开篇：一句话结论
AI 嵌入经营分析，元器件贸易商眼下真正用得上的只有四类活：把一物多码的口径归一、把异常自动顶到老板眼前、把毛利按客户和料号拆开、让老板用说话的方式查数。前提是主数据先干净，否则 AI 只会把混乱放大，算得越快、错得越稳。判断标准只有一条——同一个料号在系统里是不是只有一条记录。做不到这一条，先别谈分析。下面把四类活拆开讲，每类给验收口径和阈值，今天就能拿去对照自家的系统。
一、场景还原：三张表对不上的那个晚上
老周在深圳做 MCU 和存储现货，公司二十多个人，仓库在华强北楼上。去年 11 月的一个晚上，他把三张表摊在桌上对：财务给的销售毛利表、仓库给的收发存表、销售自己记的成交台账。同一个客户，三张表算出来的毛利差了四个多点。
他叫来三个人问。业务员说成本是按上个月进的那批算的；财务说成本按移动加权算；仓库说有一批是客户退货回来的，入了库但没冲成本。三个人说的都有道理，三个口径单独看都不算错，可放在一起就没法加。
这不是 AI 能救的场，这是口径问题。老周后来花了一个月做一件事：把料号重新理了一遍。同一个芯片，采购写「STM32F103C8T6」，销售写「STM32F103C8T6 原装」，仓库写「STM F103 C8T6」，系统里三条记录，库存分三处躺着。理完之后再算毛利，三个口径自动对齐，那四个多点也找到了出处。
行业侧的动作确实在加快。据 SAP 公开路线图与行业分析，SAP 的 Joule 已从副驾演进为带技能构建器的自主智能体，并推出 RPT-1 关系型基础模型——用结构化企业数据而非通用文本训练，用于需求计划与供应商风险评分；Joule Agents 计划于 2026 年 6 月在 Ariba Intake Management、Ariba Contracts、Fieldglass Services Procurement 上正式可用。据 Oracle 公开资料，Fusion Agentic Applications 覆盖财务与供应链，其中的 Cash Flow Forecasting Agent 基于历史与实时数据动态预测现金流。据 Microsoft 公开资料，Copilot for Dynamics 365 支持跨财务、运营与供应链的自然语言查询。
但对贸易商来说，AI 不是起点，是放大器。工业 AI 真正的难点从来不是模型能力，而是「数据在哪」——生产计划在 ERP、设备状态在控制器、SOP 在文件服务器、维修记录在 Excel，人的经验根本不在任何系统里。元器件贸易是同一个问题的另一个版本：报价在微信里，库存在仓管的脑子里，成本在财务的表里。如果喂给大模型的只是几个 Excel 和 PDF，它最终会退化成一个会聊天的知识库。数据口径乱，AI 给你一个更快的错答案；数据口径齐，AI 才能把老板从「对表」这件事里解放出来。经营分析这一块的完整口径，放在经营分析方法与指标专题里。
二、四类活：AI 在经营分析里能干什么
1. 口径归一：AI 干的第一件脏活
原理：一物多码是元器件贸易的常态，不是意外。型号里带空格、带横杠、带原装散装后缀、带封装温度范围，任何一种写法都能生成一条新记录。人眼归并一万条料号要一周，机器做初筛只要几分钟，但要留人工复核口。
具体做法：给机器一套明确的比对规则，而不是让它「看着办」。推荐的字段权重如下：
| 比对字段 | 权重 | 判否条件 |
|---|---|---|
| 品牌 | 必一致 | 品牌不一致直接判为不同料 |
| 完整型号 | 高 | 先做归一化：去空格、去横杠、统一大写 |
| 封装与脚位 | 中 | 不一致时进人工复核队列 |
| 温度范围与批次 | 低 | 不作为判否依据，只做提示 |
