有效比较需要哪些条件
区分正面图、侧面图、细节图与模特展示图，再对齐商品属性和销售周期。审核时既要看相似度得分，也要看商品本身。
AI 需求预测 · 商品分析
看懂每一款商品，
为下一季预测需求。
ONDO AI FORECAST 通过相似商品分析与销量预测，帮助时尚团队规划下一季。商品图片、属性与历史销售表现共同为企划和订货量决策提供依据。
正面图筛选 · 属性标注 · 相似商品检索 · 企划人员审核与调整
- 收集准备商品与图片连接源数据与订货表
- 选择识别商品正面图查看候选图与原图
- 标注推荐商品属性企划人员调整衣长、版型和面料属性
- 匹配查找相似商品图像向量和属性权重
- 预测预测销量历史销量与趋势信号
- 批准调整订货量目标售罄率与修改记录
问题
预测新款需求时，
该参考哪些商品？
商品图片和销售记录分散时，很难找到有效的对比对象。ONDO AI FORECAST 利用图片和属性寻找相似商品，并结合历史销售结果辅助预测。
匹配设计
先确定比较基准，
再结合相似度与历史销售记录。
同一商品的得分也会随拍摄角度和比较标准而变化。比较前应筛选正面图，并按品类整理属性。
从商品正面图开始 · ONDO AI FORECAST
筛选商品正面图进行视觉相似度比较，再结合属性和历史销量预测数量；每项结果均由企划人员审核。
- 正面图选择
- 加权属性相似度
- 销售模式分析
- 目标售罄率计算
- 置信度评分
- 最终由人作出决定
一个问题，两个引擎
通过图像和属性进行比较
图像相似度帮助找出外观相近的商品，属性相似度则比较衣长、面料与版型。企划人员会结合历史销量审核两类结果。
视觉匹配
图像相似度
将商品正面图向量化以检索视觉上相似的商品，再由人员比较廓形与颜色，选出有参考价值的商品。
- 根据置信度筛选正面图
- 基于向量距离的图像检索 API
属性匹配
属性相似度
按品类为 AI 标注的衣长、面料和版型设置权重，找出可比商品，并关联历史销量。
- 类别加权匹配分数
- 结合商品销售表现进行销量预测
共享设计原则
审核 AI 建议并记录决策
将 AI 建议值与企划人员确认的值分别保存，并保留修改记录。已确认的值会锁定，如需修改须按取消流程处理。
能力
从商品分析到销量预测
自动筛选正面图、标注属性并检索相似商品，再分析销量模式与趋势。企划人员使用预测结果前会进行审核和调整。
图像相似度
筛选商品正面图
根据置信度评分，从自有及竞品图片中自动筛选最可能的商品正面图。
图像向量化 API
上传图片后，获取用于相似商品检索的图像向量。
相似图像检索 API
提交图片后，获取相似商品及其相似度评分。
销售预测
按品类进行 AI 属性标注
根据图片和商品信息，建议衣长、面料、版型等商品属性。
按属性权重匹配商品
按品类设置属性权重，对往季相似商品进行排序。
销售规律报告
用自然语言总结畅销与滞销商品的共同特征，帮助理解销售规律。
趋势契合度分析
依据季节趋势研究，从廓形、面料、颜色等属性评估每款商品的趋势契合度。
根据目标售罄率计算订货量
根据预测销量与目标售罄率计算建议订货量，再由企划人员审核调整。
阶段管理与修改记录
跟踪上传、属性标注与订货量审批；锁定已批准的数值，防止误改。
TOOLS面向不同岗位的 AI 工具
上传商品数据，开始需求预测
查看 AI 如何利用商品信息和图片自动标注属性并预测需求。画面中的商品与数值均为示例。
01
进口业务团队
AI 销量预测
上传商品图片后，AI 会标注属性，并根据相似商品的历史销量预测当季销量。团队可参考结果审核订货量。
1上传数据订货表 · 商品图片
2自动标注属性AI 属性提取
3需求预测销量·趋势
上传源数据上传 Excel 订货单和商品图片 ZIP 文件，系统会自动匹配并导入。
📊
订货表（XLSX）
单击或拖动 · XLSX 最多 50 MB
XLSXBLANC_27E_order.xlsx6 行
🗂️
商品图片（ZIP）
单击或拖动 · ZIP/JPG 最多 500 MB
ZIPBLANC_27E_images.zip12 张图片
📋 组合产品列表 订货单 ↔ 商品图片自动匹配 · 6 个 SKU
图片V-STYLE · 颜色品类 · 商品尺寸材质成分WHLS($)RETAIL($)状态
V136584815001 BLK针织品·圆领套头衫XS–XLWOOL 70 / NYLON 30128295已匹配
V136684798137 OWT针织品·圆领S–XLWOOL 100135310已匹配
