11月5日，lululemon 在上海进博会的展台开馆，连续第三年参展。这次带来三样东西，其中一件是为冷天跑步做的 Ventscape 跑步马甲，全球首发，12月8日在中国率先上市。
一件马甲，从展台到货架只有一个月。这一个月里要定的事不少，配色、尺码、价格带、首批下单量、哪个区域先上。任何一项定错，代价都要在上市后的三个月里慢慢还。
多数企业用 AI 的顺序是反的。上市之后数据回来了，才拿来做分析，做预测，做复盘。上市之前那段最贵的试错，还是靠人拍脑袋。
上市前的试错贵在哪。首批下单量多了，卖不掉要打折，打折伤的是品牌；少了，断货，断货丢的是这一个季的生意，还给了竞品一个窗口。这一多一少之间，靠的是经验，经验又常常被上一季的成功误导。
被误导的方式很固定。上一季某个款爆了，这一季同类款的首单就会往上加，加到第三个季度，市场已经换了口味，加出来的量全变成了折扣。服装行业的销售窗口短，一次判断失误要两季才能清干净，这就是为什么首单判断比任何环节都值钱。
FDE 能接的活，正好在这段。把过去三年的上市记录整理出来，按品类、价格带、区域拆开，看每一类首单的实际售罄曲线，再拿新一季的企划去比对。这件事不需要多强的模型，需要的是有人愿意把三年的数据清洗一遍，并且敢在评审会上说出不同意见。
我们见过一次很典型的失败。一家企业上线了销量预测，准确率写到92%，上市后第一季度的实际偏差超过四成。查下来原因是预测用的历史数据里，包含了几次大促的异常值，模型把促销当成了常态。技术团队没有错，错在没人告诉它哪几周是特殊情况。
这个错误能稳定存在，是因为数据清洗的活没人愿意干。它不出成果，不进汇报，做完了也只是让别人的模型更准一点。FDE 的价值有一半在这里，把脏活干完，还要把干的过程写下来，让企业自己的人下次能干。
给一个上市前可以走的流程。第一步，把过去三年的首单与售罄拉成一张表，标出每一次偏差超过三成的案例。第二步，让企划、销售、财务各写三条偏差原因，不许互相看。第三步，把三份原因放在一起，找出重复出现的两条，那就是这家公司真正的系统性偏差。三步做完，再看要不要上模型。
这张表还有一个副产品。做完之后，企划部门会第一次看到自己过去三年的判断准确率是多少。这个数字通常会让人不舒服，但它比任何外部的行业报告都有用，因为它是自己的。
还有一条更简单的检验。让负责新品的人说出上一季卖得最差的三款，以及当时为什么判断它会好。说得清，说明这家公司的经验是可以被复用的。说不清，先别买预测工具，先把复盘做成习惯。
lululemon 这类公司的做法值得看的地方，不在它用了什么技术，在它把首发放在中国，把上市时间压到一个月。这种做法要求商品端和销售端的信息几乎是同步的。同步靠的是两边的人坐在同一张桌子上，系统只负责把结果记下来。
国内大多数企业的现实是，企划、销售、财务三张表各算各的，上市前开会，各说各的判断，最后由一把手拍。这个流程不是不能改，改的起点是让三张表在同一个版本上对话。
希纪在给服装企业做增长诊断时，常见的一个场景是，新品评审会上没有人反对，上市后所有人都在解释。反对的成本在会前，解释的成本在会后，多数公司选了后者。
一句话留给董事长。上市前省下的试错，上市后要用折扣还。
一个可以立刻安排的动作，下一季新品评审会，要求每位参会者提前交一页纸，写清自己最担心的一款和理由。会上先讲担心的那部分，讲完再讲看好的。
希纪 · 服装产业观察