《出版社物流WMS智能调度实战（四）》：从表到图 | WMS销售数据日汇总表可视化实战

📖 《出版社物流WMS智能调度实战》系列文章
环境准备篇：Windows/Linux双环境搭建指南 | 第一篇：架构升级 | 第二篇：开发排坑 | 第三篇：运维监控 | 第四篇：本文（销售数据可视化） | 第五篇：预测结果可视化

📌 前置阅读：本文是系列第四篇，建议先阅读环境准备篇完成服务器搭建，以及前三篇了解架构、开发和运维，再进入本篇的可视化实战。

---

摘要

销售数据日汇总表 WMS_SALES_DAILY_AGG 记录了出版社仓库每天的真实销售数据。如何从这些数字中快速看清业务全貌？本文用五张典型图表展示核心运营指标，所有图表均来自真实数据（已脱敏）。非技术人员可直接阅读图表及解读；技术人员可在附录中找到完整的 Python 代码，一键生成交互式 HTML 报表，并支持钉钉/邮件自动推送。阅读本文约 15 分钟，代码可直接运行。

---

一、销售日汇总表能回答哪些问题？

业务问题	对应图表	用处
最近一个月销量走势如何？	日销售趋势折线图	判断淡旺季、促销效果
哪些书卖得最好？	畅销图书 Top 20	指导补货、调整库存位置
大多数订单用什么物流？	物流方式订单量	优化物流合同、降低成本
哪些省份订单多？	省份销量热力图	考虑区域分仓
促销活动有效吗？	折扣率 vs 销量散点图	评估促销ROI

下面我们直接看图表（数据为脱敏示例，实际运行时替换为真实数据）。

---

二、图表展示与解读

2.1 日销售趋势（折线图）

📌 解读：

• 横轴为日期，纵轴为每日销售托数（整托数量）和件数（含拆零）。
• 从图中可以清晰看出每周上半周有一个销售高峰（可能是季节性），下半周之后回落。
• 仓库经理（物流调度）可据此提前安排加班或调整出库策略（下半周做好下周的补货移位等工作）。

2.2 畅销图书 Top 20（柱状图）

📌 解读：

• 展示销量最高的 20 个图书编码（实际报表中可关联商品表显示书名）。
• 头部图书占据了约 35% 的销量，应优先将这些图书放在快速区，确保整托出库。
• 采购部门（业务部及物流调度）可关注这些图书的库存，及时沟通采购或图书调拨等补充库存工作，避免缺货。

2.3 物流方式订单量

📌 解读：

• 汽运是主要物流方式。
• 如果快递占比持续上升，可以考虑与快递公司签订更优惠的长期合同。

2.4 销量 Top 10 省份

📌 解读：

• 北京、天津、广东是销量前三的省份。
• 如果条件允许，可以考虑在这些省份设立区域仓，缩短配送时间。

2.5 折扣率 vs 销量

📌 解读：

• 每个点代表一天，横轴为当日平均折扣率（0=原价，0.2=8折），纵轴为日销量（件）。蓝色虚线为线性趋势线。
• 从图中可以看出，折扣率在 0.5-0.6（即 4-5 折）时销量明显提升，但折扣超过 0.7（3 折以下）后销量并未成比例增长，说明折让已经过度。
• 业务营销团队可根据此图优化折扣力度。

---

三、自动化与推送

以上图表如何每天自动生成并推送给团队？技术流程如下：

1. 数据读取：从 WMS_SALES_DAILY_AGG 表读取最近 30 天数据。
2. 绘图：使用 Python 的 matplotlib（静态图）和 plotly（交互式图）生成图表。
3. 生成 HTML 报告：将所有图表整合到一个 HTML 文件，支持手机/电脑查看。
4. 定时执行：通过 crontab 每天早晨 8:30 自动运行脚本。
5. 推送：将生成的 HTML 报告上传至公司内部静态服务器，并通过钉钉机器人发送链接；或直接发送邮件。

详细代码见附录。

---

四、附录：Python 代码（供技术人员使用）

4.1 环境依赖

pip install pandas matplotlib seaborn plotly jinja2 requests

4.2 完整脚本 generate_sales_report.py

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px
from datetime import datetime, timedelta
from db_utils import target_db  # 复用系列中的数据库模块
import base64
from io import BytesIO
from jinja2 import Template
import requests
import sys
import os