V136684799944 TUR针织品·绞花套头衫XS–LCASHMERE 30 / WOOL 70142330已匹配
V132713134242 COS外套·裹身大衣S–LWOOL 80 / NYLON 20268620已匹配
V137084800466 AMA针织品·华夫格纹理XS–XLCOTTON 60 / WOOL 40119275已匹配
V137084801946 SIE针织品·费尔岛图案S–LWOOL 100156360已匹配
文件名规则 V-STYLE_COLOR 自动将每个图像与其订单表行进行匹配。
自动标注属性AI 自动从产品图像中提取属性并标记。
商品图片
从图像来看， AI 提取这些属性
品类外套96%
长度迷笛92%
领型缺角翻领89%
门襟方式裹带·腰带87%
袖子装袖90%
版型宽松版型84%
颜色驼色95%
材质羊毛混纺88%
需求预测根据标记的属性预测销量、销售周期和趋势。
按尺寸预测 SKU分配
XS8%
S24%
M38%
L22%
XL8%
每周销售趋势 高峰期：三月第二周
2027春夏·三月第二周销售高峰
⚠与相似的驼色中长款大衣相比， 该商品前四周销量增长较快，存在提前缺货的风险。 — 建议将订货量增加 12%（增至 1,400 件） 并增加 M、L 码的订货量。
自动化工作流程演示
ANALYTICS数据分析·仪表板
将数据转化为决策
在同一个看板查看客户购买行为、商品评价和竞品。这是示例界面，所示数值并非实时运营数据。
全公司范围 参考日期：2026年6月·当月
TOTAL线下线上跨渠道
购买客户数
8.1万人
▼ 32.5% · −39K
复购客户
5.3万人
▼ 26.2% · −19K
首次购买客户
8,110人
▼ 27.4% · -3,060
流失的客户
44.4万人
▲ 13.4%
会员销售
292.9亿韩元
▼ 24.9% · −₩9.7B
购买识别率
58.1%
▼ 0.4%
性别和年龄分布 男性 23,133 人（28.5%）· 女性 58,060 人（71.5%）
~29
30–34
35–39
40–44
45–49
50–54
55–59
60–64
男士女性
客户旅程 首次购买 → 再次购买 → 客户流失
首次购买客户
1.1万人 → 5.3 万名复购客户
重新活跃的客户
1.7万人
每笔消费金额
23.2万韩元
销售表现最佳门店 按购买客户数
门店客户·销售
1NORDÉ 网上商店39,793₩18.2B
2NORDÉ 江南5,894₩3.1B
3NORDÉ 现代板桥1,634₩900M
4Atelier M 明洞1,210₩600M
5Blanc 乐天蚕室982₩500M
畅销商品 按销量
款号 · 商品销售额 · 客户数
1NDPK5A201IV · 棉质珠地 Polo 衫₩88M586
2NDSW5B118NV · 经典针织衫₩79M468
3ATJU5B062BK · 修身西装外套₩70M124
4BLPA5A235BG · 阔腿休闲裤₩68M326
5NDDR5B405WT · 百褶连衣裙₩65M274
客户分析 · 9 份报告，涵盖品牌概览、跨品类购买、购买模式与主要客户
NORDÉ 4,325 条评论 · STCL 290 · 自 SS24
按客户按款号
评分 · 综合评价
4.7
★★★★★
商品评价 · 每周趋势
W-5 → W · 过去四个星期上升
情感分析
4,325REVIEWS
积极 2,812 · 65%
负面 575 · 13.3%
中性 938 · 21.7%
[NORDÉ] 标志性棉质珠地布 Polo 衫
NDPK5A201IV · ONDO AI 评价摘要
主要购买原因面料手感 · 版型 · 颜色 — “厚薄适中，四季皆宜”
客户满意之处手感柔软，日常穿着轻松，洗后变化小
客户不满意之处尺码比标准尺码偏小，建议选择大一码
AI 预测分数88.4 / 100 · 复购可能性高
ONDO AI 汇总并分类 4,325 条商品评价 · 支持查看高分评价与重新运行
竞争对手 · URBN我们的品牌·NORDÉ类别·衬衫材质·全部⬇ EXCEL DOWN
URBN-10%
URBN-15%
URBN-20%
URBN-10%
自动采集竞品商品信息，按品类、标价与售价、版型、材质及产地整理。
工作流程
从商品数据到需求决策
