零售 AI 落地体检（可交付商品）

很多 AI 项目卡在"没数据"——模型再强，喂不进真实数据也白搭。零售 AI 落地体检就是先摸清家底：你的数据够不够、字段全不全，再决定上什么 AI。这是我自己用的"零售AI落地体检报告"商品，对外可卖。

是什么

用只读 SQLite 库生成「零售 AI 落地体检报告」（HTML/PDF）+ 补数据清单 + 30 天验证计划。

为什么重要

• 避免"先上 AI 再发现没数据"的浪费
• 把"数据缺口"变成可执行的补数清单
• 给老板一个"能否上 AI"的明确结论

生成步骤（真实流程）

1. 连接只读数据库（生产环境先只读诊断，不改任何东西）
2. 跑字段完整度分析（如：客户名 100% 有值，但客户 ID 0% 无外键）
3. 输出：体检报告 + 补数据清单 + 30 天验证计划

分析脚本思路（伪代码）：

for col in ["model","thickness","size","customer_id"]:
    cov = db.query(f"SELECT rate_nonnull({col}) FROM orders")
    print(col, f"{cov}%", "✅可驱动" if cov>90 else "⚠️卡点")

真实样本（门窗零售 33,178 单）

结论：型号/厚度够用，尺寸/客户匹配是出真价卡点 → 优先补这两类数据。这直接指导了德莉玛定价引擎 P0~P3 的优先级。

报告长什么样

• 首页：总评（数据健康度红黄绿）
• 字段清单：每个字段覆盖率 + 是否能驱动 AI
• 补数据清单：按优先级排的补数任务
• 30 天计划：每周做什么、验证什么指标

配套技能

已沉淀为 retail-ai-audit-report 技能：只读库 → HTML/PDF 报告 → 补数据清单 → 30 天计划，可复用。

与其他板块关系

• 私域 × 会员制：16 字段场景库的补键，靠体检发现
• 德莉玛定价引擎：尺寸/客户匹配缺口，靠体检定位
• 会员制营销：先体检，再谈 AI 化