备多了"——是每个 SKU 一条公式，3000 条公式加总出 ¥943,686。

报告页

diagnostics.html · P3 总账「浪费」数 + P6 假设边界

P6 写明：提前期 14 天、服务水平 95%（Z=1.645）、持有成本率 25%、订货成本 ¥50/单。敢写假设，才经得起追问。

规则

模块2 · EOQ + 安全库存 + 再订货点

每个 SKU 单独算需求波动 CV（卖得稳的少备、卖得飘的多备），再推备货天数： CV = |销量30天 − 月均| ÷ 月均安全库存 SS = Z × (日销量×CV) × √提前期 ROP = 日销量×提前期 + SS → 备货天数 = ROP ÷ 日销量多备占用资金 = (45 − 公式天数) × 日销量 × 单价

代码

run_rules.py · 模块 2 核心四行

df["CV"] = ((df["销量30天"] - df["月均"]).abs() / df["月均"]).clip(0.1, 1.0)
df["安全库存"] = (Z * df["日销量"] * df["CV"] * np.sqrt(LEAD_TIME))
df["ROP"]   = df["日销量"] * LEAD_TIME + df["安全库存"]
df["多备占用资金"] = ((45 - df["公式备货天数"]) * df["日销量"] * df["单价"]).clip(lower=0)

EXCEL 列

3 列原始 → 4 列新增

喂入：销量30天 月均（算 CV）、销量6月（算日销量）、单价（算资金）。
产出：CV 安全库存 ROP 公式备货天数 多备天数 多备占用资金——全部写回 sku_table_with_eoq.csv。

说出口

"一刀切备 45 天，公式逐 SKU 算下来中位 18 天就够——94 万资金白压着。"

附赠一句：其中 2,498 个 SKU 改 EOQ 订货节奏，一年再省 ¥932,535 订货+持有成本。

"先动哪"不是给 3000 行全表——是 4 条规则跑出 4 张清单，重叠的 34 个最先裁决。

报告页

diagnostics.html · P4 四类清单 + P5 三个动作

P4 给老板看分类汇总（做决策），P5 给执行层看动作：谁做、多久见效、验收标准。不写"加强管理"这种空话。

规则

模块1 · 四规则 + 打架检测

缺货风险 = 近30天销量 > 月均×1.5；死货 = 21 天没动销；主力 = 销量前 30%；长尾 = 销量后 50%。
打架 = 死货 ∩ 主力——"该清的"和"不能清的"是同一批，必须人来裁决，机器不替你做决定。

代码

run_rules.py · 模块 1 完整四行 + 一行打架

risk = df["销量30天"] > df["月均"] * 1.5          # 1,248 缺货风险
dead = df["未动销天数"] >= 21                    #   366 死货
main = df["销量6月"] >= df["销量6月"].nlargest(int(N*0.30)).min()  # 901 主力
tail = df["销量6月"] <= df["销量6月"].nsmallest(int(N*0.50)).max() # 1,501 长尾
conflict = dead & main                           #    34 打架 ← 最先裁决

EXCEL 列

4 列喂出 4 张清单

销量30天 月均 → 缺货清单；未动销天数 → 死货清单；销量6月 → 主力与长尾清单。清单落到 SKU 编码级，执行层照着搬。

说出口

"1248 个要断货的先补，366 个死货先清，34 个又是死货又是主力的——今天就得有人拍板。"

34 这个数字最值钱：它证明规则之间会打架，而你的体系能看见打架。

字段地图：9 列原始数据各喂哪条规则，16 列新增各属哪个模块——全部可复现。

列名	来源	喂给哪条规则 / 产出什么
SKU编码	原始	主键，所有清单的落点
商品名称	原始	展示用
销量6月	原始	规则3 主力规则4 长尾EOQ·日销量/年需求
销量30天	原始	规则1 缺货EOQ·CV 波动
月均	原始	规则1 缺货EOQ·CV 波动
单价	原始	EOQ·持有成本/多备资金
未动销天数	原始	规则2 死货
销售额	原始	总账 ¥2,966,900 · TOP5 集中度 51.2% · 死货金额 ¥831,000
最后动销	原始	展示用（死货清单佐证）
日销量 / 年需求	新增	销量6月 ÷ 180 · ×365
CV	新增	\|销量30天 − 月均\| ÷ 月均，截断在 [0.1, 1.0]
EOQ	新增	√(2 × 年需求 × ¥50 ÷ 持有成本)
安全库存 / ROP	新增	SS = 1.645×日销量×CV×√14 · ROP = 14天需求 + SS
公式备货天数	新增	ROP ÷ 日销量 → 中位 17.8 天（9.5~27）
多备天数 / 多备占用资金	新增	45 − 公式天数 · ×日销量×单价 → 合计 ¥943,686
现年成本 / 优年成本 / 潜在节省	新增	仅年销≥100 件的 2,498 个 SKU 参与 → 合计 ¥932,535/年

数据源与复现：UCI Online Retail 真实流水（54 万行）聚合为 3,000 个 SKU → sku_table.csv（9 列）→ 一条命令 python run_rules.py → sku_table_with_eoq.csv（25 列）。所有数字可当场重跑验证，不接受"你信我"。