AI 模型吃得越好，跑得越稳

「垃圾进、垃圾出」在零售 AI 场景体现得淋漓尽致：想做智能选品，模型需要理解商品之间的相似性与替代关系，但企业的商品数据可能是「同一款可乐在三个系统里有三种名称」；想做销量预测，模型需要节庆、天气、促销等特征，但这些特征与商品编码的关联散落在 Excel 里。数据基础不牢，再先进的算法也只是空中楼阁。

商品数字化的四件事

• 统一商品主数据：建立集团级商品主档，覆盖编码、名称、类目、品牌、规格、条码等基础属性，作为各系统间商品信息的唯一事实源。
• 属性标准化：把「颜色」「尺码」「口味」「包装规格」等销售属性按类目建模并标准化取值，这是实现「相似商品」「替代商品」计算的前提。
• 类目体系治理：统一线上线下的类目口径，建立「前台展示类目」与「后台管理类目」的映射关系，避免同一商品在 App、门店、报表中归属不同类目。
• 图片与内容资产：为每个 SKU 建立标准化的图片、卖点与描述资产，这不仅是用户体验的基础，也是 AI 视觉应用（拍照购、相似推荐）的训练语料。

从哪开始

商品数字化的范围可能涉及数万乃至数十万 SKU，建议采用「金字塔策略」：先治理贡献 80% 销售的 20% 核心商品，配套建立新品的标准化入库流程，再逐步向长尾商品延伸。数据治理项目最怕「追求一次性完美」，滚动治理、流程固化才是可持续的路径。