# 示例：2023 C 题全流程输出风格演示

> 本文用一个真实题目（2023 C 题：蔬菜类商品的自动定价与补货决策）演示
> **AI 在每个阶段应该输出什么、长什么样**。比赛时照着这个风格干。
> 文中数值为"结构演示用占位"，真实比赛必须全部来自实际运行。

## Phase 0 输出示范（读题 → 选题）

```
【题目四层结构提取】
- 背景：生鲜超市蔬菜类商品保鲜期短、需每日补货，成本高、损耗大
- 问题：
  1. 分析蔬菜品类与单品销量的分布规律及相关关系
  2. 某单品价格与销量关系、如何定价补货
  3. 单品利润率与销量预测
  4. 制定未来一周的补货与定价计划并评估
- 数据：附件1 商品信息（93种单品/6大类）、附件2 销售流水（2020-2023）
        附件3 批发价、附件4 损耗率
- 结果要求：按题目模板填写 result 表，文件名不变

【题型判断】C 题（数据分析+优化）：统计规律→相关性→预测→补货定价优化
【技术路线】
  数据侧写 → 品类/单品销量分布(K-means++/描述统计) → 相关性(Spearman)
  → 价格-销量回归 → 销量预测(ARIMA/指数平滑) → 补货定价线性规划
【建议】选 C 题，数据完整、路径清晰，容易拿分。
```

## Phase 1 输出示范（数据探索）

```
【数据侧写报告】
- 附件2 销售流水：覆盖 2020-07-01 至 2023-06-30，字段(日期/单品编码/销量)
  共 X 万条，缺失 0.3%（均值填充），无重复
- 异常值：3 条销量为 0 的记录已剔除；2 个日期缺 2/29（非闰年，忽略）
- 分布：花叶类销量占比最高（41%），茄类波动最大（变异系数 0.36）
- 生成：图1 六品类日销量时序图、表1 品类统计描述
【风险】2023-06 数据不完整，预测窗口只取完整月份
```

## Phase 2 输出示范（问题一建模）

```
【问题一：分布规律 + 相关关系】
- 模型选择：描述统计(均值/方差/变异系数) + 聚类(K-means++, 肘部法定 k=4)
  + Spearman 相关系数（销量非正态，用秩相关）
- 求解：K-means++ 聚类划分四档（热销/畅销/平销/滞销），
  相关系数热力图显示"花叶类与茄类销量显著负相关(-0.38)"
- 检验：轮廓系数 0.52；相关系数 p<0.05
- 表2 四档聚类中心、图2 聚类散点图、图3 相关系数热力图
```

## Phase 3 输出示范（摘要初稿）

```
本文针对生鲜超市蔬菜类商品自动定价与补货问题，综合运用统计分析与优化建模方法，
建立了需求预测与利润最大化模型。
针对问题一，对 6 大品类 93 种单品的历史销量进行数据侧写，采用 K-means++ 聚类
将品类划分为四档，Spearman 相关分析表明花叶类与茄类销量显著负相关(ρ=-0.38)。
针对问题二，建立价格-销量回归模型，销量弹性为 -0.62，据此给出单品最优定价，
日毛利提升 8.4%。
针对问题三，基于 ARIMA(2,1,2) 预测未来一周销量，平均相对误差 4.1%。
针对问题四，建立带损耗率约束的线性规划补货定价模型，预计周利润 2.3 万元，
较现有方案提高 12.6%。
最后进行灵敏度分析，结果表明方案对损耗率较敏感、对进价稳定；模型可推广至零售连锁行业。
关键词：聚类分析 回归模型 ARIMA 线性规划 灵敏度分析
```

## Phase 4 输出示范（检查报告）

```
python scripts/checks.py 4_论文/paper.md .
== 1. 结构完整性 ==   [通过] 七章齐全
== 2. 摘要检查 ==     [通过] 字数 986，关键词 5 个，逐问覆盖，数值 24 处
== 3. 编号连续性 ==   [通过] 图 1-9 连续；表 1-12 连续；公式 (1)-(14) 连续
== 4. 参考文献 ==     [通过] 7 条，均含年份与出版要素
== 5. 提交物完整性 == [通过] 论文 PDF 存在；2_代码 非空；5_支撑材料 非空
```

## 本示例要传达的"手感"

1. 每阶段输出**结构化、带编号、可勾选**，用户一目了然
2. 结果数字必须**可溯源**（来自哪个附件、哪次运行）
3. 每问都有"模型选择理由 + 求解 + 检验"三连
4. 摘要直接"可粘贴进论文"的成品质量
5. 检查报告用 checks.py 的真实输出