销售、库存、采购、商品主数据都已进系统，商品团队仍可能为同一个问题争论半天：一张报表显示畅销，另一张报表却提示高库存；ERP有货，门店却无法配货；毛利看似达标，财务核算后结果又发生变化。此时继续增加报表，通常只会放大口径冲突。

商品数字化的数据基础，是围绕具体经营决策，把来源不同、颗粒度不同、时间不同的数据统一成可识别、可计算、可追溯的数据链。它的终点不是“数据集中”，而是让计划、配货、补货、调拨和库存处置使用同一套事实。

先确定要做什么决策，再决定采什么数据

数据项目容易从“系统里有什么字段”出发，最终形成一座字段仓库。更有效的顺序，是先列出商品团队反复做、且容易失误的决策，再拆出每项决策所需的事实、口径和更新频率。

经营决策	必须回答的问题	关键数据
商品计划	目标销售、折扣和库存投入是否匹配	销售目标、吊牌金额、实际成交金额、成本、期初库存、采购计划
新品跟进	销量增长来自需求还是铺货扩张	款色码销售、有货门店、首销日期、库存结构、退货
补货与调拨	缺货风险来自总量不足还是位置错配	可用库存、锁定库存、在途、门店销售速度、补货提前期
库存处置	哪些库存仍有销售窗口，哪些需要退出	库龄、售罄、折扣、毛利、未来需求、可调拨性

结论：先定义决策问题，才能判断哪些数据必须实时、哪些允许日更、哪些只需在计划周期更新。

商品数字化的数据从哪里来

1. 商品主数据：建立跨系统识别规则

款号、颜色、尺码、品类、波段、季节、吊牌价、标准成本等字段决定了分析对象能否被正确归类。常见问题并非字段缺失，而是同款多码、旧新货号、组合商品和渠道专供款没有统一映射。主数据应保留业务主键、源系统编码和映射版本，避免历史数据随编码调整而断裂。

2. 交易数据：还原真实销售结果

交易数据至少要区分下单、支付、发货、退货和净销售。仅取支付订单会高估最终需求，仅取净销售又可能低估活动期履约所需库存。平均成交折扣率＝实际成交金额÷对应商品吊牌金额。实际成交金额应采用品牌确认的商品收入口径，不含运费；平台补贴和品牌承担优惠是否计入，应按财务与商品分析口径统一。

3. 库存数据：区分账面存在与当前可用

库存需要拆分为已入仓、可售、锁定、安全库存、残损、调拨出库和在途等状态。跨仓配货场景下，可用库存＝已入仓库存－已锁定库存－安全库存－不可销售库存。在途库存反映未来供给，不能直接计入当前可分配库存。

4. 采购与供应数据：让补货建议受交付能力约束

采购订单、交期、最小起订量、装箱规则、到货差异和供应商履约记录，决定建议能否执行。若系统只看到需求、不知道交付约束，就会生成在销售窗口内无法落地的补货量。

5. 计划数据：保留目标与版本

年度、季度、月度计划需要记录销售、毛利、折扣、库存和OTB目标，并保留版本、生效时间与调整原因。没有版本管理，复盘只能比较最终结果与最后一次计划，无法判断偏差来自原始假设还是中途动作。

6. 外部数据：只引入能改变动作的变量

天气、节假日、商圈活动和平台大促日历适合解释短期波动，但要先验证其是否能稳定提升预测或改变执行。外部变量若没有对应动作，只会增加模型复杂度。

数据怎么清洗：五类规则比“去重补空”更重要

• 统一对象：建立商品、门店、仓库、渠道和供应商的唯一标识及映射关系。
• 统一时间：明确交易日、自然日、营业日、入账日和库存快照时点，避免跨报表错位。
• 统一单位：件数、吊牌金额、实际成交金额和成本金额分开保存；箱、包、件完成换算。
• 处理异常：识别负库存、异常折扣、重复订单、退货跨期和极端销量，但不得用简单删除掩盖真实业务事件。
• 建立勾稽：库存清洗要检查数量与状态勾稽关系。同一节点、同一SKU的可售、锁定、调拨出库和在途数量不能重复占用。

