于是管理层的日常变成这样：想知道本季度哪个品类真正赚钱，运营给一个数，财务给另一个数，两个数都不算错，只是口径不同；想问哪些款该补单、哪些款该清库，拿到手的是一份上周手工导出的表格。
这两年企业AI被反复提起，落到时尚行业，它能解决的问题其实很具体：把散在各个系统里的数据接起来，把口径统一起来，让业务人员用一句话就能问出答案。
下面按四个层次展开：先分清企业AI的两类用法，再看时尚行业的六个落点，然后看落地情况，最后说清楚落地需要什么前提。
一、先分清企业AI的两类用法
企业内部的AI应用，大致分两类。混在一起谈，很容易选错方向、也容易被演示效果误导。
第一类是问答型。它面向制度、流程、商品资料、合同模板这类文本，把散落的文档整理成可检索、可问答的知识库。员工问退换货规则怎么走，AI按文档回答，并给出出处。这类应用见效快，但它调用的始终是文档，不是企业的真实经营数据。
第二类是数据型。它直接连接业务系统，把自然语言转成查询语句，去数据库里取数、算数、出结论。业务人员问上周哪五家门店售罄率最低，AI给出的是从系统里查出来的结果，而不是从文档里翻出来的说法。
两类不是替代关系，但解决的痛点不同。时尚行业的问题集中在第二类：标准、规则、制度早就写在文件里了，真正难的是数据散在多个系统、口径各说各话。
对比维度 | 问答型 | 数据型 |
面向的数据 | 制度、流程、商品资料、合同模板等文档 | ERP、POS、电商后台、仓配、CRM等业务系统 |
典型提问 | "退换货规则怎么走" | "上周哪五家门店售罄率最低" |
答案怎么来的 | 从文档中检索，可溯源到原文 | 从数据库中查询并计算，可下钻到单据 |
交付形态 | 对话窗口、知识助手 | 查询结果、经营看板、自动报告 |
时尚行业的主要痛点 | 次要 | 主要 |
二、时尚行业的六个落点
1. 全渠道销售口径
同一笔生意，在电商后台叫GMV，在财务叫收入。退货算不算在内、优惠券按什么价算、赠品怎么入账，各系统各有各的规则。结果是渠道之间的数据没法直接比，线上线下谁更强，说不清。
解法不是再写一套报表，而是把口径定义一次、存下来，让所有报表和问数都引用同一份定义。这样"这个月线上收入多少"只有一个答案。
2. 商品与SKU分析
时尚行业的商品有生命周期：上新、爬坡、热销、清库。哪些款该追单、哪些款该打折，取决于售罄率、动销率、尺码与颜色的分布。
断码断色是这个行业特有的问题：总量看库存充足，具体到某个爆款的某个尺码却已经卖空，而同一个款的其他颜色还在压库。靠总量指标发现不了这种结构性错配。
3. 库存与周转
库存分散在总部仓、区域仓、门店和电商仓，同一个SKU在四五个地方各有一部分。缺货与积压同时出现，几乎是多渠道服饰企业的常态。
周转天数在财务口径里是一个数字，在买手的工作语境里却是"这批货还能不能再等一个季"。两级都需要，但不该靠人工拼表来对。
4. 会员与复购
同一个人在电商平台、小程序和线下门店，很可能是三个不同的账号。分开看，每个渠道的会员画像都不完整；合起来看，才能判断真实客群和复购情况。
5. 门店与渠道经营诊断
新店、老店、不同商圈的店，本不该用同一把尺子衡量，但至少指标口径要一致，否则连"哪家店在下滑"都判断不了。
6. 业财一体与平台结算对账
电商平台的账单里包含佣金、退款、运费险、推广费，字段和财务科目不是一一对应。每月对账靠人工核对，耗时长，还容易留尾巴。
落点 | 业务问题 | AI 问什么 | |
全渠道销售口径 | 同一笔生意在不同系统叫不同名字 | "把天猫和门店的收入按同口径拉出来" | |
商品与SKU | 哪些款该补、哪些款该清 | "上周哪几个款断码最严重" | |
库存与周转 | 缺货与积压同时存在 | "哪些款在仓超过90天" | |
会员与复购 | 同一个人在三个系统里是三个人 | "复购两次以上的会员集中在哪个渠道" | |
门店与渠道诊断 | 新老店无法横向比较 | "华东哪几家店坪效连续三个月下滑" | |
业财一体与结算 | 平台账单与财务收入对不上 | "上月平台佣金合计多少，和账面差在哪" |
三、落地链路说明
链路一：把口径定义一次
平台的AI语义层把GMV、收入、退货、折扣这些指标的定义集中管理，报表和问数都引用同一份。业务人员不需要知道数据来自哪个表，只需要知道"线上收入"指的是什么。
链路二：把商品、库存、渠道拉到一张表上
按SKU把门店库存、电商库存、在途库存合并，再挂上销售数据，售罄率、周转天数、断码断色就有了统一的计算基础。买手看的是款，财务看的是金额，两边来自同一套数。
链路三：把会员身份归集起来
跨渠道的身份归集是会员分析的前置条件。归集之后，复购率、客单价、分层才有意义，否则算出来的只是某个渠道的局部事实。
四、能落地的前提
上面这些能力听起来不复杂，但真要做成，需要满足四个前提。安捷AI在这四个环节上的做法可以作为一个参考。
第一是连接。数据不能靠人工导出再喂给AI。平台直连金蝶、用友等主流ERP，以及聚水潭、旺店通这类电商与仓配系统，读取的是业务系统里的原始数据。这是"查询"和"猜测"的分界线。
第二是口径。指标定义、同义词、计算逻辑统一放在AI语义层里维护，避免同一个指标在不同报表里出现两个版本。
第三是权限与安全。时尚企业的商品成本、会员信息属于敏感数据。平台提供菜单权限、数据表权限、字段级权限三级控制，敏感字段分级脱敏，并支持本地私有化部署，数据不出企业内网。
第四是交付形态。业务人员用一句话提问，拿到的是查询结果、看板或报告，而不是一段需要自己核对的文字。
行业场景 | 平台动作 | 交付形态 |
全渠道口径 | 接入电商后台与POS，语义层统一口径定义 | 口径对照表、渠道销售看板 |
商品与库存 | 拉通仓库与门店库存，按SKU计算周转 | 断码断色清单、库存龄期报表 |
会员运营 | 跨渠道身份归集，按统一口径分层 | 会员分层名单、复购分析 |
门店诊断 | 单店损益自动归集，按同口径横向比较 | 单店经营看板、异常门店清单 |
业财对账 | 平台账单与账面自动比对，差异分类 | 对账差异清单、凭证生成 |
制度与资料问答 | 商品资料、流程文件入知识库 | 知识助手、答案溯源 |
五、落地建议
第一，先解决口径，再谈智能。口径不统一的场景，AI只会把混乱放大。
第二，从一条链路做起。全渠道销售口径通常是投入产出最清楚的一条，做完再扩展。
第三，敏感字段先分级。成本和会员信息在项目开始前就要定好谁能看、看到什么粒度。
第四，把买手和店长拉进来。这个行业的判断依赖业务经验，AI负责把数据准备好，判断仍由人做。
第五，看的是能不能持续用。上线只是开始，口径和指标需要有人维护，否则半年后又回到各说各话。