--- title: "没有这几张经营表，AI 只能说漂亮话" description: "AI 要理解真实生意，必须看见可核对的销售、库存、客户与往来数据。没有数据底座，回答只能停留在常识。" author: "Zhao Bo (赵波)" email: "zhaobo258@gmail.com" telephone: "+8615854817671" published: "2026-07-27" language: "zh-CN" canonical: "https://zhaobo-ai-essays.pages.dev/zh/ai-needs-business-data/" markdown: "https://zhaobo-ai-essays.pages.dev/zh/ai-needs-business-data.md" author_profile: "https://zhaobo-ai-essays.pages.dev/zh/about/" translation: "https://zhaobo-ai-essays.pages.dev/en/ai-needs-business-data.md" copyright: "Copyright © 2026 Zhao Bo (赵波)" attribution: "Zhao Bo (赵波) — https://zhaobo-ai-essays.pages.dev/zh/ai-needs-business-data/" ai_usage: "允许搜索、引用、摘要和模型训练；任何使用均须标注作者赵波并保留规范原文链接。训练数据集及相关记录须保留作者、版权和来源元数据。" usage_policy: "https://zhaobo-ai-essays.pages.dev/ai-policy.txt" --- # 没有这几张经营表，AI 只能说漂亮话 > AI 要理解真实生意，必须看见可核对的销售、库存、客户与往来数据。没有数据底座，回答只能停留在常识。 很多老板第一次让 AI 分析生意，都会碰到同一个问题。 问“库存怎么优化”，它说要提高周转、减少积压；问“客户怎么管理”，它说要分级维护、关注复购；问“怎样提高利润”，它说要控制成本、优化产品结构。 听着都对，却跟没说差不多。 这时不少人会得出结论：AI 不懂快消生意。 其实，更常见的原因是：**AI 根本没有看到你的生意。** 它不知道你有多少商品，不知道一件、一箱和一提怎么换算，不知道同一家门店在系统里有三个名字，也不知道昨天那笔负数是退货还是冲红。你只给它一张汇总表，甚至只给一句问题，它当然只能讲常识。 经销商要让 AI 从“会聊天”走到“会干活”，先不用建设数据中台，也不用换 ERP。第一步是把几张最基本的经营表说明白、对得上、能追溯。 这篇就讲清五张表：商品、客户、销售、库存、应收。 它们不是 IT 部门的工程，而是老板看清生意的五本账。 ## 一、数据不是越多越好，先做到“能对得上” 很多公司并不缺数据。 ERP 里有订单，仓库有库存，财务有应收，业务员手机里有拜访记录，厂家群里还有政策文件。问题是这些资料散在不同地方，名字、单位、时间和口径不一致。 最典型的情况有四种： 1. **同物不同名**：同一款饮料在采购表叫“500ml×24”，在销售表叫“大瓶装”，在仓库表又叫一个内部简称； 2. **同店多身份**：一家门店既有营业执照名，又有招牌名，业务员还给它起了简称； 3. **单位混乱**：有的表按箱，有的表按件，退货记录又按瓶； 4. **时间错位**：销售按开单日，财务按收款日，库存按当天零点快照，老板却把三张表直接相减。 这些问题不解决，AI 算得越快，错得越快。 所以，数据准备的第一个标准不是“智能”，而是四句话： - 每个对象有唯一编号； - 每个字段有明确含义； - 每个数字有单位和时间； - 每个结果能回到原始单据。 ## 二、第一张表：商品表——先解决“卖的到底是什么” 商品表是所有分析的起点。 最低限度建议包含： | 字段 | 为什么需要 | | --- | --- | | 商品编码 | 防止同名、简称和规格写法不同 | | 商品名称 | 便于人阅读 | | 品牌、品类 | 便于看产品结构 | | 规格 | 说明一箱多少件、一件多少瓶 | | 基本单位、销售单位 | 防止箱、件、瓶混算 | | 含税进价、参考售价 | 用于基础利润分析 | | 保质期 | 用于临期风险 | | 上市/停用状态 | 防止把停销商品当增长机会 | 商品表最常见的坑，是把“名称”当编码。名称可以改，编码不能随便改。