01
步骤 1
收集带日期的销量历史，以及库存可用日志、促销日期、商品上新日期和限制响应节奏的供应商交期。
返回所属主题
Spark 运营场景库 · Spark: AI Store Assistant
识别销售历史中的季节性规律
历史记录里每年都会出现峰值，但没人核对过这些峰值是逐年重复还是只发生过一次。本场景的具体任务，是识别销售历史中的季节性规律。工作流应基于带日期的销售历史、库存可用记录与促销日期，产出含假设、区间与复核日期的需求预测。
所属主题
销售与需求预测
目标关键词
shopify seasonal sales analysis
可复制 AI 提示词
直接用在 Spark 工作流里的提示词
先替换所有 [方括号] 占位内容，再补充你真实的店铺数据和限制条件，最后粘贴到你常用的 AI 助手或 Spark 智能体里。Spark 会按本页定义的流程给出结构化的输出和验证方式。
ai-prompt.txt
你是一名 Shopify 运营专家。请帮我处理「shopify seasonal sales analysis」这一问题，所属方向为「销售与需求预测」。
店铺背景：[填写品类、目标市场、目标客群]
处理范围：[填写商品、页面、客户、活动或日期范围]
可提供的数据：[填写已有资料]
请按以下方式工作：
1. 先说明完成该任务需要哪些关键数据，并标记缺失项。
2. 把同一日历窗口跨年度对齐，只有当峰值在足够多的年份里都出现在同一窗口时才判定为反复出现的规律，并把被缺货、活动或上新扭曲的窗口标记为不可用，而不是把它们平均进去。
3. 输出问题判断、建议方案、优先级、所需人工确认事项和验证方法。
4. 所有商品属性、指标、客户信息和营销结论必须以我提供的数据为依据；没有证据时请明确写“待确认”，不要猜测。
5. 如涉及发布、发信、改价、修改商品或账户操作，在我明确授权且工具已连接前，仅输出草案或操作步骤；完成操作后再报告已验证的结果。解决步骤
推荐的解决流程
按输入、判断、交付三个阶段拆开执行，先保证每一步的输出，再进入下一步。
02
步骤 2
把同一日历窗口跨年度对齐，只有当峰值在足够多的年份里都出现在同一窗口时才判定为反复出现的规律，并把被缺货、活动或上新扭曲的窗口标记为不可用，而不是把它们平均进去。
03
步骤 3
输出每个商品的季节性画像，含峰值与低谷窗口、各窗口观测到的取值区间以及由交期推出的采购截止时间，再对照原始带日期历史复核画像，并列出每个被排除的窗口及其原因。
常见问题
执行这个场景时最常见的疑问
覆盖判断依据、常见误解和必须准备的输入，让团队在真正动手之前先把前提对齐。
需要多少个历史周期才算可信？
只有当峰值在足够多的年份里都落在同一窗口时，才把它标注为反复出现的规律；只有一个周期时结论保持暂定并如实标注，避免有人为一次偶发冲高备下库存。
峰值逐年提前时怎么处理？
如实记录日期的移动而不是取平均值，因为季节时点前移会改变正确的采购截止时间；取平均会把峰值放在实际并不存在的中间时点，导致货到时需求已经过去。
哪些商品可以做季节性判断？
只做有足够带日期历史的商品。新品以及历史大部分被缺货扭曲的商品不下季节性结论，而是列为证据不足，并注明最早在哪个日期之后才能给出可靠的判断。
相关场景
继续浏览相近或同主题的 Spark 运营场景
先优先看同主题的相似问题，或用相似度推荐扩展到跨主题但逻辑相近的其他场景。
Next step
想把这些 AI 场景直接嵌入日常运营？
Ciwi Spark 围绕 Shopify 商家常见的研究、投放、翻译和客户支持等流程，提供可以直接接入店铺的 AI 工具与智能体，减少反复写提示词的成本。