面向书亦烧仙草企业命题的可复现统计原型：从消费者趋势、配方试验到门店验证。
这是应用统计学本科生的开题验证作品，不是书亦烧仙草官方项目。仓库未使用企业内部数据，也没有把仿真结果写成真实经营成绩。
运行交互演示 · 阅读方法说明 · 查看数据边界 · 查看假设与限制
| 顺序 | 建议查看 | 能核验什么 |
|---|---|---|
| 1 | 交互演示 | 选择客群、市场、价格和风味，查看一次完整研判 |
| 2 | 趋势机会 Notebook | 去重、后分层权重、增长区间和候选排序 |
| 3 | 配方试验 Notebook | 原料约束、近似D-optimal选点和候选配方排序 |
| 4 | 门店试点 Notebook | 匹配店对随机分组、样本量与护栏指标 |
| 5 | 方法说明 与 限制 | 公式、假设、不能从仿真结果推出的结论 |
三个 Notebook 已执行并保留输出，在 GitHub 中可以直接阅读。
交互演示使用固定样本和规则计算，页面运行时不调用外部服务。这样可以保证评审现场稳定，也不会把访问密钥放进公开网页。代码会拒绝预设范围外的输入，每个选项组合都经过自动化测试。
以下数字全部来自固定随机种子的仿真数据，只用于检查代码是否能识别预先放入的信号。
| 环节 | 演示输出 | 该数字的正确含义 |
|---|---|---|
| 趋势 | 7,038条反馈去重后，山茶橙香近14天相对前28天增长29.5%，95%区间为12.4%至48.0% | 流水线找到了仿真器放入的持续增长信号 |
| 配方 | 从2,400个约束内候选中选出18个盲测点，信息量高于400/400组同规模随机设计 | 选点覆盖候选空间的能力优于本次随机基准 |
| 门店 | 48家仿真门店组成24个店对，购买转化率差为+2.61个百分点，95%区间为+2.22至+3.01 | 店对随机估计程序找到了预设的正向处理效果 |
| 护栏 | 差评/投诉率差为-0.34个百分点，95%区间为-0.61至-0.04 | 代码会把护栏指标与业务指标一起报告 |
这些是演示结果，不是项目成绩。真正的验收指标仍然是开题报告中的企业试点目标，例如趋势卡采纳率、打样轮次变化和预测排序与试点结果的相关性。
flowchart LR
A[经授权的社交与会员反馈] --> B[去重、脱敏、主题与口味属性]
B --> C[客群与城市校准]
C --> D[趋势增速、持续性与区间]
D --> E[约束内候选概念]
E --> F[混料试验与分层盲测]
F --> G[匹配门店随机试点]
G --> H[转化、复购、毛利与投诉]
H --> I[人工评审与知识沉淀]
系统没有输出一个万能的“爆款概率”。趋势、配方和门店各有进入下一阶段的条件，结论可以追溯到数据、假设和代码。
| 任务 | AI或文本模型 | 统计决策层 |
|---|---|---|
| 消费反馈 | 抽取茶底、小料、甜度、场景和情绪，标记低置信度记录 | 修正样本结构，估计增长区间，检查城市和客群差异 |
| 新品概念 | 在原料、食品安全、成本和操作边界内整理概念 | 设计混料试验，估计取舍，报告预测误差 |
| 上市验证 | 汇总门店反馈和异常文本 | 随机分组、样本量、效果区间与护栏指标 |
仓库当前实现统计决策层。社交文本使用已标注的仿真字段，因此这里不报告“AI识别准确率”。真实接入时，文本模型必须单独建立人工标注测试集。
tea-drink-compass/
├── data/ 固定随机种子生成的仿真数据
├── docs/ GitHub Pages 与交互决策演示
├── notebooks/ 三个已执行的分析 Notebook
├── outputs/ 图表、候选表、估计结果和指标 JSON
├── scripts/
│ ├── run_all.py 一键重建数据与全部结果
│ └── build_notebooks.py 生成并执行 Notebook
├── src/tea_compass/
│ ├── simulate.py 仿真数据生成器
│ ├── trend.py 去重、校准、趋势卡与区间
│ ├── mixture.py 约束混料试验与候选排序
│ ├── pilot.py 匹配店对试点与样本量
│ └── report.py 图表与审阅摘要
├── tests/ 数据、分析与交互引擎测试
├── package.json 交互演示测试入口
├── DATA_CARD.md 数据来源、字段与隐私边界
├── METHOD.md 方法、公式与决策规则
└── LIMITATIONS.md 不能推出的结论与下一步验证
git clone https://github.com/Gikemj/tea-drink-compass.git
cd tea-drink-compass
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -e ".[notebook,test]"
python scripts/run_all.py --check
python scripts/build_notebooks.py --execute
pytest
npm run test:demo固定随机种子为 20260717。数据规模与状态记录在 data/manifest.json，关键结果记录在 outputs/metrics.json。GitHub Actions 会在每次提交后重新运行分析与测试。
如需在本地查看交互页面，在仓库根目录运行：
python -m http.server 8765 --directory docs然后打开 http://localhost:8765/。
- 与企业确认可用数据、目标客群分布和隐私处理流程；
- 把食品安全、原料供应、成本和门店操作写成不可绕过的硬约束；
- 使用人工标注集评估文本抽取，而不是拿仿真文本准确率充当效果；
- 预注册门店试点的主要指标、最小业务效应和停止规则；
- 做8周历史回测，记录趋势卡的命中、误报和人工否决原因。
- GB/T 45748-2025 市场、民意和社会调查抽样设计与实施
- GB/T 45749-2025 定性和定量数据的处理与分析
- NIST：Mixture Process Experiments
- NIST：Randomized Block Designs
- 中华人民共和国个人信息保护法
项目代码采用 MIT License。仿真数据不得被描述为真实消费者或企业数据。