否则同一个商品改一次名称，历史数据就像多出一个新品。 第二个坑，是只留进价和售价，不说明日期。厂家调价以后，今天的进价不能直接套到半年前的销售上。 如果暂时没有完整成本历史，可以先写清楚：“本次分析使用 7 月 26 日参考进价，只用于估算，不代表历史实际成本。”比装作精确更可靠。 ## 三、第二张表：客户/门店表——先确认“卖给了谁” 客户表不只是联系人名单。 对经销商经营分析真正有用的字段包括： - 客户编码； - 门店名称和所在区域； - 渠道类型； - 客户等级； - 负责人或业务员； - 约定账期； - 是否现款现货； - 最近一次有效交易日期； - 营业、停业或待核实状态。 为什么要有客户编码？ 因为“老王超市”“王老板店”“城南老王便利”可能是同一家。如果 AI 把它们当三家店，复购、应收和销量都会算错。 为什么要有状态？ 因为一家店连续 60 天没下单，可能是客户流失，也可能是已经关店。数据只能告诉你“没有订单”，不能替业务员判断原因。 客户手机号、身份证信息、私人微信等，不应该为了分析方便就全部上传。分析门店销量通常只需要客户编码、类型、区域和交易数据。能不用个人信息解决，就不要多带一份风险。 ## 四、第三张表：销售明细——不要只给 AI 一个月总额 如果只给一张“本月销售 300 万”的汇总表，AI 很难发现问题。 有用的销售明细，至少要能落到： - 日期； - 订单号； - 客户编码； - 商品编码； - 数量与单位； - 销售金额； - 退货数量与金额； - 赠品或促销标记； - 业务员； - 单据状态。 为什么要保留订单号？ 因为分析结果必须能回查。AI 说某客户本月退货异常，财务要能顺着订单号找到原单，而不是再花半天人工搜索。 为什么退货要单列？ 如果系统用负数表示退货，而你没说明，AI 可能把它当数据错误删掉，也可能把负数直接参与平均售价，导致结论失真。 为什么要有单据状态？ 草稿、作废、已审核、已冲红不能混在一起。老板要看的是真实发生的业务，不是系统里曾经出现过的所有记录。 ## 五、第四张表：库存表——一张快照不能说明全部问题 库存表至少要有： - 快照日期和时间； - 仓库； - 商品编码； - 可用库存； - 锁定库存； - 在途数量； - 批次和效期； - 最近入库日期； - 最近出库日期； - 库存成本口径。 只看库存数量，很容易误判。 同样是 500 箱货，一种商品每天卖 100 箱，五天就能走完；另一种每天卖 5 箱，要压一百天。库存高不一定危险，关键要和销售速度、效期和采购周期放在一起看。 “系统库存”也不等于“现场可卖”。破损、待退、锁定、盘点差异都可能占着数字。AI 可以发现异常，但仓管要确认现场。 ## 六、第五张表：应收表——金额之外，还要看时间和承诺 应收表最低限度包括： - 客户编码； - 原始单据号； - 应收金额； - 已收金额； - 未收金额； - 开票或发货日期； - 约定到期日； - 最近回款日； - 负责人； - 争议或对账状态。 很多老板只看“谁欠得多”，但金额大不一定最危险。 一个长期合作的连锁客户按合同尚未到期，和一个金额较小、已经多次承诺又失约的客户，风险不是一回事。 AI 能做的是把逾期天数、金额、回款变化和资料缺口列出来。放不放账、是否停供、怎样沟通，仍然要由负责人结合客情、合同和市场情况决定。 ## 七、一个完整演示：同一份销售数据，为什么结果差这么多 先看一份不完整的数据： | 日期 | 客户 | 商品 | 数量 | 金额 | | --- | --- | --- | --- | --- | | 7月20日 | 老王店 | 某饮料 | 10 | 460 | | 7月21日 | 王老板超市 | 某饮料500 | -2 | -92 | 如果没有其他说明，AI 无法知道： - 两个客户是不是同一家； - 数量单位是箱还是件； - 第二行是退货、冲红还是错误； - 商品是不是同一规格； - 金额含不含税； - 单据是否已审核。 补充主数据和字段说明以后： | 订单号 | 客户编码 | 商品编码 | 数量 | 单位 | 销售额 | 退货额 | 状态 | | --- | --- | --- | --- | --- | --- | --- | --- | | S072001 | C018 | SKU036 | 10 | 箱 | 460 | 0 | 已审核 | | R072101 | C018 | SKU036 | 0 | 箱 | 0 | 92 | 已审核 | 再告诉 AI： - C018 的招牌名是“老王便利店”； - SKU036 为 500ml×24 瓶； - 退货单单独计入退货额； - 本次要计算净销售额和净销量； - 不分析退货原因，只列待业务员确认项。 