Hi，
有一場的對象是一家生鮮線上商店的管理者。他帶了兩個題目，第一個是促銷 banner 怎麼出，當天就解掉了。第二個沒有。
他想做的第二件事是分析銷售資料。報表他有，而且已經有一套自己跑的初步統計。他想往下走，想知道哪些東西賣得好是因為什麼、毛利實際上是多少。
這一題卡在兩個地方，兩個都發生在 AI 還沒開始工作之前。
第一個是那份報表裡面有個資。要讓 AI 讀它，得先把那些欄位處理掉。這不是技術難，是它屬於另外一種性質的事，公司對客戶資料怎麼流動本來就有規範，不會因為這次是交給 AI 而鬆開。
第二個是成本。他賣的東西成本每個星期都在變，不是一年調一次的那種。如果那張成本表沒有跟著更新，AI 算出來的毛利就是錯的，而且錯得很乾淨，看不出來。
這兩件加起來的意思是，就算 AI 的能力再強一倍，那天我們也走不到他要的地方。因為要餵給它的那份資料還沒有準備好。
另外一場我看到同一件事的另外一面。那一場的對象是三位在紡織業工作的親戚。
那天從他們一套二十幾年前的舊系統裡跑出一張紗種報表，四萬多筆、橫跨十五年。他們在做的時候已經把客戶和加工廠換成代碼了，但是單價是真實的數字。那份東西只要外流，同業看筆數就知道誰是大客戶，看價格區間就知道各家染廠的報價水準。
所以那個檔案到現在只在他們三個人之間流通，沒有進任何一個會同步到別的地方的資料夾。報表做出來是一回事，它能走多遠是另外一回事。
這兩場的共同點，我覺得是整件事裡最容易被低估的一段。
大部分人在想「AI 能不能幫我做這個」的時候，想的是模型夠不夠聰明。但是真正卡住的位置，常常是資料在進去之前的那一段：它在誰手上、能不能給、要先遮掉什麼、多久更新一次、更新的人是誰。
這一段沒有辦法外包給工具。模型再換一代也不會幫你決定哪些欄位可以給出去。
這一段一旦整理清楚，它是會留下來的那種整理。成本表每週更新的習慣建立起來，之後不管用什麼工具算毛利都是對的；哪些欄位不能外流想清楚一次，之後每一份報表都照同一套規矩走。
那天我給他的收尾是一個順序。先把資料能不能進得來這件事弄乾淨，再回來談要 AI 做什麼。
Kidult
