企业官网建设流程全解析

一、数据清洗，到底在洗什么？

想象你要做一顿饭。真正炒菜的时间只占20%，剩下80%的时间都在买菜、择菜、洗菜。

数据清洗，就是数据分析这顿饭的“洗菜”环节。

把脏数据分成四类，你就知道该洗什么了：

一句话总结：数据清洗的本质，就是解决这四类问题——残缺、重复、错误、不规范。

二、供应链场景里，最常遇到的“脏数据”长什么样？

作为产品经理，你不需要懂代码，但需要知道自己的项目里最容易在哪些地方翻车。

以下是三个高频场景：

场景一：SKU编码混乱

ERP里叫“A001”、WMS里叫“A-001”、经销商系统里叫“001A”。三个系统一对接，AI以为这是三种不同的货品，库存永远对不上。

场景二：地址不规范

“上海市浦东新区张江高科技园区”和“上海浦东张江”在系统里可能是两条记录。AI做调拨路径规划时，识别不出这是同一个地方。

场景三：数据不同步

总仓的库存每小时更新一次，经销商仓库三天才报一次数。AI拿到的数据有时差，算出来的补货量自然不准。

记住一句话：基础数据有问题，再强的AI都是白费。数据清洗就是给AI“洗菜”，菜没洗干净，炒出来的菜没法吃。

三、六步清洗法：供应链产品经理的落地实操

不需要你写代码，但需要你定标准、设规则、追进度。以下六个步骤按优先级排列，可以照着推进：

第一步：数据筛选——先筛掉无用的

先把不该要的数据踢出去，减少后面的清洗工作量。

保留什么：和你项目直接相关的核心数据——进销存数据、订单数据、仓库数据、车辆数据、促销/节假日/天气等关联数据。

剔除什么：无关字段（比如用户个人信息、冗余备注）、无效数据（比如测试数据、明显是错的异常值）。

产出物：一张《数据范围界定表》，明确“要什么、不要什么”。

第二步：处理缺失值——最常见的问题

供应链数据经常有缺失——某天销量没记、某条订单的仓库忘了填。按缺失率分两种情况处理：

轻度缺失（缺失率＜5%）：填补它

• 数值类（销量、库存）：用同类数据的均值或中位数填补。比如A商品6月10日销量缺失，就用6月9日和11日的平均值补上。

• 分类类（仓库名称、品类）：用出现次数最多的值填补。

重度缺失（缺失率≥5%）：删掉它

直接删除这条数据，或者删除整个字段。比如某SKU近30天有20天销量缺失，补了也是瞎猜，不如直接剔除，避免干扰AI判断。

第三步：处理异常值——最容易误导AI的问题

异常值就是“不符合业务逻辑”的数据。比如同品类常规库存是1000件，突然冒出一个10000件；同城配送常规24小时到，突然冒出一个100小时。

怎么发现它：用业务经验判断，或者和同类数据对比——超出均值3倍以上的，先标红。

怎么处理它：

• 能修则修：明显是录入错误（比如库存10000→实际应该是1000），修正后保留。

• 不能修就删：判断不出原因的异常值（比如无理由的销量暴涨），直接删除或标记为“异常”单独记录，不参与AI建模。

第四步：处理重复值——避免数据重复计算

重复数据常见于订单录入、库存同步环节。比如同一张订单录了两次，AI算销量时就会翻倍。

怎么发现它：筛选出关键字段完全一致的记录（比如订单号、SKU、时间、数量全部一样）。

怎么处理它：保留1条，删掉其他的。

第五步：数据标准化——让AI看得懂

供应链系统里，同一件事往往有N种写法。不统一口径，AI根本没法识别。

时间格式：统一为“2024-05-01 14:30:00”，拒绝“5.1”“2024/5/1”等各种写法。

单位统一：库存统一用“件”、重量统一用“kg”、运费统一用“元”。不能同一张表里既有“箱”又有“件”。

编码统一：仓库编码统一成“BJ-01”“SH-02”这种格式，SKU编码统一成“品类+规格+批次”的规则。

第六步：数据校验——最后一道把关

清洗完了别急着用，花半小时做两个检查：

逻辑校验：比如“库存 = 入库 - 出库 + 退货”，核对一下这个公式还能不能对上。

抽样校验：随机抽10%-20%的数据，人工核对一下清洗后的结果——缺失值填得对不对、异常值处理得合不合理。

四、三个注意事项

注意一：清洗要守住业务逻辑

比如生鲜有“临期”字段，不能随便按均值填补——得结合临期时间判断。不懂业务的人洗数据，越洗越乱。

注意二：保留清洗痕迹

哪些缺失值被填补了、哪些异常值被删除了——统统记录下来。方便后续复盘，也方便AI模型迭代时追溯。

注意三：不过度清洗

节假日销量暴涨、促销期间订单激增，这些是正常波动，不是异常值。不要为了“数据漂亮”而洗掉真实业务信息。

五、一句话总结

数据清洗，不是技术团队的“脏活累活”，而是产品经理必须亲自盯的地基工程。

花70%的精力把数据洗干净，剩下的30%给算法和产品——这是ROI最高的投入方式。