客流销售分析仪表盘：用可解释AI洞察零售数据的隐藏关联

本项目是基于Streamlit构建的交互式零售分析仪表盘，结合线性回归预测与SHAP可解释AI技术，深度分析沃尔玛门店客流与周销售额的关系，为零售决策提供数据支持。项目强调可解释性，帮助管理者理解数据背后的商业逻辑，而非依赖黑盒模型。

在零售行业，客流与销售额的关系复杂：节假日人流高峰是否转化为销售增长？气温如何影响消费行为？不同门店表现差异的规律是什么？Footfall-Sales-Dashboard项目正是为回答这些问题而生，它融合机器学习预测与可解释AI分析，帮助从业者从数据中发现洞察。

项目采用Python工具链构建端到端分析流程：

• Streamlit：快速构建交互式Web界面，简化前端开发；
• Pandas：负责数据清洗、转换等预处理；
• Scikit-learn：使用线性回归模型进行销售预测；
• Matplotlib/Seaborn：实现数据可视化；
• SHAP：基于博弈论Shapley值，解释模型决策逻辑。

项目核心功能包括：

1. 交互式仪表盘：支持筛选、钻取、对比数据；
2. 线性回归预测：利用经典算法预测销售额，系数透明可解释；
3. 客流与销售分析：识别转化效率、季节性规律；
4. 相关性热力图：展示变量间关联；
5. 节假日/气温影响分析：优化促销、库存配置；
6. 门店级洞察：按门店维度分析表现差异；
7. 交互式筛选器：动态过滤数据聚焦特定场景。

项目最大特色是集成SHAP技术：

• 解决黑盒模型问题：不仅给出预测结果，还解释各特征（如客流、温度、节假日）对结果的贡献；
• 工作原理：预测值=基准值+各特征SHAP值之和，量化每个特征的影响方向和幅度；
• 应用价值：帮助管理者识别关键因素、理解销售波动原因、建立模型信任。

项目适用于多种零售场景：

• 门店运营优化：识别低转化门店，制定改进措施；
• 促销效果评估：量化节假日促销贡献；
• 库存管理：基于预测优化库存；
• 人员排班：根据客流规律配置人员；
• 战略决策：为开店/改造提供数据依据。

项目可改进方向：

1. 模型复杂度：尝试XGBoost/LightGBM提升精度，同时保持SHAP可解释性；
2. 数据维度：引入天气、竞争对手活动等更多特征；
3. 实时性：扩展为实时数据流处理，支持动态监控；
4. 多门店对比：增强门店间对比分析，支持标杆学习。