在鞋服行业，许多品牌已部署了各类系统，涵盖ERP、POS、电商平台、WMS和BI等，试图通过数字化手段提升运营效率。然而，尽管这些系统记录了采购、库存、销售等大量数据，商品团队在实际决策中仍面临诸多挑战。例如，同一款商品在不同报表中可能显示为畅销与高库存并存；ERP系统显示有货，但门店却无法及时补货；毛利数据在财务核算后出现偏差。这些现象表明，品牌缺的并非数据量，而是商品数字化的数据基础，即如何将分散的数据转化为支持决策的可靠依据。
构建商品数字化数据基础，需从明确决策需求出发，而非盲目收集系统字段。品牌应先列出商品团队反复执行且易出错的决策场景，如新品铺货、库存调拨或清货计划，再拆解每项决策所需的事实、口径和更新频率。例如，补货决策需实时获取销售速度和可用库存，而年度计划只需在计划周期更新销售目标。这种“决策驱动”的数据采集方式，可避免形成冗余的字段仓库，确保数据与业务需求紧密关联。
数据清洗是保障数据质量的关键环节。除常规的“去重补空”外，更需建立统一对象、时间、单位的规则。例如，明确交易日与入账日的区别，避免跨报表错位；件数、金额分开保存，箱、包、件完成换算；识别负库存、异常折扣等异常，但保留业务事件的真实性。清洗规则需记录原值、处理后值、版本和处理时间，以便追溯和优化。例如，某品牌通过清洗规则发现，重复订单导致销售数据虚高，修正后补货建议更精准，库存周转率提升15%。
数据的应用需与经营动作紧密绑定。例如，在计划场景中，关注目标、折扣、成本与库存的约束关系；在补货场景中，关注销售速度、可用库存与剩余销售窗口；在库存健康场景中，关注库龄、售罄率与未来需求。每个指标需明确责任人、观察周期和触发条件，如门店某款销售速度上升且库存不足时，系统自动检查在途与邻近门店余量，生成补货或调拨建议；若剩余销售窗口不足，则限制追加，避免库存积压。
以第七在线为例，其通过接入ERP、POS、电商和库存系统，统一商品与库存口径，识别异常和机会，生成受库存状态、供应能力与销售窗口约束的建议，并支持商品团队审核。执行结果回流后，用于修正规则和参数，形成持续优化的经营闭环。对于正在建设商品数据平台的品牌，建议先选择一个高频、损失可衡量的决策场景进行数据体检，再逐步扩展。例如，某品牌通过诊断发现，新品铺货决策因数据口径不一致导致铺货效率低下，修正后新品售罄率提升20%。
在常见问题中，商品数字化未必需先建数据中台，可先围绕明确决策统一主数据和口径；ERP数据需完成编码映射、状态拆分和时间对齐后才能用于决策；数据清洗需确保关键字段完整、核心口径一致、时效满足决策窗口；历史数据缺失时可采用相近商品或短周期数据建立初始规则，逐步校准；AI商品决策系统的价值在于持续识别异常、纳入经营约束并记录执行结果，而非替代人工决策。