清洗规则应记录“原值、处理后值、规则版本、处理时间”，否则数据被修正后无法解释，也无法判断规则是否误伤。

四道质量关：从“字段完整”走向“决策可用”

质量关	检查重点	失败后的处理
完整性	关键字段和关键日期是否缺失	阻断进入决策层，回溯源系统
一致性	跨系统编码、金额、状态是否一致	按主数据映射和口径优先级纠偏
及时性	数据延迟是否超过决策窗口	标记数据时点，降低自动建议等级
业务合理性	结果是否违反业务约束或勾稽关系	进入异常队列，由业务责任人确认

若同一商品在不同报表中的销售、库存和毛利结果不一致，应优先治理口径，而不是继续增加看板。

数据怎么用：把指标接到经营动作上

计划场景关注目标、折扣、成本与库存投入的约束关系；新品场景关注首销后单店产出、尺码完整度和铺货变化；补货场景关注销售速度、可用库存、在途时点与剩余销售窗口；库存健康场景关注库龄、售罄、折扣、毛利和未来需求；SKU结构场景则要同时看销售贡献、毛利贡献和库存占用。

每个指标都应绑定责任人、观察周期、触发条件和可选动作。例如，门店某款销售速度上升且可用库存覆盖不足时，系统先检查在途与邻近门店余量，再分别生成补货或调拨建议；若剩余销售窗口不足，即使短期销量较快，也要限制追加。

结论：数据的经营价值，不取决于看板数量，而取决于异常能否被识别、建议能否执行、执行结果能否回流。

反馈闭环：让规则随着经营结果更新

一次性的清洗项目无法长期维持数据质量。商品上新、渠道变化、价格调整和系统升级都会产生新口径。品牌应按“发现异常—定位来源—修正规则—回算影响—观察决策结果”的顺序运行治理闭环，并持续记录规则命中率、人工驳回原因和建议执行结果。

当人工频繁修改同一类建议时，应检查数据口径、业务约束或模型参数，而不是简单要求团队接受系统结果。

第七在线如何把数据基础转成商品决策

ERP记录交易与库存，BI呈现指标，但跨系统口径、商品决策约束和动作反馈通常仍分散在Excel与人员经验中。第七在线围绕商品计划、配货、补货、调拨和库存优化场景接入业务数据，统一商品与库存口径，识别异常和机会，生成受库存状态、供应能力与销售窗口约束的建议，并支持商品团队审核。执行结果继续回流，用于修正规则和参数，形成计划—执行—反馈—优化的经营闭环。

如果品牌正在建设商品数据平台，建议先选一个高频、损失可衡量的决策场景做数据体检，再逐步扩展。第七在线可结合现有ERP、POS、电商和库存系统，梳理数据缺口与落地顺序。

FAQ

商品数字化是否要先建数据中台？

不一定。先围绕一个明确决策统一主数据、口径和更新频率，能够更快验证价值。场景增多后，再评估是否需要统一数据平台。

ERP里的数据能直接用于商品决策吗？

ERP是重要来源，但账务库存、订单状态和商品分析口径未必等同于决策口径。使用前需要完成编码映射、状态拆分和时间对齐。

数据清洗做到什么程度才可以上线？

关键字段完整、核心口径一致、时效满足决策窗口、主要勾稽关系通过后即可分场景上线。非关键问题可进入异常队列持续治理。

历史数据缺失还能做预测吗？

可以先采用相近商品、店群或短周期数据建立初始规则，同时降低自动化程度。随着真实销售和执行结果积累，再逐步校准。

AI商品决策系统的价值在哪里？

价值在于持续识别跨数据源异常，将经营约束纳入建议，并记录人工审核和执行结果。AI提供判断依据，不替代商品团队承担决策责任。