# ==================== 中文字体设置 ====================
if sys.platform.startswith('win'):
    plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
    plt.rcParams['axes.unicode_minus'] = False
else:
    plt.rcParams['font.sans-serif'] = ['WenQuanYi Zen Hei', 'Noto Sans CJK SC']
    plt.rcParams['axes.unicode_minus'] = False
sns.set_style("whitegrid")
# ==================== 数据加载 ====================
def load_sales_data(start_date, end_date):
    sql = f"""
    SELECT sale_date, item_id, total_tuo, total_qty, total_amount,
           order_count, customer_count, avg_discount_rate,
           main_delivery_type, main_province, publisher_code
    FROM WMS_SALES_DAILY_AGG
    WHERE sale_date BETWEEN :start AND :end
    """
    return target_db.query(sql, {'start': start_date, 'end': end_date})

# ==================== 静态图（matplotlib）转 base64 ====================
def fig_to_base64(fig):
    buf = BytesIO()
    fig.savefig(buf, format='png', bbox_inches='tight')
    buf.seek(0)
    return base64.b64encode(buf.read()).decode('utf-8')

# ==================== 图表生成 ====================
def plot_daily_trend(df):
    daily = df.groupby('sale_date').agg({'total_tuo': 'sum', 'total_qty': 'sum'}).reset_index()
    fig, ax = plt.subplots(figsize=(12, 5))
    ax.plot(daily['sale_date'], daily['total_tuo'], marker='o', label='托数')
    ax.plot(daily['sale_date'], daily['total_qty'], marker='s', label='件数')
    ax.set_xlabel('日期'); ax.set_ylabel('销量'); ax.set_title('日销售趋势')
    ax.legend(); plt.xticks(rotation=45); plt.tight_layout()
    return fig

def plot_top_books(df, top_n=20):
    book_sales = df.groupby('item_id')['total_tuo'].sum().reset_index()
    book_sales = book_sales.sort_values('total_tuo', ascending=False).head(top_n)
    fig = px.bar(book_sales, x='item_id', y='total_tuo', title=f'畅销图书 Top {top_n}（托数）')
    return fig

def plot_delivery_method(df):
    delivery = df.groupby('main_delivery_type')['order_count'].sum().reset_index()
    fig = px.bar(delivery, x='main_delivery_type', y='order_count', title='各物流方式订单量')
    return fig

def plot_province_heatmap(df):
    province = df.groupby('main_province')['total_qty'].sum().reset_index()
    province = province.sort_values('total_qty', ascending=False).head(10)
    fig = px.bar(province, x='main_province', y='total_qty', title='销量 Top 10 省份')
    return fig

def plot_discount_vs_sales(df):
    daily = df.groupby('sale_date').agg({'avg_discount_rate': 'mean', 'total_qty': 'sum'}).reset_index()
    fig = px.scatter(daily, x='avg_discount_rate', y='total_qty', text='sale_date',
                     title='折扣率与销量关系', labels={'avg_discount_rate': '平均折扣率', 'total_qty': '日销量（件）'})
    return fig

# ==================== 生成 HTML 报告 ====================
def generate_report(start_date=None, end_date=None):
    if start_date is None:
        end_date = datetime.now().date() - timedelta(days=1)
        start_date = end_date - timedelta(days=29)
    df = load_sales_data(start_date, end_date)
    if df.empty:
        print("无数据")
        return

    # 生成图表
    fig1 = plot_daily_trend(df)
    fig2 = plot_top_books(df)
    fig4 = plot_delivery_method(df)
    fig5 = plot_province_heatmap(df)
    fig6 = plot_discount_vs_sales(df)

    daily_trend_img = fig_to_base64(fig1)
    top_books_html = fig2.to_html(full_html=False)
    delivery_html = fig4.to_html(full_html=False)
    province_html = fig5.to_html(full_html=False)
    discount_html = fig6.to_html(full_html=False)

