AI KNOWLEDGE FOR E-COMMERCE
把机器学习、NLP 和计算机视觉，翻译成海妈家能用的业务语言
重点不是记住技术名词，而是知道“它需要什么数据、能支持什么决策、什么时候必须人工确认”。
1. 先理解这家公司的 AI 问题
根据公开信息，海妈家所在企业长期聚焦 3—12 岁男童服装，业务涉及设计、生产和多平台电商销售。因此 AI 应优先解决“多渠道信息太多、反复判断太多、人工跟进容易漏”。
文本和对话多
客服咨询、售后诉求、评价、商品标题、候选人简历都是非结构化文本，优先用 NLP 处理。
图片和视频多
童装主图、详情页、尺码表、买家售后图、直播与短视频是核心资产，适合用计算机视觉辅助检查。
经营指标多
流量、点击率、转化率、客单价、毛利率、退货率、库存周转需联合判断，适合用规则和机器学习做预测与分类。
公司场景依据：谈职公开公司信息。该来源为第三方公开页面，真实项目立项前应由企业确认店铺、品牌和组织现状。
2. 机器学习：从历史数据中学会“怎么判断”
简单理解：不是把每个答案写死，而是让模型根据历史案例找出指标与结果之间的关系。
适合解决的问题
- 销量和库存预测：未来 7/14/30 天可能卖多少？
- 爆款潜力评分：哪些新品值得增加测款流量？
- 退货风险预警：哪些尺码、版型、批次风险上升？
- 客服工单优先级：哪些对话有可能演变为投诉？
- 候选人匹配：哪些候选人更符合已经确认的岗位标准？
需要的数据
- SKU、品类、价格、折扣、上架时间、活动标签。
- 曝光、点击、收藏加购、成交、广告消耗。
- 成本、毛利、退货、售后原因、库存和补货周期。
- 天气、节假日、季节、平台活动等外部变量。
海妈家可采用的分期路线
可解释
字段统一
预测结果
观察收益
避免漂移
3. 自然语言处理（NLP）：让系统读懂客户、商品和候选人
NLP 负责处理文本和对话。大模型属于 NLP 的重要技术路线，但真正落地时还需要知识库、规则、权限和人工审核。
意图识别
将“这件偏小吗”识别为尺码咨询，将“洗一次就起球”识别为质量售后。
信息抽取
从对话中抽取订单号、SKU、身高体重、问题类型、期望方案和时间。
情绪与风险
识别愤怒、连续催促、平台介入、媒体曝光等风险信号，优先转人工。
知识检索（RAG）
先从尺码表、材质说明、售后政策和话术 SOP 找依据，再生成回复。
文本生成
生成客服草稿、商品卖点、平台标题、JD、候选人核实问题和沟通话术。
总结与归档
把长对话压缩成“问题—已核实信息—风险—下一步”，写入工单。
一个稳定的客服 NLP 链路
4. 计算机视觉（CV）：让系统理解童装图片和视频
计算机视觉不只是“认出图里有什么”，还能做图像质量检查、OCR、相似图检索和视频内容抽取。
商品运营场景
- 主图质量：清晰度、构图、主体占比、背景干扰。
- 图文完整性：尺码、材质、颜色、使用场景是否表达清晰。
- 视觉相似度：检索与已有商品或竞品风格过于相似的图片。
- 卖家素材管理：自动标注款式、季节、颜色、场景、人群。
客服售后场景
- OCR 读取快递单、洗标、吊牌、尺码表和聊天截图。
- 辅助识别起球、破损、污渍、色差等买家反馈类型。
- 检查售后证据是否清晰、角度是否足够，提醒需补充的图片。
- 对同一 SKU/批次的图片问题聚类，支持质量追溯。
首版不建议自己训练视觉大模型
第一步：通用多模态模型 + OCR + 检查清单
快速验证主图诊断、售后图分类和商品属性提取的价值。
第二步：建立人工标注样本
保留运营与质量人员对 AI 结果的修改，形成“图片—问题类型—严重程度”数据。
第三步：在样本足够时评估专用模型
只在高频问题、标注口径稳定且能带来显著收益时，再微调或训练专用分类模型。
5. 三类技术如何组合到三个 Demo
业务场景往往不只使用一项 AI 技术，而是形成多模态协同。
| 场景 | 机器学习 | NLP | 计算机视觉 | 人工确认点 |
|---|---|---|---|---|
| 智能客服 | 投诉/超时风险评分 | 意图、情绪、知识检索、回复草稿 | 售后图、快递单、洗标 OCR | 赔付、退款、投诉和对外承诺 |
| 商品运营 | 销量预测、爆款评分、异常检测 | 评价归因、卖点和标题生成 | 主图评估、款式属性、相似图 | 投放、定价、补货、下架 |
| 智能招聘 | 候选人匹配评分 | 简历解析、沟通话术、招聘复核摘要 | 简历截图 OCR，证件信息应尽量不收集 | 初筛、邀约、淘汰、Offer 和录用 |
6. 企业落地必须同时建设的五个基础
模型只是一层，没有数据、流程、权限和评估，Demo 很难变成稳定的业务能力。
数据口径
统一平台、店铺、订单、SKU、候选人和工单编号。
知识库
维护尺码表、材质、保养、售后政策、话术 SOP 和岗位标准。
流程与分支
明确哪些自动、哪些转人工、超时怎么办、失败怎么回退。
权限与留痕
客户信息、订单、简历和薪资数据分级授权，关键操作记录前后状态。
评估与复盘
记录 AI 建议采纳率、误判率、处理时长和业务结果，按周迭代。
7. 一页总结：三类 AI 能力怎么理解
机器学习
关键词：预测和评分。
让历史数据帮助回答“未来会怎样”和“哪个更值得优先处理”。
自然语言处理
关键词：理解和生成。
读懂客户、评价、商品和简历文本，再根据企业知识生成草稿。
计算机视觉
关键词：看懂和检查。
读取图片里的文字、商品属性和质量信号，辅助运营与售后判断。