先说结论：AI 落地项目翻车，至少一半不是模型不行，是数据没收拾好。这个坑我见过三次——每次都是上线前夜爆雷，每次都得停下来先补数据的课。AI 落地之前，有三类数据必须先收拾干净：主数据、业务交易数据、标注数据。收拾到什么程度算合格、每一类怎么查怎么补，下面一条一条讲清楚。
为什么数据准备是第一道门
打个比方：模型是学生，数据是教材。你给学生一套印错一半的教材，再好的学生也考不好。AI 在仓库里干的事——认库位、预测补货、答客服问题——全都建立在"系统里的数据跟现场一致"这个前提上。而现实是，大部分仓库的系统数据跟现场都有偏差：SKU 一码多物、库位条码重码、出入库靠事后补录。这些偏差人眼扫一眼能纠偏，AI 可不会，它只会把错误学得更像真的。
所以数据准备不是"顺手做一下"的前置工作，它就是项目本身。我经手的 AI 相关项目里，数据准备平均吃掉项目总工时的一半以上，预算里也要单独留三到四成给数据治理。这笔账先算在前面，免得立项时只给模型留了钱，做到一半发现数据这关过不去。
三类数据，一类一类收拾
第一类：主数据——一物一码，没得商量
主数据就是 SKU、库位、供应商这些"字典"。AI 落地的第一要求：一物一码、一位一码，一个码只对应一个东西。
怎么查脏数据：导出全量 SKU 主档，跑三遍检查——第一遍查空码（条码字段为空或全零）；第二遍查重码（同一条码对应多个 SKU）；第三遍查一码多物（现场扫码，看一个码是不是贴在了两种货上）。库位同样：导出库位主档，查重码、查"幽灵库位"（系统里有、现场找不到的）。
怎么补：空码重码的，先冻结相关 SKU 的出入库，现场逐一核对后重新赋码；一码多物的，必须拆到一物一码，没有捷径。供应商主数据重点查"一户多名"——同一家供应商在系统里有三个名字，AI 做对账分析时会当成三家。
验收标准：随机抽 500 个 SKU 去现场扫码，扫码结果与系统完全一致；再抽 200 个库位，同样全对。抽检一次不过，扩大到全量核对，直到连续两次抽检全对再往下走。
第二类：业务交易数据——时间戳是 AI 的眼睛
出入库记录、盘点记录、任务记录，这些是 AI 学"仓库是怎么运转的"的教材。教材的最低要求：时间戳完整、记录不断档。
怎么查脏数据：拉最近 90 天的出入库流水，查三件事——第一，时间戳缺失或为 1970 年这种默认值；第二，未来时间戳（系统时间被改过）；第三，负库存（账面为负，说明有漏记的出库）。再查"事后补录率"：看多少单据的创建时间比业务发生时间晚了 24 小时以上——补录的单据时间戳是假的，AI 拿它学"波峰波谷"会学歪。
怎么补：时间戳缺失的，能找回原始记录就回填，找不回的整段剔除并标注，不要"估一个时间填上"；负库存必须先盘点做平，再谈 AI；补录率高的环节（通常是退货和越库），先把流程改成实时扫码，再攒数据。
验收标准：连续 90 天出入库记录不断档，时间戳完整率 100%，负库存清零，事后补录率压到 5% 以下。达不到这个标准，预测类 AI（销量预测、补货建议）一律先别上，上了也是错上加错。
第三类：标注数据——AI 落地的弹药
视觉识别要"异常图片"（破损包装、贴错标签、空托盘），客服问答 AI 要"问答对"（客户真实问题 + 标准答案）。这类数据仓库里天然没有，得现标。
怎么查：先问三个问题——样本量够不够（视觉类起步至少几千张有效样本，问答对至少上千条）；覆盖全不全（异常图片是不是只拍了白天的、只拍了一个库区的）；标得准不准（找两个人独立标同一批，抽 200 条看一致率）。
怎么补：样本不够就定点采集——让现场人员两周内按清单拍照；覆盖不全就补场景（夜班、雨季室外月台这种容易漏的）；标不准就写标注规范，一页纸讲清"什么算破损、什么算正常"，标完抽检，抽检不过整批返工。
验收标准：抽检 200 条标注，两个人独立标注的一致率达标（视觉类建议 95% 以上，问答类 90% 以上）；样本覆盖全部主要场景和班次。标注数据的质量标准，宁可写进合同附件，也别口头约定。
这个坑我见过三次：一个翻车项目的抢救实录
2025 年年中，华东一家 3PL 仓上了 AI 视觉辅助盘点：AGV 驮着相机逐排拍照，AI 识别库位条码和货物，自动比对账面。想法很好，上线第一周盘点差异率不降反升，现场怨声载道，项目差点被叫停。
问题出在哪？查了一周，根子在第一类数据：这个仓的库位条码有近一成是重码——历史上库区调整过两次，老条码没撕干净，新条码又贴上去，一个位置有两个码；再加上部分 SKU 一码多物，AI 把 A 库位的货认成了 B 库位，越盘越乱。人盘的时候，盘点员看到重码会自己判断，AI 可不会。
抢救分三步，停了整整两周。第一步，全仓一物一码治理：撕掉所有重复条码，重新赋码，冻结期间所有出入库走人工复核；第二步，SKU 主数据清洗，一码多物的全部拆分；第三步，用治理后的数据重新训练识别模型，再小范围试运行两周，差异率回到人工盘点水平以下，才全量上线。
这个项目的数据准备，吃掉了总工时的六成。教训就一句：AI 项目立项时，数据治理的工时要单独列、单独排期，别把它藏在"实施"两个字里。这个坑我见过三次，每次的剧本都一样——不是模型选错了，是开工前没人去现场扫那 500 个码。
上线前夜 checklist：数据篇
先说一句反常识的：别等数据"完美"再上 AI。完美数据不存在，先跑起来再迭代，模型会在运行中暴露新的数据问题。但三类数据的底线标准不能让：主数据一物一码、交易时间戳完整、标注有验收。底线以下，模型越跑越偏，不如不上。
上线前夜，对着这张表逐项打勾，一项不过不许切生产：
- 主数据：随机抽 500 个 SKU 现场扫码，与系统完全一致
- 库位：随机抽 200 个库位，无重码、无幽灵库位
- 交易数据：最近 90 天流水不断档，时间戳完整，负库存清零
- 补录率：事后补录（晚于 24 小时）的单据占比在 5% 以下
- 标注数据：抽检 200 条，独立标注一致率达标，覆盖全部主要场景
- 脏数据处理规则已文档化：谁负责、多久跑一次、异常升级给谁
都打上勾了再上线。明天就能做的事只有一件：先随机抽 100 个 SKU 去现场扫一遍，对不上的比例，就是你家数据准备的真实起点。
作者：林晓｜WMS 实施顾问
