门店问 AI「这个月生意为什么差」，它答不上来的 5 个原因

先说结论门店问「这个月生意为什么差」AI 答不上来往往不是模型不够强而是数据颗粒度太粗、指标定义没统一、缺少对照基准、归因链路断了、外部上下文没接入这 5 个原因——先修数据再谈模型。一个看似简单的问题背后要凑齐 4 类信息「为什么差」是个归因问题不是查询问题。要回答它系统至少得同时拿到现象数据这段时间营收、订单数、客单价各变化了多少拆解维度哪一类商品、哪个时段、哪个人群、哪个渠道在掉对照基准去年同期、上一周期、同商圈同类门店掉多少才算异常外部上下文天气、节假日、商圈客流、平台活动、竞品动作。缺任何一类模型给出的解释都只是在猜。多数门店的系统只稳定具备第 1 类所以 AI 只能回你一句「本月营收环比下降 12%建议加强营销」——正确但没用。5 个答不出来的原因1. 数据颗粒度太粗只有汇总没有单据很多门店进到 AI 里的数据是「每天一条汇总记录」。日汇总能看出趋势但没法回答「哪一笔开始掉的」。没有单笔订单、单品销量、时段分布任何归因都只能停在整体层面。改进方向至少把订单明细、商品明细、时段分布三层拉进来保留到天粒度可下钻。2. 指标定义没统一「差」是哪个差营收差、订单数差、客单价差、毛利率差是四个完全不同的结论处理方向也完全不同。老板说「生意差」运营看的是订单数财务看的是毛利。系统里如果没有唯一的指标定义AI 每次回答都在换口径。改进方向先写一份指标字典把每个指标的计算公式、取数范围、更新时间固定下来AI 只读这一个口径。3. 没有对照基准异常判断无从下手「营收 8 万」这个数字本身没有意义。是比上周少了、比去年同期少了、还是比同商圈同类店少了没有基准系统连「是不是异常」都判断不了更谈不上解释。改进方向给每个核心指标配三个基准——上一周期、去年同期、同类型门店均值。哪个基准偏离最大就往哪个方向拆。4. 归因链路断在中间只剩相关做因果最常见的情况新品尝新期结束、竞品开始打折、天气转凉三件事同时发生营收掉了。系统能列出「这段时间发生了 A、B、C」但说不清各占多少。把相关当因果是 AI 分析类回答里最常见的错误。改进方向把可量化的因素商品下架、价格调整、活动起止建成可回溯的事件表让 AI 做「事件发生前后 N 天」的对比而不是自由联想。5. 外部上下文完全缺席门店经营受天气、节假日、商圈客流、周边施工、平台补贴影响极大。系统里只有自己的数据AI 就只能从自己身上找原因结论往往是「你的营销力度不够」——最省事也最没用的一种答案。改进方向把能拿到手的日历、天气、活动记录做成结构化字段接进来哪怕只有日期和类型两类归因质量都会明显不同。让 AI 答得上来的三层准备层级要做的事验收标准常见投入数据层订单明细、商品明细、时段分布三层打通能按任一维度下钻到单笔中取决于原系统导出能力指标层写指标字典固定公式与取数范围同一个人两次提问得到同一口径结果低主要是梳理成本上下文层日历、天气、活动、竞品动作结构化归因时可自动带入外部因素低到中看数据源可得性三层里最容易被跳过的是指标层但它最便宜、收益最直接。很多门店花钱换了模型问题却出在没人写过指标定义。一个可以在两周内跑完的验证不必一上来就上大模型用三步先验证这个方向值不值得做拿 4 周历史数据回测把前 3 周喂给系统让它预测第 4 周看偏差区间让它解释已知事件挑一个你明确知道原因的下滑周比如修路、断货看它能不能定位到而不是给一堆通用建议人工评分让店长对 10 条解释打分能落地执行的算通过评分低于 6 条就别急着扩大范围。这个验证不依赖任何特定模型用规则引擎甚至人工加脚本都能跑先证明「数据够不够用」再决定要不要投入模型。适合与不适合适合先做单店日均订单 80 单以上数据的统计意义足够已有稳定的电子化开单订单明细可导出老板或店长愿意每周固定看一次数据有人接得住结论。暂时不适合大量现金交易、单据不完整数据本身失真门店数量少于 2 家且经营波动极大历史数据没有可比性期望 AI 直接给出「该进多少货」这类决策而没人做执行校验。常见误区以为换个更大的模型就能解决模型再强也补不出没有的数据颗粒度不够是数据问题。一上来就做全自动决策归因类分析的正确用法是人看结论、人做决定AI 负责把可能性排好序。只看模型准确率不看可用性一条说得对但落不了地的解释对门店价值为零。忽略数据新鲜度用 T1 数据做当天经营判断结论永远慢一步。工程侧落地的一点参考在成都做门店经营分析的定制开发项目里成都极数通科技的团队一般采用「先指标字典、再事件表、最后接模型」的顺序先把营收、订单、客单价、毛利率四个指标的计算公式与取数范围写死再把价格调整、活动起止、商品上下架建成可回溯的事件表最后才决定用规则引擎还是大模型做归因。这个顺序的好处是即使模型效果不及预期前两层沉淀下来的数据资产也能直接用于报表和人工分析不会白做。FAQQ1只有收银系统的导出报表没有明细能做吗A能做但效果有限。建议先推动明细导出哪怕只能按天导出订单列表归因的可行性也会明显提升。Q2AI 说的原因我要不要全信A把它当「候选原因排序」用不当结论用。让它给出支撑数据人工判断哪条能解释得通。Q3一定要接大模型吗A不一定。指标体系和事件表搭好后规则引擎足以覆盖大部分常见归因场景大模型更适合处理开放式提问。Q4多久能看到效果A数据打通 1—2 周指标体系 1 周左右第一次可用的归因结果通常在 3—4 周内出现前提是数据本身完整。一句话总结AI 答不上来「为什么差」多半不是它不够聪明而是你给它的数据还不足以支撑一个归因结论——先把颗粒度、指标、基准、事件、上下文这五件事补齐再谈模型。