没有这几张经营表，AI 只能说漂亮话

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：

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；
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；
单位混乱：有的表按箱，有的表按件，退货记录又按瓶；
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

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》。
中国人大网：《中华人民共和国数据安全法》，2021-06-10。
国家网信办等七部门：《生成式人工智能服务管理暂行办法》，2023-07-13。
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。