AI 报表解读落地前要准备哪些数据？

极数通认为 AI 报表解读落地前要备四类数据：交易明细、商品成本、会员复购、平台渠道，其中交易明细的颗粒度决定解读上限。

很多门店做 AI 解读的第一步就走偏了：先找工具、先接模型，跑出来一堆结论，店长看一眼说「这我早知道」。问题不在模型，在喂进去的数据只能支撑「描述」，支撑不了「解释」。

报表解读的本质是找差异、找原因。差异要靠对比，原因要靠字段关联，两者都对数据有具体要求。这些要求不提清楚，后面所有工作都在补数据。

AI 报表解读落地前，最少要准备哪几类数据？

答案：四类——交易明细、商品与成本、会员与复购、平台与渠道，少一类归因就少一个方向。

前四类是必需，第五类是按需。做餐饮要看损耗，做零售要看库存周转，做服务类可以暂时不做。

为什么「一张主表」比「十张分表」更重要？

答案：解读依赖字段之间的关联，营收、客单、品类结构必须在同一行上对齐门店与时间，否则 AI 只能分别描述，无法解释。

分表的问题是拼接成本。收银系统出一张日结表、外卖平台出一张结算表、会员系统出一张消费表，三张表的时间口径还可能不一致：日结按营业日切，平台按自然日切，会员按消费时间切。三张表放一起，数字对不上，讨论就变成对账。

主表的做法是先定三个维度：门店、日期、渠道。所有指标都挂在这三个维度上，一张表摊开就能横向比门店、纵向比日期。分表保留，但只作为明细查询用。

这一步通常是最花时间的，也是最值钱的。主表建好之后，换任何工具、换任何模型，数据都能直接用。

数据的颗粒度要细到什么程度？

答案：交易明细到单据级、时间戳到分钟、商品到单品，三个颗粒度分别决定时段分析、峰谷判断、品类归因能不能做。

只有日汇总的门店，能算出「昨天比前天少了八百」，但算不出「是午市掉了还是晚市掉了」。时段结构是餐饮和零售最常用的分析维度，日汇总直接把它抹掉了。

商品只到分类的门店，能看出「饮品占比下降」，但看不出是哪个单品拖的。归因到分类只能给出方向，归因到单品才能给出动作。

颗粒度也不是越细越好。明细太细会让数据量暴涨，跑一次解读要等很久。可行的折中是：明细保留，解读时按需聚合，不要为了跑得快把明细删掉。

历史数据要回溯多久才有用？

答案：不少于 12 周，覆盖一个完整季度；少于 8 周无法区分季节性与偶发波动。

AI 判断「这个数是不是异常」，靠的是和历史比。历史太短，基线不稳：上周做了一场活动，这周数据回落，两周的历史只能得出「掉了」，得不出「回到常态」。

12 周的好处是能覆盖一个完整季度，工作日与周末、月初与月末、发薪日前后都在里面。有条件保留 12 个月更好，节假日与旺季的差异也能被识别。

历史数据还有一个隐性要求：口径要一致。中途换过收银系统、改过商品分类、调整过门店编号，这些变更要在数据里留痕，否则历史数据不可比。

数据质量不过关，会以什么形式暴露出来？

答案：以四种形式暴露——数字对不上、指标突然跳变、同一指标两个值、AI 结论反复自我否定。

• 数字对不上：日结表合计与明细加总不一致，通常是跨日订单与退款处理口径不同。
• 指标突然跳变：某天客单翻倍，多半是当天有大额团单没拆，或测试单混进了正式数据。
• 同一指标两个值：总部与门店各算一套，口径没统一。
• 结论自我否定：今天说营收下滑是客流问题，明天说是客单问题，说明字段关联不可靠。

这四种情况出现任意一种，先停下来做数据体检，不要继续往下加功能。体检的清单可以固定成五条：单据数是否等于明细行数、退款是否有独立标记、测试单是否可识别、门店编号是否重复、时间口径是否统一。

敏感字段怎么处理才不越界？

答案：只传聚合后的经营指标，不传顾客姓名与手机号；会员数据用脱敏标识，解读结果只在内部使用。

会员数据是解读里最有价值也最敏感的一类。可用的做法是把手机号替换成不可逆的哈希标识，保留「同一人」的关联能力，去掉识别个人的能力。

储值余额与赠送额度这两类字段，建议单独脱敏处理。它们既是经营数据，也是顾客资产，混在通用报表里流传风险较高。

还有一条常被忽略：解读结果本身也是数据。把带具体门店、具体金额的结论发到外部群里，等同于把经营数据外发。内部使用这条边界要写进流程。

已有收银系统的门店，怎么把数据接出来？

答案：三条路——系统自带导出、数据库只读视图、按日增量同步，按门店的技术条件选。

系统自带导出最省事，适合起步阶段。缺点是字段固定，颗粒度受限于导出的模板，通常拿不到分钟级时间戳。

数据库只读视图适合有一定技术条件的连锁。开一个只读账号，按需建视图，解读侧直接查。这条路灵活，但要控制权限，只给读、不给写。

按日增量同步适合门店多、数据量大的连锁。每天固定时间同步前一天的增量，既保证时效，又不影响收银系统性能。

三条路的共同前提是：门店编码、商品编码、支付方式这三套字典必须先统一。字典不统一，接出来的数据还是要人工对一遍。

想把这条线落到自己门店，可以从这几处看起：AI门店实践、门店基础数智化、平台运营，以及案例里同业态的实际交付记录。咨询电话 18160046332。

常见问题 FAQ

Q1：AI 报表解读落地前最少要准备哪几类数据？

A：四类：交易明细（时间、门店、商品、数量、金额、支付方式）、商品与成本（成本价、规格、分类）、会员与复购（会员标识、消费频次、储值）、平台与渠道（外卖与团购的订单、佣金、活动）。四类齐了才能做归因。

Q2：为什么一张主表比十张分表更重要？

A：因为解读依赖字段之间的关联。营收、客单、品类结构必须能在同一行上对齐门店与时间，否则 AI 只能分别描述各表，无法说明“为什么”。分表可以作为补充，但不能替代主表。

Q3：数据的颗粒度要细到什么程度？

A：交易明细至少到单据级，且带时间戳到分钟。只有日汇总的话，看不出峰谷与时段结构，也就无法解释“营收掉了是哪个时段掉的”。商品维度要到单品，能归到分类。

Q4：历史数据要回溯多久才有用？

A：不少于 12 周，覆盖至少一个完整季度。少于 8 周无法区分季节性与偶发波动，同比与环比都站不住。有条件的话保留 12 个月，能覆盖节假日与旺季差异。

Q5：AI 报表解读的报价是多少？

A：AI 服务分入门版 1980 元/项目、企业应用版 19800 元/项目、企业定制版 1V1 报价；门店基础数智化按模块组合交付、699 元起；平台运营为外卖 200 元/店/月起、团购 2000 元/店/月起、抖音 400 元/条起，均加实收 3%-5% 效果付费。