先把“智能分析”还原成一个具体问题

门店讨论机器学习时，常会把推荐商品、预测需求和识别高价值会员放在一起谈。但它们需要的数据不同，判断结果也不能互相替代。准备评估前，先写清楚要回答的问题：是希望更快找回顾客咨询过的款色码，还是要估计某类商品在某段时间的补货需求？问题越具体，越容易判断现有资料够不够，也更容易发现结果被误用的地方。

一次购买记录只证明交易发生过。它不能单独证明顾客喜欢某种风格，也不能说明她下一季一定会复购。门店需要把订单事实、顾客主动表达、员工判断分开保存。若训练或分析数据混在一起，结果可能把员工猜测当作顾客偏好，把短期活动影响当作长期规律。

第一项：款、色、码能否对应到实际商品

同款商品可能因颜色、尺码、批次或版型不同而有不同体验。检查数据时，应抽取一组订单，从汇总记录回查商品明细，确认款号、颜色和尺码没有因名称调整而串在一起。商品编码曾经变更的，要先确认新旧编码的对应关系；无法确定的记录应标记为未知，不能用名称相似直接合并。

如果基础商品资料不稳定，模型会把不同商品当成同一类，或者将同一商品误拆成多类。此时先修正编码和维护流程，比增加算法复杂度更有效。门店可以每周抽几笔新旧款记录，检查录入、调码和导入时有没有产生无法解释的差异。

第二项：退货、换货和促销是否按同一口径处理

成交记录不等于顾客最终保留的商品。分析前要约定使用原始成交、已完成退换后的净结果，还是某一时间点的状态快照。换货可能同时留下旧商品和新商品的业务记录；如果系统或导出表没有关联关系，不能把两件都当作顾客持续拥有。优惠、赠品和员工补录也可能改变金额口径，应把处理方法写在分析说明里。

时间范围同样需要统一。一笔上月成交、本月退回的商品，按成交时间和按处理时间统计会落在不同周期。两份报表若使用不同规则，数字有差异不一定意味着错误。先对齐口径，再讨论趋势；口径不清时，模型输出的小数点再精确也不能弥补基础定义的缺失。

第三项：资料是否完整、重复并且来源清楚

会员资料可能存在空字段、重复会员、共享联系方式、错拼商品名称等问题。抽样时不仅看缺失比例，还要查看这些问题是否集中在某家门店、某类商品或某段时间。不同来源的数据不能默认属于同一顾客；无法确认身份时，先保留待核对状态。不要为了让数据表更整齐，把不确定的记录强行合并。

同时标明数据来自订单、顾客明确表达还是员工补充。用于分析的字段应当能说明来源与维护时间。过时的标签不应长期复制到新周期；顾客当前表达与历史推测不一致时，要让接待人员看到差异，而不是让旧标签自动覆盖新的实际沟通。

第四项：目标和样本边界是否说得清楚

“预测顾客会不会购买”听起来明确，实际仍需界定观察期限、商品范围和结果标准。例如顾客看到信息后多久内下单算作相关结果？这段时间是否有折扣、门店活动或缺货？如果没有记录这些条件，结果只能说明样本中同时出现了某些现象，不能证明某条营销信息带来了购买。

样本也要覆盖实际使用范围。只拿一家店或某一季的数据，得出的结论未必适用于不同地区、价格带和商品类别。门店可以先选一类稳定场景测试，并记录哪些店、哪些商品没有包含在测试里。把边界说明白，避免把小范围观察包装成全行业规律。

第五项：结果能不能解释，并允许人工纠正

员工需要知道一次推荐或风险提示主要依据什么资料，哪些信息缺失，何时必须重新询问顾客。模型输出应是核对线索，不应替员工确认尺码、身材、消费能力或未来购买意愿。遇到商品换季、活动价格变化、缺货或顾客主动改变需求时，原结果可能失效，应提供停止使用或重新确认的办法。

复核还要留下简单记录：结果是什么、员工是否采用、顾客实际如何回应，以及哪些输入有误。错误分类后回看原因，区分资料缺失、口径不一致与使用场景变化。没有复核环节的“自动决策”，门店很难判断输出是否值得继续采用。

第六项：数据使用范围与访问人员是否受控

先列出本次分析真正需要的字段，避免因为“以后可能有用”就不断扩大收集范围。展示给一线员工的信息，应足以支持当前接待；用于汇总的报表则不一定需要显示完整联系方式。谁可以查看、导出、修改和删除，门店应有清楚的分工与检查办法。导出名单后还应确定保存位置和结束使用后的处理方式。

评估工具时，可以询问数据怎样导入、哪些人员可以查看、资料如何更正，以及测试结束后如何清理样本。对方未能说明的部分，记为待确认，不把口头介绍当作已验证的安全措施。试用数据尽量选用经过授权且已做必要处理的样本。

用小范围对照决定是否值得继续

试点开始前记录当前人工流程作为参照，例如整理一份补货咨询名单需要核对哪些字段、出现错误时怎样发现。再选择少量真实业务场景，记录工具输出、人工复核结果和最终处理情况。不要只看推荐数量或点击次数；更值得观察的是员工是否能追溯依据、是否减少重复查找，以及错误建议有没有及时拦住。

复盘时说明样本数量、时间范围、商品范围和未覆盖情况。一次试点可以帮助门店发现流程问题，却不足以证明未来长期效果。若结果并不稳定，先检查数据质量和问题定义，再决定是否调整；没有必要为了体现“智能化”而保留暂时用不上的模块。

企雀服装经营方案可以作为候选之一。门店在演示中可把上述六项作为核对清单，要求说明哪些能力属于当前版本、哪些需要额外配置，以及机器学习输出是否真实提供。不要因会员系统或AI助手的名称，就推定具备预测、推荐或自动决策能力；以实际演示、书面功能说明和本店测试结果为准。