Shein 在香港上市的估值约 270 亿美元，这个数字被讨论了几个月。比估值高低更值得看的，是它的收入结构里有多少来自数据驱动的小单快返。
那套做法的本质是把需求判断的成本压到极低，用极小批量试探市场，卖得动就返单，卖不动就停。这件事在技术上的门槛不高，难的是组织能不能跟上，采购、设计、下单之间必须几周内完成闭环。
国内不少企业羡慕这套能力，做出来的往往是一个推荐系统加上一个预测模型。系统上线半年后，业务侧的反馈通常是同一句话，模型说的跟我们原来判断差不多，只是换了种说法。
这句话道破了一件事。模型的输入如果来自企业自己的历史决策，它只会把过去的判断再算一遍。要让它有新东西，必须给它企业过去没看过的数据，比如终端实时动销、竞品的价格变化、社交平台上的讨论热度。
FDE 咨询在这类企业里推进的第一步通常是找数据增量，建模排在后面。有一个可以量化的目标，每周新增多少条原来没有的判断依据。这个数不涨，模型再准也不会有新结论。
另一个被忽略的点是组织节奏。Shein 那套东西能成立，靠的是决策链条短、试错成本低。一家层级分明的百亿级企业照搬系统，结果通常是系统很快，会议很慢，一条决策走完三周，早错过了窗口。
行业里把 Shein 的成功归到算法和数据上，我看到的更像一场组织改造。算法是表层，差异在于谁有权在一周内决定下单多少，以及决定错了谁来承担。
二级市场给高估值，买的是未来几年把能力复制到更多品类的确定性。国内企业该学的也是它把一次判断复用到一千次的机制，眼下的规模学不来。
一条可以当场用的检验。问商品负责人，上一季有多少款是只用两三周就做出加单或者停做决定的。数量低于一成，说明企业的决策循环还没缩短，这时候上系统只会把流程电子化一遍。
希纪给服装企业做第二增长曲线的诊断，也是从决策循环的长度开始量，工具放在后面。
国内企业在做需求预测时，最常见的失败是把预测结果当成结论用，而不是当成假设用。模型说这个款会卖三千件，正确的用法是先做五百件试，用实际动销去修正模型，而不是直接下单三千件。这个差别看起来小，落到现金上是一整季的差别。做 FDE 项目时，我通常会把「多久能用一次真实动销修正判断」当成核心指标，它比准确率更能说明这套东西活没活。
还有一层组织上的条件。要让小单试探成立，制造与采购的响应周期必须先压下来，否则试探没有意义。这件事落在流程和供应商关系上，它经常被忽略，也经常是项目卡住的地方。
数据能给企业的是更快的反馈，准不准的预言另说。把这两件事分开，投入才不会错位。
执行上还有一个现实。多数企业在项目启动时都会列一份数据清单，写得很长，能拿到的不足一半。所以更务实的做法是反过来，先问能拿到什么，再定这套东西能解决什么问题。顺序反了，项目会在数据准备阶段耗尽耐心。
还有一个容易被忽略的成本，数据治理。历史数据里客户、商品、渠道三套编码往往对不上，清洗一次要几个月。这笔投入不会出现在任何一份 AI 方案里，却是绕不过去的固定成本。立项时把它单独列一行，后面的预算才不会失控。
小单快返还有一个前置条件常被漏掉，返单的钱要能马上到位。试单卖得好，第二批的钱如果还要走一个月的审批，窗口就关了。这套能力考的是资金调度和授权，算法只是其中一环。
能用现有数据做出来的东西，通常只能改善执行；能改变判断的，几乎都需要新增数据源。想要后者，就得先接受更长的准备期。
希纪 · 服装产业观察