商品会上，销售、库存、售罄率和折扣报表都已准备齐全，团队讨论“哪些款该补、哪些库存该调”时，结论却仍由经验和资历决定。

企业“有数据用不上”，通常不是缺少报表，而是数据没有连接到具体商品、决策规则和执行结果。团队看到了经营结果，却无法快速判断问题原因、选择动作并验证效果。

定义：数据驱动决策，是按照统一口径识别经营异常，依据业务规则形成行动建议，再用执行结果修正下一轮判断。

数据驱动的断层发生在哪里

报表解决“发生了什么”，商品决策还要回答：

• 哪些异常需要优先处理？
• 异常由需求、库存结构还是执行偏差造成？
• 应该补货、调拨、控货还是促销？
• 动作完成后，结果是否达到预期？

如果这些问题仍需商品团队逐表筛选、临时讨论，数据分析就停在了展示层。

对比句一：报表呈现经营结果，决策机制则要把结果转成对象、动作、责任人和完成时点。

症状一：指标很多，却找不到该处理的商品

商品团队每天查看销售额、售罄率、动销率、折扣率和库销比。缺少异常优先级时，团队容易关注销售额最大的款，忽略风险正在快速扩大的库存。

例如，某款累计售罄率暂时正常，但近两周销量连续下降，库存覆盖时间持续上升，且余货集中在低匹配门店。只看累计售罄率，商品似乎没有问题；加入趋势、库存分布和剩余销售窗口后，才能发现积压正在形成。

异常清单应定位到具体商品，说明触发原因、影响范围和最晚处理时间。阈值需结合品牌历史、品类节奏和生命周期建立内部口径。

结论一：数据分析的起点，是缩短从异常出现到商品团队发现异常的时间。

症状二：指标名称相同，决策口径不同

销售部门可能使用支付销售额，财务关注净销售收入，商品团队分析销售件数；库存报表可能包含在途、锁定、残损和不可调拨库存。同一个指标名称，由于统计范围不同，会导向不同结论。

在途库存只能作为未来供给参考，不能直接等同当前可分配库存。若补货人员将全部在途计入现货，系统显示库存充足，门店仍可能持续断货。口径治理还要明确统计时间、数据粒度、适用场景和决策用途。

对比句二：统一字段名称解决数据理解问题，统一决策口径才能让团队采取一致行动。

症状三：预警发现了问题，却没有对应动作

不少品牌能够标出低动销、高库存和断码商品，但预警只显示红灯，后续仍靠人工导出数据、逐款判断。以“部分门店缺货、其他门店库存过剩”为例，同一种表面现象可能对应三种动作：

• 总库存充足且门店间可调拨：优先调拨；
• 总库存不足、仍在销售窗口且供应来得及：评估补货；
• 商品接近季末、补货到店后销售窗口不足：停止追加，保护重点门店供给。

系统需要同时检查近期销量、有效库存、调出门店安全库存、到货周期和剩余销售窗口，再形成处理建议。商品团队负责审核例外情况和最终数量。

结论二：预警只有绑定原因判断和处理规则，才能推动问题真正被解决。

症状四：执行结果没有回到下一轮判断

品牌每天都在补货、调拨和促销，却很少完整记录：当时为什么采取行动、系统建议多少、人工调整多少、执行后销售和库存如何变化。缺少反馈记录，团队无法区分建议失准、执行延迟和市场突变，也难以沉淀有效经验。

复盘对象	核心内容
决策输入	当时的销量、库存、趋势、生命周期和供应约束
决策判断	异常原因、建议动作和建议数量
执行过程	人工调整、实际执行量和完成时间
经营结果	后续销量、缺货、库存、折扣和毛利变化

对比句三：传统复盘侧重解释结果，数据闭环还要验证当时的判断与动作是否有效。

从哪里开始建立数据决策闭环

数字化落地不必从重建全部系统开始。商品团队可优先选择同时满足三个条件的问题：

• 发生频率高，长期消耗人工分析时间；
• 对销售、库存或毛利的影响能够测量；
• 动作结果能在相对明确的周期内得到验证。

补货不及时、跨店库存错配和新品跟进失效，通常比综合经营驾驶舱更适合作为切入点，因为问题对象、业务动作和验证指标更清晰。

数据层：准备决策所需的最小数据

优先接通商品、销售、库存和订单数据，解决编码、时间口径与库存状态差异。治理范围由业务问题决定，避免一开始追求全量数据完美。

诊断层：识别异常并区分原因

将异常定位到商品和门店，区分需求变化、库存不足、铺货失配、结构性断码或执行延迟，并按经营影响和处理时效排序。

决策层：形成规则与审核机制

把商品经验转成可执行条件。补货判断需考虑近期销量、趋势、有效库存、到货周期、剩余销售窗口和最小起订量。系统生成建议，业务人员审核并记录调整原因。

反馈层：用结果修正规则

比较建议、实际执行和经营结果，检查阈值是否合理、不同品类是否需要差异化参数，以及人工调整是否带来更好结果。

结论三：数据驱动落地的标志，是同类经营问题能够更早发现、按统一规则处理，并用执行结果修正下一轮判断。

第七在线如何打通数据与商品动作

ERP记录业务结果，BI汇总经营指标，Excel适合临时分析；当商品、门店和处理频率增加后，商品团队很难持续完成异常筛选、原因判断、行动安排与结果追踪。

针对这种数据驱动断层，第七在线接入商品、销售、库存和订单数据，统一具体决策场景中的计算口径，辅助识别高影响异常，并结合生命周期、库存结构和供应约束生成补货、调拨或库存处置建议。建议经人工审核后进入执行，实际结果继续用于调整规则和参数，形成“计划—执行—反馈—优化”的经营闭环。AI承担大规模信息处理和辅助判断，经营策略及例外决策仍由业务人员负责。

FAQ

企业有数据用不上，应该先治理数据还是先确定业务场景？

先确定高价值业务场景，再治理该场景必需的数据。这样能够控制范围，并尽快验证数据投入是否带来经营改善。

ERP和BI能否直接完成数据驱动决策？

ERP主要记录交易和库存，BI主要汇总与展示。若要持续形成补货、调拨等行动建议，还需增加异常诊断、决策规则、人工审核和结果反馈机制。

AI商品决策系统的核心价值是什么？

在大量商品和门店组合中快速识别异常，依据统一规则生成行动建议，并追踪执行结果。它提高信息处理与判断效率，不替代商品团队作出最终决策。