整理商品信息与图片，由 AI 标注属性；再根据外观和属性比较商品，结合历史销量与趋势预测需求，最后由企划人员审核并调整结果。
收集
自动采集公司及母公司的商品信息与图片。
筛选并标注
按置信度排列商品正面图候选项，并标注各品类属性；企划人员审核原图与建议结果。
矢量化和匹配
将商品正面图转换为向量，并按权重处理已标注的属性，分别计算图像与属性相似度。
寻找模式
AI 用自然语言总结畅销与滞销商品的共同特征。
预测数量
结合相似商品与趋势契合度，估算销量及可能区间，并用历史销售数据检验误差。
审核并决策
企划人员结合预测销量和目标售罄率，审核并调整建议订货量。
修正
企划人员可在批准前修改自动筛选结果与预测；后续修改须遵循撤销流程，并保留记录。
先完成正面图筛选与属性标注，再计算相似度。企划人员审核原图和建议结果，确定比较基准。
采用标准
用自有商品数据
评估检索与预测效果
检查检索结果是否适合商品比较，并对照实际销量评估预测差异。确定导入范围时，也要纳入企划人员的审核和修改步骤。
商品目录
准备产品数据
关联商品 ID、品类、图片、属性与历史销量，并确认访问权限及缺失、重复数据的处理规则。
图像选择
审核商品正面图筛选结果
确认筛选结果确实是正面图且符合用途。候选图片得分与实测分类准确率应分别评估。
搜索相关性
评估相似商品检索结果
将排名靠前的检索结果与企划人员选出的商品比较，并查看图像和属性权重如何影响排序。
操作
设定处理规模与频率
根据商品与图片数量及更新周期设计批处理和检索流程，并用真实数据测量处理时间、错误与重试情况。
预测验证
衡量预测误差
将预测结果与预测日期之后的实际销量比较，同时考虑季节性、缺货、折扣、销售周期及可比商品数量。
数据边界
确定企业内部数据的连接范围
规划在企业内部管理图片、属性及历史销量；若使用外部 API 或数据，还需核查传输范围与访问权限。
决定
保留企划人员的最终审核
调整建议订货量前，应综合查看匹配结果、销量预测和目标售罄率，并分别记录批准与撤销操作。
范围和验证
明确需求预测所需的
数据与条件
准备商品图片、属性和历史销量，确定企划人员的审核与批准规则，并用真实数据验证误差及适用范围。
| 输入 | 产品详细信息和 ID、图像、类别属性以及各个时期的销售历史记录 |
|---|---|
| 运行范围 | 根据商品和图片数量及更新频率，确定数据采集、图片筛选与属性标注的批次 |
| 候选图评分 | 查看正面图候选项与匹配评分；评分的小数位数不代表识别准确率 |
| 标记属性 | AI 按品类推荐衣长、版型、材质和图案等属性，企划人员可进行修改 |
| 订货量计算 | 建议订货量 = 预测销量 ÷ 目标售罄率（大于 0 且不超过 1）；订货单位与取整规则另行处理 |
| 工作流程状态 | 跟踪上传 → 属性标注 → 订货量审批；已批准的数值锁定为只读 |
| 变更历史记录 | 以商品 ID 关联 AI 建议值与企划人员确认的值 |
| 采用范围 | 在导入阶段确认品牌、品类、销售渠道与可用数据 |
- 针对源数据配置 AI 正面图筛选与 URL 规则解析，再检查漏选和误选情况。
- 明确重复图片与代表图片的处理规则，确保商品比较使用一致的基准。
- 预测结果受可比商品数量、销售周期、缺货情况及折扣记录影响。若要给出经统计验证的置信区间，还需另行评估。
- 锁定已批准的订货量，防止被意外覆盖；如需修改，须先明确取消原决定。
- 企划人员在批准前审核并调整自动筛选结果与预测；后续变更须遵循撤销流程并保留记录。
匹配分数高不代表一定畅销。销量预测与建议订货量仅供决策参考，最终由企划人员判断。
相关项目 — 客户分析仪表板
客户分析项目为将数据分析融入日常工作流程积累了经验。
路线图
结合图像与属性，
为预测提供更充分的依据
如今，视觉相似性搜索和基于属性的销售预测在不同的工作区中运行。接下来是与内部系统的组合匹配和集成。
- 第 0 阶段 · 完成
设计图像与属性处理流程
设计商品正面图筛选、品类标注与存储功能，并登记公司及母公司的商品信息和图片。
- 第一阶段 · 完成
上线属性标注与预测界面
团队现可通过页面上传数据、标注属性、设定销售周期并审核订货量。
- 第 2 阶段·当前
运行图像与属性匹配
图像相似检索和基于属性的预测每周分别自动运行，再由企划人员审核并调整结果。
- 第三阶段·下一步
整合两套引擎
我们计划结合图像与属性进行匹配，改进重复数据处理，并进一步对接企业内部的检索、预测和订货流程。