十月二十六日，李宁披露三季度运营数据，整个平台零售流水同比录得低单位数下降。拆开渠道看，线下录得中单位数下降，其中直接经营渠道同比持平，批发渠道下滑更多。销售点总数 6099 个。
这三个数字放在一起，指向同一个位置。消费者端没有明显变差，批发那一层在收缩。
这件事跟 AI 项目有什么关系，关系很大。批发渠道的收缩，本质上是渠道商对未来的判断变谨慎，他们减少下单、压低备货、缩短承诺周期，这会让品牌方看到的需求信号失真。品牌方拿到的订单数，已经不等于真实的零售数。
于是问题变成，FDE 团队进场之后，服务的对象该是谁。多数企业会把它放在总部，服务商品与信息部门。可真实的信息断层在批发那一层，总部拿到的永远是加工过的数。
我的建议是三层。第一层，把批发端的出货数据与零售端的数据分开采集，不要再合成一个「流水」。合成之后谁也不知道哪一段掉了多少。
第二层，给渠道商一个可见的利益。你把终端数据给我，我给你更准的补单和更快的响应。这件事不给利益，只靠要求，做不成，行业里试过的公司很多，最后都停在「渠道不愿意上传」。
第三层，把这两组数据接进考核。品牌负责人看零售，渠道负责人看出货与回款，两条线各有各的数，不再用一个合并指标互相掩护。
反常识的结论在这里。渠道下滑时，很多企业的第一反应是加大投放、压任务，结果是把渠道商的钱包再挤一遍，第二年他们跑得更快。真正有效的动作是先给数据能力，让他们敢下单。这一点在服装行业被反复验证过，只是很少被写进 AI 项目的方案里。
一条可以当场用的检验。让团队把上个季度品牌出货数与终端零售数并列写出来，两个数的差额就是货品在渠道的沉淀变动。差额连续两个季度扩大，说明问题在渠道信心，不在消费者，这时候上任何需求预测模型，输入都是脏的。
希纪做服装企业的增长诊断，进场常先要这两列数，因为它们决定后面所有动作的顺序。
还有一个被忽略的细节。6099 个销售点这个数字，对 AI 项目的意义在于它是分母。任何单点产出类的指标，都要用这个分母来算，而分母一旦变化，指标就失真。企业做项目时常犯的错是拿今年和去年比单点产出，却没注意销售点数量也变了。
顺带说一句数据断层的成本。批发端的收缩会让品牌方误判需求，误判之后通常有两个动作，一是加大备货，二是加大投放拉零售。前者把风险压到自己身上，后者把现金花在不确定的地方。两个动作都会让第二年的报表更难看。
真正该做的是先把渠道的意愿摸清。让区域负责人一个一个问，明年打算下多少、账期希望多长、要什么支持才肯加量。这些答案不进系统，但它们决定系统该预测什么。
一家做男装的企业去年做过这件事，问完发现三分之一的渠道商真正担心的是退换货政策，不是价格。改完政策，第二年渠道出货恢复了双位数。这件事没有用到任何算法，却比任何一个需求预测模型都有效。
这件事的方法论只有一句，先把分歧找出来，再决定投什么。数据本身不创造价值，被用来消除分歧的数据才创造价值。 最后补一句给区域负责人的检验。让他不看报表，只报三个数，这个季度有多少渠道商主动加大了下单量、有多少要求延长账期、有多少提出换货。三个数都往下走，说明渠道信心在退，先修信心再谈工具。
还有一条给渠道负责人的提醒。渠道收缩的年份，最容易做错的动作是加任务压量，因为这会让原本谨慎的渠道商直接退出。真正有效的动作是先减 SKU，把有限的货压到最能卖的几款上，让渠道商在有限投入下也能看到动销。这件事跟数据无关，跟判断有关。