简诗 AI 商业收入预测与漏斗诊断

要解决什么问题

季度预测时，商业负责人经常面对三个没有结构化答案的问题：

• commit、best-case、pipe-only 三个数怎么来？ 董事会和 CFO 会分别问这三个口径，每个都必须披露转化假设，而不是给一个拍脑袋的单一数字。
• 合并 NRR 是不是掩盖了泄漏队列？ 合并口径常常看起来健康，但最近几个队列可能已经在流失，而这个泄漏要过 2–3 个季度才会浮现在总盘上。
• 漏斗各阶段的转化率到底可不可信？ 同样均值 40% 的转化率，标准差 4% 和 20% 的可靠性完全不同——后者就是统计噪声。

技能如何工作

核心工作流分五个步骤，全部基于历史数据，不凭空外推：

1. 录入数据：填写 forecast_intake_template.md，包括商机清单（阶段 / 金额 / 关闭日期 / 阶段停留时长）、最近 4Q 与 12Q 的阶段转化数据、各队列 ARR 与留存 / 扩展数据。
2. 三档预订预测：输出 commit、best-case、pipe-only 三个数字，每个都附带使用的转化率、数据窗口（4Q 权重 70% / 12Q 权重 30%）和关闭概率调整。假设块是非可选的——没有假设块，预测就是表演。
3. 队列 ARR 投影：按队列计算 NRR 和 GRR 的投影轨迹，并标记出明显低于队列均值的泄漏队列，即使合并数字看起来还正常。
4. 漏斗阶段置信度打分：对每个阶段计算变异系数（CoV = StDev / Mean），给出 HIGH / MEDIUM / LOW 置信带和对应的处理建议（延长数据窗口、视为软下限、或可用于 commit）。
5. 组装预测 deck：把三档数字、队列热力图、阶段置信度放进 QBR / 董事会材料，假设块必须和数字放在同一张幻灯片上。

配套脚本 bookings_forecaster.py、cohort_arr_projector.py、funnel_confidence_scorer.py 均为纯标准库实现，支持 --help 和 --sample。

适用边界与注意点

• 不做回看型财务结账与报告、多年期战略规划、招聘 / 区域 / 薪酬设计、定价决策、单笔交易折扣审批——这些分别由对应技能处理。
• 历史转化率是先验，不是真理。4Q/12Q 的 70/30 混合是为了捕捉近期减速又不过度拟合某个糟糕季度，窗口和权重在每次输出中都会披露。
• 泄漏队列的发现窗口比合并 NRR 早 2–3 个季度，只报合并 NRR 等于主动掩盖问题。
• 把 best-case 当 commit 汇报是最常见的失败模式，pipeline coverage 低于 3x 时 commit 在结构上就站不住。