    html_template = """
    <html>
    <head><meta charset="UTF-8"><title>销售日汇总报表</title></head>
    <body>
        <h1>销售日汇总报表</h1>
        <p>统计区间: {{ start_date }} 至 {{ end_date }}</p>
        <h2>1. 日销售趋势</h2>
        <img src="data:image/png;base64,{{ daily_trend_img }}" style="width:100%"/>
        <h2>2. 畅销图书 Top 20</h2>
        {{ top_books_html }}
        <h2>3. 物流方式订单量</h2>
        {{ delivery_html }}
        <h2>4. 销量 Top 10 省份</h2>
        {{ province_html }}
        <h2>5. 折扣率 vs 销量</h2>
        {{ discount_html }}
    </body>
    </html>
    """
    template = Template(html_template)
    html_content = template.render(
        start_date=start_date, end_date=end_date,
        daily_trend_img=daily_trend_img,
        top_books_html=top_books_html,
        delivery_html=delivery_html,
        province_html=province_html,
        discount_html=discount_html
    )
    filename = f"sales_report_{datetime.now().strftime('%Y%m%d')}.html"
    with open(filename, "w", encoding='utf-8') as f:
        f.write(html_content)
    print(f"报表已生成: {filename}")
    return filename

# ==================== 推送钉钉 ====================
def send_dingtalk(file_url, webhook):
    data = {
        "msgtype": "text",
        "text": {"content": f"销售日报已生成，点击查看：{file_url}"}
    }
    requests.post(webhook, json=data)

if __name__ == "__main__":
    report_file = generate_report()
    # 若需要推送到钉钉，取消下一行注释并配置 webhook 和文件访问 URL
    # send_dingtalk("https://your-server.com/" + report_file, "your_webhook")
    # 如发送邮件等功能，增加发送邮件函数后在此调用即可。

4.3 定时任务（crontab）

# 每天 8:30 生成昨日销售报表
30 8 * * * cd /opt/wms_ml && source venv/bin/activate && python generate_sales_report.py >> logs/sales_report.log 2>&1

⚠️ 请根据实际安装路径修改 /opt/wms_ml 和虚拟环境名称。

---

五、常见问题与排坑

问题	解决方案
matplotlib 中文字体显示方框	设置 plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']（Windows）或 ['WenQuanYi Zen Hei']（Linux）
DPI-1047 找不到 Oracle 客户端	注释掉厚模式代码，改用 Thin 模式；或正确安装 Oracle Instant Client
生成的 HTML 中部分图表为空白	检查 plotly 是否正常安装，尝试在浏览器中打开 F12 查看控制台错误
查询结果为空	检查销售日汇总表 WMS_SALES_DAILY_AGG 是否有数据，以及日期范围是否正确
to_html(full_html=False) 样式缺失	可尝试使用 fig.to_html(include_plotlyjs='cdn') 并保留完整 HTML 头
crontab 执行脚本无日志	在 crontab 中使用绝对路径，并确保 logs 目录有写权限

---

六、总结

本文用五张图表展示了销售数据日汇总表的核心价值，非技术人员可直接看图决策；技术人员可按附录代码实现自动化报表生成与推送。让数据从“躺在数据库”变成“摆在桌面”，真正驱动仓库精细化运营。

📖 系列回顾

• 环境准备篇：Windows/Linux双环境搭建指南
• 第一篇：架构升级与机器学习落地
• 第二篇：从“卡死”到“跑通”——开发排坑记
• 第三篇：从“卡死”到“跑稳”——运维监控与自动回滚
• 第四篇：本文（销售数据可视化）
• 第五篇：预测结果可视化与模型效果监控
• 第六篇：自助式 BI 集成（即将发布）

下期预告：第五篇《预测结果可视化与模型效果监控》已发布，围绕 WMS_ML_FORECAST_TUO 表制作预测 vs 实际对比图、误差分析看板。第六篇《自助式 BI 集成》将介绍如何将销售日汇总表和预测结果表接入 Power BI / FineReport，让业务人员自己拖拽分析，敬请期待。

📌 资料包领取：本文配套完整代码、建表SQL、调度脚本已整理，关注后私信“销售可视化”即可获取。
互动：你的仓库最关心哪些销售指标？欢迎在评论区分享，我会抽取典型问题在下期解答。