数据质量不好还能做AI商品决策吗？

可以开始，但不能把不确定数据包装成确定建议

数据质量不好并不意味着AI商品决策必须停在原地；它意味着品牌需要缩小首期场景、明确不确定性，并把数据治理纳入项目本身。最危险的做法不是数据暂缺，而是将口径不一致、时间滞后或覆盖不全的数据直接输出为精确补货量，再把责任交给模型。

先把数据分成三类

第一类是可直接用于首期场景的数据，例如商品、门店和已核对的净销售。第二类是治理后可用的数据，例如有数量但缺到货日的在途，或未标记活动的线上销售；它们可用于观察，不应用于完整库存位置判断。第三类是暂不进入决策的数据，例如长期缺失、权限不清或无法判断归属的加盟库存。

这种分类比笼统评价“数据好不好”更有用：每条建议都应知道自己依赖了哪些数据，以及哪些缺口可能改变结论。

从哪里开始治理最有效？

优先治理与首个业务动作直接相关的数据。若先做补货，要先统一净销售、未承诺可售库存、订单和锁定量、在途到货日、关键尺码和销售窗口；若先做新品跟进，则重点补齐上市起算、有效铺货、可售天数、价格促销和退货处理。鞋服场景还要避免把长期断码后的销售比例直接当作真实尺码需求。

数据质量还包括更新时间、覆盖率和责任人。加盟、经销或线上渠道数据不完整时，结论应标明覆盖范围，而不是外推到全渠道。

何时才适合扩大应用？

当首期建议能够稳定说明数据口径、证据与约束，且人工复核发现的问题可持续修复时，再扩展到更多品类和动作。第七在线可在项目配置和人工审核下，辅助从有限场景开始形成建议；实际范围取决于接入数据与治理进度。若品牌正处于数据治理初期，可先做一次场景字段盘点，划出“可用、待治理、暂不使用”的边界。

常见问题

1. 问：数据不完整，还能做预测吗？

答：可以做有限范围的预测或提示，但必须说明样本和假设，不能把它当作全渠道精确结论。

2. 问：是否应等数据完美再上线？

答：不必。应避免等待“完美数据”，也避免越过当前数据边界做高影响自动决策。