引入了 AI，为什么没有成效？从数据中找到的电商增长条件

8 月 6 日，我们在首尔驿三的 Snowflake 韩国办公室，以“用 AI 和数据打造电商成功案例”为主题举办了 Lunch & Learn。

Hitejinro Beverage、Nestlé Korea、Nongshim Kellogg、adidas Korea、APR、Kenvue Korea 等食品饮料、美妆、时尚、生活消费品等各行业的一线人员出席，共同探讨了 AI 和数据转化为实际工作成效所需的条件。

AI 要给出可信的答案，需要什么？

在第一场分享中，Snowflake 的销售代表 Eom Sang-ryeol 指出了 AI 在实际运营阶段止步的三个关卡：上下文、治理和成本。

仅仅把表格或文件连接到通用 LLM 上，很难一致地反映各部门的指标定义、例外规则和数据权限。相反，如果把通用指标和业务规则与数据连接起来，AI 就能对同一个问题给出更准确、可复现的答案。

活动中介绍的 Anthropic 内部分析案例也印证了这一点：在没有公认的数据定义时，答案准确率只有 21%；采用统一标准后，准确率提高到 95% 以上。在随后的 Snowflake CoWork 演示中，大家看到了当企业数据、语义体系和安全策略在同一个环境中运作时，AI 如何从分析一直延伸到下一步行动。

把分散的电商数据转化为销售成果

MarqVision 的资深销售代表 Park Jun-young 介绍了品牌、商品、价格、卖家数据分散在多个渠道时出现的窜货流通、价格扰乱和假冒商品问题。

Marq AI 把这些数据连接成一个品牌本体，并通过价格监测和卖家情报识别高风险卖家及其关联网络。以此为基础，品牌可以不再只看检测数量，而是围绕回升的价格和销售额、应对时间等业务成果来确定优先级。

在 Yonsei Dairy 的真实案例中，引入 Marq AI 后的 1 年里，不仅提高了对 Coupang 的供货价，还把 PPM 提高了 3%～5%，并比原有应对方式减少了 70% 的工作时间。这个案例表明，窜货管理可以成为稳定线上流通秩序、恢复收益的起点。

关键不是更好的 AI，而是更好的数据结构

这次活动确认的核心很明确。

决定 AI 成效的不是更昂贵的模型，而是把企业的数据和标准连接起来、让 AI 能够理解的结构。分享结束后，大家一边享用午餐，一边交流各自在实际工作中遇到的数据利用和电商运营课题。

感谢所有参与者。如果您想了解 Marq AI 如何连接分散的电商数据、守护品牌的信任和收益，请查看 MarqVision 的各种成功案例。