| 供应商自定义编码 | 参考 | 仅用于反查，不参与合并 |
阈值要设死：归一化后型号字符串完全一致，判为同一料，自动合并；相似度高于 85% 但不一致的，进人工复核队列；低于 85% 的，直接判否。复核队列每天清一次，谁清的留记录。
常见错法：一次性批量合并几万条，不做复核。合并是不可逆操作，错一次要花十倍时间找回来。
2. 异常提醒：让数字自己来找人
原理：老板不看报表，老板看提醒。报表是「你想看什么」，提醒是「有什么你该知道」。AI 在这一层的价值不是算得更准，是把阈值触发这件事自动化，并且带上原因。
具体做法：先定四类预警，每类给阈值、给推送对象、给频率：
| 预警项 | 参考阈值 | 推送对象 | 频率 |
|---|---|---|---|
| 单笔毛利低于底线 | 低于 5 个点提醒，低于 3 个点拦截 | 业务员加老板 | 实时 |
| 库龄超线 | 90 天提示、180 天预警、365 天重点处置 | 仓库加老板 | 每周一次 |
| 应收超期 | 超过账期 7 天提醒、30 天升级 | 财务加老板 | 每天一次 |
| 可用库存低于安全线 | 低于安全库存量触发 | 采购 | 实时 |
阈值不是一次设死的。上线第一个月用宽松阈值跑，统计误报率；误报率超过三成，说明阈值太敏，调宽一档；漏报出现一次真实损失，调紧一档。两个月后阈值才稳定。
常见错法：把预警推给所有人。推给所有人等于推给没有人，每条预警必须有唯一责任人。
3. 归因拆解：毛利要按三个维度切
原理：总额没有用，结构才有用。知道这个月赚了三十万没意义，知道这三十万里哪个客户贡献的、哪个料号撑起来的、哪个业务员做出来的，才能决定下个月干什么。
具体做法：单笔毛利按成交时点的成本算，公式是——单笔毛利 = 成交价 − 成交时点成本快照价 − 分摊杂费。分摊杂费至少含运费、报关费、包装与贴片费三项，能按重量或金额分摊就别平均摊。
三个维度交叉切：
- 按客户：找出毛利贡献前 20% 的客户，以及毛利为负但走量大的客户
- 按料号：找出高周转低毛利的料，和低周转占资金的料
- 按业务员：找出报价习惯性偏低的业务员，问题通常出在成本口径不统一
常见错法：用当期平均成本替代成交时点成本。存储这类价格波动剧烈的料，用平均成本算出来的毛利会严重失真。据 TrendForce 数据，2026 年第一季度通用 DRAM 合约价环比上涨约 93% 至 98%，NAND 两个季度环比均上涨约 55% 至 60%。这种行情下，平均成本与实际成交成本可以差出一倍，毛利表就成了一张废纸。
4. 自然语言查数：老板用说话的方式要数
原理：老板不会去点十二级菜单找一张报表，他要的是「上个月哪个客户赚得最多」这句话的答案。AI 在这一层的价值是把问句翻译成查询。
具体做法：把可回答的范围限定在结构化字段上——客户、料号、业务员、时间段、金额。回答必须带两样东西：口径说明和数据截止时间。比如「按成交时点成本口径，截至 10 月 31 日」。没有这两样，同样的问句换个时间会得到不同答案，老板会失去对系统的信任。
常见错法：让 AI 自由发挥生成业务结论。查数可以让机器做，判断要留给人。机器给的是数字，不是决策。
5. 一张验收表
把上面四类串起来，用这张表验收任何一家的 AI 分析能力：
| 验收项 | 通过标准 |
|---|---|
| 同一料号是否唯一 | 抽检 100 个料号，重复率低于 2% |
| 预警是否有责任人 | 每条预警有唯一接收人，有处理记录 |
| 毛利是否按时点成本算 | 抽查 20 笔历史单，成本与当时进价一致 |
| 问句回答是否带口径 | 回答附口径说明与数据截止时间 |
| 异常是否可追溯 | 任一数字能点回原始单据 |
