2.7 有数据为什么仍不能马上做 AI

云枢科技告诉我，CRM 里有三年的销售数据，足够训练成交预测。我抽查后发现，失败原因大多空白，商机阶段常在月底集中补录，优秀销售和普通销售的记录习惯也完全不同。

数据存在，不等于能回答当前问题。

一个预测演示差点让我们走错方向

工程团队用历史数据做了一个成交评分演示，几家大客户得分很高。销售负责人觉得结果很准，因为这些客户后来确实成交。

继续检查后，我发现模型主要学到了“被高级销售持续跟进”的痕迹。那些销售本来就会挑选更有希望的客户，并且记录更完整。若把分数用于分配资源，新客户和新行业会因为历史记录少而更难得到关注。

我撤回了“数据足够做预测”的判断。眼前的准确，不代表它能支持未来决定。

如果只是帮助销售发现缺少的信息，数据要求与自动决定资源分配完全不同。风险越高，我需要的完整性、解释能力和人工复核越强。

我会检查来源是否可信、关键字段缺多少、时间是否真实、历史规则是否改变、样本是否只代表部分客户，以及公司是否有权把它用于这个目的。

检查不能只看一张缺失率报表。我会抽取几笔原始业务，核对字段何时填写、为什么填写、未填写代表“不知道”还是“不适用”。云枢科技的失败原因空白，有时是销售忘记，有时是客户仍在观察，两者不能当成同一种数据。

高风险用途还要看错误落到谁身上。若分数决定销售资源，小客户可能永久失去机会；若只是提醒资料缺失，员工仍能纠正，风险小得多。

过去成交多的客户，可能只是因为销售更愿意追某类公司。AI 学习这些记录后，可能继续忽略新行业，而不是发现真正的好客户。

所以我会看哪些群体很少出现、哪些结果受人为选择影响，并请业务人员解释历史制度变化。

历史价格、产品和区域策略改变，也会让旧数据失去可比性。数据负责人说明字段与时间，销售负责人解释过去的选择机制，风险岗位检查是否会不公平地排除客户。我负责把这些限制与用途放在一起，而不是只让工程师判断数据“够不够”。

有时可以缩小范围：不做成交预测，先做资料缺口提示；不自动给客户评分，先帮助负责人比较相似案例。

我让 AI 全栈工程师在结果旁显示数据时间、缺失和适用范围。超出范围时必须拒绝给出确定结论。

云枢科技最终没有自动预测成交，而是先做三件更可靠的事：指出客户必要信息缺失，找出与历史成功订单的可比条件，提醒销售说明自己为何继续或停止跟进。AI 提供依据，销售负责人仍作资源决定。

我们选正常、缺失、冲突和新行业客户，让业务人员先独立判断，再看 AI 使用了哪些资料。结果必须能追到来源，缺失时明确说不知道，超出历史范围时不假装有把握。

同时观察错误是否集中在某类客户、员工是否频繁纠正、资料更新后结果是否改变。只有这些边界稳定，才考虑扩大用途。

资料	原计划用途	抽查发现	缩小后的用途
CRM商机阶段	预测成交概率	经常月底补录，时间不代表真实进展	提示阶段长期未确认
失败原因	学习输单模式	大量空白，不知道是遗忘还是不适用	要求销售选择“未知”或补充来源
销售跟进次数	判断客户意愿	高级销售本来就会选择更有希望的客户	只作为上下文，不作为资源分配依据
客户行业与规模	寻找相似成交	新行业历史样本很少	明确超出范围，不给确定分数

因此云枢科技没有让模型决定把销售资源给谁。第一阶段只指出必要资料缺失、展示可比订单条件，并要求销售负责人说明继续或停止的理由。

这张数据证据表告诉我哪些内容适合整理，下一步还要根据稳定程度和错误后果，选择固定规则、AI准备还是人工决定：这件事该交给 AI、规则还是人。