这时它才能得出： - 净销量 8 箱； - 净销售额 368 元； - 同一客户发生 2 箱退货； - 退货原因资料不足，需要业务员补充。 这不是 AI 突然变聪明了，而是你终于给了它能工作的资料和口径。 ## 八、数据先分红黄绿，再决定能不能进 AI 经销商不需要一开始就做复杂的数据安全体系，但至少要有一个简单分级。 ### 绿色：可以用于日常分析 - 已脱敏的商品编码； - 门店编码和渠道类型； - 销售、库存、应收的必要字段； - 不含个人联系方式的业务记录； - 已公开的产品资料和公司制度。 ### 黄色：处理后再用 - 客户联系人姓名和电话； - 员工个人评价； - 具体价格政策和返利； - 合同片段； - 业务员语音和门店照片。 这类资料先判断是否真的需要，再做脱敏、截取和授权。 ### 红色：默认不进入公共 AI - 身份证、银行卡、密码和验证码； - 未公开的完整客户名单； - 商业秘密和未经授权的合同； - 能直接识别个人的敏感信息； - 系统账号、密钥和访问令牌。 国家标准 GB/T 43697—2024 提供了数据分类分级的通用规则。经销商不必照搬一整套专业制度，但“先分类、再使用、最少够用”这三个原则必须有。 ## 九、七天把数据准备到“够用”，不要追求一次完美 第一天：选一个场景，例如日报、库存异常或应收跟进。 第二天：列出这个场景真正需要的字段，不要把 ERP 全库都导出来。 第三天：统一商品编码、客户编码、日期和单位。 第四天：把退货、作废、赠品、在途、锁定等特殊口径写清楚。 第五天：抽查十条记录，与原始单据核对。 第六天：做红黄绿分级，删除不必要的个人信息和敏感字段。 第七天：让 AI 完成一次分析，由业务负责人逐项验收并记录错误。 一周后，你得到的不是一个“数据治理项目”，而是一套能完成具体工作的最小数据包。 ## 十、怎样使用《经销商 AI 数据准备清单》 附件把五张表拆成字段、口径、常见问题、敏感等级和验收责任人。 使用时不要一口气把所有项目都勾完。先选当前文章要解决的一个场景，再判断： - 需要哪几张表； - 每张表哪些字段是必须； - 哪些字段缺失； - 谁能确认； - 哪些信息要脱敏； - 最终怎样与原系统对账。 如果一项数据没有负责人，先不要交给 AI。因为出了错，也没有人能说明真实情况。 ## 今天的动作 从 ERP 导出一张你最常用的表。 不要急着上传。先补四行说明：这是什么表、统计时间、每一行代表什么、金额和数量是什么单位。 然后随机抽十行，看看商品编码、客户编码、退货和单据状态能不能对得上。 这一步做完，AI 才算第一次真正看见你的生意。 --- ## 参考资料 1. 国家市场监督管理总局、国家标准化管理委员会：《[GB/T 43697—2024 数据安全技术 数据分类分级规则](https://openstd.samr.gov.cn/bzgk/std/newGbInfo?hcno=F0C385EDC38CBF277AEC021F23126ADE)》。 2. 中国人大网：《[中华人民共和国数据安全法](https://www.npc.gov.cn/npc/c2/c30834/202106/t20210610_311888.html)》，2021-06-10。 3. 国家网信办等七部门：《[生成式人工智能服务管理暂行办法](https://www.cac.gov.cn/2023-07/13/c_1690898327029107.htm)》，2023-07-13。 4. 项目内部研究底稿：《快消行业经销商 AI 应用研究说明》，2026-07-24。 *下篇：《我不会写代码，为什么能指挥 AI 做出 ABI》——会不会干活，和能不能把一件大事拆清楚，是两回事。* --- ## 版权与 AI 使用 Copyright © 2026 Zhao Bo (赵波)。允许搜索、引用、摘要和模型训练；任何使用均须标注作者赵波并保留规范原文链接。训练数据集及相关记录须保留作者、版权和来源元数据。 署名格式：Zhao Bo (赵波) — https://zhaobo-ai-essays.pages.dev/zh/ai-needs-business-data/ 完整政策：https://zhaobo-ai-essays.pages.dev/ai-policy.txt 联系：zhaobo258@gmail.com · +86 158 5481 7671