三、落到经营：从人治到机制
人治的版本是：老板月底把三个人叫来对表，对完骂一顿，下个月重复一遍。机制的版本是：料号唯一、预警有主、毛利按时点、问句带口径，五条验收项每月抽一次。
落到系统能力这一层，先把话说清楚：太帅ERP 目前没有 AI 功能，九大能力域里没有「智能分析」这一项。能帮上忙的是经营分析这一组已经有的结构化能力——经营大屏、毛利分析、销售漏斗、客户洞察、现金与信用额度、经营预警六项。其中毛利分析是按成本快照实时算的，也就是说报价那一刻看到的就是当时的成本，不是月底倒推的平均数——这一条直接对应上面第三类里的时点成本问题。经营大屏把第四类里的查数变成一屏可见，不用再翻菜单。
要把「规则」和「模型」分开看。经营预警、低库存预警、库龄预警（90、180、365 天三级线）都是规则预警：触发条件写死、可解释、说得出为什么报警。它不会预测下个月缺什么料，但每一次报警都能告诉你触发的是哪条线、超了多少天。对贸易商来说，这反而比一个说不清原因的预测分数更实用——报警是为了让人马上动，不是为了让人猜。
这六项的意义在于它们是地基。上面四类 AI 活要跑起来，前提是有结构化、口径统一的经营数据。先把这层数据沉淀下来，以后接什么分析工具都有得接；这层没有，任何 AI 都只能对着 Excel 和 PDF 猜。
边界也要说清楚。太帅ERP 是 Windows 桌面应用，本地部署、内置数据库，数据是留在你自己机器上的，这一点对客户名单和进货渠道这类敏感信息是加分项；但它没有手机原生端，老板出差时只能回到电脑前看数；服务以远程为主，没有大厂那种本地驻场团队；备份也要自己安排，系统不会替你把副本送到异地。这六项结构化能力解决的是「数字算得准、看得见」，不是「替你做决定」——判断仍然在人身上。
至于各家厂商把这四类活包装成了哪些形态、各自的成熟度如何，配套的《2026 ERP的AI功能盘点》里有一份逐项功能盘点清单。
四、常见误区
- 上了 AI 就不用理主数据了。错在把顺序搞反。正确的是：先做料号归一，再谈分析。主数据不干净，AI 只是把错误算得更快。
- 预警设得越密越好。错在忽视误报成本。正确的是：上线首月用宽松阈值跑，误报率超过三成就调宽，两个月后再收敛。
- 毛利算不准是财务的事。错在割裂责任。正确的是：成本口径由采购定、财务核、业务用，三方共用一个成本快照，谁改都要留痕。
FAQ
我们才十几个人，有必要做这么细的分析吗？
规模小反而更需要做。十几人的公司，一单亏损就可能吃掉半个月利润。不需要六项全上，先做料号归一和毛利时点成本两项，这两项做完，老板对数字的信任就建立起来了。
历史数据很乱，是不是要先全部清洗完再上系统？
不用等。按二八原则做：先把近两年有交易的料号理干净，这部分占日常开单的绝大多数；三年前的历史数据单独存一份，需要时再理。等全部清洗完再开始，多半永远开始不了。
AI 给的预警，业务员不看怎么办？
把预警和动作绑在一起，而不是和信息绑在一起。比如毛利低于 3 个点的单不能直接提交，必须走审批。预警只是提示，拦截才是机制。
经营大屏和报表有什么区别？
报表是给你一堆数，让你自己找问题；大屏是先定义好该看什么，把异常顶到前面。老板每天只有几分钟，看的是后者。前者留给财务和业务自己翻。
写在最后
四类活、五条验收标准、一张阈值表——这套东西的价值不在技术多先进，在于把「月底对表」这件每周都在消耗老板精力的事，变成系统每天自动跑完的事。顺序别颠倒：先归一料号，再谈分析。
完整口径写在了配套的《AI识别一物多码：物料主数据治理》里，那一篇把归一这件事拆到了字段级。
主 CTA：看主数据怎么归一 次 CTA：接着读 元器件贸易毛利核算：成本快照与杂费分摊方法